企业正在采用一种称为决策管理系统的新型运营系统，以满足消费者、监管机构和市场的需求，因为传统系统太不灵活，无法学习和适应，而且关键是无法利用大数据来应用分析。
决策管理系统是敏捷的、可分析的和自适应的。它们可以快速调整以应对新的法规或业务状况，利用数据来提高决策的质量和有效性，并从中学习有效和无效的方法，从而持续改进。
决策管理系统是通过关注影响单个交易或客户的可重复的运营决策来构建的。它们提供了高投资回报率，因为它们改善了风险管理和价格与风险的匹配，减少或消除了欺诈和浪费，通过最大限度地利用机会增加了收入，并提高了资源利用率。
现状
在大多数组织中，显然需要一个决策管理系统，一个新的系统类别。决策管理系统汇集了两种系统：管理业务交易的操作系统和帮助您了解如何更好地运营业务的分析系统，从而以提供能积极运作的系统来帮助您运营业务或组织。决策管理系统是敏捷的、可分析的和自适应的，并且使用决策发现、决策服务定义和执行、决策测量和改进。决策管理系统通过减少欺诈、管理风险、增加收入和最大化稀缺资源的价值来实现高投资回报率。为了实现充分利用大数据的敏捷和自适应系统的承诺，组织将需要扩展其企业架构，以包括本报告中描述的经过验证的技术的功能。
决策管理系统有三个关键特征，使其与当前主流的业务应用程序截然不同。
l 大多数此类业务应用程序难以更改，成本高昂且耗时。成熟的方法和技术在决策管理系统的开发中发挥着重要作用。然而，单独使用这些技术和方法，往往会交付出缺乏灵活性、静态且不透明的系统。决策管理系统是敏捷且透明的。
l 支持大多数组织的业务应用程序与这些组织的分析环境完全分开。数据挖掘、预测分析、机器学习和人工智能/认知技术应用于解决组织事务性业务应用程序领域之外的问题。决策管理系统是操作性和可分析性的。
l 最后，大多数业务应用程序的设计和构建都是为了满足一组已知的、预期不会改变的特定需求。决策管理系统具有自适应性，它使用分析技术进行学习和改进，并支持用户进行实验和评估。
适用于开发决策管理系统的技术已在众多行业中得到测试和验证，包括业务规则管理系统、数据挖掘或分析工作台、优化套件，以及新的机器学习、数据库内分析基础设施等。组织需要选择那些具备所需功能、能够展现决策管理最佳实践并符合组织架构和用例的技术。
决策管理系统是敏捷的
业务敏捷性在企业IT 中是一个被过度使用的表达方式，各种方法和技术都以某种方式提供业务敏捷性。决策管理系统是敏捷的，因为它们的逻辑很容易改变，很容易适应不断变化的环境。当发布新的政策或法规时，可以很容易地找到实施这些政策或法规的逻辑，安全地改变。这些变化不会破坏合规性，因为决策管理系统是透明的--很清楚它们未来的运作方式，也很清楚它们在每个特定历史情况下的行为方式。这种灵活性允许更稳定的业务流程，因为很容易对支持这些流程的决策管理系统进行更改，并确保快速变化的知识和经验也可以有效地嵌入系统中，而不会变得陈旧和过时的危险。
决策管理系统是分析型的
分析是当今许多组织的热门话题，许多组织越来越关注高级分析-数据挖掘，预测分析，文本分析，机器学习，人工智能和认知。然而，大多数分析系统与运行业务的运营系统完全分离。这些分析系统依赖于从操作系统提取的数据，但在其他方面是相当独立的。相比之下，决策管理系统深入嵌入分析预测能力，以改善其操作行为。分析用于将客户或交易划分为类似的组，以便有效地确定行动的目标。分析还用于预测交易中涉及的风险程度、欺诈的可能性或可用机会的程度和类型。这些预测用于在根据组织的指导方针管理风险，减少欺诈，最大限度地提高收入，并有效地在竞争计划中分配资源。
决策管理系统具有适应性
业务系统和业务人员一样，需要不断适应和学习。他们需要进行实验，看看新的方法是否比长期建立的方法更有效，挑战传统智慧。他们必须在不断变化的商业环境中进行权衡。他们必须允许他们的表现受到监督，以了解他们所做的决定有多有效。通过这种方式，决策管理系统是自适应的，旨在响应不断变化的条件，并通过机器学习，测试和实验来支持持续改进的过程。
