APP开发平台 > Blog > 快速了解决策科学,利用数据改变决策

    作者:Mary Branscombe


    前言:决策科学是企业数据科学中最有趣的领域之一,但它必须成为您的组织所建立的数据科学生态系统的一部分。


    数字化转型的共同目标之一通常被表述为"成为数据驱动型公司".无论是商业智能、预测分析还是机器学习,使用客观数据而不是直觉来推动决策,都是企业越来越在关注的话题。


    挑战有很多,并非所有大型组织都足够灵活以充分利用数据驱动的决策,或者不是足够熟练地大规模收集可靠数据并提出正确的问题。 年度NewVantage Partners大数据研究中的大多数高管都希望数据能够做出更好的决策,但是只有三分之一的人认为他们的公司具有数据驱动的文化。


    做出以数据为依据的决策前要判断出重要的数据维度,并拥有正确的数据以获得答案。


    什么是决策科学?


    Google决策智能负责人Cassie Kozyrkov将决策智能描述为结合了以前孤立的学科的工具和观点,并将其应用于在企业发展的各种决策中,以根据数据做出更具价值的判断。 她写道:"它将最好的应用数据科学、社会科学和管理科学整合到统一的领域中,可以帮助人们使用数据来改善他们的生活、业务以及周围的世界。"


    与行为经济学等领域有相似之处的是行为经济学预测市场行为并使用激励机制来改变市场,而计算机科学与经济学的交集EconCS(Microsoft用于设计Bing广告拍卖,Azure云定价和Xbox游戏)行销。


    但是决策科学并没有得到广泛的关注,它是通过预测决策结果来解决数据和算法的特定业务问题。


    决策科学与数据科学


    预测决策结果的这一方面是决策科学和数据科学之间的关键区别。


    微软高级首席研究员格雷格·刘易斯(Greg Lewis)解释说:"决策科学是将理论和数据结合在一起,以预测个人或组织做出改变其环境的决定后会发生什么。" 这是一个水晶球,可帮助决策者找到正确的选择。


    Lewis说,另一方面,数据科学可以预测如果不做任何改变而发生的事情。"例如,可以使用数据科学来计算,以目前的速度,一家商店的库存多久将用完;决策科学将有助于决定是购买更多的库存并保持价格不变还是提高价格,以证明保持当前的库存的数量是最好的选择。"


    LinkedIn数据科学总监Chi-Yi Kuan指出,决策科学仍然是数据科学的一部分,直到最近他还是公司的决策科学解决方案团队的负责人。他将其概括为"用于指导和推动决策的定量分析和技术".


    "在数据科学领域,我们做了很多工作来了解发生了什么,历史是什么描述性分析。 然后,诊断分析将深入研究并进行深入了解。 当我们变得更先进时,我们可以进行预测分析:将来会发生什么?在流行的术语中,我们所谓的AI和机器学习全都与预测和预测有关。" Kuan说。


    数据科学是要从原始数据转变为有意义的数据见解。 决策科学将其应用于对决策者的建议。数据科学的工作是在生态系统中做出更好的决策,以帮助公司发展;而在决策科学中,重点仅在于决策。


    每个人的数据驱动决策


    高管应该熟悉决策科学的原理,因为他们已经在运营领域中使用它们,但是要从领域专家那里获取业务见解,根据他们的经验(和有限的数据量)提供建议,这太慢且昂贵,无法每次使用来做出决定。Kuan说,决策科学使利用实时数据的能力民主化。


    这意味着不仅仅是拥有一个数据科学团队,更意味着赋予人们使用数据进行决策的权力。很多公司都有称为数据科学的团队,但管理层没有赋予他们权力,也不信任他们提出建议。


    他认为,除非您将数据转化为决策,否则数据是无用的。 这意味着要赋予拥有需要评估的数据和需要解决的业务问题的人们以使用数据来帮助他们做出决策的能力。


    决策科学实例


    Kuan提供了一整套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。


    结果可能不是一个选择,而是一系列选择:"在数字世界中,我们可以进行大量的A / B测试,并确定返回的结果,"他说。 作为实验,LinkedIn上几乎所有的产品决策都会交付给一小组用户,产品团队可以看到这些更改如何影响KPI和其他指标。


    LinkedIn广泛应用决策科学,从电子邮件分组优化到客户支持,再到使用文本分析来了解用户反馈,以及新闻摘要等等,一切都应用决策科学,它确保活跃用户因互动而获得更多的曝光率。


    对用户进行大量临时分析,查看是什么驱动特定业务指标发生变化;所有这些都可以通过分析网站获得,因此数据科学团队可以将更多的时间花费在由问题和假设驱动的分析上,从而帮助业务团队做出决策。


    决策科学是一段旅程


    Kuan指出,做出决定后,数据科学还没有完成。 他说:"做出决策后,数据科学之旅将继续衡量我们所从事的工作所产生的影响以及从所做出的决策中学到的东西,并通过实验不断加以改进。"


    与决策科学大不相同的另一现象是:"用旧的方法做决定时,它基本上就已经完成了;将来没有任何改善的机会。而跟踪这些数据驱动型决策的影响使公司有机会从失败中学习并发展公司。"


    实践中决策科学的最好例子之一就是A / B实验的兴起,在这种实验中,组织系统地尝试了两种不同的方法,并观察了哪种方法对客户的效果更好。这里增加的很多价值是,进行A / B实验会迫使团队澄清成功的条件,什么可能是他们目前正在做的正确选择。


    基于现有客户数据的经济学,博弈论和因果机器学习将向前发展,以提供其他方式来预测如果选择了新的方向会发生什么。


    进入决策科学


    决策科学是数据科学输出的应用,并与利益相关者行为和问题的业务环境相结合。


    我们需要强调招聘人才的重要性,而不仅仅是数据科学方面的专业知识。 LinkedIn的数据科学家需要统计专业知识,以便他们可以设计实验并知道如何衡量他们是否成功。他们需要了解足够的机器学习,才能将业务问题形式化为机器学习问题,而又不会误认为因果关系。 他们需要充分了解数据的业务背景,以便可以解释,清理数据并将其转换为可用的数据。 他们需要能够展示他们的发现并解释它们是如何创建的。


    建议由经济学家、统计学家和数据科学家组成的分析团队。 经济学家们找出了需要衡量的内容,以更好地了解接下来会发生什么;统计人员弄清楚如何衡量,数据科学家建立了基础架构和工具,可以进行大规模,定期和可靠的测量。


高效的App定制平台,标准化、便宜、快!

提交APP定制开发需求
>