论文部分内容阅读
数字化转型的一个共同目标常常被描述为“成为一家数据驱动型的企业”。无论是商业智能、预测分析还是机器学习，利用客观数据而不是直觉来推动决策是企业越来越关注的话题。
但是，有很多挑战。并不是所有的大型企业都足够灵活，能够充分利用数据驱动的决策，或者有足够的技能来大规模收集可靠数据并提出正确的问题。在年度NewVantage合作伙伴大数据研究中，大多数高管都希望通过数据做出更好的决策，但只有1/3的高管认为，他们的公司拥有数据驱动的文化。
但数据并不能解决所有问题。你的数据可能不会告诉你，某一成功的产品其实会更好，因为数据表明这款产品已经成功了。
做出数据驱动的决策就是提出正确的问题，并拥有正确的数据来获得答案。这就是所谓的“决策科学”（或者“决策智能”）。
谷歌决策智能主管Cassie Kozyrkov把决策智能描述为将以前被孤立学科中的工具和观点结合起来，并将其应用于选项之间进行选择的所有方面，以便更容易基于事实做出更高质量的决策。她写道：“它把应用数据科学、社会科学和管理科学的精华汇集到一个统一的领域，帮助人们使用数据改善生活、工作以及周围的世界。”
这与行为经济学（预测市场行为并利用激励措施来改变市场）、计算机科学与经济学的交叉领域EconCS（微软用来设计Bing广告拍卖、Azure云定价和Xbox游戏营销）有相似之处。
但是决策科学并没有那么广泛的关注点，它是通过预测决策的结果，用数据和算法来解决具体的业务问题。
能够预测决策结果这一点是决策科学和数据科学之间的一个关键不同点。
微软资深首席研究员Greg Lewis解释说：“决策科学是将理论和数据结合起来，预测个人或者企业做出改变环境的决策后会发生什么。”它是帮助决策者找到正确选择的“水晶球”。
Lewis说，另一方面，數据科学预测，如果你不采取任何措施来改变系统，那么随后会发生什么。“例如，数据科学会被用来计算出，以目前的速度，一家商店的存货很快将被耗尽;而决策科学则帮助决定是购买更多的货物并保持价格不变，还是提高价格。如果提高价格，那么，目前的存货足够了。”
领英数据科学总监Chi-Yi Kuan最近一直负责公司的决策科学解决方案部门，他指出，不过，决策科学仍然是数据科学的一部分。他将其总结为“用于指导和推动决策的定量分析和技术。”
Kuan说：“在数据科学领域，我们做了很多工作来理解发生了什么，历史是什么——这就是描述性分析。然后，诊断分析更进一步进行深入研究，以理解为什么会这样。当我们在技术上变得更先进时，我们可以做预测分析：未来会发生什么？在流行术语中，我们称之为人工智能和机器学习的都是关于预测的：规定性分析的工作是，在发生的事件中，确定哪些会是最好的选择。”
数据科学是从原始数据中得到有意义的数据深度分析结果;决策科学则将数据应用于为决策者提供建议。他说：“数据科学的工作是在生态系统中做出更好的决策，以帮助企业成长。而在决策科学中，重点只放在做出决策上。”
高管们应该熟悉决策科学的原理，因为他们已经将其运用于运营领域，而从根据经验（以及有限的数据量）提供建议的领域专家那里获得业务深度分析结果对于每个决策来说太慢、太贵了。Kuan认为，在决策科学领域，利用实时数据的能力更加大众化了。“我们想让它应用得更广。我们希望公司的每个人都能做出数据驱动的决策：这不仅仅是高管的事——这是非常大的变化。”
这意味着不仅仅是拥有一个数据科学团队;还意味着赋予人们使用数据做出决策的权力。Kuan说：“很多公司都有他们称之为数据科学团队的部门，但不给他们权力，也不相信他们提出的建议。”
他认为，除非把数据转化为决策，否则这些数据毫无用处。这意味着对于那些拥有需要评估的数据并且要解决业务问题的人，应支持他们使用这些数据，以便他们做出决策。
Kuan提供了很多适用于决策科学的示例：产品的A/B测试、营销活动绩效评估、销售客户生命周期智能，以及改善客户体验的客户服务机会，等等。
