决策管理系统遵循四项关键原则，我们将详细探讨这些最佳做法，帮助您提高业务绩效并从投资中获得最大的投资回报。
决策管理系统有四项关键原则：
l 从决策开始。
l 透明且敏捷。
l 预测性而非反应性。
l 测试、学习并持续改进。
在每一项原则中，我们都确定了分析和设计、开发、部署和运营方面的三到四个具体的最佳做法。根据我们帮助客户构建成功的决策管理系统的丰富经验概述了这些最佳做法。
从决策开始
决策管理系统是围绕着一个中心和持续的焦点而构建的，即自动化决策，特别是运营和“微观”决策。开发决策管理系统时只关注业务流程、事件或数据是无效的。了解决策的业务流程或事件背景是有帮助的，但决策管理系统的开发需要将决策作为企业架构的核心组成部分。关注运营或交易决策（影响单个客户或单个交易的决策）对大多数组织来说是一个重大转变，需要有意识的努力。特别是，当所涉及的运营决策是所谓的“微观决策”时，即关注如何以独特的方式对待单个客户而不是将其视为大群体的一部分时，组织必须学会比以前更细致地关注决策。
还值得注意的是，这种对决策的关注必须放在首位，而不是关注业务规则或预测分析模型。在开发决策管理系统时，只有有明确的决策重点，才能制定正确的业务规则和最有效的预测分析模型。虽然最基本的最佳实践都包含在这个原则中——从决策开始——但还有一些更具体的最佳实践应该遵循。
决策作为流程的对等体
构建决策管理系统最重要的方面之一是确保决策开始被视为业务流程的对等体。许多成功使用SOA并成功采用新的、更先进的开发技术和方法的组织都是通过业务流程重点来实现的。关注端到端业务流程，而不是关注组织或系统孤岛，并将这些业务流程与实际业务成果联系起来，代表了信息技术在组织运营中的应用方式的重大改进。
然而，要推进决策管理系统，就必须做的不仅仅是将决策视为业务流程的一部分。我们与客户合作，以及对多家公司结果的评估表明，能够将决策作为业务流程的对等方进行管理的组织表现更好。虽然确实必须做出决策才能完成大多数业务流程，但仅仅将决策封装在业务流程中是不够的。
决策是流程的真正对等方。决策通常在流程之间重复使用，而决策的制定方式对流程的执行方式有重大影响。无法明确识别决策可能会导致决策逻辑留在业务流程中，从而使业务流程变得更加复杂和难以改变。在识别高级流程的同时识别高级决策可以让您对两者的理解同时发展，保持每个流程的专注和简单。
将决策与业务成果和结果联系起来
您的业务可以看作是一系列随时间推移而做出的决策。组织做出战略决策、战术决策和运营决策，但每个决策、每个选择都会影响业务的发展轨迹。事实上，鉴于您对产品、供应商、客户、设施、员工等做出的每个选择都是一项决策，因此很显然，决策是您影响业务成败的主要方式。如果没有决策可做，那么组织就无法影响其命运。
因此，理解您的决策以便推动有效决策管理系统的发展的第一步是将它们与业务成果和结果联系起来。对于您确定的每个决策，重要的是要了解哪些关键绩效指标、目标或业务绩效目标受到该决策的影响。了解特定决策对特定指标的影响以及了解影响指标的决策集有两个重要后果。首先，它能让你分辨出好决策和坏决策之间的区别。好的决策往往会使与之相关的指标朝着积极的方向发展，而坏的决策则不会。其次，它能让你看到当指标超出可接受的范围或朝着不好的方向发展时，如何纠正。了解哪些决策可以以不同的方式做出，可以为你提供解决绩效问题的直接背景。
在你确定和设计决策时，在你确定的决策和绩效管理框架之间建立联系非常重要。使用这些信息向那些在绩效管理环境中跟踪目标的人提供选项和替代方案也很重要。
在开始之前了解决策结构
尽早确定决策，将它们视为流程的对等项，并将它们映射到你的业务绩效管理环境中，这些都是从决策开始的好方法。然而，在开始开发决策管理系统之前，你应该了解你的决策的结构。
