向左走还是向右走？从拍脑袋的决策到决策智能

如果你在数据、分析、商业智能（BI）或人工智能（AI）领域工作了几年，你肯定遇到过这样的情况：公司某个部门的同事需要信息来帮助做决策，当他和一位技术同事讨论时，技术同事会问：“你需要什么数据？”通常的回答有两种：“我也不太清楚，把所有数据都给我吧”或者“我需要这个特定的数据来解决我当前的需求或问题”。

技术专家的回答通常是字面上的——通过各种数据管理和数据可视化技术，提供数据集或访问请求的数据，这些技术包括数据仓库、数据湖、仪表板和报告。但是说老实话，这后面几项技术光是名字就不是业务部门同事们爱听的。 而实际上，业务部门的同事们即使拿到了“所有数据”，其实也并不能为其正确决策做出多少贡献。

多年来，更强的处理能力、数据管道的更多自动化和更好的数据可视化相结合，不断加快了数据交付给商业用户的速度。如果以数据交付速度为衡量标准，这可能算是成功，但真的是这样吗？

当数据裸着直接交付给商业用户时会发生什么？

用户可能能够查看趋势线，比如从1、3、5来预测下一个数字是7；

他们很可能能够将任何给定数据点的当前周期性能与前期进行比较；

一些组织有软件可以突出显示异常或与过去规范的偏差；

一些组织甚至开始将基于机器学习的自动化纳入，帮助用户自动生成预测，预测给定趋势如何发展。

然而，这种信息交付功能并没有提供决策过程的支持，决策过程仍然主要由人类“相当随机的一系列选择”负责。

我们看到数据，我们利用我们的经验和心智模型、来自仪表板和报告的离散数据点来评估导致决策的选项。这种决策过程的方法缺乏规模、治理、编排和技术支持，这些支持对于决策过程中的所有步骤都是必要的——这个过程并不会在数据交付给个人时停止。 而且谁都知道这种决策方法是不科学的，但是什么是 “科学的“？

为了实现更好的决策，仅仅投资于最好的数据湖、最好的数据科学团队、最好的AI技术或最好的数据可视化工具是不够的。

我们认为，大多数组织面临的最大缺点之一是使用“你有什么数据？”这个问题，尤其是AI在企业中落地越来越具象的情况下，我们碰到的最多的问题之一就是由于没有合适的数据，导致的AI的低效。我知道这么说有点像是甩锅，但是给大家举个小栗子。

我们在AI-BOM这个产品中有一个小功能是“AI审图”，也就是AI帮审核者去理解一下设计图上都有哪些缺失或者缺陷，比如公差没有标或者有矛盾等等，当然前提条件是AI要经过大量的图纸方面的训练，包括了行业经验和企业自己的规范和经验。但是在给定的企业中来实现这个功能时却因为找不到足够多“好”的样本来训练而停滞不前。那是这家企业的问题么？也不对，因为这家企业之前并没有面向AI来处理自己的知识。不可能因为AI这只鞋来削自己的脚对吧。那怎么才能让大家往前走一步呢？

我们想了个办法，要克服在数据、BI和AI投资上的回报问题，首先要从改变问题开始，问“你需要做出什么决策？”而不是你有什么数据。

我们来解释一下。

决策在核心上，是使用所有相关信息，根据成功概率和决策执行中所涉及到的上下文、影响的链条都理一遍，将决策者定位于选择两种或多种替代方案的过程。 这个过程中，第一你要能访问和组织数据，使数据可用于分析，最好是能有一致性的数据；

第二是使用描述性和预测性方法，包括AI来分析数据；

第三是推荐决策，也就是定义并提出可能的替代方案或选项；

第四是通过根据约束和目标选择选项来做出决策；

第五，通过根据所做决策采取行动来执行决策；

最后是监控和评估决策和行动的结果。

虽然我们越来越清楚通过AI驱动的决策智能加速决策速度的机会，但是同时决策智能还是面临技术、运营和组织障碍。我们只挑技术上的问题讲讲吧。

决策智能应该类似一个全知全能的最聪明的决策者的集合体，如果你熟悉AI的话，我们可以用“Agent”这个词来代替，用于完全或部分自动化决策过程的所有步骤。决策智能包括决策设计、工程和编排三大部分。

决策设计。决策设计为用户提供了定义业务目标或期望结果的功能；绘制决策制定工作流程，包括反馈循环和批准点；并确定限制决策者可用选项的选择和约束。

决策工程。决策工程提供使用语义和/或本体框架组织可用数据的功能，然后使用可能包括仿真、优化、描述性和预测性分析的一系列用例特定方法分析数据。

决策编排。决策编排提供监控决策制定工作流程的所有元素（例如，规则、算法、数据集、批准层次结构、目标、约束、决策等）的功能，并根据自动和人工生成的反馈循环启用它们的持续或定期调整。

决策过程。在某些情况下，完成一个周期可能需要几小时、几天、几周甚至几个月。在极端情况下，它可以几乎瞬间用非理性的方式发生，比如一咬牙一跺脚做出了一个违背祖宗的决定之类。另一个是控制，我们认为控制是决策得到治理的重要标志。决策制定中的速度和控制必须平衡。控制决策过程很重要，但它不能以牺牲速度为代价，否则组织在不可避免的对抗市场弹性或者变化时适应性较低。

这一切，道理上讲每个组织都有，有的做得扎实一些，但是慢，成本高，比如银行决定是否给一个人一笔信贷，按照传统的风险模型来做风险是可控的，但是市场却越来越不能接受你这么慢，成本这么高。有的做得没有那么扎实，那都跟草台班子差不多，顾头不顾尾，虽然乱哄哄的，人类却在这看起来各种感性的决策中发展了5000年。AI的这一轮发展，很可能带来从感性到理性的转变。请继续关注我们，希望在不久的将来我们能为大家带来眼前一亮的决策智能系统。

预祝大家五一节快乐。