“數(shù)據(jù)-智慧”決策模型：基于大數(shù)據(jù)的理論構建研究

邱國棟,王 易

(東北財經(jīng)大學 工商管理學院，遼寧 大連 116025)

一、引言

在DT (Digital Technology, 數(shù)字技術) 時代，數(shù)據(jù)正在以指數(shù)級增長，這些數(shù)據(jù)的計量單位已經(jīng)遠遠超過 GB和 TB，開始以 PB、EB 甚至 ZB 來衡量，數(shù)據(jù)的來源有物聯(lián)網(wǎng)、傳感器、社交媒體網(wǎng)絡、采購交易等,數(shù)據(jù)增長的速度已經(jīng)超過了摩爾定律[1]。據(jù)IBM報道，90%的數(shù)據(jù)在過去兩年內(nèi)產(chǎn)生，每天超過2.67億的交易記錄數(shù)據(jù)在全球沃爾瑪門店產(chǎn)生；在中國，百度每天準備10PB的數(shù)據(jù)供用戶查詢，阿里巴巴超過8.8億的網(wǎng)上交易產(chǎn)生近20TB的數(shù)據(jù)[2]。通過以上的現(xiàn)象發(fā)現(xiàn)如下問題：大量數(shù)據(jù)的產(chǎn)生，這些數(shù)據(jù)全部來源于系統(tǒng)活動的真實記錄，盡管新技術范式的快速發(fā)展使這些復雜類型的數(shù)據(jù)可以容易地被采集和存儲，但是在實際決策過程中卻缺乏對這部分數(shù)據(jù)的有效分析、處理和評價, 無法將這些數(shù)據(jù)轉變?yōu)閷ζ髽I(yè)和決策機構有價值的信息, 從而為決策組織提供參考和依據(jù)。基于此，本文的研究問題如下：(1)如何將積累的大量數(shù)據(jù)用于決策洞察，讓數(shù)據(jù)產(chǎn)生更大價值？(2)面對決策問題的復雜性[注]本文對現(xiàn)實決策問題的復雜性界定在三個方面:(1)決策問題的非線性結構,在大數(shù)據(jù)時代，數(shù)據(jù)結構75%呈現(xiàn)非結構化，傳統(tǒng)的線性化數(shù)據(jù)處理已經(jīng)不適用。(2)決策問題的不確定性，系統(tǒng)活動的動態(tài)性和開放性導致復雜決策問題在結構、參數(shù)、特征以及環(huán)境變化等方面的不確定性。(3)決策問題計算的復雜性，計算的復雜性是指海量數(shù)據(jù)和多類型引起的問題規(guī)模、計算時長的問題，也就是在有限的時間內(nèi)如何解決“算的多”和“算的快”的問題。，如何降低決策有限理性的局限，保障決策結果的理性合理？基于以上兩個問題，傳統(tǒng)的決策模型對海量數(shù)據(jù)的獲取、分析、處理能力有限，在面對非線性、變結構、變參數(shù)等開放性復雜決策問題時，已有的定性定量模型無法有效應對并且難以擴展。而大數(shù)據(jù)的集成智慧具備解決復雜問題的能力[3]，基于大數(shù)據(jù)構建的決策模型不僅可以顯著地降低決策復雜度，減少決策過程中的不確定性，還能洞察隱藏在復雜性之下的潛在規(guī)律，從而在微觀、中觀、宏觀層面為決策者提供支持。

二、研究背景

(一)“小數(shù)據(jù)”時代決策模型的研究發(fā)展

縱觀決策模型發(fā)展歷程，人類獲取和分析數(shù)據(jù)的能力是決策模式演進的重要驅(qū)動力。從數(shù)據(jù)獲取和分析能力的視角來分類，決策模型可以分為：(1)“經(jīng)驗型”決策。20世紀之前，人類處于經(jīng)驗管理時代，其決策屬于經(jīng)驗決策范疇。由于人類獲取、分析數(shù)據(jù)的能力有限，決策過程只能依靠決策者的直覺、經(jīng)驗以及“記憶數(shù)據(jù)”進行，并受到?jīng)Q策環(huán)境、決策者主觀偏好等因素的影響，最終決策結果更多情況下呈現(xiàn)低理性；(2)“科學型”決策。泰勒在1911年最早提出科學決策概念，其主要觀點是通過實地調(diào)研以獲得的科學知識來代替?zhèn)€人的經(jīng)驗判斷，從經(jīng)驗決策向科學決策轉變，科學決策以信息處理系統(tǒng)為主體并融入了專家智慧，運用數(shù)理統(tǒng)計、檢索查詢等現(xiàn)代科學技術處理手段克服了經(jīng)驗決策對信息處理的限制，但是由于獲取的數(shù)據(jù)以描述性統(tǒng)計以及報表為主，并帶有少量預測性分析數(shù)據(jù)，由這些數(shù)據(jù)構成的“小數(shù)據(jù)”樣本在單個決策的效能問題上發(fā)揮了重要作用，但是很難從整體上解決決策效能問題[4]；(3)Gartner公司在1996年提出商務智能的概念，商務智能是從人工決策向“人-機”智能決策進化的第一步，人-機智能決策系統(tǒng)是依據(jù)早期的決策支持系統(tǒng)(Decision Support System,DSS)發(fā)展而來，商務智能包括數(shù)據(jù)倉庫(Data Warehouse,DW)、在線分析處理(On-Line Analytical Processing,OLAP)、數(shù)據(jù)挖掘(Data Mining,DM)三部分，從信息系統(tǒng)視角看，商務智能是通過信息技術將分散的、不同類型的、多維的數(shù)據(jù)加以整合，根據(jù)企業(yè)關鍵指標(KPI)將數(shù)據(jù)分類匯總，更加全面地為決策者提供在線數(shù)據(jù)分析，以預測趨勢與輔助決策[5]。早期發(fā)展的商務智能僅限于分析、處理結構化數(shù)據(jù)，而大數(shù)據(jù)時代75%的數(shù)據(jù)為非結構化數(shù)據(jù)，這給基于商務智能的決策帶來巨大挑戰(zhàn)。以上三種模式的缺陷表現(xiàn)在，一是決策者自身理解能力和判斷能力的局限性。二是在數(shù)據(jù)獲取、分析能力的局限，即無法在短時間內(nèi)獲取足夠多和正確的數(shù)據(jù)，無法對數(shù)據(jù)(非結構化數(shù)據(jù))進行即時分析、處理從而導致決策過程中缺乏合理、智慧的決策依據(jù)，在這種情況下，上述三種決策模型的決策方式、決策信息依然屬于“有限理性”的范疇。

