TL;DR
决策智能超越了“数据说了什么？”而是“我们应该做什么？”它是一种系统性的方法来改善组织做出选择的方式：结构化的框架来进行磋商、工具来评估权衡、结果跟踪来验证假设以及机构记忆随时间而积累。拥有成熟的决策智能的组织能够更快、更自信、更有力的做出决策——并且他们不断地改进。
决策智能填补的差距
大多数组织已经在数据基础设施上投资了大量资金——仪表盘、报告、分析。但是，他们没有投资决策基础设施。结果是：
- ✗决策在没有文档的情况下发生
- ✗最响亮的声音会赢得胜利，而不是最好的论点
- ✗类似的决策会被重新讨论，因为没有人记得上一次的
- ✗结果从最初的理由中无法追踪
- ✗机构知识会随着人们离开而消失
决策智能通过将决策过程本身作为一个首要关注点来解决这个问题——与它所依赖的数据一样重要。
术语来源
“决策智能”并非营销术语——它是一门有名有姓、正在走向成熟的学科，拥有真正的奠基者：
Lorien Pratt — 这个领域的创始人，~2008
计算机科学家Lorien Pratt在2008年Quantellia白皮书中首次引入了这个概念（最初称为“决策工程”），并撰写了定义了这个领域的书籍《Link：决策智能如何连接数据、行动和结果》（2019年）。她的标志性贡献——因果决策图——将从选择到结果的因果链映射出来，使您可以实际看到一个行动如何产生结果。
Cassie Kozyrkov — Google的首席决策科学家，2018
Kozyrkov于2018年成为Google首席决策科学家，并普及了这个术语，将其定义为“将信息转化为任何规模下的更好行动的学科”——或者，更直接地说，“数据科学++，增强了社会和管理科学”。她的关键规则：在触摸数据之前就要框定决策。她在2023年离开之前在数据驱动决策方面培训了约20,000名谷歌员工。
Gartner — 这个类别走向了大众
Gartner将决策智能平台定义为支持、自动化和增强决策的软件，通过“数据、分析、知识和AI的组合”，并将DI提升到了一个完整的魔法象限类别——这是一个信号，表明从数据驱动到决策中心的组织的转变已经走向了大众。
决策智能vsBIvs数据科学
商业智能
了解过去。仪表板、报告、KPI——发生了什么和现在发生了什么。向后看。
数据科学
预测未来。模型和预测——会发生什么和我们能做什么。向前看。
决策智能
从行动中学习。实际上做出决策并从结果中改进的机制。行动导向。
决策智能生命周期 决策智能生命周期 是一个从数据采集到决策执行的完整流程。它包括以下阶段： 1. 数据采集 2. 数据清洗 3. 数据分析 4. 模型训练 5. 模型部署 6. 决策执行
传统的协作决策方式主要聚焦于会议。决策智能则关注整个 决策生命周期 —— 决策成为可以设计、记录、衡量和改进的资产： 1. 设计（Design） 2. 文档（Document） 3. 测量（Measure） 4. 改进（Improve）
框架
在讨论选项之前明确定义决策
模型
使决策结构可见 —— 利益相关者，标准，风险
生成
通过头脑风暴，AI 思想，场景创建替代方案
评估
应用标准，权衡证据，考虑权衡
分配
明确决策权 —— 谁决定，谁执行
执行
以明确的责任制实施决策
监控
跟踪结果与预期结果
学习
将见解反馈到未来的决策中
这是一个重大转变：决策变成了可以设计、记录、衡量和改进的 组织资产 —— 不再是一次性的事件，消失在会议记录中。
步骤 1：定义决策范围
每个明智的决定都从一个清晰的框架开始。 在讨论选项之前，团队应该问: 1. 什么是我们的目标？ 2. 什么是我们的假设？ 3. 什么是我们的假设的依据？
- 我们实际上在做出什么决定?
- 为什么它重要? 有什么风险?
- 谁会受到这个决定的影响?
- 我们试图创造什么结果?
- 我们面临什么约束 (预算、时间、资源)?
- 这个决定是否可以逆转还是一次性的?
- 如果我们延迟会发生什么?
- 数据或 AI 应该扮演什么角色?
我们应该购买哪种人工智能工具?
哪些决策或工作流程应该用人工智能来增强？在什么样的治理模型下，什么样的人类责任下？
一个糟糕的框架会产生糟糕的选择。一个更好的框架会扩大解决方案空间。
第 2 步：建模决策
Decision Intelligence 让决策背后的不可见结构变得可见。一个决策模型应该显示： 决策的目标 决策的变量 决策的假设 决策的结果 注:
决策负责人
谁对最终决策负责?
