決策科學在數據時代的變革

Mary Branscombe

數字化轉型的一個共同目標常常被描述為“成為一家數據驅動型的企業”。無論是商業智能、預測分析還是機器學習，利用客觀數據而不是直覺來推動決策是企業越來越關注的話題。

但是，有很多挑戰。并不是所有的大型企業都足夠靈活，能夠充分利用數據驅動的決策，或者有足夠的技能來大規模收集可靠數據并提出正確的問題。在年度NewVantage合作伙伴大數據研究中，大多數高管都希望通過數據做出更好的決策，但只有1/3的高管認為，他們的公司擁有數據驅動的文化。

但數據并不能解決所有問題。你的數據可能不會告訴你，某一成功的產品其實會更好，因為數據表明這款產品已經成功了。

做出數據驅動的決策就是提出正確的問題，并擁有正確的數據來獲得答案。這就是所謂的“決策科學”（或者“決策智能”）。

什么是決策科學？

谷歌決策智能主管Cassie Kozyrkov把決策智能描述為將以前被孤立學科中的工具和觀點結合起來，并將其應用于選項之間進行選擇的所有方面，以便更容易基于事實做出更高質量的決策。她寫道：“它把應用數據科學、社會科學和管理科學的精華匯集到一個統一的領域，幫助人們使用數據改善生活、工作以及周圍的世界。”

這與行為經濟學（預測市場行為并利用激勵措施來改變市場）、計算機科學與經濟學的交叉領域EconCS（微軟用來設計Bing廣告拍賣、Azure云定價和Xbox游戲營銷）有相似之處。

但是決策科學并沒有那么廣泛的關注點，它是通過預測決策的結果，用數據和算法來解決具體的業務問題。

決策科學與數據科學

能夠預測決策結果這一點是決策科學和數據科學之間的一個關鍵不同點。

微軟資深首席研究員Greg Lewis解釋說：“決策科學是將理論和數據結合起來，預測個人或者企業做出改變環境的決策后會發生什么。”它是幫助決策者找到正確選擇的“水晶球”。

Lewis說，另一方面，數據科學預測，如果你不采取任何措施來改變系統，那么隨后會發生什么。“例如，數據科學會被用來計算出，以目前的速度，一家商店的存貨很快將被耗盡;而決策科學則幫助決定是購買更多的貨物并保持價格不變，還是提高價格。如果提高價格，那么，目前的存貨足夠了。”

領英數據科學總監Chi-Yi Kuan最近一直負責公司的決策科學解決方案部門，他指出，不過，決策科學仍然是數據科學的一部分。他將其總結為“用于指導和推動決策的定量分析和技術。”

Kuan說：“在數據科學領域，我們做了很多工作來理解發生了什么，歷史是什么——這就是描述性分析。然后，診斷分析更進一步進行深入研究，以理解為什么會這樣。當我們在技術上變得更先進時，我們可以做預測分析：未來會發生什么？在流行術語中，我們稱之為人工智能和機器學習的都是關于預測的：規定性分析的工作是，在發生的事件中，確定哪些會是最好的選擇。”

數據科學是從原始數據中得到有意義的數據深度分析結果;決策科學則將數據應用于為決策者提供建議。他說：“數據科學的工作是在生態系統中做出更好的決策，以幫助企業成長。而在決策科學中，重點只放在做出決策上。”

面向所有人的數據驅動的決策

高管們應該熟悉決策科學的原理，因為他們已經將其運用于運營領域，而從根據經驗（以及有限的數據量）提供建議的領域專家那里獲得業務深度分析結果對于每個決策來說太慢、太貴了。Kuan認為，在決策科學領域，利用實時數據的能力更加大眾化了。“我們想讓它應用得更廣。我們希望公司的每個人都能做出數據驅動的決策：這不僅僅是高管的事——這是非常大的變化。”

這意味著不僅僅是擁有一個數據科學團隊;還意味著賦予人們使用數據做出決策的權力。Kuan說：“很多公司都有他們稱之為數據科學團隊的部門，但不給他們權力，也不相信他們提出的建議。”

他認為，除非把數據轉化為決策，否則這些數據毫無用處。這意味著對于那些擁有需要評估的數據并且要解決業務問題的人，應支持他們使用這些數據，以便他們做出決策。

決策科學實例

Kuan提供了很多適用于決策科學的示例：產品的A/B測試、營銷活動績效評估、銷售客戶生命周期智能，以及改善客戶體驗的客戶服務機會，等等。

結果可能不是一個單一的選擇，而是一系列的選擇：他說：“在數字世界中，我們可以做大量的A/B測試，并根據返回的結果做出決定。”領英的幾乎每一產品決策都會作為實驗發送給一小部分用戶，產品部門可以看到這些變化是怎樣影響關鍵績效指標和其他指標的。