然而，在实现这一愿景之前，还需要采取一些步骤。让我们更深入地探索决策管理系统。
建立决策管理系统
构建决策管理系统涉及许多构建任何可靠的高性能操作系统所涉及的相同技术，工具和最佳实践。一个组织在开发信息系统方面的所有技能和经验都适用。所需的新活动和更改活动分为三个阶段-决策发现和建模、决策服务定义和实现以及决策测量和改进。
决策管理的三个阶段
决策发现和建模
决策管理系统专注于自动化和改进决策。大多数组织没有一个定义良好的方法来查找、建模和管理他们所做的决策。为了有效地构建决策管理系统，第一步是在组织中找到可重复的、重要的决策，这些决策具有可衡量的业务影响，因此是自动化和改进的候选者。有关适当决策的示例，请参见“决策管理系统经典场景用例”。
有很多方法可以找到这些决策。他们往往可以通过简单的采访和与业务专家一起工作来明确地找到。在业务流程中，进行选择或暂停以进行审查的任务通常是决策任务。流程中的许多分支都是在决策之前进行的。决策也可以通过分析性能指标和其他指标，以了解哪些选择会对这些指标产生影响。如果没有做出任何导致其上升或下降的选择，则将某个东西作为指标进行跟踪是不寻常的。应该描述这些方法找到的顶层决策，主要是通过定义一个必须回答的问题来做出决策，沿着允许的或可能的答案。
例如，索赔审查决策可能会回答这样一个问题：“这个索赔是否具有欺诈性，我们应该怎么做？”允许的答案包括路由它的欺诈调查，把它通过定期索赔审查或快速跟踪它立即支付。
顶层决策可以也应该分解为它们所依赖的下级决策，即在顶层决策之前必须做出的较小决策。这种分解是递归的，并提供了关于这些决策实际上是如何每天做出的必要细节。
决策建模是决策发现中用于捕获决策需求的强大技术。决策建模有四个迭代执行的步骤
1.确定决策
2.描述决策
3.指定决策要求
4.优化和迭代
决策建模步骤
这个过程会不断重复，直到决策完全明确，每个人都清楚地知道如何做出决策。
使用此过程开发的决策模型最好以决策模型和符号（DMN）格式（一种行业标准符号）表示。
决策服务的定义与实现
决策发现和建模步骤增强了传统的分析和需求收集任务。一旦决策被识别和建模，开发的迭代过程就可以开始了。目标是开发决策服务--为解决方案中的其他流程和系统组件做出决策的一致的、定义良好的组件。首先定义简单的接口，允许这些服务被问到一个问题并返回一个允许的答案，然后使用迭代方法来充实决策。决策的分解显示了决策的顺序和结构，并且可以开发所需的业务规则、预测分析模型和优化模型并将其添加到该结构中。
一个完整的决策服务通常需要业务规则、高级分析和优化的某种组合。有些决策服务不需要分析模型，特别是那些主要关注资格和遵从性的服务，其中业务规则占主导地位。即使分析洞察力对决策很重要，有时这种洞察力也可以通过从历史数据中挖掘出的一组业务规则来最好地表示。然而，当需要概率时，预测分析模型将需要由决策服务执行，在决策服务正在使用的数据库中执行，或者如果预测的批量更新是可接受的，则将预测分析模型存储在决策服务使用的数据库中。相对较少的将需要部署优化模型，因为优化更有可能应用于大量类似的决策，其中为每个决策识别的最佳动作用于导出更有可能在未来产生最佳决策的新业务规则。
决策测量与改进
决策服务是作为整个系统开发工作的一部分开发和部署的。部署后，必须对其进行监控和分析，以确定是否需要进行更改。应该监控决策服务的主动和被动更改，例如，可能有助于提高性能的更改以及法规遵从性的必要更改。绩效管理和其他分析工具可用于评估系统中嵌入的决策的有效性。在确定和提出变革时，必须能够在部署这些变革之前有效地评估其影响。可能还需要或希望设计新的方法和进行新的实验，以收集关于哪些有效哪些无效的新数据。应监控所做的任何更改，以确保它们按预期工作。机器学习和其他形式的自适应分析技术也可以应用于将学习直接构建到决策服务本身中。
构建决策管理系统所需的能力
概述
五个关键能力为构建决策管理系统奠定了基础。每种方法都可以逐步采用，并且可以根据资源和业务驱动因素进行扩展。
l 建模决策