利益相关者
谁需要被咨询?谁会受到影响?
选项
正在考虑的替代方案是什么?
标准
我们如何评估成功?
证据
每个选项的支持数据是什么?
假设
什么必须为此方案有效?
风险
什么可能会出错?什么是潜在的风险?
预期结果
我们预期什么结果?
反馈信号
我们如何知道它是否有效?
一个会议可能会觉得很有成效，但除非决策逻辑是可见的，组织可能仍然不知道为什么做出了某个选择。
权力决策：谁做出决定？
并不是所有的协作决策都需要达成共识。共识可以产生承诺，但也可能造成延迟和模糊的责任。决策智能需要清晰： ...
| Role | Responsibility |
|---|---|
| 等器 | 得顾给和给此一个认程 |
| 为为 | 及给此丁个认程和给此丁个认程 |
| 等管 | 得等管为一个认程和给此丁个认程 |
| 等给 | 得等给一个认程和得等给此丁个认程 |
| 等安 | 得等安一个认程 |
| 等安一 | 得等安一个认程 |
| 等安为 | 得等安为一个认程 |
好的协作并不意味着每个人都同意。它意味着正确的人贡献，决策的拥有者清晰，理由是透明的。 好的协作并不意味着每个人都同意。它意味着正确的人贡献，决策的拥有者清晰，理由是透明的。
智能支持决策的治理 在 AI 支持的决策中，治理是指确保 AI 系统的决策过程透明、可追踪和可解释的能力。
随着 AI 成为决策的一部分，组织需要更强的防护措施。对于任何 AI 支持的决策，团队应该问： 1. 我们的 AI 模型是否有偏见或不公平性？ 2. 我们的 AI 模型是否有缺陷或错误？ 3. 我们的 AI 模型是否有可解释性或透明度？ 4. 我们的 AI 模型是否有可控性或可信度？ 5. 我们的 AI 模型是否有安全性或隐私性？
AI Decision Checklist
- 该 AI 训练或指导的数据是什么?
- 数据是否可靠、最新和代表性?
- 模型是否存在偏见?如何确定?
- AI 的建议是否可以向利益相关者解释?
- 如果 AI 错误，谁负责?
- 是否需要人类监督才能采取行动?
- 是否存在法律、伦理或监管风险?
- 此决策是否可以在以后审计?
AI 可以增加速度和规模，但没有治理，它也可以增加风险。决策智能使 AI 支持的决策更加透明、可追溯和可审计。 决策智能 决策智能是一种结合人工智能和决策支持系统的方法，旨在帮助组织做出更明智的决策。它通过分析数据、识别模式并提供预测来支持决策过程。决策智能可以帮助组织减少决策风险、提高决策效率和增强决策透明度。 决策智能的优势 提高决策效率 减少决策风险 增强决策透明度 支持数据驱动的决策
决策记忆：终结决策失忆症
许多组织的一个最大的弱点是 决策失忆症。团队做出决定，继续前进，后来却忘记了为什么做出这样的决定，哪些替代方案被拒绝了，哪些假设被提出来的，什么会触发重新审视。
一个现代的决策记录应该捕捉到：
- •决策陈述 — 什么被决定
- •背景 — 为什么现在需要这个决策
- •负责人 — 谁做出了最终决定
- •贡献者 — 谁提供了输入
- •考虑的选项 — 包括被拒绝的替代方案
- •使用的标准 — 如何评估选项
- •证据 — 为决策提供了数据和分析
- •使用的AI工具 — 如果有的话，以及它们如何贡献
- •接受的风险 — 已知的缺点和缓解措施
- •不同意见 — 对抗和如何处理
- •预期结果 — 成功是什么样子
- •复审日期 — 何时重新评估
- •重新开放触发器 — 什么条件会改变决策
这将决策转化为可搜索、可参考、并随时间改进的组织知识。
领导者作为决策架构师
在过去，领导人被期望做出决定或促进共识。在决策智能时代，领导人必须成为决策架构师。
一个决策架构师设计了更好的选择的条件：
Decision Architect Capabilities
- 清晰的框架 — 在解决方案之前定义决策
- 更好的证据 — 确保数据到达决策，而不是仅仅到达仪表板
- 包容性的输入 — 听取那些具有相关专长的人
- 建设性的异议 — 为争议创造安全环境
- 在有用时提供 AI 支持 — 知道何时增强、何时让人类决策
- 透明的决策权 — 每个人都知道谁在决策
- 文档化的理由 — 为何而不是仅仅为什么
- 可量化的结果 — 在决策前定义成功标准
- 持续的学习 — 将结果反馈到未来决策中
最好的领导者并不仅仅会问,"我们该怎么做?"他们会问,"如何做出这个决定?"
