决策智能是一个新领域，通过将数据与决策和结果联系起来，帮助支持、增强和自动化业务决策。它结合使用方法（例如决策映射和决策理论）和技术（例如机器学习、自动化及人工智能平台）来改进公司决策的方式。决策智能包括持续评估决策结果并通过反馈系统对其进行优化。
在谷歌于2018年推出决策智能部门后，“决策智能”一词在洛里恩·普拉特2019年出版的《链接：如何连接数据、行动和结果以创造更美好的世界》一书中广为流传。2021年10月，Gartner分析师将决策智能确定为2022年最具影响力的技术趋势之一。
为什么决策智能很重要？
公司的成功取决于决策。这些决策范围从市场选择到人才招聘再到发票支付授权。每年有近30亿次商业决策做出，贝恩的研究结果显示，决策有效性与财务绩效之间存在95%的相关性。
然而，决策充满了挑战，重要或复杂的决策往往是由没有足够信息、时间或经验的人做出的。根据麦肯锡的调查结果，72%的高管表示，错误的决策与好的决策一样频繁，标准普尔500强公司平均每年因决策不力而浪费2.5亿美元。
决策智能如何实现业务决策？
DI可以支持业务决策的三个层面——有点像辅助驾驶中不断提高的自主性水平。
第一层是决策支持，其中机器提供一些基本工具来支持人类决策，例如警报、分析和数据探索。决策本身完全由人类做出。
第二个层次是决策增强，其中机器在决策过程中发挥更大、更主动的作用。他们分析数据并生成建议和预测，供人类决策者审查和验证。例如，他们可以提出这样的建议，“您应该在3月30日之前从供应商A处购买200件产品；这将使您节省20,000美元。”人类可以通过简单地接受建议来根据机器的建议做出决策，也可以与机器合作修改建议。
第三层是决策自动化，这进一步减少了决策过程中所需的人工参与。在此级别，机器自主执行决策步骤和执行步骤。第一步，他们结合使用规则、优化和基于人工智能的预测等工具做出自主决策。对于第二步，它们自动实施这些决策，无需人工参与。相反，人类有一个高级概览，监控风险和任何异常活动，并定期审查结果以改进系统。
这在很大程度上是一个成熟度模型，能够通过级别进行升级。然而，并非所有决策都应该自动化或增强。有些非常敏感、复杂或不常见，因此最好将它们保持在决策支持级别，并让人类参与其中。这些可能包括高层决策，例如设计新战略。
一个有效的DI系统应该提供所有三种作模式（即支持、增强和自动化）。这使用户能够在对技术及其功能的信任时提高自动化级别。它还允许在需要时选择降低自动化级别——例如，在像Covid-19新冠肺炎大流行这样的黑天鹅事件中，在此期间，前一年的销售数据无关紧要，基于它的机器学习预测不再有用。
决策智能的组成部分是什么？
决策智能技术是现有技术（包括人工智能和流程自动化）的组合，其能力比单独完成更多的事情。人工智能和机器学习专注于数据；它们可以产生洞察力，但通常与决策的执行和结果脱节。业务流程应用程序（包括机器人流程自动化、流程挖掘和流程发现）以任务为中心。他们可以自动执行任务并提高效率，但他们只能执行他们被编程要做的事情，对决策的有效性影响有限。
决策智能结合了这些技术，将数据与决策、行动和结果联系起来。它可以根据数据产生见解，使用它们来生成决策，执行这些决策，并通过评估其有效性和成功来支持反馈过程。
有效的决策智能技术结合了一个与用户互动的系统，以：
•解释并证明系统的建议（不是黑匣子而是玻璃盒子）。
•从人类对先前决策的反馈中学习（包括从一组原因代码中选择的原因，人们接受或拒绝其建议的原因）。
•将其对决策影响的预测与其实际影响进行比较，并相应地学习以提高决策有效性。
您期望从决策智能中获得哪些业务影响？
DI正在被世界上最大的公司采用。谷歌创建了一个由17,000名员工组成的部门桥接团队，用于DI工作。阿里巴巴最近成立了自己的决策智能实验室，以在内容推荐、库存定价、数据分析、资产配置和资本安排等领域提高效率并降低成本。
像联合利华和利洁时（RB）都使用DI技术来改善其供应链。RB于2018年开始在其运营中使用DI（也称为“认知自动化”）。他们的目标是做出更多数据驱动的决策，特别是使用供应链预测。联合利华的方法是简化员工的工作流程，同时促进创新的新职业，而不是简单的数据输入类任务。两家公司还使用该技术做出快速响应的供应链决策。为了满足这种不断变化的需求，这些公司变得更加敏捷，将他们的S&OP周期从几周优化到几天甚至几小时。
如今，虽然大多数公司都尝试利用人工智能进行转型，但它们都面临着相同的问题：难以扩大转型规模并产生预期的业务影响。决策智能有助于提供这种能力，它通过构建集成化的人工智能平台，打通数据洞察、决策生成与执行反馈的全链路，有效弥合技术能力与业务价值之间的鸿沟。您是否已经开始了决策转型？