(二)“大數(shù)據(jù)”時代決策模型的研究發(fā)展

為了克服以上決策模型“有限理性”的局限，尤其是“信息有限”在決策時的束縛，人們開始對大規(guī)模數(shù)據(jù)進行分析，期望從數(shù)據(jù)中發(fā)現(xiàn)隱含的規(guī)律或價值，在決策時賦予管理者智慧[4]。于是以大數(shù)據(jù)為主導的決策模式引發(fā)了學術界和實踐界的研究熱潮。從2008年大數(shù)據(jù)(Big Data)的概念在《Nature》[6]專刊上被提出以來，關于大數(shù)據(jù)研究的熱度就一直未曾消減，本研究通過綜述大數(shù)據(jù)在決策領域的研究發(fā)現(xiàn)，由“數(shù)據(jù)驅(qū)動決策”的研究范式主要集中在三個層次：一是決策思維轉變的視角，研究認為從傳統(tǒng)的基于直覺、經(jīng)驗、行為決策范式轉變?yōu)榛跀?shù)據(jù)決策的演進趨勢，并揭示了大數(shù)據(jù)驅(qū)動管理與決策的重要性與必要性[7-10]。二是上升到“能力”的視角。在數(shù)據(jù)驅(qū)動決策過程中，數(shù)據(jù)挖掘、智能分析以及預測能力是企業(yè)大數(shù)據(jù)核心能力[11-13]，大數(shù)據(jù)核心能力與管理學的動態(tài)能力相結合形成大數(shù)據(jù)為中心的動態(tài)能力[14-16]。本研究認為對大數(shù)據(jù)的研究上升到能力的角度是從管理的角度對大數(shù)據(jù)更深層次的應用，是大數(shù)據(jù)驅(qū)動決策能力提升的表現(xiàn)。三是實踐應用的視角。大數(shù)據(jù)驅(qū)動的決策范式正在從“弱”應用轉變?yōu)椤皬姟睉茫谏虡I(yè)、金融、醫(yī)療、教育、社交、科研等領域被廣泛應用[17]，并產(chǎn)生了創(chuàng)新性的產(chǎn)業(yè)空間和一定的社會價值。綜上所述，“數(shù)據(jù)驅(qū)動決策”的研究范式主要集中于以上三個視角，不同的學者們只是從各自的研究學科或行業(yè)出發(fā)，各有側重，存在不同程度的局限性和片面性。然而關于大數(shù)據(jù)的研究只有融合、集成各方數(shù)據(jù)和觀點，才能充分發(fā)揮大數(shù)據(jù)的優(yōu)勢，才能反映事物的全貌，發(fā)現(xiàn)事物的本質(zhì)規(guī)律和相關關系，這也給本文的研究提供了契機。

三、基于大數(shù)據(jù)的“數(shù)據(jù)-智慧”決策模型的理論構建

本文融合已有研究視角，結合人工智能的背景，充分發(fā)揮大數(shù)據(jù)的集成智慧，而這與“協(xié)同創(chuàng)新-綜合集成-大成智慧”[18-19]的思想一脈相承，因為在大數(shù)據(jù)時代，數(shù)據(jù)之間相互關聯(lián)、相互作用，經(jīng)過大規(guī)模綜合集成處理后，會呈現(xiàn)出“驚人智慧”，展現(xiàn)了從“大數(shù)據(jù)”到“大智慧”的數(shù)據(jù)價值轉換過程。本文以西蒙、羅賓斯等認為“信息有限”[注]西蒙(《管理行為：行政組織決策過程研究》1947)認為決策者因自身能力問題無法獲取與決策相關的所有信息，并且處理信息的能力也有限，西蒙從信息決策論角度將決策“有限理性”的原因歸結在信息收集、分析、處理等方面的局限，即“信息有限”。羅賓斯(《管理學》2012)從現(xiàn)實決策的角度認識有限理性，決策者通常會理性的制定決策，但是這種理性受到信息處理能力的限制，無法分析全部方案信息，其理性程度是在其處理信息的“有限”能力范圍內(nèi)保持理性。導致決策過程有限理性的觀點為研究的邏輯起點，以大數(shù)據(jù)的集成智慧來破解“信息有限”帶來的決策困境，探索適應大數(shù)據(jù)時代的管理決策模式，進而構建“數(shù)據(jù)-智慧”決策模型。通過構建的“數(shù)據(jù)-智慧”決策模型試圖解決現(xiàn)代決策的復雜問題，降低決策過程中有限理性的局限性，提高決策結果的理性合理程度。

(一)“數(shù)據(jù)-智慧”的內(nèi)涵、概念辨析

Ackoff(1989)[20]提出了“數(shù)據(jù)-信息-知識-智慧”(Data-Information-Knowledge-Wisdom，DIKW)的金字塔模型，數(shù)據(jù)是處于最基礎層次的、不相關的數(shù)字或符號，信息是對數(shù)據(jù)進行篩選、系統(tǒng)化整理分析得到的資料，知識是對沉淀信息結構化后形成的產(chǎn)物，智慧是依據(jù)相關知識進行決策或準確評估采取最佳行動的能力。DIKW 模型闡述了早期“數(shù)據(jù)驅(qū)動決策”的理念，由于在20世紀80年代，數(shù)據(jù)規(guī)模、數(shù)據(jù)分析處理工具等都與DT時代有較大差距，所以DIKW模型更適合于“小數(shù)據(jù)”時代。DIKW模型典型的應用是1998年發(fā)表在《哈佛商業(yè)評論》上著名的“啤酒與尿布”案例，“啤酒與尿布”的案例背后技術支持是利用關聯(lián)規(guī)則算法，分析客戶的購物籃商品集合數(shù)據(jù)，發(fā)現(xiàn)客戶的購買行為，這是從數(shù)據(jù)中挖掘智慧，產(chǎn)生價值的經(jīng)典案例。在DIKW模型的啟發(fā)下，與數(shù)據(jù)智慧相近的概念有數(shù)字智慧，“數(shù)字智慧”有兩層含義:一是利用數(shù)字技術直接獲取認知能力的智慧；二是使用先進的技術從數(shù)字中挖掘知識獲取智慧，是一個間接的過程[21]。王萍(2015)[22]認為數(shù)字智慧和數(shù)據(jù)智慧都側重于決策能力，不同在于數(shù)字智慧注重的是數(shù)字技術本身，而數(shù)據(jù)智慧注重的是數(shù)據(jù)，數(shù)據(jù)智慧為了更好地掌控和分析數(shù)據(jù)，需要數(shù)字智慧的技術支持。Girard等(2015)[23]認為，數(shù)據(jù)的處理要基于“DIKW模型”得以實現(xiàn)，即數(shù)據(jù)要經(jīng)過加工為信息，提煉出體系化知識，升華為智慧的過程。

在大數(shù)據(jù)時代，人類有了更好的從數(shù)據(jù)中提取知識發(fā)掘智慧的工具，牛正光和奉公(2016)[4]提出基于“Data-Wisdom神經(jīng)系統(tǒng)”模型，并認為“DIKW模型”會向“DW神經(jīng)系統(tǒng)”模型轉變。“Data-Wisdom神經(jīng)系統(tǒng)”模型以神經(jīng)網(wǎng)絡為構建原理，由于神經(jīng)網(wǎng)絡的“輸入-輸出”層中間包含一個或多個隱藏層，其工作過程也被稱為復雜的“黑盒”作業(yè)，人類目前的認知能力尚難以由結果回溯分析過程而了解結果產(chǎn)生的來龍去脈，因此此類神經(jīng)網(wǎng)絡模型的可解釋能力有待提高[5]。而決策樹作為機器學習中一種預測模型能有效地解決神經(jīng)網(wǎng)絡模型可解釋能力低的問題，并能直觀地解釋決策的整個過程[24]，也稱為多階段“白盒”作業(yè)，于是有研究提出“決策樹-神經(jīng)網(wǎng)絡”的組合決策模式，利用決策樹“白盒”作業(yè)分類清晰、原理簡單的優(yōu)勢彌補“黑盒”作業(yè)神經(jīng)網(wǎng)絡模型可解釋性不強的弱勢，從而打開神經(jīng)網(wǎng)絡決策的“黑箱”，研究發(fā)現(xiàn)，基于“決策樹-神經(jīng)網(wǎng)絡”組合模型比單一的神經(jīng)網(wǎng)絡有更好的分類和預測準確率[25]。以上研究關于“數(shù)據(jù)-智慧”決策模型的解釋更多的是局限在一種或兩種技術和算法的組合，唯“技術論”，存在一定的局限性。

