简介
决策管理是一种强大的方法，越来越多地用于采用人工智能（AI） 技术，例如业务规则、机器学习和预测分析。以下是决策管理方法的关键原则，旨在帮助组织采用决策管理方法，将其有效地应用于自己的组织环境，并增加其技术投资的价值。
决策管理既是一种方法，也是一种技术堆栈。决策管理允许组织通过有效应用业务规则、机器学习和优化等人工智能技术来控制、管理和自动化其业务核心的可重复决策。因此，决策管理与基于技术的方法相交叉并相互补充：
业务规则是决策管理的核心，业务规则管理系统也是如此。虽然业务规则所做的事情并非都是决策管理，但决策管理通过有效应用业务规则技术，可以最大限度地提高投资回报率。
同样，机器学习和预测分析为决策管理提供了分析见解，但也可用于改进仪表板和报告，以及制定战略决策。决策管理通过将机器学习的重点放在可重复、大量、日常决策上，使其价值倍增。优化技术可用于解决复杂的调度和分配问题。决策管理为企业主整合了这项技术。
本文介绍了决策管理方法论的动机——我们为何创建它以及组织和个人为何支持它——并解释了五个部分中每个部分的理由和价值主张。
1 决策优先
1.1 决策，尤其是运营决策，将组织的指标和目标与其运营系统联系起来。
1.2 决策就像业务流程或数据一样，是一流对象，应作为业务架构的一部分，以业务术语进行识别、描述、建模、审查和管理。
1.3 在考虑如何使用业务规则、预测分析和机器学习之前，应首先对决策进行建模。
1.4 决策支持业务流程并帮助组织响应事件，但它们不被流程或事件所涵盖，从而简化了决策的表达和管理。
1.5 业务、IT 和分析专业人员都在识别、描述、建模、审查和管理决策方面发挥着作用。
2 明确设计决策
2.1 定义决策的最佳方法是提出一个问题和一组已知的可能答案。
2.2 做出决策需要明确的信息（输入数据），例如交易信息、参考数据和其他可验证的明确信息。
2.3 做出决策通常需要通过做出其他决策而获得的信息（答案）。
2.4 决策具有权威性，例如政策、法规、最佳实践和专业知识，这些都定义了决策方式。
2.5 决策可以具有分析洞察力，可以显示如何改进决策或更准确地做出决策。
2.6 并非所有决策都是自动化的；手动决策仍然可以建模和管理。
3 使用决策管理技术
3.1 决策制定方式的细节可以用业务规则、决策表、预测分析模型、机器学习或优化算法和其他决策隐喻来表示。
3.2 在实施决策解决方案时，混合使用多种技术（业务规则、机器学习、预测分析和优化）可能是合适的。
3.3 如果将技术应用于决策，则可能是为了支持人类决策者或明确地自动化和管理决策。
3.4 技术可以应用于决策及其所依赖的任何决策，也可以仅应用于模型或流程中的某些决策。
4 部署数字决策系统
4.1 数字决策需要决策服务和支持基础设施来管理决策的定义 - 而不仅仅是嵌入在业务流程或用户界面中的业务规则或机器学习。
4.2 决策服务与现有系统、业务流程或事件处理环境分离，并为其提供决策。
5 决策服务要求
5.1 设计透明度 - 准确了解未来将如何做出决策。
5.2 执行透明度 - 重建过去如何做出特定决策实例。
5.3 影响分析 - 在进行变更之前评估变更对业务的影响。
5.4 闭环——持续改进、测试和学习、实验和适应。
为什么要制定决策管理方法论？
方法论是指研究和实践中的一套系统化的方法和原则，用以指导我们如何进行科学研究、分析问题或解决问题。它不仅关注具体的方法，还涉及理论框架、研究设计、数据收集与分析、以及如何解释和应用研究结果。决策管理方法论是决策管理解决方案以及与我们分享决策管理愿景的个人和公司的观点的公开声明。
决策管理是一种改善日常业务运营的方法。它通过使系统更易于监控和更改来提高组织的业务敏捷性和适应性。它利用数据来提高每项行动的有效性和盈利能力。它是应用业务规则、机器学习、预测分析和优化等人工智能技术的成熟框架。
