所有决策都是可编程的吗？
所有决策都是可编程的吗？
Photo by veerasantinithi on Pixabay
无论是上市公司、中小企业还是技术初创公司，决策都是任何公司的核心。在本文中，我介绍了公司用来支持或自动化其决策的主要技术。为了探索这些技术，我首先询问决策是在哪里做出的。我们将看到其中一些是高风险的，因此不仅对公司而且对市场、客户、合作伙伴和竞争对手都是可见的。其他人如此频繁地出现，以至于几乎看不见，比尔盖茨称他们为 数字神经系统 .
公司的决策在哪里？
在每项业务中，都有三个重叠的活动。运营业务的运营，为其未来做准备的项目，以及优化运营和项目的决策。换句话说，决策是在各个层面做出的，从管理整个复杂企业集团的首席执行官到在企业集团的一个工厂操作机器的技术人员，或者试图解决与客户有争议的问题的本地支持代理谁对他刚刚购买的产品不满意。
对一个完整的决策系统进行建模和自动化将是一项过于复杂的挑战——比对一个人做出的决策进行建模和自动化更复杂。但是我们将在后面看到，单独做出的决策的建模和全部或部分自动化是可能的。为此，我将公司的决策分为四类：战略决策、战术决策、运营决策和技术决策。
具有数据和实物期权的战略决策
通过战略决策，我指定旨在实现全球目标的所有行动计划或内部政策。战略决策本质上是变革性的；例子包括合并或收购、大规模融资或对全新产品的投资，例如大流行危机中的疫苗。
到目前为止，在可预见的未来，战略决策不能完全自动化。每种情况都是独一无二的，需要创造性思维，这仍然超出了当前人工智能的能力。但这并不意味着战略决策中没有工具。
在能源、建筑和制药等需要大量高风险投资的行业中，公司使用 实物期权分析 .如上所述，这些是用于风险项目的非常复杂的数学决策工具。起初， 选项 是在考虑未来不确定性的同时使用历史数据的金融工具。一个选项使公司可以选择承担某些大型项目，而无需从项目一开始就承诺所有必要的投资。期权的优势在于，公司可以完全根据随着形势发展而变化的经济、技术或市场条件的数据来延长、延迟、等待或放弃投资。当投资与金融资产相关时，我们说的是金融期权。当谈到实物资产时，我们谈论实物期权。
数据和机器学习的战术决策
战术决策类似于战略决策，但目标更窄，时间跨度更短。因此，他们不依赖于上述简要描述的期权的长期预测工具。另一方面，他们是大数据和机器学习的大消费者。
例如，在消费品、奢侈品和美容行业，数据和预测模型用于优化电视、户外媒体、广播、印刷和数字广告预算。通过利用类似产品的数据、天气数据，甚至未来一年的体育和文化活动数据来预测新产品的销售情况也是如此。大数据和机器学习还用于计算折扣券以帮助客户省钱、品牌增加销售额以及分销商增加对其商场的访问量。
多亏了大数据和机器学习，上面提到的战术决策在公司执行时变得更加可衡量和可改进。因此，我们所说的学习型公司是指将决策产生的数据重新注入决策系统，以进一步改进未来的决策。
具有数据和业务规则的运营决策
运营决策是公司在一天内做出的数千甚至数百万的决策。金融服务和保险公司是典型的例子，其中运营决策是业务的核心。在他们提供的每种产品中，都有级联条款和条件、法律限制、资格标准、风险级别以及其他需要在决定之前考虑的事项。
就实施行业法规、内部政策或业务战略而言，运营决策是规范性的。想一想银行的分行经理根据还款历史决定是否向借款人放贷，或者保险代理人根据新保单持有人的汽车品牌、年行驶里程、居住地点和类型计算新保单持有人应支付的保费.
为了使运营决策自动化，美国和中国的公司越来越多地转向 商业规则 除了数据和预测模型。数据、预测模型和业务规则的分组通常用首字母缩写词来表示 决策智能 与数据智能类比。
数据和知识的技术决策
技术决策类似于运营决策，但它们是描述性的，因为它们描述了基于通常通过实践获得的专有技术的程序。他们的建模和自动化在 80 年代和 90 年代风靡一时，缩写为 专家 或者 基于知识的系统 .与运营决策一样，自动化技术决策更容易和更有效，规则伴随着控制这些规则的引擎。
专家系统已经自动化了许多可以轻松建模知识的技术决策，例如关联电信网络中的警报、配置产品或诊断设备故障。如今，专家系统嵌入在构成大型工业、商业和金融系统骨干的软件中。但他们无法在不确定性很高的情况下对技术决策进行建模和自动化，通常情况下 数据不完整甚至丢失 专业知识仍处于起步阶段。这些限制导致 使用概率定律的几种改进方法 但他们仍处于学术研究的状态。
使用数据和 RPA 进行微决策
虽然不是决策分类的一部分，但第五类决策值得关注。我在这里将其称为微决策。它们涵盖了所有 计算和转换自动化操作 ，例如，在计算价格或保险免赔额时简单但数量众多。它们还存在于数据平台的较低层，用于数据科学家和业务分析师的数据摄取、统一和丰富。
对于他们的实施，越来越多的公司使用规则而不是脚本来实施他们的微决策，其关键优势是在数据更改或中间操作期间易于维护。实际上，从明确的角度来看，识别要修改的规则比浏览和修改脚本的代码更容易。
而这一切中的人类呢？
有趣的是，无论做出何种决定，无论工具的复杂程度和自动化程度如何，专家、设计师或用户都必须在一个或多个时刻进行干预。要么定义问题，要么验证决策，要么更正它。计算或决策中的一个小错误可能会导致品牌形象、损失甚至法律诉讼方面的重大后果。幸运的是，现代决策管理工具都配备了仪表板，允许用户一方面可视化和分析数据，另一方面监督决策的质量。
回到标题问题，答案是肯定的和否定的——这取决于哪些决定。公司使用支持工具进行战略和战术决策，使用自动化工具进行运营和技术决策。无论决策支持或自动化工具的类别如何，始终需要人工干预来配置、监控、改进和证明工具的结果。所有业务决策都将完全自动化的那一天不适合明天。
结论
在本文中，我们已经看到，与操作不同，并非所有决策都是可编程的。战略决策就是这种情况，完整而精确的建模将是一项复杂的工作，而不能保证成功。但是有来自金融界的决策工具，可以考虑战略项目未来的不确定性。相反，由于数据、机器学习和业务规则的结合，战术、运营和技术决策以及微观决策都是可编程的。
包起来
了解更多
决策过程及其建模及其自动化一直是学术研究的广阔研究和应用领域，特别是在运筹学和人工智能方面。许多书籍、期刊和文章都致力于组织的决策。尽管如此，我还是推荐以下出版物 赫伯特·A·西蒙 , 哈里·克莱因 和 丹尼尔·卡尼曼 .当我们想到利用当前知识和技术自动做出决策时，它们涵盖了可能的领域和困难的领域，甚至是不可能的领域。
关于作者和文章
数据顾问和临时执行官 用于零售、奢侈品、金融和保险行业的营销、客户关系管理和供应链管理。
虽然基于研究、咨询和实施工作，但本文所表达的观点、想法和意见仅属于作者，不代表其当前或以前的客户或雇主。
本文的早期版本以英文发表于 VentureBeat .
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明