綜上研究，本研究擬構建基于大數(shù)據(jù)的“數(shù)據(jù)-智慧”決策范式框架，其內(nèi)涵是以大數(shù)據(jù)為中心，以計算(算法)為手段，以平臺為支撐，以最優(yōu)決策為目標，建立在信息相對對稱基礎上的開放的、動態(tài)的新型智慧決策模型，一方面，在大數(shù)據(jù)驅(qū)動下以機器智能決策機制為原理，通過機器智能(Machine Intelligence)[注]德勤(2017)發(fā)布技術趨勢，對機器智能(Machine Intelligence)的定義為相對于人工智能是一個更加廣泛、更加重要的領域，主要分支包括：機器學習、深度學習、認知分析、機器人過程自動化等，這些技術和其他工具共同構成了機器智能”，機器智能的背后支撐是數(shù)據(jù)能力、計算能力、算法能力，這些能力能夠?qū)⑷找鎻碗s的工作自動化和智能化。“德勤:機器智能技術模仿人類認知創(chuàng)造價值”，《機器人產(chǎn)業(yè)》，2017(3)：97-104。強大數(shù)據(jù)分析能力、計算能力，對復雜決策問題進行分解、計算，從而實現(xiàn)機器的復雜決策和決策的自動化，另一方面，由決策者、數(shù)據(jù)分析師、領域?qū)＜乙黄饦嫵傻臎Q策主體與機器智能通過人機智能接口進行協(xié)同決策，完成從數(shù)據(jù)到智慧的決策過程，幫助決策者最大限度地實現(xiàn)數(shù)據(jù)驅(qū)動的科學決策。

(二)“數(shù)據(jù)-智慧”決策模型的構成要素

“數(shù)據(jù)-智慧”決策模型的核心要素是數(shù)據(jù)、計算、算法、平臺的有機融合，在大規(guī)模數(shù)據(jù)收集的基礎上，發(fā)揮大數(shù)據(jù)集成智慧，以解決復雜決策問題。

1.以數(shù)據(jù)為核心，重構大數(shù)據(jù)能力。“數(shù)據(jù)-智慧”決策模型的核心是數(shù)據(jù)，突出的是數(shù)據(jù)采集、分析挖掘，基于大數(shù)據(jù)分析的工具有效地解決了多源異構的數(shù)據(jù)采集問題和非結構化數(shù)據(jù)處理問題。在從IT時代轉變?yōu)镈T時代的過程中，以大數(shù)據(jù)為代表的數(shù)據(jù)科學(Data Science)[注]數(shù)據(jù)科學(Data Science)最早由Peter Naur(1974)在《Concise Survey of Computer Methods》書中正式提出，其內(nèi)涵是“處理數(shù)據(jù)的科學”。之后發(fā)展緩慢，直到2007年Jim Gray把數(shù)據(jù)科學喻為“數(shù)據(jù)密集型科學研究的第四范式”，并認為未來無論什么科學問題都將由數(shù)據(jù)所驅(qū)動，此觀點引起各領域廣泛關注。2012年隨著大數(shù)據(jù)的快速崛起，以大數(shù)據(jù)為代表的數(shù)據(jù)科學迎來爆發(fā)式發(fā)展，迅速成為各領域研究熱點。與技術開始受到空前關注，人類的科學發(fā)展正在經(jīng)歷第四種范式即密集型數(shù)據(jù)科學[26]，以數(shù)據(jù)為中心的研究方法與技術理念在工業(yè)、商業(yè)、學術界等不同的學科領域都得到了廣泛應用與認可，并促進了大量科研成果的產(chǎn)生。從表現(xiàn)形式來分析大數(shù)據(jù)具有海量(Volume)、高速(Velocity)、多源(Variety)、價值(Value)的特征，從實踐形式上來分析大數(shù)據(jù)具有易變性(Variable)、真實性(Veracity)、波動性(Volatility)、可視化(Visualization)的特征(見圖1)[27]。然而對大數(shù)據(jù)的研究不能只停留在內(nèi)涵、特征以及作為一種數(shù)據(jù)資源等方面的基礎研究，更應該上升到“能力”的角度，與企業(yè)的動態(tài)能力相結合，使企業(yè)具備獨特的大數(shù)據(jù)能力，從而提高企業(yè)的競爭優(yōu)勢。謝衛(wèi)紅等(2016)[16]對大數(shù)據(jù)能力有所研究，并將大數(shù)據(jù)能力維度分為“資源整合、深度分析、實時預測與洞察”三種能力。本文結合大數(shù)據(jù)最新發(fā)展趨勢以及新工業(yè)革命的智能化屬性，在已有的基礎上對以大數(shù)據(jù)為中心的“動態(tài)”能力進行重構，認為大數(shù)據(jù)能力除了上述三種能力外還具有重要的機器學習能力，機器學習能力是指以機器學習為基礎，利用計算機模擬或?qū)崿F(xiàn)人類學習的行為，表現(xiàn)出一種自學習、自驅(qū)動、自適應的能力。在大數(shù)據(jù)時代，海量數(shù)據(jù)使機器學習相關算法能得到充分訓練，機器學習表現(xiàn)出更強的學習能力,也在眾多領域發(fā)揮越來越重要的作用，諸如“微博熱搜”、“自動駕駛”、“AlphaGo戰(zhàn)勝人類圍棋冠軍”等都充分證明機器學習能力的重要性，這些以大數(shù)據(jù)為中心產(chǎn)生的動態(tài)能力(圖1)在“數(shù)據(jù)-智慧”模型中將對未來事件進行分析、預測和發(fā)現(xiàn)，在商業(yè)領域的作用將體現(xiàn)在商業(yè)決策、實時分析、精準營銷、自動化運營、商業(yè)價值實現(xiàn)等方面。

圖1 大數(shù)據(jù)為中心的“動態(tài)”能力

2.分布式實時計算能力。由于大數(shù)據(jù)的“8V”特征，在做大數(shù)據(jù)分析挖掘時，需要重新審視它的計算復雜性，大數(shù)據(jù)計算體量巨大，內(nèi)在聯(lián)系密切而復雜，數(shù)據(jù)價值密度分布不均，這些都對大數(shù)據(jù)計算范式提出新的要求[3]，而云計算(Cloud Computer)[28]的出現(xiàn)，有效地解決了這個問題。在“數(shù)據(jù)-智慧”的決策模型中，云計算作為“計算”的核心，突出的是數(shù)據(jù)分布式存儲、數(shù)據(jù)分析、IT解決方案，面對傳統(tǒng)數(shù)據(jù)挖掘在計算能力方面的不足，云計算作為一種可擴展性強、高彈性化、虛擬化的計算模式，有效解決了傳統(tǒng)數(shù)據(jù)挖掘算力不足的問題，主要表現(xiàn)在：(1)在“數(shù)據(jù)-智慧”模型的整個決策過程中，面對海量的數(shù)據(jù)無法用單機進行處理,必須采用分布式計算架構，而這與云計算“分布式、按需分配算力”的設計思想完美契合[29]；(2)云計算的強大計算能力，可以更快速地處理大規(guī)模的數(shù)據(jù)信息，為即時決策提供有效的支持服務。例如2017年阿里巴巴的“雙十一”網(wǎng)絡營銷活動，交易峰值達到每秒32.5萬筆，支付峰值達到每秒25.6萬筆，實時處理數(shù)據(jù)峰值每秒4.72億條[注]數(shù)據(jù)來源:依據(jù)阿里云網(wǎng)站(http://www.aliyun.com/)資料整理。，理論上可以做到每秒百萬級的交易支付能力，而且要求計算達到高精確、零誤差，這背后是大數(shù)據(jù)平臺上的云計算架構，是一個適應數(shù)據(jù)開放、互聯(lián)、全球化的架構，具備實時計算大規(guī)模復雜性決策問題的能力。