領英廣泛地應用了決策科學，從尋找合適的細分會員為他們寫電子郵件，到客戶支持，再到使用文本分析功能來理解會員的反饋，直至新聞提要等——這樣，可以保證普通成員能夠得到更多的曝光率，因為相較于比爾·蓋茨和理查德·布蘭森這樣的名人，平臺上的評論和好評對普通會員更為重要。

員工進行了很多針對性的分析，看看是什么推動了特定業務指標的變化;這些都可以通過分析門戶網站獲得，這樣數據科學部門就可以花更多的時間進行由問題和假設驅動的分析，這當然有助于業務部門做出決策。

決策科學是一段旅程

Kuan指出，做出決策后，數據科學的工作還沒有完。他說：“決策之后，數據科學之旅并沒有結束，將繼續衡量我們所做的工作會產生什么影響，以及我們從所做的決策中學到了什么，并通過實驗不斷進行改進。”

這是與決策科學的另一重大區別，Kuan說：“按照過去的方式，當你做出決策后，工作基本上就已經完成了;今后再改動的機會不大。我們應該一直跟蹤這些數據驅動決策的影響，使得企業有機會從失敗中吸取教訓，幫助企業不斷發展壯大。”

而決策科學不僅適用于像領英這樣的數字化企業。Lewis解釋說，決策科學給企業帶來的是一個更好的決策過程。

他說：“在實踐中，決策科學一個最好的例子是A/B實驗的興起，企業系統地嘗試兩種不同的方法，看看哪種方法對客戶的效果更好。這產生了更多的價值，運行A/B實驗會使得各部門弄清楚成功的標準是什么，對于他們現在的工作而言，是不是還有更好的選擇，并建立一個持續更新其策略的流程。”

這樣，企業就不會陷入困境——即使你不能發布兩個版本的產品，也仍然有機會成功。Lewis說：“基于現有客戶數據的經濟學、博弈論和因果機器學習技術將繼續發展，提供更好的方法來預測如果選擇了新的方向會發生什么。”

進入決策科學

決策科學不能替代數據科學;它是在使用數據科學來指導你的企業決策，它需要數據科學家以及理解決策的人。

OnePath公司首席技術官Patrick Kinsella在接受CIO.com采訪時說：“決策科學是數據科學成果的應用，融合了相關方的行為背景和問題的業務背景。”實施決策科學需要的不僅僅是采用數據科學工具，這些工具可以從數據中創建模型、得出結論并預測結果。“企業必須找到能夠評估決策行為影響的人才團隊。這些人通常在通過企業轉型、并購整合或者重新定義核心價值以進行變革管理方面有著豐富的經驗。”

Kuan強調招聘看重的不僅僅是數據科學方面的專業知識。領英的數據科學家需要統計專業知識，這樣他們就可以設計實驗，知道怎樣衡量他們是否成功。他們應熟知機器學習知識，以便把業務問題公式化為機器學習問題，而不會把相關性誤認為是因果關系。他們需要充分了解數據的業務環境，以便能夠對數據進行解釋、清理并將其轉換為可用的內容。他們應該展示他們的發現，并解釋它們是怎樣創建出來的。

Kuan解釋道：“我們的目標是從分析中獲得深刻的見解，并有效地影響關鍵決策，從而推動業務發展。”

Lewis建議由經濟學家、統計學家和數據科學家組成相關的部門。“經濟學家找出需要測量的東西，以便更好地了解下一步會發生什么;統計學家確定怎樣進行測量;數據科學家建立基礎設施和工具，以便大規模地定期進行可靠的測量。”

SADA的首席技術官Miles Ward說，不要忘記基礎。“如果企業的數據不可訪問，也不容易查詢，而且來源和質量也無法驗證，那么能從中做出決策也不過是偶然而已。如果你還沒有打好基礎，那就從此開始吧。”

Mary Branscombe是一位自由撰稿人，他二十多年來一直致力于技術寫作，其寫作主題涵蓋了從編程語言、Windows和Office的早期版本，到最早的網絡以及消費類小工具和家庭娛樂的各個方面。

原文網址

https：//www.cio.com/article/3444636/what-is-decision-science-transforming-decision-making-with-data.html？nsdr=true