随着强大的卓越运营和生产力（尤其是在营销组织内部）成为至关重要的竞争优势，复杂的决策制定变得越来越具有挑战性。 总体而言，最成功的公司和投资者依赖于快速准确的决策，从潜在客户培育到招聘和投资决策。

研究表明，企业每年做出多达 30 亿个决策，Gartner 最近的一项调查报告称，与两年前相比，65% 的决策更加复杂（涉及更多的利益相关者或选择）。

当今的许多企业以及为他们服务的营销人员需要更好的洞察力来弥合海量数据与业务决策之间的差距。 只有 24% 的公司表示他们是“数据驱动的”，而其他公司则面临错失良机、效率低下和业务风险增加的问题。 由于决策失误，标准普尔公司平均每年损失 2.5 亿美元。

决策智能是弥合洞察力和决策之间差距的框架。 它使组织能够做出更好、一致和数据驱动的决策。 领导者和团队可以在公司的各个层面做出明智的决定！

什么是决策智能？

决策智能 (DI) 是一门不断发展的学科，它结合了数据、分析、人工智能、自动化和经验来做出更好的决策。 DI 使用优化、模拟和决策分析技术帮助指导决策者获得可操作的见解。

与严重依赖直觉和经验的传统决策方法相比，DI 结合了有条理、分析和数据驱动的方法。

DI 的重点不仅在于技术，还在于它如何增强人类决策过程。 它是一个多学科领域，吸收了来自各个领域的专业知识，包括计算机科学、统计学、心理学、经济学和商业。

根据 DI 软件提供商 Quantellia 的首席科学提议和联合创始人以及“链接：决策智能如何连接数据、行动和结果以创造更美好的世界”一书的作者 Loren Pratt 博士的说法，DI 的另一个关键概念是设计决策就像组织设计房屋、建筑物和飞机一样——首先创建蓝图。

就像蓝图一样，决策设计有助于使参与该决策的每个人（包括利益相关者）围绕其基本原理进行调整。 她发现，通过将决策视为设计问题，您可以带来许多设计最佳实践，例如构思、文档、渲染、改进、QA 和设计思维。

2019 年，谷歌首任首席决策官 Cassie Kozyrkov 建立了一个新的决策智能工程学科，将行为科学、经济学和管理科学与数据科学相结合，专注于数据之外的下一个商业优势。

智能决策是经过设计、模拟、自动化、监控和调整的。

深入挖掘：为什么数据驱动决定-making 是成功的 CX 的基础

决策智能不是什么

决策科学。 决策科学通常与数据的定性方面相关联。 DS 是总体术语，而“决策智能”是操作方面。

战略情报。 从广义上讲，战略情报意味着使用 BI 洞察力来推动和支持战略。 我们也将这种市场情报称为市场情报，它为企业提供当前的行业趋势并了解消费者行为以引导未来的行动方案。

计算的决定。 Kozyrkov 说，并不是每一个输出或建议都是一个决定。 在决策分析术语中，只有在发生不可撤销的资源分配后才能做出决策。 如果你能免费改变主意，还没有做出决定。

决策智能的应用

DI 适用于各种决策问题，例如资源分配、风险管理、战略规划，当然还有市场营销。 我用它来开发复杂的能源、金融、政策和营销决策的系统和平台。

我们上一个启动平台支持 DI 进入市场的管理人员将决策过程从九个月缩短到一小部分时间，具有更高的可见性、培训和影响。

DI 已应用于信贷申请或金融服务中的欺诈检测。 它已被用于零售业，以确定要购买多少库存、最佳库存水平或价格预测。 根据 Loren Pratt 博士的说法，采用决策情报可以对医疗危机中基于证据的决策产生积极影响。

其他用例包括客户满意度、营销归因以及竞争和上市策略。 这些决策框架的设计是 GTM 的标准； 但是，实施需要构建企业平台、培训和数据支持。 但最终，这个决策时间从九个月降到了一到三个月。 平均影响超过 1000 万美元，其中一家服装公司发现该平台带来了 9000 万美元的新收入来源。

深入挖掘：自动化决定具有实时情境

决策智能的好处

McKinsey 高级合伙人 Kate Smaje 指出，过去需要 10 个月才能完成的工作，组织现在可以在 10 天内完成。 拥有 DI 支持不断加快的决策步伐，以保持竞争力。