3.算法的自動化決策能力。一方面，算法作為引擎是大數(shù)據(jù)處理、分析的核心，數(shù)據(jù)加工的每個步驟都有算法參與，從開始輸入數(shù)據(jù)，通過引擎轉換，到輸出數(shù)據(jù)中的能量，然后提供給更上層的用于決策服務或數(shù)據(jù)產(chǎn)品開發(fā)，從而產(chǎn)生商業(yè)價值。另一方面，在大數(shù)據(jù)的支持下，神經(jīng)網(wǎng)絡、深度學習、機器學習、高級認知分析、機器人流程自動化等算法的迅速發(fā)展，這些多類型算法結合起來可以形成算力更強的算法，更好地分析數(shù)據(jù)，充分挖掘數(shù)據(jù)中的價值，讓決策變得自動化和智能化，能模擬人類的思維活動和擴展人類的認知范圍。相比人類的決策，算法的自動化決策具有相對客觀、公正、高效等特點，因此其應用逐漸在社會各個領域發(fā)揮作用[30]。例如Hinton(2006)[31]提出的大數(shù)據(jù)結合深度學習算法顯著提升了語音識別、圖像識別、自動駕駛等應用的準確率和效率，并使“智慧+”等產(chǎn)業(yè)體現(xiàn)出巨大潛力，引發(fā)了深度學習在學術界和工業(yè)界的研究和應用浪潮。

4.大數(shù)據(jù)平臺的支撐能力。一是大數(shù)據(jù)硬件平臺的支撐，包括高速存儲服務器、計算服務器等高性能硬件資源，這些是實施大數(shù)據(jù)驅(qū)動機器智能決策所必需的基礎設施。二是大數(shù)據(jù)軟件平臺的支撐，包括大數(shù)據(jù)管理平臺、大數(shù)據(jù)技術平臺、大數(shù)據(jù)應用平臺，具體功能是：(1)大數(shù)據(jù)管理平臺。以DMM[注]2014年美國卡耐基梅隆大學軟件工程研究所發(fā)布的數(shù)據(jù)能力成熟度模型(DMM)，包含初始級、已定義級、已量化級、管理級、已優(yōu)化級五個級別，級別越高數(shù)據(jù)能力成熟度越強。(Data Management Maturity，數(shù)據(jù)能力成熟度模型)為基準，用于規(guī)范管理數(shù)據(jù)生命周期的整個過程，其基礎目標是管理大數(shù)據(jù)“臟”、“亂”、“雜”的問題，數(shù)據(jù)分析師根據(jù)實際需求對數(shù)據(jù)進行清洗、分析、管理，從而提煉有價值的決策信息，最后在應用中才會產(chǎn)生實際效益[32]。(2)大數(shù)據(jù)技術平臺。大數(shù)據(jù)分析是技術平臺的核心，同時也是“數(shù)據(jù)-智慧”決策模型價值創(chuàng)造的核心環(huán)節(jié)，通過諸多經(jīng)典的數(shù)據(jù)挖掘方法進行預測、關聯(lián)、分組，在數(shù)據(jù)分析技術方面，形成了成熟

的分布式文件系統(tǒng)(GFS)、批處理框架(MapReduce)、開源實現(xiàn)平臺(Hadoop)等,這些技術平臺是對大數(shù)據(jù)進行非結構化分析、處理非常有效的手段[33]。(3)大數(shù)據(jù)應用平臺。通過大數(shù)據(jù)應用平臺能夠洞悉客戶、產(chǎn)品、渠道在各個維度的信息情報和知識洞見，從而對創(chuàng)新應用模式和商業(yè)模式的設計提供線索和技術基礎，以形成對未來事件的預測和發(fā)現(xiàn)。以上從大數(shù)據(jù)管理、分析、應用三個維度體現(xiàn)企業(yè)應用大數(shù)據(jù)的能力，企業(yè)大數(shù)據(jù)能力的提升是建立在先進的大數(shù)據(jù)硬件和軟件平臺基礎之上，大數(shù)據(jù)平臺建設水平是影響企業(yè)大數(shù)據(jù)能力的核心要素。

(三)“數(shù)據(jù)-智慧”決策模型的運行機制

“數(shù)據(jù)-智慧”決策模型給解決現(xiàn)代決策問題提供了路徑，但并不是僅僅有了大量的數(shù)據(jù)就可以實現(xiàn)，而是必須將數(shù)據(jù)轉化為可用于決策的證據(jù)。基于大數(shù)據(jù)的“數(shù)據(jù)-智慧”決策模型的運行程序如圖2所示。

圖2 基于大數(shù)據(jù)的“數(shù)據(jù)-智慧”決策模型的運行程序[注]“數(shù)據(jù)-智慧”決策程模型內(nèi)部運行機理：一方面，整合商業(yè)智能(BI)、機器學習(ML)等模型工具，構成機器智能模型(MI)，實現(xiàn)自動化決策；另一方面，通過專家系統(tǒng)進行大數(shù)據(jù)建模、大數(shù)據(jù)分析、模型求解(OR)等步驟實現(xiàn)人機協(xié)同決策。最后對自動決策和人機協(xié)同決策的效果進行整合，提高決策的質(zhì)量和效率。資料來源：依據(jù)星河互聯(lián)網(wǎng)站(http://www.galaxyinternet.com/)資料總結整理。

具體的決策組織過程如下：

1.決策問題分類。一類問題是人能做的更好，比如創(chuàng)新、設計、辯論等需要創(chuàng)造性的事物，這類問題大數(shù)據(jù)的作用非常有限；二類問題是機器可以更好完成，比如重復性復雜計算，每年“雙十一”購物、春運網(wǎng)購火車票等，針對這類精準計算、快速響應的問題，大數(shù)據(jù)的優(yōu)勢能最大化發(fā)揮；三類問題是機器和人需要協(xié)作才能更好完成，對于這類問題需要人-機相互協(xié)同共同決策。以上的三類問題涵蓋了決策過程中的所有問題，在決策過程中，確定分類問題的基礎上，將需要決策的問題與商業(yè)問題想結合，確定決策問題與決策目標的范圍，要做到這一點，就必須全面分析企業(yè)的現(xiàn)狀需求、面臨的競爭和風險，深入了解待解決問題是取得成功的關鍵。

2.構建“全樣本”數(shù)據(jù)源以輔助決策。一是大數(shù)據(jù)拓展了數(shù)據(jù)采集源。例如人為產(chǎn)生社交網(wǎng)絡數(shù)據(jù)、電商購物數(shù)據(jù)、以及各種出行數(shù)據(jù)等；機器產(chǎn)生的各類運行數(shù)據(jù)、散落在不同位置的傳感器數(shù)據(jù)、網(wǎng)絡搜索數(shù)據(jù)等，通過對這些人和機器產(chǎn)生的數(shù)據(jù)進行全面采集，精準畫像。以此拓展數(shù)據(jù)采集源，為生成“全樣本”數(shù)據(jù)提供基礎。二是對全樣本數(shù)據(jù)的整體性分析。本文對“全樣本”數(shù)據(jù)的定義是解決與目標問題相關的、足夠全的數(shù)據(jù)，由結構化、半結構化、非結構化等不同數(shù)據(jù)類型構成的大樣本。大數(shù)據(jù)通過海量規(guī)模的全樣本進行分析處理，能在一定程度上克服決策過程中的“信息有限”的困境，使決策結果更客觀理性。

4.人機協(xié)同與智慧決策。一方面，通過機器智能決策模型的自動化決策。另一方面，將數(shù)據(jù)分析階段的可視化結果與決策問題以及具體的場景應用相結合，通過數(shù)據(jù)分析師、多領域?qū)＜摇Q策者構成的多元決策主體進行有組織、有邏輯的互動，在“數(shù)據(jù)-智慧”決策模型中，數(shù)據(jù)分析師將承擔連接數(shù)據(jù)驅(qū)動的機器智慧與專家智慧的連接器，將形成“機器智慧-數(shù)據(jù)分析師-專家智慧”的決策解釋模式，相比較傳統(tǒng)決策模式，數(shù)據(jù)分析師的作用將更加重要，從傳統(tǒng)的后臺走向前臺與多領域?qū)＜摇Q策者形成多元決策主體，以降低決策者因“認知有限”而產(chǎn)生的局限，確保決策結果的客觀性和科學性，經(jīng)過此過程以形成決策方案。