结果可能不是一个单一的选择，而是一系列的选择：他说：“在数字世界中，我们可以做大量的A/B测试，并根据返回的结果做出决定。”领英的几乎每一产品决策都会作为实验发送给一小部分用户，产品部门可以看到这些变化是怎样影响关键绩效指标和其他指标的。
领英广泛地应用了决策科学，从寻找合适的细分会员为他们写电子邮件，到客户支持，再到使用文本分析功能来理解会员的反馈，直至新闻提要等——这样，可以保证普通成员能够得到更多的曝光率，因为相较于比尔·盖茨和理查德·布兰森这样的名人，平台上的评论和好评对普通会员更为重要。
员工进行了很多针对性的分析，看看是什么推动了特定业务指标的变化;这些都可以通过分析门户网站获得，这样数据科学部门就可以花更多的时间进行由问题和假设驱动的分析，这当然有助于业务部门做出决策。
Kuan指出，做出决策后，数据科学的工作还没有完。他说：“决策之后，数据科学之旅并没有结束，将继续衡量我们所做的工作会产生什么影响，以及我们从所做的决策中学到了什么，并通过实验不断进行改进。”
这是与决策科学的另一重大区别，Kuan说：“按照过去的方式，当你做出决策后，工作基本上就已经完成了;今后再改动的机会不大。我们应该一直跟踪这些数据驱动决策的影响，使得企业有机会从失败中吸取教训，帮助企业不断发展壮大。” 而决策科学不仅适用于像领英这样的数字化企业。Lewis解释说，决策科学给企业带来的是一个更好的决策过程。
他说：“在实践中，决策科学一个最好的例子是A/B实验的兴起，企业系统地尝试两种不同的方法，看看哪种方法对客户的效果更好。这产生了更多的价值，运行A/B实验会使得各部门弄清楚成功的标准是什么，对于他们现在的工作而言，是不是还有更好的选择，并建立一个持续更新其策略的流程。”
这样，企业就不会陷入困境——即使你不能发布两个版本的产品，也仍然有机会成功。Lewis说：“基于现有客户数据的经济学、博弈论和因果机器学习技术将继续发展，提供更好的方法来预测如果选择了新的方向会发生什么。”
决策科学不能替代数据科学;它是在使用数据科学来指导你的企业决策，它需要数据科学家以及理解决策的人。
OnePath公司首席技术官Patrick Kinsella在接受CIO.com采访时说：“决策科学是数据科学成果的应用，融合了相关方的行为背景和问题的业务背景。”实施决策科学需要的不仅仅是采用数据科学工具，这些工具可以从数据中创建模型、得出结论并预测结果。“企业必须找到能够评估决策行为影响的人才团队。这些人通常在通过企业转型、并购整合或者重新定义核心价值以进行变革管理方面有着丰富的经验。”
Kuan强调招聘看重的不仅仅是数据科学方面的专业知识。领英的数据科学家需要统计专业知识，这样他们就可以设计实验，知道怎样衡量他们是否成功。他们应熟知机器学习知识，以便把业务问题公式化为机器学习问题，而不会把相关性误认为是因果关系。他們需要充分了解数据的业务环境，以便能够对数据进行解释、清理并将其转换为可用的内容。他们应该展示他们的发现，并解释它们是怎样创建出来的。
Kuan解释道：“我们的目标是从分析中获得深刻的见解，并有效地影响关键决策，从而推动业务发展。”
Lewis建议由经济学家、统计学家和数据科学家组成相关的部门。“经济学家找出需要测量的东西，以便更好地了解下一步会发生什么;统计学家确定怎样进行测量;数据科学家建立基础设施和工具，以便大规模地定期进行可靠的测量。”
SADA的首席技术官Miles Ward说，不要忘记基础。“如果企业的数据不可访问，也不容易查询，而且来源和质量也无法验证，那么能从中做出决策也不过是偶然而已。如果你还没有打好基础，那就从此开始吧。”
Mary Branscombe是一位自由撰稿人，他二十多年来一直致力于技术写作，其写作主题涵盖了从编程语言、Windows和Office的早期版本，到最早的网络以及消费类小工具和家庭娱乐的各个方面。
原文网址
https：//www.cio.com/article/3444636/what-is-decision-science-transforming-decision-making-with-data.html？nsdr=true