决策智能的四个支柱
决策框架
有结构的决策方法：论点映射、利弊分析、权重标准和场景规划。这些确保所有观点都被考虑，并且推理是明确的。
证据集成
直接将数据和分析与决策推理连接起来。不是“这里有一个图表”，而是“这里有一个数据点如何支持或挑战这个特定论点”。
结果跟踪
在三个时间周期中测量结果：即时（我们是否正确执行了？）、短期（我们是否实现了目标？）和长期（我们的假设是否得到验证？）。
机构学习
构建一个可搜索的过去决策、其理由和结果的图书馆。新决策可以参考先例。机构越来越聪明。
如何衡量决策质量
一个好的决策不仅仅是成功的——运气也起到了作用。决策质量是关于过程：
过程质量
- • 是否生成并评估了替代方案？
- • 是否考虑并记录了证据？
- • 是否听取并处理了异议的观点？
- • 是否有足够的理由来解释给其他人？
结果质量
- • 即时：是否正确执行了？
- • 短期：是否实现了我们声明的目标？
- • 长期：是否验证了我们的关键假设？
学习质量
- • 是否可以在需要时找到类似的过去决策？
- • 是否避免了重复的错误？
- • 是否在时间上决策速度在改进？
Argumentree：决策智能平台
大多数决策智能平台都是重量级的、数据驱动的企业套件。Argumentree采用了相反的方法：一个基于结构化的论证映射的决策智能平台——捕获每个决策背后的推理，而不是仅仅数据。它跨越了决策智能的整个范围，涵盖四个产品：
团队和组织决策的结构化论点映射——利弊树、证据和完整的决策可追踪性。
AI多角度辩论——在决策前测试决策的AI角色。
AI代理的决策跟踪和审计——捕获、验证和解释自治代理的决策。
多LLM研究和AI辅助辩论——结构化分析在领先模型上。
它们一起覆盖了人类决策、人工智能辅助磋商和人工智能代理决策——一个决策智能平台来实现组织实际上是如何做出决策的。
进一步探索
常见问题
什么是决策智能
决策智能是通过改进决策过程、工具和反馈循环来提高组织决策能力的学科。它结合了结构化决策框架、数据分析和结果跟踪来系统地改进决策质量。目标不仅仅是做出好的决策，还要建立组织的决策能力，以便持续做出更好的决策。
决策智能与商业智能有何区别
商业智能关注数据可视化和报告——显示您发生了什么。决策智能进一步：它提供了推理决策的框架、结构化的辩论工具和反馈机制来从结果中学习。BI回答“数据是什么？”而决策智能回答“我们应该做什么？”
决策智能的关键组成部分是什么
决策智能有四个核心组成部分：1）决策框架——结构化方法，如利弊分析和论点映射，2）证据集成——将数据与决策连接起来，3）结果跟踪——测量决策是否实现了预期结果，4）机构学习——使用过去的决策来指导未来决策。
如何衡量决策质量
决策质量通过结果跟踪在多个时间周期中测量：即时结果（我们是否正确执行了？）、短期结果（我们是否实现了目标？）和长期影响（我们的假设是否得到验证？）。质量还包括过程指标：推理是否被记录、替代方案是否被考虑、证据是否被评估？
谁需要决策智能工具
任何组织都需要决策智能工具，其中决策有重大后果：治理机构、执行团队、项目管理、法律和合规团队、医疗委员会和投资委员会。决策智能尤其有价值，当决策需要可辩护、可重复或可审计时。
决策智能如何在时间上改进
通过跟踪结果与文档理由，机构可以建立决策先例的数据库。这样就可以识别哪些推理方法会带来好的结果？哪些信号应该被加重？随着时间的推移，机构决策能力会改进，因为您正在从实际结果中学习，而不是仅仅依靠直觉。
深度探索：决策智能在实践中的应用
探索从协作决策到人工智能增强决策智能的演进。学习Google、Netflix和Amazon如何在规模化中运用决策智能，发现将数据转化为行动的框架。
阅读：决策智能 —— 从数据到企业级行动参考资料 & 进一步阅读
普拉特，L.，& 马尔科姆，N.（2008）。决策工程（Quantellia 白皮书）。
该学科的首次阐述，最初以决策工程的名称命名。
西蒙，H. A.（1960）。管理决策的新科学。哈珀与罗出版社。
将决策视为系统化、可改进的组织过程的早期基础。
建立您的决策智能能力
Argumentree提供了决策智能的基础设施：结构化的磋商、记录的理由、结果跟踪和可搜索的决策先例。