5.決策效果反饋。決策反饋的目標是對本次決策進行測量和評估，確定準確性和一般性，檢測實際環(huán)境中決策模型是否符合要解決的商業(yè)問題，另一項任務是總結經(jīng)驗，為下次決策提供更客觀更科學的依據(jù)。決策反饋的評估方法有三種：一是對決策者信息處理能力的評估。二是對決策過程的評估。數(shù)據(jù)驅(qū)動的決策過程是否在決策前的數(shù)據(jù)采集、決策中的數(shù)據(jù)分析、決策后的數(shù)據(jù)反饋每個環(huán)節(jié)發(fā)揮作用。三是決策績效評價。數(shù)據(jù)驅(qū)動的決策是否在企業(yè)財務績效、決策速度、運營效率等方面相比其它同行是否具有競爭優(yōu)勢。總之，決策反饋過程是一個自調(diào)整、自學習、自適應的持續(xù)改善過程，每次決策之后都會更新決策模型數(shù)據(jù)庫，為下次決策提供更全面的數(shù)據(jù)樣本。

(四)“數(shù)據(jù)-智慧”決策模型的應用性條件

“數(shù)據(jù)-智慧”決策模型適用于具有豐富數(shù)據(jù)資產(chǎn)的行業(yè)或組織，主要適應以下幾類[34]：(1)以互聯(lián)網(wǎng)為生存基礎的公司(包含電商、社交媒體、無線通訊)。這些企業(yè)每天通過移動互聯(lián)網(wǎng)能獲取海量的數(shù)據(jù)，在此基礎上利用大數(shù)據(jù)工具對數(shù)據(jù)進行分析、處理，就形成以數(shù)據(jù)為依據(jù)進行決策和利用大數(shù)據(jù)進行創(chuàng)新。這類企業(yè)在中國有阿里巴巴、騰訊、百度等，在美國有Amazon、FaceBook、Google等。(2)以事實和證據(jù)為決策依據(jù)的公司。這些企業(yè)以寶潔、IBM、沃爾瑪為典型代表，寶潔早期就重視實事求是的調(diào)查過程，通過與消費者對話中收集用戶需求，形成翔實的市場調(diào)研數(shù)據(jù)，在此基礎上作出關鍵決策和重要的產(chǎn)品創(chuàng)新。以上企業(yè)的管理實踐總結就是循證管理學(Evidence-Based Management)。(3)具有工程與研究職能的企業(yè)和機構。這些企業(yè)利用大數(shù)據(jù)分析作出關鍵的經(jīng)營決策，例如在石油開采領域，利用物聯(lián)網(wǎng)射頻技術，實時采集原始地質(zhì)、地貌的數(shù)據(jù)，部署在石油開采現(xiàn)場的感應器實時收集到油量觀測數(shù)據(jù)、安全數(shù)據(jù)等，就構成了石油開采決策的大數(shù)據(jù)樣本。(4)政府部門。政府部門在推進電子政務、智慧城市、信息消費、市場主體和公民個人交互過程中積淀了豐富的數(shù)據(jù)資源，利用這些數(shù)據(jù)作為公共決策制定的依據(jù)、簡化政府的審批流程、提高辦事效率，進行應急管理等。總之，當越來越多的行業(yè)或組織意識到自己可以通過收集、管理、分析大數(shù)據(jù)獲取客觀的價值時，就會有更多行業(yè)或組織加入大數(shù)據(jù)應用行列。

四、基于大數(shù)據(jù)的“數(shù)據(jù)-智慧”決策模式應用分析

本文選擇了兩個不同決策類型的案例：阿里金融和寶潔(新品)。阿里金融信貸模式，屬于以“機器決策為主體，無人工參與”的類型，而寶潔基于大數(shù)據(jù)的決策是屬于“人-機”協(xié)同決策類型。但是這兩這種類型決策程序相同，并能從不同維度驗證了大數(shù)據(jù)驅(qū)動的“數(shù)據(jù)-智慧”決策模型的有效性和適用性，有助于提高決策效率和質(zhì)量。

(一)阿里金融“大數(shù)據(jù)驅(qū)動智慧決策”的應用

阿里巴巴是國內(nèi)“數(shù)一數(shù)二”的大數(shù)據(jù)企業(yè)，具有豐富的數(shù)據(jù)資產(chǎn)，阿里金融的成功可以說是阿里大數(shù)據(jù)應用最典型的代表。阿里金融成立于2010年，在海量數(shù)據(jù)和網(wǎng)絡平臺的支持下，建構了網(wǎng)絡數(shù)據(jù)模型和征信系統(tǒng)，基于此征信系統(tǒng)，小微企業(yè)可以獲得從500元至100萬元不等的信用貸款。相比需要擔保和抵押品的傳統(tǒng)金融模式，阿里金融僅依賴信用數(shù)據(jù)，企業(yè)就可以迅速獲取所需貸款。其背后的機理就是大數(shù)據(jù)應用和模式創(chuàng)新，小微企業(yè)能否貸款成功，完全由數(shù)據(jù)決定，這種創(chuàng)新的信貸模式甚至推動了整個互聯(lián)網(wǎng)金融行業(yè)的快速發(fā)展。

1.阿里金融“數(shù)據(jù)-智慧”決策模式構成要素

基于以上分析，阿里金融的信貸模式是實現(xiàn)“數(shù)據(jù)驅(qū)動智慧決策”的典范，這種基于大數(shù)據(jù)驅(qū)動的“數(shù)據(jù)-智慧”決策模式由以下核心要素構成。

(1)廣泛的數(shù)據(jù)來源。阿里巴巴擁有廣泛的多維數(shù)據(jù)來源，包括金融數(shù)據(jù)、電商數(shù)據(jù)、基本信息、公共信息等，對這些數(shù)據(jù)進行挖掘分析、交叉驗證，從而保證數(shù)據(jù)的可用性和可信性。經(jīng)過驗證后的多維可信數(shù)據(jù)是阿里金融進行智慧決策的基礎。

中介效應分析：由于應對方式量表中分為指向問題的應對和指向情緒的應對兩個分量表，所以對中介變量問題的應對和情緒的應對的中介效應進行分別分析。自變量X對因變量Y的影響，如果X通過影響變量M來影響Y，則稱M為中介變量。

(2)成熟的技術體系。阿里巴巴經(jīng)歷了每年“雙十一”購物場景，以及阿里云技術支持的春運網(wǎng)購火車票場景，極大地鍛煉了對大規(guī)模數(shù)據(jù)實時分布式處理能力和算法的自動化決策能力。具體而言，通過感知層的傳感器、智能終端可以實時連續(xù)地采集數(shù)據(jù)，利用網(wǎng)絡層的大數(shù)據(jù)和云計算平臺分析和處理數(shù)據(jù)，利用應用層的智慧商務、智能制造等開展智能化、自動化等場景應用，從而形成一體化技術體系。這些成熟的技術范式有效地提高了阿里金融進行智慧決策的效率。

(3)完善的征信系統(tǒng)。阿里巴巴大數(shù)據(jù)平臺上沉淀了10多年的數(shù)據(jù)資產(chǎn)，這使得征信系統(tǒng)極具價值。阿里的征信系統(tǒng)從最初有限數(shù)據(jù)支持下的“誠信通”演變?yōu)槿虼髷?shù)據(jù)支持下的基于云計算和機器學習的“云征信系統(tǒng)”，其中阿里巴巴的芝麻信用就是以大數(shù)據(jù)為核心的云征信系統(tǒng)典型代表。相比傳統(tǒng)的征信系統(tǒng)，阿里云征信系統(tǒng)能夠相對全面、客觀、高效完成對客戶的信用評估。趨于完善的征信系統(tǒng)有效地降低了阿里金融智慧決策的風險。