但是，有很多挑战。并不是所有的大型企业都足够灵活，能够充分利用数据驱动的决策，或者有足够的技能来大规模收集可靠数据并提出正确的问题。在年度NewVantage合作伙伴大数据研究中，大多数高管都希望通过数据做出更好的决策，但只有1/3的高管认为，他们的公司拥有数据驱动的文化。
但数据并不能解决所有问题。你的数据可能不会告诉你，某一成功的产品其实会更好，因为数据表明这款产品已经成功了。
做出数据驱动的决策就是提出正确的问题，并拥有正确的数据来获得答案。这就是所谓的“决策科学”（或者“决策智能”）。
什么是决策科学？
谷歌决策智能主管Cassie Kozyrkov把决策智能描述为将以前被孤立学科中的工具和观点结合起来，并将其应用于选项之间进行选择的所有方面，以便更容易基于事实做出更高质量的决策。她写道：“它把应用数据科学、社会科学和管理科学的精华汇集到一个统一的领域，帮助人们使用数据改善生活、工作以及周围的世界。”
这与行为经济学（预测市场行为并利用激励措施来改变市场）、计算机科学与经济学的交叉领域EconCS（微软用来设计Bing广告拍卖、Azure云定价和Xbox游戏营销）有相似之处。
但是决策科学并没有那么广泛的关注点，它是通过预测决策的结果，用数据和算法来解决具体的业务问题。
决策科学与数据科学
能够预测决策结果这一点是决策科学和数据科学之间的一个关键不同点。
微软资深首席研究员Greg Lewis解释说：“决策科学是将理论和数据结合起来，预测个人或者企业做出改变环境的决策后会发生什么。”它是帮助决策者找到正确选择的“水晶球”。
Lewis说，另一方面，數据科学预测，如果你不采取任何措施来改变系统，那么随后会发生什么。“例如，数据科学会被用来计算出，以目前的速度，一家商店的存货很快将被耗尽;而决策科学则帮助决定是购买更多的货物并保持价格不变，还是提高价格。如果提高价格，那么，目前的存货足够了。”
领英数据科学总监Chi-Yi Kuan最近一直负责公司的决策科学解决方案部门，他指出，不过，决策科学仍然是数据科学的一部分。他将其总结为“用于指导和推动决策的定量分析和技术。”
Kuan说：“在数据科学领域，我们做了很多工作来理解发生了什么，历史是什么——这就是描述性分析。然后，诊断分析更进一步进行深入研究，以理解为什么会这样。当我们在技术上变得更先进时，我们可以做预测分析：未来会发生什么？在流行术语中，我们称之为人工智能和机器学习的都是关于预测的：规定性分析的工作是，在发生的事件中，确定哪些会是最好的选择。”
数据科学是从原始数据中得到有意义的数据深度分析结果;决策科学则将数据应用于为决策者提供建议。他说：“数据科学的工作是在生态系统中做出更好的决策，以帮助企业成长。而在决策科学中，重点只放在做出决策上。”
面向所有人的数据驱动的决策
高管们应该熟悉决策科学的原理，因为他们已经将其运用于运营领域，而从根据经验（以及有限的数据量）提供建议的领域专家那里获得业务深度分析结果对于每个决策来说太慢、太贵了。Kuan认为，在决策科学领域，利用实时数据的能力更加大众化了。“我们想让它应用得更广。我们希望公司的每个人都能做出数据驱动的决策：这不仅仅是高管的事——这是非常大的变化。”
这意味着不仅仅是拥有一个数据科学团队;还意味着赋予人们使用数据做出决策的权力。Kuan说：“很多公司都有他们称之为数据科学团队的部门，但不给他们权力，也不相信他们提出的建议。”
他认为，除非把数据转化为决策，否则这些数据毫无用处。这意味着对于那些拥有需要评估的数据并且要解决业务问题的人，应支持他们使用这些数据，以便他们做出决策。
决策科学实例
Kuan提供了很多适用于决策科学的示例：产品的A/B测试、营销活动绩效评估、销售客户生命周期智能，以及改善客户体验的客户服务机会，等等。
结果可能不是一个单一的选择，而是一系列的选择：他说：“在数字世界中，我们可以做大量的A/B测试，并根据返回的结果做出决定。”领英的几乎每一产品决策都会作为实验发送给一小部分用户，产品部门可以看到这些变化是怎样影响关键绩效指标和其他指标的。
