规则引擎系统中决策管理的最佳实践

随着时间的推移，很多公司会发现，让业务负责人自己做决策，能让他们从决策管理系统中得到更好的结果。通过让业务负责人使用业务用户规则管理和影响分析等功能，公司能提高灵活性和反应速度，减少业务和IT部门之间的障碍。

但是，让业务负责人自己做决策并不容易，也不能简单地说“这是你的新业务规则界面，现在别再找我们了”。公司需要投资合适的用户界面和工具，还要投入时间和精力去管理这些变化。

我们要预测未来，而不是只对过去做出反应。

决策管理系统利用公司已经收集或可以获取的数据来改进决策方式，方法是预测决策可能的结果，而不是什么都不做。决策总是和未来有关，因为它们只能影响未来。公司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。

有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。

把数据挖掘和业务规则结合起来用。

很多构建决策管理系统的公司会把基于规则的决策逻辑开发和分析完全分开。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把这两个学科结合起来。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——公司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。

分析和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。

实时评分而不是批量评分。

如今，绝大多数应用预测分析模型的公司都是批量进行的。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，公司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，公司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，为公司带来真正的好处。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，公司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，很少有公司愿意进行实验。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。一些公司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公司会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。