(4)多維度的應用場景。阿里巴巴有云計算、電商、金融、物流、健康、文娛等多維度的應用場景，在金融領域的應用場景表現(xiàn)如下：精準營銷、風險控制、智慧決策、效率提升、產(chǎn)品創(chuàng)新等。這些多維度的應用場景有利于大數(shù)據(jù)真正落地，產(chǎn)生價值，同時也提升了企業(yè)利用大數(shù)據(jù)的能力。

2.阿里金融“數(shù)據(jù)-智慧”決策運行程序

基于以上分析，阿里金融以大數(shù)據(jù)為基礎，通過引入大數(shù)據(jù)分析和挖掘工具來尋找企業(yè)經(jīng)營狀況、資金流向等關鍵數(shù)據(jù)，從而形成相關數(shù)據(jù)模型，經(jīng)過阿里云征信系統(tǒng)將分析結果轉化為提供授信審批的憑證。從而實現(xiàn)阿里金融的“三分鐘申請、一秒鐘放貸、無人工審核”的智慧決策過程。阿里金融“數(shù)據(jù)-智慧”決策程序如圖3所示。

(1)明確用戶需求，做好貸前審查。用戶提出貸款申請，阿里金融平臺通過機器智能對申請人的申請條件和申請資料進行全面審查，對客戶的信用水平進行評估，這是貸款科學決策的前提。

(2)大數(shù)據(jù)樣本的標準化處理。阿里巴巴的電商平臺積累了豐富的全域大數(shù)據(jù)資產(chǎn)，在進行貸款決策之前，阿里金融平臺需要從數(shù)據(jù)源(電商數(shù)據(jù)、金融數(shù)據(jù)、基礎數(shù)據(jù)、公共數(shù)據(jù)等)中將數(shù)據(jù)導入，同時從外部導入相關數(shù)據(jù)，這些數(shù)據(jù)經(jīng)過“清洗”后進入阿里金融的“數(shù)據(jù)倉庫”備用。在數(shù)據(jù)倉庫中完成對數(shù)據(jù)的標準化加工，加工后的數(shù)據(jù)以參數(shù)的形式傳遞到阿里巴巴集團的信貸通用決策系統(tǒng)(Ali-Generic Decision Service, A-GDS)。

(3)大數(shù)據(jù)驅(qū)動的模型計算及決策。在大數(shù)據(jù)驅(qū)動下阿里信貸通用決策系統(tǒng)(A-GDS)對于阿里電商平臺上需要借貸的小微企業(yè)進行動態(tài)分析和管理。一方面，通過機器智能模型(水文模型等)可以非常直觀地統(tǒng)計分析商家的經(jīng)營狀況、資金流向、周期性變化、交易頻率等。把從傳統(tǒng)基于人工的靜態(tài)貸款變成基于數(shù)據(jù)計算的動態(tài)管理，準確掌控商家動態(tài)和資金需求的趨勢，依據(jù)分析結果對風險可控的小微企業(yè)開放授信業(yè)務，實現(xiàn)自動化信貸決策服務，將決策風險前置[35]。另一方面，利用專家制定的各種規(guī)則模型(資金需求模型、預期風險模型、違約風險模型等)控制決策風險。阿里金融為客戶配置相關專家規(guī)則，對專家規(guī)則及其關聯(lián)性進行整理，形成一定數(shù)量的轉化關系，依據(jù)此可計算出商家的授信模型。以上兩方面的過程是將機器智能模型和專家規(guī)則模型進行融合交叉驗證，全面評估商家承受風險程度和授信模型的過程。

圖3 阿里金融“數(shù)據(jù)-智慧”決策運行程序

(4)大數(shù)據(jù)實時風險管控與預警。阿里金融利用大數(shù)據(jù)技術對貸前、貸中、貸后三個環(huán)節(jié)進行全面監(jiān)測與控制，及時發(fā)現(xiàn)風險提出預警。具體而言，由于阿里巴巴的客戶主要是其電子商務平臺上的商家，所有交易訂單的形成、業(yè)務數(shù)據(jù)的細節(jié)、退貨情況和評價情況都匯集在阿里巴巴信貸決策系統(tǒng)中，而這些數(shù)據(jù)通過模型的計算，能夠及時地預測客戶的還款能力，一旦客戶的還款能力下降，系統(tǒng)根據(jù)設置的閾值就會自動觸發(fā)預警，使貸款風險降到最低[35]。

(5)貸后的評估與反饋。利用大數(shù)據(jù)能追蹤決策的整個流程，獲取各決策階段的反饋數(shù)據(jù)，對反饋結果進一步分析，發(fā)現(xiàn)決策漏洞，不斷完善和修正決策。阿里金融在用戶貸款完成后，利用大數(shù)據(jù)實時監(jiān)測用戶的交易流水變化，利用監(jiān)控評分模型和貸后催收模型來監(jiān)控貸款的用途和運作效率，及時收回貸款[36]。

(二)寶潔“大數(shù)據(jù)驅(qū)動智慧決策”的應用

寶潔是全球日用消費品制造巨頭公司，擁有豐富的數(shù)據(jù)資源，是以事實和證據(jù)為決策依據(jù)的典范。早在1920年寶潔就挨家挨戶與用戶對話，深入洞察用戶需求，形成翔實的市場調(diào)研數(shù)據(jù)，以此為基礎，進行新產(chǎn)品創(chuàng)新或廣告投放決策。在大數(shù)據(jù)時代，寶潔利用人工智能技術對社交媒體以及消費者的行為數(shù)據(jù)等進行深度分析，將分析結果以可視化方式呈現(xiàn)給決策者，以此為依據(jù)做出各種類型的決策[34]。目前業(yè)界普遍觀點是大型零售商以及快速消費品在大數(shù)據(jù)的實際應用中處于領先地位[37]，而寶潔就是這類企業(yè)的典型代表。

1.寶潔“數(shù)據(jù)-智慧”決策模式構成要素

對寶潔“大數(shù)據(jù)驅(qū)動智慧決策”進行分析，這種由大數(shù)據(jù)驅(qū)動“數(shù)據(jù)-智慧”決策模型是由以下核心要素構成。

(1)多維數(shù)據(jù)來源。寶潔的數(shù)據(jù)來源主要包含線上電商數(shù)據(jù)(銷售數(shù)據(jù)、打分數(shù)據(jù)、評價數(shù)據(jù)、物流數(shù)據(jù)等)、線下門店POS機實體數(shù)據(jù)、第三方渠道商數(shù)據(jù)等，這些不同區(qū)域的全球化數(shù)據(jù)構成了寶潔的大數(shù)據(jù)倉庫。這些海量數(shù)據(jù)是寶潔應用數(shù)據(jù)進行各類決策的基礎。

(2)智能商業(yè)決策系統(tǒng)。寶潔的商務智能具有將近30年的歷史，從早期的基于問卷的結構化數(shù)據(jù)分析處理，到大數(shù)據(jù)時代對非結構化數(shù)據(jù)處理的智能商業(yè)系統(tǒng)，寶潔的智能商業(yè)系統(tǒng)是一個全球?qū)崟r數(shù)據(jù)分析與決策支持系統(tǒng)，融合了傳統(tǒng)商務智能、運籌學、機器學習以及人工智能等，具備閉環(huán)、自動優(yōu)化、自動決策等功能，有助于提高決策效率和質(zhì)量，增強寶潔在數(shù)字經(jīng)濟時代的競爭優(yōu)勢。

(3)數(shù)據(jù)機制和文化。寶潔作為一家非常重視數(shù)據(jù)的公司，所倡導的“基于數(shù)據(jù)的決策”文化[38]，使其成為日化產(chǎn)品巨擎，寶潔的決策者絕不是依靠感覺進行決策，而是將西方的實證和數(shù)據(jù)量化決策思想融入寶潔生態(tài)系統(tǒng)的各個維度，寶潔依據(jù)數(shù)據(jù)做產(chǎn)品創(chuàng)新、精準營銷、供應鏈優(yōu)化、管理決策、戰(zhàn)略決策等方面。