我们发现，在与客户合作时，最有效的方法是分解决策以显示其依赖关系。决策通常依赖于信息、专业知识或分析见解以及其他（通常更细粒度的）决策。确定决策的直接依赖关系后，您可以评估您确定的每个决策，并以迭代方式确定它们的依赖关系。当多个决策依赖于一个共同的子决策时，您开发的依赖层次结构实际上将成为一个网络，因为决策会被重复使用。这个网络揭示了重用的机会，显示了哪些信息在哪里使用，并确定了您决策的所有潜在专业知识来源，无论是法规、政策、分析见解还是最佳实践。
使用基于标准的决策建模技术
使用决策模型和符号(DMN)标准构建决策需求模型可以捕获决策需求并改进业务分析和整体需求收集和验证流程。
经验表明，将决策需求定义为总体需求流程的一部分有三个主要原因：
l 当前的需求方法没有解决信息系统中日益重要的决策问题。
l 决策需求对于采用业务规则和高级分析技术的项目尤其重要。
l 决策是业务、IT和分析组织之间的通用语言。
然而，当前的需求方法存在差距。大多数系统涉及一些工作流，通常被描述为流程模型，因此过于复杂。这很难维护，本地异常和其他决策细节可能会很快淹没流程模型。
通过从流程中单独识别和建模决策，这些决策细节不再使流程变得混乱。这使业务流程更简单，也更容易进行更改。独立但相互关联的模型可以使上下文更清晰。
成功的业务规则和分析项目始于关注所涉及的决策。对于业务规则项目，清晰的决策需求范围和指导业务规则分析。对于高级分析项目，明确的业务目标对于成功至关重要。在这两种情况下，首先必须定义所需的决策，然后才关注所涉及的具体业务规则或预测分析模型等细节。
决策建模：决策作为共享框架和实施机制决策建模是一种强大的业务分析技术。使用标准DMN符号来指定决策需求图，从而指定决策需求模型，可以准确指定决策需求。
决策需求模型为业务规则管理系统(BRMS)的实施提供了所需的结构，支持迭代和敏捷开发。使用决策需求模型构建数据挖掘和预测分析项目将分析与业务结果联系起来，并有助于确保成功部署。了解与仪表板或决策支持环境相关的决策可以构建知识，并重视采取行动。
决策需求模型是业务、IT和分析组织之间的通用语言，可改善协作、提高重用率并简化实施。
有一个正在形成的共识，认为决策需求模型是指定决策的最佳方式。决策需求模型可以而且应该使用对象管理组织的决策模型和符号(DMN)标准以行业标准方式开发。采用这一行业标准可让用户接触广泛的社区，并成为更广泛地分享专业知识的媒介。
透明且灵活
决策管理系统做出每个决策的方式对非技术专业人员来说既易于解释又易于更改。大多数组织的决策都是不透明的——要么作为代码嵌入遗留应用程序中，要么仅存在于员工的头脑中。除非这种决策方法透明且易于更改或灵活，否则无法管理决策。如在《使用业务规则管理决策逻辑》中所述，设计和执行透明度的需求是使用业务规则管理系统管理决策逻辑的主要驱动力。
该领域有三个主要的最佳实践——设计透明度、执行透明度、业务所有权和可解释的分析。
业务和IT的设计透明度
透明度的第一个最佳实践是确保业务和IT从业者的设计透明度。对于非技术业务用户而言，编写的大多数代码都是完全不透明的。对于编写代码的程序员以外的程序员而言，其中大部分甚至不透明。这种缺乏透明度的情况在决策管理系统中是不可接受的。
设计透明度意味着编写决策逻辑，以便未参与原始开发的业务从业者、业务分析师和IT专业人员都可以阅读和理解它。这使得决策设计透明，因为所有参与者都可以看到下一个决策将如何做出。这既支持合规性，允许那些验证合规性的人看到决策如何做出，又通过确保知道如何做出决策的每个人都能理解系统计划如何做出决策来提高准确性。
从实际角度来看，这意味着编写所有业务规则，以便业务人员可以阅读它们（即使是那些将由IT编辑的规则），避免使用技术构造，例如++和简洁的以程序员为中心的变量名称。这意味着确保规则的基础是业务友好的词汇表——使用以IT为中心的对象和属性名称是业务人员无法理解业务规则的最大原因之一。它还意味着尽可能使用图形决策逻辑表示，例如决策表和决策树并遵循规则编写最佳实践，例如避免使用OR并编写大量简单规则而不是少量大型复杂规则。