第一个好处是 DI 帮助领导者利用更有针对性和更全面的信息来做出复杂的决策。 在设计决策时，您可以针对特定的目标或目的构建跨组织的信息。 拥有这种可见性有助于在竞争目标之间进行权衡。 它消除了大多数战略和高级战术决策中发现的更多分析瘫痪。

接下来，DI 降低了风险和不确定性。 拥有实时数据和洞察力的决策者可以利用 DI 来识别和主动降低潜在风险。 通过权衡的可见性，组织可以更好地应用风险/回报计划，以避免代价高昂的错误阻碍竞争优势。

决策智能可提高效率和生产力。 通过自动化特定的决策过程并为决策者提供实时数据和见解，DI 可以帮助简化决策并提高生产力。 您正在减少决策延迟。 这些流程可以构建或编程到系统中，以腾出时间和资源来探索更多选项或分配给其他重要任务和计划。

最后，利用 DI 的组织通过评估数据和技术获得更强大的竞争优势，然后采取更智能和更快的复杂决策，这些决策通常会削弱动力或转型。

决策智能的局限和挑战

由于涉及数据、人工智能和自动化，因此 DI 也存在一些挑战和限制也就不足为奇了。

道德/偏见。 DI 可以有条不紊地帮助减少偏见并加强道德决策。 与此同时，对于任何数据驱动的自动化系统，利用人类构建的 DI 的决策仍然存在基于有偏见或歧视性的数据或算法而制定的风险。 意识培训以及所有其他组织数据驱动的努力是必须的。

数据可用性。 领导者和项目经理必须了解数据访问和可用性限制。 在较小的数据集上寻找决策有效性通常具有挑战性。 有时事情会出错，但这更多是基于运气而不是数据。 对于复杂且不频繁的决策，组织可能需要帮助来定义衡量决策的方法。 在这种情况下，技术限制可能会阻止解决方案。 组织需要将此类决策过程正式化，并且只能使用技术。 此外，值得强调可能缺少的内容或可能的范围。

反抗。 DI 的一个重要部分是确保决策过程的透明度、一致性和培训。 决策者的传统文化最初会抵制，因为它认为它无视他们的经验或直觉，或者违背他们的特定议程。 负责 DI 工作的人员需要传达 DI 如何使他们的工作受益并为个人和组织带来更好的结果。

领导者可以通过清晰的沟通和明确的应用范围来克服这些挑战和限制。 每一项新举措都可以发展和增强组织的决策文化。

提示和因素

• 选择一个有重点的决定。 首先在业务关键决策需要改进的功能中实施 DI（例如，数据驱动、AI 驱动）。 备选方案包括大型复杂决策或可以通过自动化扩展和加速的决策。
  
• 从结果开始。 您的组织中有大量数据，但您应该只收集与该结果相关的数据来设计决策模型。 一旦你开始使用早期的集合，就可以添加额外的数据或测试额外信息的理论。

• 制定决策。 记录您的决策中涉及的假设、想法、情绪、担忧和恐惧。 每季度或每半年审查一次。 它将增强您的组织的决策能力。

• 不要自动化一切。 人是必要的，尤其是在涉及复杂和敏感的决策时。

• 权力应该由决定。 向最接近决策影响点的人提供决策权。 所有权将激励有效的决策。
  
• 养成新的决策习惯。 教导决策者应用系统的最佳实践，例如批判性思维、权衡分析、认识偏见和倾听反对意见。

• 当心狭窄的框架。 在 Chip 和 Dan Heath 合着的“Decisive”一书中，作者解释说，改进决策制定的直接方法是避免限制框架的范围。 决定很少只是“是”或“否”。 总是有多种选择，所以至少要有三个可供选择。

结论

决策者经常需要更多的信息、时间和经验来做出复杂的决策。 贝恩的一项研究发现，业务绩效似乎与决策的有效性有 95% 的相关性。 决策智能系统通过解释和证明决策、从过去的决策反馈中学习以及比较影响来提高决策效率来提高效率。

决策智能是一个重要的工具，可以帮助您做出更好的决策。 通过结合数据科学、人工智能和人类专业知识，DI 可以帮助减少不确定性并提高效率。 然而，DI 有其挑战和局限性。 您必须了解这些风险并采取措施减轻这些风险。

获取营销技术！ 日常的。 自由的。 在您的收件箱中。

企业电子邮件地址

订阅 加工...

见条款。