(4)數(shù)據(jù)科學家團隊。寶潔的信息與決策方案部(IDS)聚集了卓越的數(shù)據(jù)科學家團隊，運用先進的技術工具分析海量數(shù)據(jù)信息，發(fā)現(xiàn)商業(yè)價值，幫助決策者解決復雜的商業(yè)問題。

2.寶潔“數(shù)據(jù)-智慧”決策運行程序

寶潔作為“基于數(shù)據(jù)決策”理念的先驅(qū)和典范，下面以寶潔的新品研發(fā)為例，來闡述寶潔基于數(shù)據(jù)驅(qū)動“人-機”協(xié)同智慧決策的過程，如圖4所示。

(1)全面采集數(shù)據(jù)，明確用戶需求。寶潔的市場研究部(CMK)，全面收集與決策目標相關的所有數(shù)據(jù)以及歷史積累的數(shù)據(jù)，從而全面洞察用戶需求，以決定給用戶呈現(xiàn)什么樣的產(chǎn)品和服務。

(2)對數(shù)據(jù)進行標準化處理。寶潔專家技術團隊在獲取數(shù)據(jù)后，將各方大數(shù)據(jù)進行整合，按照寶潔的數(shù)據(jù)邏輯進行校驗、標準化處理，使其符合寶潔全球機器智能分析平臺的數(shù)據(jù)格式要求，并自動生成可視化智能報表[37]，將處理過的標準化數(shù)據(jù)以及報表傳送到寶潔智能商業(yè)決策系統(tǒng)。

圖4 寶潔“數(shù)據(jù)-智慧”決策運行程序

(3)大數(shù)據(jù)驅(qū)動的“人-機”協(xié)同智慧決策。寶潔的智能商業(yè)決策系統(tǒng)就是一個實時數(shù)據(jù)分析決策支持系統(tǒng)，將關鍵數(shù)據(jù)和可視化的視頻會議整合到一起，分布在全球各地的管理者們在會議室就調(diào)用各種數(shù)據(jù)分析結果，現(xiàn)場制定決策[39]。整個決策過程是由機器智能分析平臺自動生成數(shù)據(jù)分析報告，數(shù)據(jù)分析師和業(yè)務部門一起進行深入探討，運用各種分析方法，比如對用戶進行聚類分析，發(fā)現(xiàn)用戶偏好，進一步挖掘用戶的購買行為，從而評估新產(chǎn)品的商業(yè)價值，將數(shù)據(jù)分析視角與商業(yè)實踐進行多次討論、迭代，最終生成可執(zhí)行的實踐方案[38]，這是一個“人-機”深度協(xié)同的過程。據(jù)統(tǒng)計，寶潔的中國市場一款新品從決策到上市，只用了4個月時間，且新品成功率高達90%[注]數(shù)據(jù)來源：依據(jù)品觀網(wǎng)(http://www.pinguan.com/article/content/13596.html)資料整理。，這背后是依據(jù)大數(shù)據(jù)對消費市場的精準分析，從而洞察消費者的需求，以此作為研發(fā)新品重要的決策依據(jù)。

(4)利用大數(shù)據(jù)的全面風險管控與預警。在方案實施前，利用大數(shù)據(jù)技術對可能發(fā)生的風險和不確定性因素進行量化評估；在方案實施中，首先在小范圍內(nèi)進行測試，如果通過測試標準，將進一步推廣到更大的市場范圍；在方案實施后，由于決策效果需要一定的周期才能顯現(xiàn)，而利用大數(shù)據(jù)技術進行動態(tài)監(jiān)測，更能發(fā)揮大數(shù)據(jù)的優(yōu)勢。總之，決策方案的整個實施流程由大數(shù)據(jù)全面管控與預警，在提高管控效率的同時，能有效降低決策風險。

(5)決策效果評價和反饋。寶潔的信息與決策方案部利用大數(shù)據(jù)會追蹤此次決策，結合決策目標對決策效果進行全面評估與反饋，這是科學決策的前提，也是選擇最優(yōu)決策方案的依據(jù)，通過此過程有助提升組織決策能力以及為下次決策提供經(jīng)驗。例如上述案例中，寶潔在獲得新品上市周期大幅縮短并取得很高成功率的反饋后，迅速調(diào)整新品發(fā)布戰(zhàn)略，加快新品上市的速度，根據(jù)市場環(huán)境靈活創(chuàng)新和生產(chǎn)，使創(chuàng)新產(chǎn)品產(chǎn)生更大價值。

五、結論與啟示

(一)結論

本研究創(chuàng)新性地提出基于大數(shù)據(jù)的“數(shù)據(jù)-智慧”決策模型，重點討論了決策模型的內(nèi)涵、構成要素、決策組織過程、應用性條件以及在決策理論上的創(chuàng)新之處，在系統(tǒng)性模型下展示了從數(shù)據(jù)到信息，知識到?jīng)Q策的運行機制和實現(xiàn)路徑。從阿里金融和寶潔的大數(shù)據(jù)應用分析發(fā)現(xiàn)，“數(shù)據(jù)-智慧”決策模型提高了決策效率，降低了決策風險，使數(shù)據(jù)在決策過程中產(chǎn)生了更大的價值，值得更多的企業(yè)和行業(yè)借鑒。

1.“數(shù)據(jù)-智慧”決策模型提升了組織利用大數(shù)據(jù)的能力。從數(shù)據(jù)到智慧的過程是企業(yè)利用大數(shù)據(jù)能力逐步提升的過程。具體而言，企業(yè)在大數(shù)據(jù)應用和管理過程中，所呈現(xiàn)的大數(shù)據(jù)思維、資源整合能力、數(shù)據(jù)挖掘能力、全局洞察與實時預測能力、機器學習能力和傳遞大數(shù)據(jù)的能力逐漸增強，進而提升了企業(yè)的創(chuàng)新能力和競爭優(yōu)勢。

2.“數(shù)據(jù)-智慧”決策模型是對“DIKW”模型的轉型升級。一方面，“數(shù)據(jù)-智慧”決策模型的核心是數(shù)據(jù)、計算、算法、平臺的有機融合，和小數(shù)據(jù)時代“數(shù)據(jù)-信息-知識-智慧”金字塔模型(DIKW)的應用相比，在處理復雜數(shù)據(jù)、計算能力、算法優(yōu)化、平臺構建等方面有全面的提升。另一方面，伴隨著“小數(shù)據(jù)”時代的“隨機樣本”和“因果邏輯”關系轉換為“大數(shù)據(jù)”時代的“全樣本”屬性和“相關性”關系，研究問題也從“為什么”轉變?yōu)椤笆鞘裁础保敲础皵?shù)據(jù)-智慧”決策模型在理論上具備從“大數(shù)據(jù)”中直接獲取“大智慧”的能力，而不再拘泥于“數(shù)據(jù)-信息-知識-智慧”(DIKW)固有的四層研究范式[4]。以上兩方面的提升，為有效處理大數(shù)據(jù)時代的復雜決策問題提供了路徑，是大數(shù)據(jù)實現(xiàn)價值轉化的橋梁。