设计透明度是所有其他类型的透明度和敏捷性的基本构建块。
执行透明度和决策逻辑记录
了解下一个决策如何做出至关重要。但是，一旦做出决策，就必须了解决策如何做出。随着业务情况的变化或新法规的实施，下一个决策的方法将不断变化。因此，下一个决策的制定方式与过去的决策方式逐渐不同。
执行透明度意味着能够回头查看任何特定决策，以确定其确切的制定方式。必须记录用于做出决策的决策逻辑和预测分析模型，以便决策顺序清晰。理想情况下，这应该始终“保持开启”，以便记录每个决策，而不是仅用于测试和调试。当每个决策都可以分析时，持续改进就会变得容易得多。在任何决策都可能受到质疑的环境中，例如监管机构，则可能需要进行此类持续记录。
大多数产品都支持以相当技术性的格式记录日志，这种格式专为高性能和最低存储要求而设计。这需要扩展为非技术用户可读，并与其他类型的数据（如客户信息或整体性能指标）集成，以提供真正的执行透明度。
可解释的分析
虽然使用格式良好的业务规则来具体化决策逻辑对透明度的贡献最大，但可解释的分析也发挥着作用。当根据特定的预测分析分数做出决策时，了解分数的计算方式以及分数的主要驱动因素非常重要。就像决策逻辑一样，分数的计算方式可能会随着时间的推移而发展，因此，在特定时间点计算分数的方式能够重新创建非常重要。
一些高级分析模型比其他模型更容易解释。例如，使用基于回归模型的预测分析记分卡可以使预测分数的贡献非常明确，并支持定义可以随分数返回的解释、原因代码。因此，客户的留存分数可能为0.62，但有两个原因代码“从未续订”和“单一产品”，这解释了该低分的来源。决策树、关联规则和其他几种模型类型也很容易解释。相比之下，神经网络和其他机器学习算法等模型以及涉及多种技术的复合或集成方法通常很难解释。
可解释分析技术的价值因所涉及的决策类型而异，受监管的消费者决策重视可解释性，而欺诈检测则不然。
业务变更所有权
最终的最佳实践是将变更所有权集中在业务中。这意味着授权企业在需要进行更改或看到进行更改的机会时对系统进行所需的更改。
业务变更所有权对于成功的决策管理系统来说并不是必不可少的。许多此类系统仍然使用IT资源在必要时进行更改。这些资源通常不是技术资源，而是业务分析师而不是程序员，但IT仍然是制定、测试和更改的资源。
随着时间的推移，大多数组织会发现，业务所有权将改善他们从决策管理系统中获得的结果。通过授权业务所有者进行自己的更改（使用业务用户规则管理和影响分析等功能），组织将提高其敏捷性和响应能力，消除业务/IT接口的阻碍。
然而，授权业务拥有自己的更改并非易事，也不能简单地断言（“给你，这是你的新业务规则界面，现在请不要再打电话给我们”）。需要投资合适的用户界面和工具，以及投入时间和精力进行变更管理。
预测性而非反应性
决策管理系统使用组织已收集或可以访问的数据来改进决策方式，方法是预测决策的可能结果，而不是不采取任何行动。决策总是与未来有关，因为它们只能影响未来。组织拥有的所有数据都是关于过去的。当信息呈现给人类决策者时，总结和可视化信息并依靠人类提取意义和发现模式的能力往往是令人满意的。人类本质上是根据他们所看到的历史数据做出潜意识或有意识的预测，然后在该背景下做出决策。
然而，在构建决策管理系统时，这种方法行不通。计算机系统和业务规则管理系统是字面意思，完全按照它们被告知的方式行事。它们缺乏人类所具有的那种直觉模式识别能力。为了给决策管理系统一个未来视角，以作为其决策的背景，我们必须创建一个明确的预测，即关于未来的概率。
三种最佳实践与将数据转化为洞察力的重点相关。使用数据挖掘和其他分析技术来改进规则和分析/IT合作是开发方法中的最佳实践。专注于实时评分将使决策管理系统更加强大。
将数据挖掘与业务规则结合使用
