我妈妈常说，“如果是蛇，你就死定了”。我这么说的原因是，组织正在寻求一种协作的价值驱动力，它可以 1) 使组织围绕数据和分析的经济力量进行调整，同时 2) 提供“从数据到价值的清晰视线”。而那个价值驱动因素就在我们面前滑行——决策。是的，像决策这样简单而普遍的事情可以成为协作链接点。


价值工程框架的基本原则——提供从数据到价值的清晰视线——是识别、验证、评估和优先考虑业务利益相关者需要做出的决策（以及衡量决策有效性的 KPI）支持组织的战略业务计划

一旦我们对组织的战略业务计划有了深入的了解，我们就可以在功能上将这些业务计划分解为各种利益相关者为支持该业务计划而需要做出的决策。

为什么决策是业务和数据科学协作的强大驱动力

决策很容易识别（每个业务利益相关者都知道他们正在尝试做出哪些决策）
决策具有归属价值；也就是说，人们可以将“价值”归因于做出更好的决策（其中“价值”的彻底和整体定义可能是一项复杂但必要的调整练习）
就其本质而言，决策是可操作的
数据科学家知道如何优化决策

注意：决定与问题非常不同。一个问题对于验证理解和推动想法非常有用，但一个决定推动行动。

使用 AI-power 决策工厂扩展决策
Marco Iansiti 和 Karim R. Lakhani 在哈佛商业评论的一篇题为“人工智能时代的竞争：机器智能如何改变商业规则”的文章中谈到了全球最大的金融科技公司蚂蚁集团如何利用人工智能来改变金融业服务业。

蚂蚁集团商业模式的核心是人工智能驱动的决策工厂。这家决策工厂每天在谷歌和百度进行数百万次的广告拍卖，决定哪些汽车在滴滴、Grab、Lyft 和优步上提供乘车服务，在亚马逊上设定耳机和 Polo 衫的价格，在一些沃尔玛运行清洁地板的机器人位置，在 Fidelity 启用客户服务机器人，并在 Zebra Medical 解释 X 射线。

人工智能驱动的决策工厂通过不断学习、调整和完善在不断变化的市场和客户变化的世界中做出的决策来扩展业务和运营价值的能力特别强大


我在发现特别有趣的是“数字运营模型”轨迹（红色）线，它突出了数据和分析资产的价值如何随着更多用户和更多用例共享数据和分析而加速。这条线的行为很像Schmarzo 经济数字资产估值定理中的效应 #3 （图 4）。


以下是支持 AI 驱动的决策工厂的一些关键支持技术：

数据管理。一个数据编排平台，可自动化数据发现、内容推理和元数据创建，简化数据访问和数据探索，并通过集成数据可观察性和 AI 代理将数据治理和主数据管理制度化，以创建智能数据管理流程、策略、模型和管道以系统、可持续和可扩展的方式收集、清理、集成、规范化、丰富和保护数据。请参阅我的博客“为什么数据管理是当今最重要的业务学科”，了解更多关于从业务角度来看数据管理日益重要的信息。
AI/ML 模型开发。一个开放、敏捷的 AI / ML 模型培训、开发和管理环境，它使用轴辐式组织结构来推动业务线和主题专家（对特征工程至关重要）和制度化分析中心之间的密切协作组织的分析资产和数据产品的开发、共享和持续改进，以推动可量化的业务和运营成果。
MLOps。提供一套框架、工具、方法和治理实践和政策，以在生产中部署、监控和合乎道德、负责任、可靠和有效地维护 AI/ML 模型（用于从 AI 模型误报和误报中学习）减轻 AI 模型确认偏差的负面因素）。
人工智能优化的基础设施。一种敏捷、可扩展的按需基础架构，可以轻松配置并针对从边缘到核心再到多云的大数据、边缘和以 AI 为中心的工作负载进行优化。
为了向所有利益相关者开放人工智能驱动的决策工厂，组织必须对组织中的每个人进行分析能力的教育；也就是说，使用基本分析和高级分析可以实现的范围是什么。


概述的分析成熟度曲线由以下阶段组成：

第 1 阶段：描述性分析利用统计和数据挖掘工具和技术来分析和分析数据集（均值、中值、众数、众数、标准差、方差、最小值、最大值、n 块），探索数据变量的因果关系，以及量化因果置信水平并测量拟合优度。
第 2 阶段：预测分析利用探索性分析技术（例如，聚类、分类、回归）来发现和编码隐藏在数据中的客户、产品、服务和运营趋势、模式和关系，这些数据可以转化为预测性见解（预测的行为和性能倾向）来预测可能发生的事情。
第 3 阶段：规范分析利用预测性客户、产品、服务和运营倾向（机器学习功能）来构建机器学习和深度学习模型，以提供动态建议和下一步最佳行动。
第 4 阶段：自主分析利用强化学习和人工智能技术来创建模型，这些模型可以在最少的人工干预下持续学习和适应。自主分析通过采取行动、从该行动中学习（即最大化奖励同时最小化成本）以及在最少人工干预的情况下根据学习调整下一步行动来寻求围绕 AI 效用函数进行优化。
作为分析教育过程的一部分，组织中的每个人都应该对高级分析模型“学习”的不同方式有一个初步的了解，包括机器学习（监督学习和无监督学习）、强化学习、深度学习、迁移学习、联合学习、元学习和主动学习（图 6）。

不同的 AI/ML 学习技术

摘要：决策第 1 部分：创建 AI 驱动的决策工厂
创建一个持续学习和适应人工智能驱动的决策工厂意味着授权所有员工（以及合作伙伴和客户）去设想、构思、尝试、失败、学习、分享这些学习，并再次尝试应用数据和分析来获取和驱动新资源客户、产品、服务和运营价值。这需要创建一种分析驱动的创新文化。

编辑推荐
1、2022年300个以上最佳免费数据科学课程
2、大厂数据分析面试指南！来自亚马逊、谷歌、微软、头条、美团的面试问题！
3、机器学习模型方法总结
4、历史最全机器学习/深度学习/人工智能专业术语表中英对照表
5、机器学习如何应用于商业场景？三个真实的商业项目
6、数据工作者的自我修养 | 哪些技能是必不可少的？
7、《汗牛充栋：数据分析书籍分享》CDA网校新课上线
8、文本挖掘常用的107个语料库
9、一图读懂“东数西算”工程
10、零基础转行数据分析，看这篇文章就够了

DA内容精选