3.“數(shù)據(jù)-智慧”決策模型有效降低了決策的有限理性。Simon(1947)[40]認為在決策過程中由于人的“認知有限”和“信息處理能力有限”，從而提出決策“有限理性”的假設，決策結果只能追求“滿意解”而不能實現(xiàn)“最優(yōu)解”。但是，在大數(shù)據(jù)時代，能有效地降低決策的有限理性。一方面，面對復雜的決策環(huán)境和決策信息，人類在沒有更多“認知資源”可以依賴的情況下，會越來越依靠機器的智慧決策，因為機器的決策效果更好，機器拓展了人類的認知范圍。另一方面，“數(shù)據(jù)-智慧”決策模型能容易完成對數(shù)據(jù)的采集、分析以及處理，有效降低“信息處理能力有限”的困境。基于此，利用大數(shù)據(jù)驅(qū)動決策的理念，人類的認知范圍將會擴大，信息處理能力增強，決策過程將更加合乎理性，甚至接近“全面理性”，決策結果將趨近“最優(yōu)解”，這在一定程度上克服了“有限理性”的基本假設[41]，從而提高了決策質(zhì)量。

(二)啟示

大數(shù)據(jù)已經(jīng)上升到國家戰(zhàn)略層面，作為一種創(chuàng)新工具和社會公共資源越來越廣泛地被應用在各種公共管理和服務項目中。為了促進大數(shù)據(jù)的戰(zhàn)略發(fā)展，2015年國務院發(fā)布的《促進大數(shù)據(jù)發(fā)展的行動綱要》為指導建立大數(shù)據(jù)中心，更有效地收集、處理、管理數(shù)據(jù)，發(fā)現(xiàn)數(shù)據(jù)潛在價值，全面提升應用決策水平。2016年人工智能機器阿爾法(AlphaGo)引發(fā)的人機圍棋大戰(zhàn)受到全世界矚目，將“數(shù)據(jù)驅(qū)動的智慧決策”推上巔峰，人工智能重新崛起。我們國家也在2017年發(fā)布《新一代人工智能發(fā)展規(guī)劃》，在各領域積極部署，將人工智能的地位上升到國家戰(zhàn)略高度。那么在這種背景下，基于大數(shù)據(jù)和人工智能的“智慧決策”將是一個重大的研究課題，這種適應時代發(fā)展的決策模式對微觀的企業(yè)決策、中觀的智慧城市建設、宏觀的政府公共決策具有重要的實踐意義。

1.構建大數(shù)據(jù)生態(tài)系統(tǒng)，全面提升企業(yè)智慧決策能力。對于企業(yè)而言，數(shù)據(jù)將是所有企業(yè)創(chuàng)新的源泉，大數(shù)據(jù)作為重要資產(chǎn)和特殊的管理決策支持工具，其價值和重要性已經(jīng)過實踐檢驗，要正確運用大數(shù)據(jù)，一是要重視一線數(shù)據(jù)的積累；二是需要專門的數(shù)據(jù)技術部門，注重數(shù)據(jù)管理和分析人才的培養(yǎng)，三是根據(jù)業(yè)務目標從海量數(shù)據(jù)中發(fā)現(xiàn)模式和知識，提升業(yè)務效率，創(chuàng)造新的客戶價值，逐漸形成“數(shù)據(jù)積累-技術成熟-業(yè)務應用-數(shù)據(jù)積累”的良性大數(shù)據(jù)應用循環(huán)結構，最終構建適應自身企業(yè)發(fā)展的大數(shù)據(jù)生態(tài)系統(tǒng)。在此基礎上，以大數(shù)據(jù)生態(tài)系統(tǒng)為支撐平臺，使用人工智能的機器學習方法，進行深度分析和實時預測，從而輔助企業(yè)進行生產(chǎn)決策、營銷決策、管理決策、戰(zhàn)略決策等活動，全面提升企業(yè)的智慧決策能力。

2.大數(shù)據(jù)為中心的智慧城市建設。在智慧城市的數(shù)字化建設中，大數(shù)據(jù)驅(qū)動是智慧城市建設的核心，扮演著城市智慧大腦的角色。2017年阿里巴巴提出的城市智慧大腦[注]阿里城市智慧大腦(2017)來源于ET大腦，ET大腦是阿里云研發(fā)的超級智能，具有“認知、判斷、決策、學習”的智慧能力，其目標是在“即時、全量、全網(wǎng)”數(shù)據(jù)支持下實現(xiàn)“最優(yōu)”決策。ET大腦廣泛應用在城市、工業(yè)、農(nóng)業(yè)、環(huán)境、航空等垂直領域，針對這些領域阿里巴巴構建了ET城市大腦、ET工業(yè)大腦、ET農(nóng)業(yè)大腦、ET環(huán)境大腦、ET航空大腦，從而形成ET大腦生態(tài)系統(tǒng)(資料來源：依據(jù)阿里云網(wǎng)站資料總結整理)。，將大數(shù)據(jù)能力、人工智能技術、云計算與行業(yè)相結合，實現(xiàn)從單體智能到多體智能的技術跨越，實現(xiàn)“多維感知、全局洞察、實時決策、持續(xù)優(yōu)化”的目標，從而在復雜環(huán)境下快速做出最優(yōu)決定。其背后的原理是以阿里巴巴全域大數(shù)據(jù)為基礎建立起來的高度可依賴的人機智能決策系統(tǒng)。本文結合阿里巴巴在智慧城市大腦建設方面的實踐經(jīng)驗以及Gu(2013)[42]在理論層面提出用系統(tǒng)方法思考智慧城市建設的思路，為進一步系統(tǒng)化建設智慧城市提出如下建議：一是注重與諸如阿里巴巴這種具有大數(shù)據(jù)能力的公司合作構建大數(shù)據(jù)綜合平臺，因為現(xiàn)代數(shù)字化智慧城市建設的重心已由傳統(tǒng)相對封閉的IT系統(tǒng)和信息共享中心建設，轉變?yōu)閷?shù)據(jù)資產(chǎn)的整合、流通、共享以及深度挖掘。二是在著力構建大數(shù)據(jù)綜合平臺的同時，需要按照復雜系統(tǒng)工程的思路，兼顧城市“物理-信息-社會系統(tǒng)”的整體智能建設[43]。三是各大城市應設立首席信息官統(tǒng)一部署規(guī)劃城市大數(shù)據(jù)建設，采用綜合集成的系統(tǒng)方法，積極推動跨行業(yè)、跨區(qū)域、跨部門協(xié)作，整合分散數(shù)據(jù)資源，探索“智慧城市大腦”等數(shù)字化城市治理模式。通過以上系統(tǒng)化的改善措施，有望打破信息孤島，實現(xiàn)大數(shù)據(jù)環(huán)境下的智慧決策，大幅提升數(shù)字化城市決策的智慧度。

3.構建政府智慧公共決策機制。智慧公共決策是“以大數(shù)據(jù)驅(qū)動為核心，以新一代技術范式為支撐，以公共利益最大化為目標，具有全面感知、客觀透明、實時預測、自主預置和多元共治等特征的一種新型的公共決策模式”[29]。結合目前政府公共決策現(xiàn)狀，在實際的智慧公共決策機制建設中應注重在以下方面改善，一是技術保障體系層面，充分認識包括大數(shù)據(jù)、物聯(lián)網(wǎng)、人工智能、云計算、區(qū)塊鏈、機器學習等新技術在智慧公共決策中的作用和地位，這些新技術為決策模型的建構與動態(tài)擴展提供了技術支撐。二是方法論層面，在數(shù)據(jù)科學的引導下，以大數(shù)據(jù)為核心的第四研究范式給已有的社會科學研究提供更高的數(shù)據(jù)起點和全新的理論視角[17]，在這種新的方法論面前，要改善傳統(tǒng)公共決策思維、決策過程、決策方式，以適應大數(shù)據(jù)時代的決策環(huán)境。三是在實踐層面，加強大數(shù)據(jù)在輿情監(jiān)測、精準扶貧、醫(yī)療衛(wèi)生、教育文化、社會保障、環(huán)境保護、公共安全、應急管理等公共領域的應用，實現(xiàn)決策前預測、決策中控制、決策后反饋的持續(xù)優(yōu)化決策流程，用數(shù)據(jù)驅(qū)動科學決策，降低決策風險，提升政府智慧決策能力。