决策智能如何严重提升您的 BI 游戏
已发表: 2022-01-29对于我们大多数人来说，制定数据驱动的业务决策是一个四步过程。 首先，您收集数据。 接下来，你“挖掘”它，这只是意味着工具和数据科学家的某种组合寻找不同类型数据之间的模式和相关性。 第三，这些发现被注入到管理人员可以看到的仪表板和可视化中。 从那里，由经理来解释仪表板告诉他们的内容并做出决定。
问题在于您收集的数据，以及您的工具和数据科学家发现的模式，现在定义了您可以做出的决定。 一个简化的例子：假设 PCMag 收集了大量关于哪些文章在特定文章或文章组获得的点击次数方面表现最佳的数据。 然后我们的数据库引擎开始运转，将最好的文章组合在一起，并构建漂亮的可视化效果，以便我们了解所发现的内容。 我们正在查看的内容让我们看到了迄今为止最成功的文章。 然后，我们可以通过在给定的数据枢轴上写更多这样的文章来复制这种成功，比如主题、文章类型甚至作者。 所以我们正在做的是使用我们的数据来复制我们过去的成功。 当然是一种有效的做法。
但如果我们扭转局面呢？
与其用我们收集的数据来限制自己，不如从问我们真正想要回答的问题开始：未来什么样的文章对我们最有利？ 如果我们从那里开始，我们需要一个流程，不仅要发现我们需要提出的问题以获得答案，还要发现我们需要收集的数据来支持这些查询。 但是我们得到的是一组更有价值的答案，可以用来做出我们的编辑决定。
这是下一代业务分析工具中出现的更令人兴奋的新方法之一，它被称为“决策智能”（DI）。 下面，我们将更详细地描述 DI，并讨论您需要了解哪些内容才能使其适用于您的组织。
什么是决策智能？
谷歌首席决策科学家 Cassie Kozyrkov 将 DI 描述为一种通过社会科学、决策理论和管理科学来增强数据科学的方法。 这种组合更有效地帮助人们实际使用 BI 数据做出更好的决策。 她将数据科学和 DI 之间的区别描述为制造微波炉的人和使用微波炉的厨师之间的区别。
DI 源于软件工程努力构建改进的最佳实践决策并大规模这样做。 据专家称，它已经足够成熟，应该会在 Microsoft PowerBI 或 Tableau 等流行云 BI 工具的下一次迭代中开始影响甚至中小型企业 (SMB)。
“决策智能将人工智能和人类决策联系起来，形成更智能的结论，从而产生更有利的结果，”定制软件开发公司 Future Processing 的高级助理 Jack Zmudzinski 说。 “因此，与其说是人类做出的决定，也不是由计算机做出的决定，而是两全其美。”
决策智能颠覆了企业通常使用其数据所做的事情。 在大数据方法中，通常选择分析工具和查询来拟合数据。 对于 DI，最优先考虑的是正在寻求的决定。 然后构造查询，并根据与问题的相关性选择数据。 因此，在做出数据驱动的决策时，数据扮演的是支持角色，而不是主角。
专家将决策智能定义为一种方法论，但它并不是一个单一的综合过程。 您如何进行 DI 将取决于您的业务、您收集的数据以及您的分析工具集的功能。 但是，基本思想始终是相同的：使用一种可视化方法，从所需的决策开始，然后向后确定需要哪些数据以及如何获取这些数据。
为什么需要 DI
如果您认为这一切听起来像是一个大企业或企业问题，请再想一想。 即使是小型企业和“个体创业者”也将很快使用这些技术，他们将能够以很少的努力、以合理的成本管理这些技术，并凭借自己的知识和才能取得成功。 底线：如今，即使是小型企业领导者也使用拥有大量数据和可靠分析的复杂云数据库。 他们缺乏的是关于如何使用这些信息做出现实世界决策的任何真正指导。 对于小公司来说尤其如此，而这正是 DI 正在解决的问题。
“算法和数据擅长告诉我们‘这是观察结果或数据，以及可以得出的结论。’ 他们不善于告诉我们需要做出什么样的决定，”全球咨询和专业服务公司 ZS Associates 的副主管 Gopi Vikranth 说。 在 2019 年加入 ZS 之前，他曾担任新濠博亚娱乐大数据和营销分析副总裁，以及凯撒娱乐营销分析副总裁。
“另一方面，决策智能回答了[问题]'如果你要采取行动 X，现实世界中的结果会是什么？' 这对企业来说至关重要，因为很少有完美信息的情况，”Vikranth 说。
他将一家中型企业描述为一个典型的例子。 假设这家公司有客户忠诚度计划。 人工智能的任务是提高商业利润，因此它可以在数学上找到改变或消除客户福利或提高价格以优化利润的方法。 但是，尽管这些结论在客观上是“正确的”，但这样的决定很可能会引起客户和影响者的强烈反对，最终导致长期的忠诚度损失，从而导致收入损失。
软件工作室 Myplanet 的首席执行官 Jason Cotrell 列举了以下作为决策智能的潜在用例：
个性化软件的前端组件（自适应 UI）。
产品推荐。
客户流失预防。
针对交易量大的业务（例如航空公司或制药业）进行价格优化。
“而不是说'我需要什么数据才能做出这个决定？' 说‘我该如何做出这个决定？ 哪些部分需要数据分析，哪些部分可以自动化？ 这样，您将更好地利用您的分析和自动化，” 《数字决策：使用决策管理从 AI 提供业务影响》一书的作者兼决策管理解决方案首席执行官 James Taylor 解释说。
即将推出：决策智能工具