对决策进行建模，以指定其需求并协调技术
l 使用业务规则管理决策逻辑
使用业务规则管理系统（BRMS）管理决策逻辑，实现透明度和灵活性
l 嵌入高级分析
嵌入高级分析（数据挖掘、机器学习）以进行分析决策
l 优化和模拟决策
在现实世界的权衡和模拟结果下优化结果
l 监测和改进决策
应用自动化和手动技术来监测和改进决策
我们将介绍这五种能力，并将它们置于更广泛的背景下。有关详细描述，请阅读五个关键能力部分。
决策建模
今天，业务分析师使用各种技术来准确地描述信息系统的需求。然而，当前的需求方法并不能解决决策问题。有一个正在形成的共识，即决策需求模型是最好的方式来指定决策。决策需求模型可以而且应该使用对象管理小组的决策模型和符号（DMN）标准以行业标准方式开发。
决策需求模型提供了实现决策逻辑所需的结构和业务规则，支持迭代和敏捷开发。决策需求模型框架预测分析和优化工作，将分析与业务结果联系起来，并确保成功部署。决策需求模型是跨业务、IT 和分析组织的通用语言，可改善协作、提高重用性并简化实施。决策建模不是运行时或执行功能，而是一种指定其他功能的需求并编排所涉及的技术的方法。
使用业务规则管理决策逻辑
与所有信息系统一样，决策管理系统需要定义在操作过程中应用的逻辑。在决策管理系统中，这种逻辑主要是决策制定的逻辑，即在系统对当前情况的理解下，应该如何做出特定的决策。然而，决策管理系统必须比传统的信息系统更敏捷，因此这种逻辑不能作为代码进行管理。使用代码来定义决策制定逻辑使得该逻辑对于那些了解应该如何做出决策的业务方来说是不透明的。这也使得很难准确记录决策是如何做出的，因为准确记录执行了什么代码通常是有问题的。为了以这种方式管理逻辑，大多数组织将采用业务规则管理系统或包含等效功能的产品。
决策管理系统要求决策逻辑以一种提供设计透明性的方式进行管理，以便清楚地了解如何做出决策，以及执行透明性，以便清楚地了解如何做出每个特定的决策。为了以这种方式管理逻辑，大多数组织将采用业务规则管理系统或包含等效功能的产品。
嵌入预测分析
决策逻辑的管理是决策管理系统的一项基本功能。大多数决策管理系统还应该利用组织可用的信息来提高每个决策的准确性和有效性。与人类决策者不同，决策管理系统不能使用可视化和报告技术来理解可用信息。此外，虽然人们有很强的能力从过去的信息中推断出未来可能发生的事情，但系统处理数据的方式非常简单。
为了最大限度地提高可用信息在改进决策方面的价值，决策管理系统必须嵌入使用数学技术从历史数据中导出的预测分析模型。这些可以被描述为数据挖掘，机器学习甚至人工智能/认知技术。分析模型评估某些事情在未来发生的可能性，并使这些评估可用于决策管理系统中的决策逻辑，从而允许在此背景下做出决策。
从向人类展示数据，以便他们从中获得洞察力，到使用预测分析技术将分析洞察力明确嵌入系统中，这种转变意味着组织将需要采用其他技术来分析他们的数据。
具体而言，他们需要采用预测分析工具或等效功能。他们还可以选择采用其他分析基础设施。
优化和模拟决策
许多决策依赖于有限的资源。无论这些资源是员工、产品库存还是服务能力，决策通常都必须在资源受限的情况下做出。考虑到这些限制，组织通常希望优化其结果，这意味着必须进行权衡。组织将需要采用优化和模拟技术来管理权衡，并确保在决策限制的情况下以产生最佳结果的方式做出决策。这些技术允许对约束和权衡进行建模，然后使用数学技术来选择将使组织受益最大化的结果集。这些模型还可以用于驱动各种场景的模拟，以查看哪种场景将为组织产生最佳结果。
监督和改进决策
决策的本质是，在一段时间内，人们往往无法判断一个决策会有多好。因此，必须不断监测所作的决定及其结果。这种监测可以通过跟踪决策性能并在性能不足时进行更改，以及通过进行实验并分析这些实验的结果，随着时间的推移系统地改进决策。大多数组织会发现，他们将使用现有的性能管理和数据基础设施来进行大部分分析。然而，使用上述决策逻辑和高级分析能力也是必要的。这将允许明确记录决策方法和结果，并允许容易管理决策实验。自适应分析技术，如机器学习，允许一些决策是自我监控和学习服务，以补充正在部署的决策服务。
