对我们大多数人来说，做出数据驱动的业务决策需要四个步骤。首先，收集数据。接下来，你“挖掘”它，这意味着一些工具和数据科学家的组合，寻找不同类型数据之间的模式和相关性。第三，这些发现被注入到管理人员可以看到的仪表板和可视化中。然后，就由经理来解释仪表盘告诉他们的信息并做出决定。
这里的问题是，你收集的数据，你的工具和数据科学家发现的模式，现在定义了你可以做出的决定。举个简单的例子:假设PCMag根据一篇文章或一组文章的点击率收集了大量关于哪些文章表现最好的数据。然后我们的数据库引擎轰隆隆地运行起来，将最好的文章分组在一起，并构建漂亮的可视化，这样我们就可以了解找到了什么。我们所查看的内容可以让我们看到迄今为止最成功的文章。然后，我们可以在未来复制这种成功，在给定的数据支点上写更多这样的文章，比如主题、文章类型，甚至作者。所以我们所做的就是利用我们的数据来复制我们过去的成功。当然是一种有效的做法。
但如果我们反过来呢?
与其被我们收集到的数据所限制，不如从问一个我们真正想要回答的问题开始:什么样的文章将来对我们最有利?如果我们从那里开始，我们需要一个过程，不仅要发现我们需要问的问题来得到答案，还要收集我们需要收集的数据来支持这些查询。但我们得到的是一组更有价值的答案，用来做我们的编辑决定。
这是下一代中出现的更令人兴奋的新方法之一业务分析工具，被称为“决策智能”(DI)。下面，我们将更详细地描述依赖注入，并讨论要使它为您的组织工作您需要知道什么。
什么是决策智能?
谷歌的首席决策科学家Cassie Kozyrkov将DI描述为一种用社会科学、决策理论和管理科学来增强数据科学的方法。这种组合可以更有效地帮助人们实际使用BI数据来做出更好的决策。她把数据科学和人工智能之间的区别描述为微波炉的制造商和使用微波炉的厨师之间的区别。
DI源自于软件工程的努力，以构建改进的最佳实践决策，并大规模地这样做。根据专家的说法，它已经足够成熟，甚至可以在流行的云BI工具的下一个迭代中开始影响中小型企业(smb)，比如微软PowerBI或表．
“决策智能将人工智能和人类决策联系起来，形成更智能的结论，从而导致更有利的结果。未来的处理(在一个新窗口中打开)这是一家定制软件开发公司。“因此，与由人类或计算机做出的决定相比，它是两全其美的。”
决策智能颠覆了企业通常对数据的处理方式。在大数据方法中，分析工具和查询通常是根据数据来选择的。使用依赖注入时，需要优先考虑的是所寻求的决策;然后构造查询，并根据其与问题的相关性选择数据。因此，在做数据驱动的决策时，数据只是配角，而不是主角。
专家将决策智能定义为一种方法论，但它并不是一个单一的涵盖过程。如何进行依赖注入将取决于你的业务、你收集的数据，以及你的分析工具集的能力。然而，基本思想始终是相同的:使用可视化方法，从所需的决策开始，然后反向工作，以确定需要什么数据以及如何获取这些数据。
为什么需要DI
如果你认为这一切听起来像一个大企业或企业的问题，再想想吧。即使是小型企业和“独立企业家”也将很快使用这些技术，他们将能够以合理的成本和基于自己的知识和才能的成功来管理这些技术。底线是:现在即使是小公司的领导者也使用复杂的方法云计算数据库里面有大量的数据和可靠的分析。他们缺乏的是如何利用这些信息做出现实世界的决策的真正指导。对于小公司来说尤其如此，而这正是依赖注入要解决的问题。
“算法和数据善于告诉我们‘这是观察结果或数据，可以得出什么结论。’他们不擅长告诉我们需要做出什么决定，”全球咨询和专业服务公司ZS Associates的副负责人戈皮•维克兰特(Gopi Vikranth)说。在2019年加入ZS之前，他曾担任新濠国际度假村和娱乐公司的大数据和营销分析副总裁，以及凯撒娱乐公司的营销分析副总裁。
“另一方面，决策智能则回答‘如果你采取行动X，在现实世界中会有什么结果?’这对企业来说至关重要，因为很少有完全信息的情况。”
他以一家中型企业为典型例子。假设这家公司有一个客户忠诚计划。人工智能的任务是提高企业利润，因此它可以通过数学方法找到改变或取消客户津贴或提高价格的方法来优化利润。但是，虽然这些结论客观上是“正确的”，但这样的决定很可能会引起客户和有影响力的人的强烈反对，代价高昂，最终造成长期的忠诚度和收入损失。
软件工作室Myplanet的首席执行官Jason Cotrell列举了以下决策智能的潜在用例:
个性化软件前端组件(自适应UI)。
产品推荐。
防止客户流失。
为大量交易的企业，如航空公司或制药公司进行价格优化。
“与其问‘我需要什么数据才能做出这个决定?问“我怎么做这个决定?”哪些部分需要数据分析，哪些部分可以自动化?’这样，你就能更好地利用你的分析和自动化，”该书作者詹姆斯•泰勒解释道＂“数字决策:使用决策管理从AI带来商业影响”，决策管理解决方案首席执行官。
即将推出:决策智能工具
如果您是一个尝试大数据的小型企业，那么您当前的平台可能已经具备了开始使用依赖注入所需的工具。专家表示，你甚至不需要这样做。
