将智能和自动化添加到决策过程中，可以极大地提高业务的灵活性和结果。但是，如何充分利用决策智能需要企业进行不断地调整。
对于希望超越陈旧报告的企业为他们来说，决策智能带来了希望。他们可以有能力用人工智能和机器学习等复杂的工具组合来处理大量的数据，将数据仪表板和业务分析转化为更全面的决策支持平台。
然而，成功的决策情报战略需要了解企业决策是如何做出的，以及承诺评估结果并通过反馈管理和改进决策过程。
Gartner的分析师Erick Brethenoux说：“这不只是一种技术。这是一门由许多不同技术组成的学科。”
Gartner认为决策智能是2022年最重要的技术战略趋势之一，预计到2023年将有超过三分之一的大型企业将实施这一技术战略。
这一趋势的出现是因为企业需要以比过去任何时候都更快的速度做出决策。Brethenoux说，决策智能提供了一种自动化的决策方式，帮助企业保持竞争力并满足市场需求。
决策智能的运用需要深入了解决策过程、每个决策的风险和回报、可接受的误差范围，以及计算你对自动化决策过程所提供的任何决策应该有多大信心的能力。
这里有一些提示可以帮助你做到这一切。
从容易实现的目标开始
从一个定义极为明确、风险较低、有大量实例的流程开始。许多企业已经有了这样的流程，但不是所有的流程都是完全自动化的。
Constellation Research的首席分析师和创始人Ray Wang说：“过头忙于日常事务的企业可能不会注意到他们正在错过这些机会。他们还会想，为什么竞争对手可以做得更好。但当他们发现再这样做的时候，已经太晚了。”
即使一个过程已经自动化，向决策引擎添加更多的因素还是可以提高准确性。他说：“存在的属性越多，就越有可能没有被关联起来。”
关键的启示，决策智能绝不是一个一劳永逸的过程，必须根据反馈意见不断地调整你的方法。
让新数据也成为你的指南
一个流程重复的次数越多，结果越清晰，企业就有越多的机会来改进它。
LexisNexis风险解决方案的首席技术官Matthias Baumhof说：“我们在巨大的数据集上做出许多决定，如果我们做错了，并不会危及生命。但是，如果我们把正确率提高到99%，就会为客户带去巨大的价值。”
LexisNexis使用机器学习算法将交易分类为行为模式，以预测任何特定交易是否存在欺诈或可疑性。有初始训练集和持续训练的历史数据。
他说：“如果当前的交易在几天后被确认为欺诈，并且他们与我们共享这条信息，我们就可以从确认的欺诈行为中学习。”他指出，对于任何希望充分利用决策智能的人来说，现在行为模式已经改变。“一定程度的学习总是照常进行的。如果你不学习，你实际上就落后了。”
调整算法
传统做法，风险评分涉及一系列的“如果”决定。如果一笔交易超过了一定的金额，或者在用户所在的地区之外，或者是新的商家，它就会被标记为需要审查。但随着决策越来越复杂，“如果”系统就很难跟上。
Baumhof说：“即使客户与了解该领域的欺诈分析师一起对他们的规则进行了多年的调整，我们仍旧可以用机器学习模型击败他们。你可以并行运用两种方式，获得最佳效果。”
目前的机器学习系统可以像传统的基于规则的系统一样快速做出决定。但是六年前，当LexisNexis开始投资机器学习用以取代基于规则的系统时，是从一个线性回归模型开始的。线性欺诈关系的一个例子可能是，离家越远的购买行为，越有可能是欺诈行为。
但事实证明，这种方法过于简单，无法检测到非线性关系，即不在一个方向上顺利进行的关系。例如，异常小的交易可能是欺诈的迹象，犯罪分子在测试一个卡号或账户，以确定它是否有效。为此，企业转向梯度机器学习。
“我们在梯度提升树方面取得了很好的进展。”Baumhof说，“它以较短的延迟提供了高精确度。”
他说，这种新方法已经在过去一年中进行了测试，并将在今年第二季度推广到生产中。该企业下一步计划探索新技术，如深度学习等。
因此，除了将新数据纳入你的决策智能战略，重新思考基础算法也有助于提高决策的质量。
增强复杂的流程——尤其是数据收集
当决策步骤不太明确，结果比较模糊，或者决策失误风险较大时，智能系统可能无法取代所有的决策，但它们依旧能够增加决策的力度。
例如，LexisNexis使用机器学习来分析法庭文件。Baumhof说，没有任何东西可以证明一个诉状可能需要以特定的方式写，有利于获得某些法官的积极反应。
在分析与第三方签订的合同时，这些合同可能只提供几千或几百个例子，而不是有数以百万计的相关例子用于训练。他说：“在这些情况下，机器学习智只能给到你一个建议，然后在此基础上依靠人工产生决策的最终版本。”
Constellation的Wang指出，决策智能的自动化部分可以在决策的数据收集阶段就出现。它不必得出最后的结论，也可以用来创建报告或产生趋势和关联。
Wang说：“旧的方式，即手动收集数据和制作报告，在如今看来并不是一个好主意。你需要的是及时的机器规模的信息处理。”
剥离决策正确与运气
对于较小的数据集，要想知道一个决策是不是正确的，还是纯粹因为运气导致了一个不好的结果，可能非常困难。一个决策是不正确的，但可能运气的介入，最后的结果是正向的，这也有存在的可能。