领英广泛地应用了决策科学，从寻找合适的细分会员为他们写电子邮件，到客户支持，再到使用文本分析功能来理解会员的反馈，直至新闻提要等——这样，可以保证普通成员能够得到更多的曝光率，因为相较于比尔·盖茨和理查德·布兰森这样的名人，平台上的评论和好评对普通会员更为重要。
员工进行了很多针对性的分析，看看是什么推动了特定业务指标的变化;这些都可以通过分析门户网站获得，这样数据科学部门就可以花更多的时间进行由问题和假设驱动的分析，这当然有助于业务部门做出决策。
决策科学是一段旅程
Kuan指出，做出决策后，数据科学的工作还没有完。他说：“决策之后，数据科学之旅并没有结束，将继续衡量我们所做的工作会产生什么影响，以及我们从所做的决策中学到了什么，并通过实验不断进行改进。”
这是与决策科学的另一重大区别，Kuan说：“按照过去的方式，当你做出决策后，工作基本上就已经完成了;今后再改动的机会不大。我们应该一直跟踪这些数据驱动决策的影响，使得企业有机会从失败中吸取教训，帮助企业不断发展壮大。” 而决策科学不仅适用于像领英这样的数字化企业。Lewis解释说，决策科学给企业带来的是一个更好的决策过程。
他说：“在实践中，决策科学一个最好的例子是A/B实验的兴起，企业系统地尝试两种不同的方法，看看哪种方法对客户的效果更好。这产生了更多的价值，运行A/B实验会使得各部门弄清楚成功的标准是什么，对于他们现在的工作而言，是不是还有更好的选择，并建立一个持续更新其策略的流程。”
这样，企业就不会陷入困境——即使你不能发布两个版本的产品，也仍然有机会成功。Lewis说：“基于现有客户数据的经济学、博弈论和因果机器学习技术将继续发展，提供更好的方法来预测如果选择了新的方向会发生什么。”
进入决策科学
决策科学不能替代数据科学;它是在使用数据科学来指导你的企业决策，它需要数据科学家以及理解决策的人。
OnePath公司首席技术官Patrick Kinsella在接受CIO.com采访时说：“决策科学是数据科学成果的应用，融合了相关方的行为背景和问题的业务背景。”实施决策科学需要的不仅仅是采用数据科学工具，这些工具可以从数据中创建模型、得出结论并预测结果。“企业必须找到能够评估决策行为影响的人才团队。这些人通常在通过企业转型、并购整合或者重新定义核心价值以进行变革管理方面有着丰富的经验。”
Kuan强调招聘看重的不仅仅是数据科学方面的专业知识。领英的数据科学家需要统计专业知识，这样他们就可以设计实验，知道怎样衡量他们是否成功。他们应熟知机器学习知识，以便把业务问题公式化为机器学习问题，而不会把相关性误认为是因果关系。他們需要充分了解数据的业务环境，以便能够对数据进行解释、清理并将其转换为可用的内容。他们应该展示他们的发现，并解释它们是怎样创建出来的。
Kuan解释道：“我们的目标是从分析中获得深刻的见解，并有效地影响关键决策，从而推动业务发展。”
Lewis建议由经济学家、统计学家和数据科学家组成相关的部门。“经济学家找出需要测量的东西，以便更好地了解下一步会发生什么;统计学家确定怎样进行测量;数据科学家建立基础设施和工具，以便大规模地定期进行可靠的测量。”
SADA的首席技术官Miles Ward说，不要忘记基础。“如果企业的数据不可访问，也不容易查询，而且来源和质量也无法验证，那么能从中做出决策也不过是偶然而已。如果你还没有打好基础，那就从此开始吧。”
Mary Branscombe是一位自由撰稿人，他二十多年来一直致力于技术写作，其写作主题涵盖了从编程语言、Windows和Office的早期版本，到最早的网络以及消费类小工具和家庭娱乐的各个方面。
原文网址
https：//www.cio.com/article/3444636/what-is-decision-science-transforming-decision-making-with-data.html？nsdr=true