该方法论并不针对供应商的技术、开发方法或方法，而是广泛适用的。它也不是关于符号的，尽管它推荐了一些符号。它是关于您可以用自己的技术应用的核心原则。它旨在成为您可以收藏和参考的东西，用它来区分有效的最佳实践和其他不太有效的选择。
通过发布此宣言，我们将：
l减少市场上关于决策管理的一些困惑。
l为有效使用人工智能技术提供框架。
l以独立于方法的方式分享关键的最佳实践。
避免混淆
决策管理是一个越来越流行的短语。业务规则供应商使用这个短语来定位他们的产品，而机器学习供应商则将其视为实时部署的用例。这种可见性的提高是件好事，但也有可能导致混淆。通过发布方法论，我们希望澄清几件事：
l虽然决策管理与人工智能、业务规则、机器学习和预测分析之间存在重叠，但它们并不相同。
l决策管理是一种根据需要结合多种人工智能技术来自动化、管理和改进运营决策以及日常业务运营的方法。
l业务规则、数据挖掘、机器学习和优化可用于决策管理以外的其他用途。业务规则有时控制用户界面或强制数据质量。预测分析通常用于为战略决策提供信息。
技术框架
大型企业有一种令人遗憾的倾向，即专注于技术而非业务解决方案，并在采用允许有效采用该技术的框架或方法之前获取技术。以这种方式购买的技术通常会被强行纳入现有的项目管理和系统设计框架，因此未得到充分利用。例如，组织采用业务规则管理系统，但使用其现有方法（无论是瀑布式还是敏捷式）和遗留需求管理技术来推动项目。结果是成本更高、灵活性更低、结果更糟。在机器学习方面，组织将预测分析模型嵌入现有报告基础架构中，而没有首先开发真正的业务理解，导致分析洞察力未得到充分利用。
采用决策管理方法论和更广泛的决策管理为成功采用这些强大的技术提供了背景。特别是关注决策，并将这些决策视为应识别、设计和管理的一流对象，推动了业务规则和预测分析技术的成功。
分享最佳实践
多年来，决策管理解决方案已经开发了许多最佳实践，以成功实现业务规则和预测分析。我们提出的方法论确定了这些最佳实践的核心集。
我们看到的最糟糕的做法之一是，组织希望使用业务规则或机器学习来改善他们的决策和决策吞吐量，但却没有明确说明他们希望改进的决策。正如我们方法论所说，真正设计需要改进的决策至关重要，而不是简单地希望采用技术会以某种方式改进它。
当业务规则和机器学习项目首先关注细节而不是自上而下工作时，它们都会出错。当业务规则项目首先关注收集和记录业务规则时，结果就是“一大堆规则”，这些规则很难管理或实施，而且往往过于分散而无法使用。
只专注于构建高度预测模型的机器学习项目缺乏业务背景和理解，无法有效地使用该模型。自上而下地关注所涉及的决策，可以提供结构、背景和业务意识，从而改善结果。
迭代方法对于利用人工智能技术至关重要。决策管理强调了这一点，决策建模提供了分阶段和排序决策自动化项目所需的结构。
最后，这些技术的成功取决于业务、IT 和分析专业人员之间的有效协作。决策是交叉点和粘合剂，决策模型允许跨技能组合进行有效工作。
方法论说明
1 决策优先
为了有效地管理决策，必须专注于决策。可以从业务规则列表中得出一些决策，或者推断出分析方法旨在支持的决策。然而，这将决策视为二等公民，而不是业务架构的关键组成部分。在关注规范或实施细节之前，明确识别决策、将决策映射到业务架构的其余部分、设计和建模决策至关重要。然而，并非每种决策都适合决策管理方法。所讨论的决策应该是：
l可重复
决策管理关注的是组织反复做出的决策，而不是一次性的战略决策。
l以行动为导向
决策的本质是从一系列可能的行动中进行选择，挑选一个然后采取它。
l非平凡
如果一个决策真的微不足道，那么随着时间的推移管理它就没有价值。如果适用多项政策或法规，如果有大量选项可供选择或需要考虑大量数据，或者决策方式经常发生变化，那么对决策管理的投资将获得高回报。
l可衡量
对决策管理的投资回报依赖于管理具有可衡量商业价值的决策。