许多构建决策管理系统的组织将基于规则的决策逻辑开发与分析的使用完全分开。在最好的情况下，他们只有在引用业务规则中的预测分数时才会将这两个学科结合在一起。这很遗憾，一个明确的最佳实践是做更多工作来推动这一领域的合作，特别是通过让数据挖掘者和数据挖掘方法参与业务规则的开发。
要开始实施这一最佳实践，第一步是使用分析技术来确认和检查业务规则。许多业务规则都基于判断、最佳实践、经验法则和过去的经验。参与定义这些规则的专家通常可以说出规则背后的意图——例如，规则是为了帮助确定最佳客户或标记可能延迟的发货。历史数据可用于查看这些规则实现预期目标的可能性。例如，满足“最佳客户”规则条件的客户数量，或延迟发货规则中测试的元素与实际发货延迟之间的相关性。以这种方式使用数据既可以提高业务规则的质量，又有助于建立数据改进决策的能力。虽然报告和简单的分析工具可以在这方面提供帮助，但数据挖掘的使用对于此类检查尤其有用。更复杂的组织也可以使用数据挖掘来实际查找候选业务规则。许多数据挖掘技术产生的输出可以轻松表示为业务规则，例如决策树和关联规则。使用这些技术来分析数据并提出候选规则供那些管理决策逻辑的人审查是非常有效的。由于输出是一组业务规则，因此它是可见的且易于审查，从而打破了更不透明的分析形式可能引起的那种不情愿。
归根结底，最佳实践很容易定义——组织应该将其历史数据视为业务规则的来源，就像他们的政策、最佳实践、专业知识和法规一样。
分析与IT合作
预测分析的力量有时被描述为将垂直堆栈数据（随时间变化的数据）转换为水平信息（附加属性或事实）的力量。分析专业人员几乎总是以这种方式看待数据，在历史数据中寻找可以转化为概率或其他特征的模式，使用分析来简化大量数据并放大其含义。
挑战在于，IT人员对数据的看法不同。IT部门倾向于将历史数据视为需要汇总以进行报告的东西，以及需要转移到备份存储以降低成本或提高性能的东西。他们非常熟悉数据水平切片的设计-其结构-但不了解其在历史上的起伏。他们通常会更改数据结构以改进操作，而不会考虑它可能如何影响历史比较，清理数据以删除异常值并包含默认值，或者随着时间的推移和数据变化覆盖值。从分析团队的角度来看，许多此类标准IT任务都非常具有破坏性。
那么，一个明确的最佳实践就是围绕数据治理、数据存储和管理、数据结构设计等改进分析和IT合作。在这种情况下，分析团队不能只是商业智能、仪表板和报告团队，还必须包括那些进行数据挖掘和预测分析的团队。前者通常是IT部门的一部分，并且与其他IT功能很好地集成在一起，而后者通常分散在业务部门或专注于风险或营销功能。分析专家和IT之间建立长期的合作将降低成本，提高数据的价值和可用性，以实现更高级的分析，并使将分析集成到决策管理系统中更加容易。
实时评分而非批量评分
如今，绝大多数应用预测分析模型的组织都是批量进行的。在开发了预测分析模型后，他们会每天或每周更新数据库，将模型计算出的分数添加到数据库中的客户或其他记录中。当决策管理系统需要访问预测时，它只需检索用于存储分数的列即可。集成很容易，因为决策管理系统可以像访问任何其他数据项一样访问分数。
问题在于，当数据变化速度快于批处理速度时，批处理分数可能会过时。例如，如果客户流失倾向分数不包括客户今天早上遇到的问题或他们对取消罚款的询问，那么它就不会准确。此外，这种公平的集成在技术上可能很简单，但它也使IT和分析团队不需要一起工作，因此从长远来看可能会造成损害。
为了使决策管理系统取得长期成功，特别是开发能够有效响应事件和更多新移动渠道的决策管理系统，组织需要开发使用实时评分的系统。实时评分是在需要时使用当时所有可用数据准确计算的。这可能包括最近的电子邮件、SoMoLo（社交移动本地）数据、呼叫中心代表对客户情绪的看法等等。最终，能够使用最新的分数实时决策，甚至在数据流入系统时对其进行评分，以便持续提供预测，将成为竞争优势的源泉。
测试、学习和持续改进