“你可以只用笔和纸来使用依赖注入的方法，或者最近我用的是Lucidspark(在一个新窗口中打开)机器迁移学习的发明者、决策智能的先驱、Quantellia公司的首席科学家和联合创始人洛里恩·普拉特说机器学习和决策智能公司。她相信DI正在迅速成熟，很快这种类型的数据建模将适用于任何规模的企业。
根据Pratt的说法，通用商业智能平台的未来迭代将支持DI。她说:“在复杂程度的下一个层次，您将能够将DI模型嵌入到现有的工具中，例如(微软)Excel或PowerBI。”然而，对于不那么复杂的工具，这个过程可能会受到限制，因为这些用户将不能动态地更改他们的模型。
尽管小型企业可以期待简化的云依赖注入平台，但企业将需要更多的火力。
“最大的问题是投资方法，”普拉特说，这意味着大型企业需要把决策放在首位和中心位置。这在大型组织中可能会变得复杂。您不仅需要弄清楚需要做出什么样的决定，还需要弄清楚如何捕获这些需求。
“对于某些决策，现有的BI堆栈已经足够了，”Taylor说。“但对其他企业来说，(企业)可能会发现他们需要投资于更先进的技术，比如预测分析和机器学习工具。”此外，他建议，对于公司需要经常或快速做出的决策，部署一个业务规则管理系统，如来自Agiloft(在一个新窗口中打开)或IBM(在一个新窗口中打开)，可以使过程自动化，并更好地利用机器学习算法。
对于小型企业来说，这可能有点过头了。特别是因为下一代云分析服务应该能提供smb所需的所有DI功能，而且部署和学习方面的麻烦更少。但如果你仍然想在DI上进行DIY，以下是泰勒所说的典型企业需要的:
决策建模软件做需求采集和数据建模。
业务规则管理软件来开发您的决策规则(除非您在考虑到较长的结果时间的情况下做出相对较少的决策)。
某种机器学习堆栈用来开发你需要的算法。
一个数据平台，它让您既可以创建算法，也可以管理事务性数据交付，最好是实时的。
一个数据可视化工具，特别是如果您的最终决策仍然有重要的人为因素。
模式vs.直觉
机器将问题和模式视为明确的定义:黑与白。另一方面，人能看到细微差别、潜在的替代含义、选项和通向其他想法的桥梁。任何问题的清晰往往是直觉智力的功能，而不是学术训练。人类可以同时使用这两种能力，而DI的目标是扩展这些能力。
匹兹堡大学斯旺森工程学院电子、计算机工程和智能系统副教授Ervin Sejdic说:“决策智能是基于这样一种想法，即尝试结合模拟人类决策的现实方法。”“而在典型的人工智能中，你基本上只是为机器学习设置规则:如果它是红色的，它就是这个，如果它是蓝色的，它就是那个。”
Sejdic以买车为例。“如果你买了一辆车，你设定了某些标准，比如每加仑汽油行驶里程或特定的车型，一个算法会为你找到一辆车。但我们会试驾汽车，看看它的感觉和驾驶效果，这些都是软输入，很难硬编码，”他解释道。“出于这些原因，决策智能试图对我们做出的软决策进行编码，而这些事情与典型的人工智能不同。”
Sejdic指出，如果成功了，DI就可以应用到任何东西上。决定在哪里使用它的方法是找到你想要知道什么行动对你来说是最好的。
“大多数分析和商业智能都是描述性的。你记录下发生了什么，然后把数字画在图表上。它会告诉你刚刚发生了什么，这样你就可以试着去理解。其他形式是可预测的。它们就像天气预报。他们会告诉你将要发生什么。的CEO克里斯·尼克尔森解释道Pathmind(在一个新窗口中打开)这是一家瞄准工业运营和供应链的人工智能公司。
ZS Associates的维克兰特表示:“决策智能有定量和定性两个方面，企业需要同时考虑这两个方面。”他解释说，在定量方面，是数据收集、三角测量和工程、人工智能和数据科学基础设施，以及编程人才。这边的关键是准确的数据。任何规模的企业都需要投入时间和精力来定义性能指标，并确保他们收集了正确的数据，并以一种可被DI堆栈使用的方式存储数据。
在定性方面，维克兰特表示，企业需要合适的人才将见解、结论或产出转化为决策和行动。这些需要针对他们的业务进行上下文化。假设和测试学习工具可以极大地帮助这个过程。
“这两方面结合起来就是决策智能，”维克兰特说。“这样，人工智能就不会把人类排除在外。”维克兰特认为这很重要，因为数学算法，尤其是在不完美数据的情况下，无法做出任何最优决策。
数据科学家的发展
旧的数据库管理员催生了商业智能分析师和传统的数据科学。依赖注入正在帮助这一学科发展成为一个新的、更有效的角色，即数据科学翻译人员。根据Vikranth等专家的说法，这些人将使用DI来处理企业的假设场景，并通过AI堆栈来理解企业需要采取什么行动以及这些行动可以提供什么样的结果。
决策智能让技术和人各自做他们最擅长的事。像分析和人工智能这样的技术可以快速地在巨大的数据池中找到联系和模式，但这只是旅程的一半。DI可以使用这些信息，并帮助您应用更无形的人类因素，如直觉智能、创造力、经验，以及在细微差别中成功导航的能力。这使得DI成为一种强大的新型混合分析模型，甚至对小型组织也是如此，而且在规模上尤其有效。