您的业务可以看作是一系列随时间推移的决策。每个决策、每个选择都会影响业务的发展轨迹。您对产品、供应商、客户、设施、员工等做出的每个选择都是一个决策。事实上，决策是影响业务成败的主要方式。因此，每个决策都可以而且应该与其影响的目标或绩效指标挂钩。这使得决策的价值可以用企业理解的方式衡量。
还值得注意的是，虽然决策对业务流程至关重要，但它们不仅仅是业务流程的一部分。将决策作为业务流程的对等物进行管理的组织，使其流程更简单、更智能、更灵活。他们还获得了额外的优势，因为决策可以在流程之间重复使用。关注决策的另一个好处是，它使流程更加以客户为中心，更容易个性化。
2 明确设计决策
与业务架构的任何组件一样，决策可能很复杂。仅仅识别它们并给它们命名或描述是不够的。成功使用决策管理的组织越来越多地通过在深入实施细节之前投资明确建模和设计决策来扩大成功。
图1：决策模型示例
就像界面优先设计在SOA 中运行良好一样，问题优先设计在决策管理中运行良好。根据所提出的问题和可能允许的答案来描述决策可以限制它，并使业务架构的其他元素能够轻松地设计与它的集成。
由对象管理组发布和维护的新兴决策模型和符号标准(DMN) 列出了设计决策的模型和符号。这支持不同的方法和技术。它允许跨项目和平台重用和共享技能和决策模型。
该符号支持决策的详细建模、制定这些决策所需信息的规范、将（某些）决策制定作为决策表来实施，并且可扩展以管理决策所涉及的多种不同类型的专业知识，例如政策、法规、分析见解或人类专业知识。
3 使用决策管理技术
数字决策的四个方面推动组织采用新的、特定于决策管理的技术：
ü 管理决策逻辑以实现透明度和敏捷性。
组织通常采用业务规则管理系统来更有效地管理决策逻辑。
ü 嵌入机器学习以进行分析决策。
组织使用机器学习算法和预测分析工作台、打包分析模型和其他技术将其历史数据转化为可用于决策的分析见解。
ü 根据现实世界的权衡选择最佳替代方案并模拟结果。
一些组织采用基于约束的优化工具，而其他组织则使用权衡矩阵、遗传算法和其他分析技术。
ü 随着时间的推移监控和改进决策。
决策管理技术提供模拟、影响分析、与绩效管理的集成等，以支持持续的决策分析。
这些功能可用于在任何情况下完全自动化决策。更常见的情况是，它们只关注决策的某些要素，使用决策模型作为结构，并提供决策支持和决策管理功能。
图2：四种能力
4 部署数字决策系统
关注决策的逻辑结果是创建明确关注决策的系统。从历史上看，组织只考虑决策支持系统，旨在向人类决策者提供数据和一些见解。借助可用于自动化决策的新功能和决策管理方法的有效性，现在可以提供数字决策和自动化关键决策，并提供决策分析工具和功能，以进行决策的持续管理和发展。
这种关注与面向服务的架构配合得很好，可提供可轻松集成到SOA 方法中的决策服务。决策服务正在使用传统、敏捷和测试驱动的方法创建。它们由业务规则、机器学习和优化模型管理功能支持，以使其保持最新状态并确保其有效性。无论组织是使用业务流程管理系统实施业务流程、构建基于事件或案例管理系统，还是现代化和扩展打包和遗留应用程序，决策服务都会增加价值。
5 数字决策
数字决策具有敏捷性、分析性和适应性。
l 数字决策具有敏捷性，因为它专注于业务规则的基础，而对决策的清晰理解可在必要时提供透明度、业务协作和快速变化。
l 数字决策具有分析性，不是因为它可以轻松报告数据或分析数据，而是因为使用机器学习分析历史数据，并利用此分析来调整系统的行为方式。
l 数字决策具有适应性，因为它的性能受到明确监控，并且由于决策的底层模型与指标和目标之间的联系，决策性能可以与整体业务性能挂钩。
三步流程数字决策：
l 发现和建模决策：识别、建模和设计业务流程或业务领域中重要的运营决策。
l 构建决策服务：将业务规则、机器学习和优化技术结合到决策 IT 组件中。
l 监控和改进决策：闭环并不断改进这些服务的决策和业务成果。