决策管理系统中的决策是动态的，变化是可以预料的。决策方式必须不断受到挑战和重新评估，以便它能够学习哪些方法有效并适应更好的工作。支持这种持续的决策分析需要在决策管理系统的构建中进行设计选择，并与组织的绩效管理环境集成。业务规则管理系统和分析工作台都具有使这更容易的功能，而优化套件可用于开发模型来管理改进决策所需的潜在复杂权衡。
这种持续改进依赖于前面提到的许多功能，例如能够将决策与业务成果和结果联系起来，具有执行透明度和决策逻辑记录以及支持实时评分而不是批处理。此外，开发用于持续决策改进的集成环境、广泛使用实验以及转向自动调整、自适应分析和优化都是值得考虑的最佳实践。
集成决策改进环境
为了提供集成决策改进环境，组织应汇总过去决策制定的日志、使用这些决策所取得的业务成果信息以及决策逻辑/分析管理环境本身。此环境的每个部分通常都涉及不同的技术开发，从业务规则管理系统到分析模型管理工具，再到传统仪表板和正在使用的商业智能功能。提供一个集成的、连贯的环境，将所有这些都围绕特定决策进行整合，为组织带来真正的好处。当可以将业务结果与导致这些结果的决策进行比较，并且当企业主可以直接从此分析导航到编辑器，从而允许他们更改未来的决策行为时，组织将看到对不断变化的条件做出更快速、更准确的响应。
广泛使用实验
相对而言，很少有组织愿意进行实验。对于大多数组织来说，实验仅限于营销部门或小规模实验，在这些实验中，客户和潜在客户会被问及偏好或可能的反应。一些组织使用实验来确定价格敏感度，越来越多的网络团队使用实验进行网站设计。
然而，如果没有实验，就很难知道你正在做的事情是否是最好的方法，也很难真正看到一种新方法是否会更好。除非对真实客户或潜在客户（或供应商或合作伙伴）的行为进行评估，否则这些选项就无法真正进行比较。询问人们如果得到不同的选择他们会怎么做，很少能得到与他们得到不同选择时实际做的事情相匹配的数据。
希望通过分析和决策管理系统取得长期成功的组织将投资于进行持续和大量实验所需的组织毅力和专业知识。
转向机器学习和自适应分析
关注实时的逻辑延伸是关注机器学习和自适应分析。如今，大多数决策管理系统及其内部的分析都是手动调整的，专家会考虑决策的有效性并做出改进。然而，随着系统变得更加实时，这变得越来越不切实际和次优。特别是在广告投放等非常大容量、快速响应的情况下，系统会不断收集数据，显示哪些有效，哪些无效。等到人们考虑这些数据后再改变系统的行为意味着允许系统在数据存在很久之后才意识到这种情况正在发生，而做出的响应却很差。
最佳实践是考虑在这些情况下使用机器学习和自适应分析引擎。在组织中建立对分析工作的信任将越来越多地允许分析系统自己做出更多决策。允许分析引擎收集性能数据并做出响应（可能在规定的限制内），将提高实时决策的性能，同时减少响应变化所需的时间。
并非所有决策都适合这类引擎。例如，那些具有强大监管框架或决策响应时间较长的决策将无法很好地发挥作用。然而，如果决策合适，一个明显的最佳做法是将这些更具适应性的引擎集成到决策管理系统中。
优化
该领域的最后一个最佳实践是随着时间的推移增加优化的使用。优化是一种强大的方法，但它通常被孤立在业务的特定部分，并被视为“核心”分析工作的一个小侧栏。部分原因是因为数学运算可能非常复杂，而且解决方案可能需要很长时间才能开发出来。缺乏用于审查结果的业务用户友好界面以及需要将优化与模拟工具集成在一起，也限制了许多组织对优化的使用。
然而，随着更多业务友好界面的开发以及优化工具越来越融入决策管理系统开发的整体堆栈，这种情况开始发生变化。更快、更稳定的优化程序、标准模板以及与预测分析和业务规则的集成也有所帮助。组织应将优化的使用视为其决策设计和改进流程的一部分，并因此应寻求将其从孤岛中带入主流。
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。