“结果的质量和决策的质量不是一回事。”Genpact分析部的全球领导人Amaresh Tripathy说。“有时你有一套很好的牌，做出了正确的决定，但你还是输了。”
不幸的是，当涉及到复杂和不频繁的决策时，企业通常没有机制来衡量这一点。解决这个情况并不是技术问题，Tripathy说。
第一步是将企业的决策过程正规化，然后你才能考虑增加软件来支持这个过程。
然而，收集这些决策的结果并将其与决策过程联系起来，是具有挑战性的。Tripathy说，营销领域的公司目前最擅长于此。“他们经常做A-B测试，改变颜色和字体，或者改变菜单项目。他们会测试很多种情况。”
他补充说，在生命科学领域，药物发现和疫苗开发也有类似的过程。在人力资源方面也是如此，企业可以检查他们的决策过程并查看结果。
在招聘方面，结果是相对明确的，你可以看到招聘人员的表现。业务中最难的部分是当结果不是很清楚的时候。
注意偏差数据
决策的好坏取决于它们所基于的数据。如果一个企业的历史数据是有问题的，那么基于该历史数据的训练集也会继承同样的问题。
例如，一家过去只雇用拥有常春藤联盟教育背景白人的公司，最终可能会有一个只推荐拥有常春藤联盟学位的白人的招聘推荐系统。
Booz Allen Hamilton的CIO Brad Stone说，人本身也是有偏见的。而且他们会寻找支持他们偏见的数据。“如果我们认为我们需要更多的招聘人员，我们会找到能够证明我们需要更多招聘人员的数据。如果我们认为我们需要更多的业务运营人员，我们也可以找到支持这一点的数据。”
当人们看数据时，他们会带入他们过往的经验去看待它，这可能会导致有缺陷的结论。“特别是疫情已经告诉我们，你不能只相信过去来预测未来。”
解决方案是为决策提供正确的护栏。“未来成功的企业将能够从过去中学习，同时管理住这种偏见。”
当人工智能发挥作用时，请相信它
有时数据驱动的建议与所有的直觉背道而驰，而不了解技术的运作方式会使企业倒退数年。
供应链管理技术公司Blue Yonder的战略顾问和创始人Michael Feindt看到许多企业都在努力接受他们直觉认为可能不准确的事实。他说，例如，在一家杂货店订购新鲜食品是一个不对称的成本函数。如果数量太少，顾客会感到失望，但如果数量太多，食物会变质。成本是不平等的。
同样的原则也适用于任何有保鲜期的产品，如服装业的季节性时尚，因为人类的大脑没有正确计算风险的能力。
例如，与Feindt合作的一家德国连锁百货公司在六七年前开始使用人工智能进行订购，但三年后放弃了使用它。他说：“员工和高级管理人员都不理解它。经理们不是数学家。他们坚信自己是对的，只因为他们一直是这样做的。”
他说，解决方案是至少有一个参与决策智能的人，他了解分析的工作方式，至少有一个得到管理层信任的定性的人。
使用合成数据
在某些情况下，训练数据的缺乏可以用合成数据来弥补。
合成数据是人工生成的信息，经过精确建模后用于代替真实的历史数据，可以为机器学习系统提供更多的燃料，使其发挥作用。Gartner的Brethenoux说，使用它可以使企业将自动化智能应用于更多的案例。
它还可以帮助公司为黑天鹅事件或不寻常的场景进行演练。“合成数据正在成为帮助我们的技术之一。”他说。
根据Gartner分析师Svetlana Sicular的说法，到2024年，用于开发人工智能和分析解决方案的60%的数据将是合成产生的，而在2021年只有1%。
使用桌面演练来模拟各种结果
在许多情况下，做出正确的决定是不可能的，因为有太多的外部因素对结果有不当的影响。一个新的疫情浪潮，另一艘油轮被困在运河中，区域性干旱，战争爆发......任何一个都可能对企业产生巨大的影响，但这些完全无法预测。
这并不意味着企业对此无能为力。相反，他们可以提前进行模拟，为多种情况做好准备。并收集所有的模拟数据，用来尽可能地做出明智的决定。
但数据和分析能是有限制的。“我参与了许多收购决策。”Gartner的Brethenoux说，“有时CEO们会爱上一项交易。这很有趣，很刺激。而有时他们会忘记基本原则。”
对于重大决定，很多因素都在起作用，其中一个因素可能是CEO是否能在所有的困难中凝聚人心。“有时他们很有远见。他们纯粹是靠魅力使事情成功，与交易的价值无关。如果他或她是这样的人，我们可以忽略数据，因为CEO就可以发挥作用。”
从小事做起，不断学习
重要的是将决策智能视为一种可行的可能性，并对其进行测试。“你可以从小处着手。”Gartner的Brethenoux说，“事实上，许多企业已经在做决策智能了，但并不称之为决策智能。他们并不总是利用决策智能进行所有决策。”
“你今天就可以可以使用决策智能。”Brethenoux说，“只要给你的投资增加一点，就可以做成一些事情。”
作者：Maria Korolov
原文地址：
www.cio.com/article/306981/10-tips-for-getting-started-with-decision-intelligence.html