在开发决策管理系统方面建立起来的组织最终将采用所有这些能力的技术。有些人会发现拥有多个具有相同功能的产品是有用的，有些人会对单个产品进行标准化。产品不需要一次全部采用，一些决策管理系统只需要部分功能。
架构
这些执行能力汇集在一个用于构建决策管理系统的整体平台中。下图显示了如何结合运行时功能来开发决策服务。
运行时集成
决策逻辑功能允许编辑表示决策逻辑的业务规则。这些业务规则被部署到决策服务中执行。
高级分析功能允许对数据进行分析，并将其转换为其他业务规则（表示过去有效的规则和未来可能有效的规则）或预测分析模型，这些模型可以部署到决策服务或决策服务使用的运营数据存储中。
模拟和优化功能用于管理权衡和约束，并且可以产生已优化的业务规则、可以在决策服务中求解的优化模型，或者可以将其推送到操作数据存储中的一组显式操作来驱动行为。
所有这三种功能都依赖于数据基础设施来提供测试和历史数据，而预测分析功能也可以利用数据库建模和评分。决策服务本身可以执行业务规则，使用预测分析模型对记录进行评分，解决约束优化问题，并可能调整预测分析模型以提高其预测能力。所有功能都可以消耗实际信息由决策服务记录其决策的能力生成。这使得能够随着时间的推移监控决策。
决策服务
上面描述的所有各种部署能力导致定义的代码或包被部署到决策服务执行环境。这是一个典型的概念环境，在实践中由多个产品的元素组成。此环境需要能够执行各种元素，通常是在使用标准API 调用时。决策本身是通过在底层平台上执行生成的代码、在已部署的业务规则引擎、求解器上的优化模型和模型执行引擎上的预测分析模型。
决策服务还需要能够记录每次做出决策时发生的事情-触发了哪些规则，计算了哪些模型分数，以及优化模型选择了哪些结果。同样，这种日志记录通常涉及多个产品的元素，但从概念上讲，可以生成单个日志。
最后，模型调优可以在决策服务中使用，其中部署了一段分析建模代码来监视所部署的模型的性能并进行实验以查看如何可以改进这些模型的预测性能。
决策服务和决策建模在更广泛的体系结构环境中
上下文中的决策服务
这些技术用于开发和管理决策管理系统所需的决策逻辑、预测分析洞察和优化模型，并将其部署到决策服务中。然而，决策服务在更广泛的企业IT 环境中运行，如上图所示。
在应用程序上下文中调用决策服务进行决策。这个应用程序上下文越来越成为一个由业务流程管理系统管理的流程。决策服务也可以由打包的和遗留的企业应用程序调用。虽然这不如从业务流程调用常见，但它绝不是一种罕见的模式。进一步增长模式是使用决策服务来支持事件处理上下文，根据业务事件的模式做出决策，然后启动业务流程或其他服务。在每个场景中，应用程序上下文满足总体业务需求，而调用的决策服务提高了有效性和效率。
决策服务不是在专业硬件或独特平台上运行的独立系统。相反，它们运行在当今使用的标准企业平台上。不同的技术支持各种应用服务器、面向服务的平台和常见的编程隐喻，并且可以开发在任何此类平台上运行的决策服务。
决策服务还依赖于现代化的数据基础设施。此数据基础设施为决策服务提供运营数据，还可以提供数据库内分析评分。商业智能功能通常使用相同的数据基础设施，为人类决策者提供洞察力。虽然这不是开发决策服务所必需的，但商业智能通常通过支持异常处理来补充这些系统。
决策服务还可以使用商业智能基础结构在返回多个选项时提供附加上下文。
最后，必须监控决策服务的性能，以支持持续改进。这种持续的决策分析需要决策服务中的两种功能，例如对单个决策的支持者和挑战者方法的支持，以及与更典型的业务或企业绩效管理功能，如仪表板和警报系统。
我们拥有丰富的经验，专注于帮助客户使用决策管理、业务规则和高级分析技术构建以决策为中心、以行动为导向的系统和流程。使客户快速有效地采用决策建模并将其集成到他们的系统中。我们的客户涉及保险、银行、医疗、制造、供应链、物联网、电信、电商、健康管理和零售等领域的领先公司。
您可以联系我们进行免费咨询并了解有关我们服务的更多信息。