如果您是一家涉足大数据的小型企业，那么您当前的平台可能已经拥有开始使用 DI 所需的工具。 专家说你甚至可能不需要那个。
“你可以只用铅笔和纸来使用 DI 方法，或者最近我使用 Lucidspark 应用程序来协作绘制行动到结果图 (CDD)，”机器迁移学习的发明者、决策智能先驱 Lorien Pratt 说，以及机器学习和决策智能公司 Quantellia 的首席科学家和联合创始人。 她认为 DI 正在迅速成熟，很快这种类型的数据建模将适用于任何规模的企业。
根据 Pratt 的说法，即将推出的通用商业智能平台迭代将支持 DI。 “在下一个复杂级别，您将能够将 DI 模型嵌入到现有工具中，例如 [Microsoft] Excel 或 PowerBI，”她说。 但是，对于不太复杂的工具，此过程可能会受到限制，因为这些用户将无法即时更改他们的模型。
但是，虽然小型企业可以期待云中简化的 DI 平台，但企业将需要更多的火力。
“最大的问题是投资方法，”普拉特说，这意味着大型企业需要将决策放在首位。这在大型组织中可能会变得复杂。你不仅需要弄清楚需要做出什么样的决策，以及如何捕捉这些需求。
“对于某些决策，现有的 BI 堆栈就足够了，”Taylor 说，“但对于其他人来说，[企业] 可能会发现他们需要投资更先进的技术，例如预测分析和机器学习工具。”此外，他建议对于公司需要经常或快速做出的决策，部署业务规则管理系统（例如来自 Agiloft 或 IBM 的那些）可以使流程自动化并更好地利用您的机器学习算法。
对于小型企业来说，这可能是矫枉过正。 尤其是因为下一代云分析服务应该提供 SMB 所需的所有 DI 肌肉，而且部署和学习的麻烦更少。 但是，如果您仍然想在 DI 上进行 DIY，这是 Taylor 所说的典型企业所需要的：
我们的编辑推荐
用于进行需求收集和数据建模的决策建模软件。
业务规则管理软件，用于开发您的决策规则（除非您做出相对较少的决策并允许较长的结果时间）。
某种机器学习堆栈，用于开发您需要的算法。
一个数据平台，可以让您创建算法并管理事务数据交付，最好是实时的。
一种数据可视化工具，尤其是当您的最终决定仍包含重要的人为因素时。
模式与直觉
机器将问题和模式视为明确定义：黑色与白色。 另一方面，人们会看到细微差别、潜在的替代含义、选项以及通往其他想法的桥梁。 任何问题的清晰性通常是直觉智力的功能，而不是学术训练。 人类可以同时使用这两种能力，而 DI 旨在扩展这些能力。
匹兹堡大学斯旺森工程学院电气与计算机工程和智能系统副教授 Ervin Sejdic 说：“决策智能基于这种想法，即尝试采用模拟人类决策的现实方法。”而在典型的AI，你基本上只是设置了机器学习的规则：如果是红色的，就是这个，如果是蓝色的，就是那个。”
Sejdic 以购买汽车为例。 “如果您要购买汽车，并且设置了某些标准，例如每加仑英里数或特定品牌，那么算法会为您找到汽车。 但我们会试驾汽车，看看它的感觉和驾驶方式，这些是难以硬编码的软输入，”他解释道。 “出于这些原因，决策智能试图对我们做出的较软的决策进行编码，而这些事情与典型的人工智能不同。”
Sejdic 指出，如果成功，DI 可以应用于任何事物。 决定在哪里使用它的方法是找到您想知道最适合您采取什么行动的区域。
“大多数分析和商业智能都是描述性的。 您记录发生的情况，然后在图表中绘制数字。 它会告诉您刚刚发生的事情，以便您尝试理解。 其他形式是预测性的。 它们就像天气预报。 他们会告诉你即将发生的事情。” Pathmind 的首席执行官 Chris Nicholson 解释说，Pathmind 是一家以工业运营和供应链为目标的人工智能公司。
ZS Associates 的 Vikranth 说：“决策智能有定量和定性的一面，企业需要同时考虑这两者。” 他解释说，在定量方面，是数据收集、三角测量和工程、人工智能和数据科学基础设施以及编程人才。 这方面的关键是准确的数据。 任何规模的企业都需要投入时间和精力来定义绩效指标，并确保他们正在收集正确的数据，并以一种可供其 DI 堆栈使用的方式存储这些数据。
Vikranth 说，在定性方面，企业需要合适的人才来将洞察力、结论或输出转化为决策和行动。 这些需要针对他们的业务进行背景化。 假设和测试和学习工具可以极大地帮助这个过程。
“双方结合在一起就是决策智能，”维克兰斯说，“这样，人工智能就不会把人类排除在外。”维克兰斯认为这很重要，因为数学算法，尤其是在处理不完善的数据时，不能得出任何一种最优决策。
数据科学家的演变
旧的数据库管理员催生了商业智能分析师和传统的数据科学。 DI 正在帮助该学科发展成为一个新的、更有效的角色，即数据科学翻译。 根据 Vikranth 等专家的说法，这些人将使用 DI 来处理企业的假设场景，并通过 AI 堆栈对其进行处理，以了解企业需要采取哪些行动以及这些行动可以提供什么样的结果。
决策智能让技术和人们各自做他们最擅长的事情。 分析和人工智能等技术可以快速找到庞大数据池中的联系和模式，但这只是旅程的一半。 DI 可以使用这些信息并帮助您应用更无形的人为因素，例如直觉智力、创造力、经验以及成功驾驭细微差别的能力。 这使得 DI 成为一种强大的新型混合分析模型，即使对于小型组织也是如此，而且这种模型在规模上特别有效。