La plupart d'entre nous est confortable avec prendre des décisions. C'est bon parce que chacun de nous des marques un nombre incalculable de décisions journalières. Les décisions les plus intéressantes et les plus complexes que nous prenons sont des décisions volontaires où nous pouvons appliquer la discrétion dans pourquoi, comment, et quelles décisions sont prises. Cependant, ce serait une erreur pour ignorer le fait que nous rendons également un immense nombre des décisions involontaires journalier. Ceux-ci s'étendent des décisions en grande partie indépendantes de notre volonté comme les signaux électriques qui sont évalués par notre CNS et font battre notre coeur au comportement réfléchi (enlevez votre main d'un fourneau chaud) et au comportement finalement instruit (ne touchez pas un fourneau chaud). Le modèle commun qui unit tous ces comportements est théorie de stimulus-réponse (SR). Le schéma 1 montre un schéma du modèle de SR. Dans ce modèle de SR, l'activité de sens identifie un changement de l'environnement. Ce changement est un déclenchement, un événement, ou un changement d'état simple. L'activité d'acte est une mesure prise en réponse à une sensation particulière.

Tandis que la théorie de SR est conceptuellement simple, elle soulève une question au sujet de ce qui se produit quand un choix peut être fait concernant quelle action à prendre. Tôt la pensée sur la matière de l'architecture entraînée par les événements a imité le SR traitant en ayant des événements directement liés aux actions. Tandis que cette approche est extrêmement efficace, elle est également fragile, qui limite son utilité dans d'aujourd'hui IL environnement où des applications doivent être machinées pour le changement et donc légèrement connecté. Sans capacité de soutenir un niveau d'adressage indirect entre le sens et l'acte, il n'y a aucune manière d'adapter facilement au changement. En présentant un noeud de décision entre la sensation et l'action, nous avons maintenant la séparation claire des soucis et la flexibilité de lier n'importe quel événement sensoriel avec n'importe quelle action, suivant les indications du schéma 2. Ceci nous permet de nous référer à ce modèle modifié de SR comme modèle de décision.

En présentant un noeud de décision, nous tenons compte de différents types de décisions. Ce modèle plus robuste peut également émuler un modèle de SR simplement toujours en choisissant la même action ou défaut de la décision (telle que la clause « d'autre » dans une expression) « si-alors-d'autre ». Cependant, la valeur de ce modèle de décision est qu'elle identifie cela :

Il y a un découplage entre la sensation et action, et des actions sont régies par des décisions.

L'existence des actions alternatives de concurrence à un ensemble particulier de stimulus signifient qu'un procédé de décision est nécessaire.

Un procédé de décision doit tenir compte que les stimulus disponibles peuvent ne pas être suffisants ou assez détail pour clarifier quelle action à prendre.

Les résultats, les actions, et l'impact de décision peuvent être utiles en influençant de futures décisions.

La capacité d'aligner les stimulus spécifiques avec une action particulière par une décision fournit la flexibilité et la régularité.

L'acte de decisioning est complexe et beaucoup de techniques peuvent aider au processus décisionnel.

En dépit de l'importance des décisions, nous vivons dans un monde d'action et processus-central. Les décisions déterminent l'utilité potentielle à gagner, mais les actions sont ce qui utilité cinétique d'entraînement ou utilité identifiée. Les actions (ou le comportement) sont ce qui définissent et différencient une entreprise. Puisque des actions peuvent être directement attachées à l'utilité, il est facile d'écarter l'importance de decisioning. Cependant, aucune mesure ne devrait jamais être prise à moins que précédé par une décision. Decisioning est où le contexte, les solutions de rechange, l'utilité potentielle, les objectifs, les contraintes, et les différences sont évalués et une action prochain-basée est déterminée. Par conséquent, le soutien de decisioning complet est critique parce que la décision est où le choix est fait entre les actions de concurrence. Ce choix peut avoir l'impact durable particulièrement s'il est stratégique et ceci également des moyens que les décisions peuvent avoir des conséquences significatives, positif et négatif. En conséquence, les organismes voudront prendre toujours les meilleures décisions qui elles bidon afin de maximiser l'avantage et réduire au minimum le risque au-dessus d'un certain horizon de temps.

Quelques décisions sont simples et certains sont complexes. Les décisions stratégiques de complexe sont souvent larges dans la portée, haut dans le risque, peu nombreux, et difficile à automatiser, et accroissent des entrées de beaucoup de sources. Les décisions tactiques simples sont typiquement l'opposé ; limité dans la portée, exigez peu d'entrées, soyez bas dans le risque, soyez grand en nombre, et facile à automatiser. À mesure que les décisions augmentent dans la complexité, fait tellement aussi le besoin de l'analytics de soutenir le processus décisionnel. Le point est que le modèle de décision peut être prolongé pour inclure une activité d'analyse où la levée lourde des solutions de rechange de évaluation est effectuée avant de decisioning. Le schéma 3 présente ceci comme modèle d'analytics de décision.

La séparation analysent de décident a des avantages distincts. L'avantage primaire est une séparation des soucis. L'activité d'analyse est concentrée sur l'arrangement, mesurant, et normalisant des solutions de rechange de sorte qu'une décision raisonnable et au courant puisse être prise. Il convient noter que ce modèle d'analytics de décision n'énonce aucune condition concernant la latence. Tandis que les modèles de SR ont typiquement une orientation en temps réel distincte, ce n'est pas la caisse pour tous les modèles de décision et d'analytics de décision. Non toutes les décisions qui exigent l'analyse peuvent ou doivent être poursuivies en temps réel. Il y a, cependant, une emphase croissante dessus et la tendance vers l'analytics en temps réel de décision, ainsi adoption des architectures d'application qui soutiennent l'analytics en temps réel de décision est appropriée bien que non toutes les décisions doivent être prises en temps réel.

Quand nous évaluons le modèle d'analytics de décision sur le schéma 3, il est évident que nous puissions nous améliorer sur ce modèle de plusieurs manières. L'activité de sens peut être améliorée si nous indiquons explicitement que le rôle entier d'une activité de découverte est de considérer la pertinence de nouveaux et différents types des événements et de déclenchements qui auront un impact sur decisioning. L'activité d'analyse tire bénéfice également d'une activité d'enrichissement qui améliore l'arrangement du contexte, des solutions de rechange, et de l'information additionnelle liée à decisioning. L'activité de décider tire bénéfice également d'un arrangement de la politique exprimé par les objectifs et les contraintes qui régissent decisioning. Le schéma 4 s'améliore sur le modèle d'analytics de décision en s'ajoutant découvrent, enrichissent, et ont placé les activités de buts, qui déplacent le modèle vers un véritable modèle de référence pour l'analytics de décision.

Le découvrir, enrichissent, et des activités de buts d'ensemble sont classifiées sur le schéma 4 en tant qu'activités de « pré-décision ». les activités de Pré-décision améliorent le sens et analysent des activités en permettant une analyse plus complète des événements, de l'information, et des facteurs qui influenceront la décision. Ces activités de pré-décision améliorent également l'activité de décider en définissant des objectifs et l'apriori politique-orientés de contraintes. Les objectifs sont des buts prévus pour former des décisions de sorte qu'une organisation ait les cibles qu'elle aspire pour réaliser. Les contraintes sont des buts prévus pour former des décisions de sorte qu'une organisation fonctionne dans les limites qui réduiront au minimum son exposition de risque légalement, financièrement, ou moralement.

Ces activités de pré-décision sont une première étape en apportant un cycle de vie à l'analytics de décision. les activités de Pré-décision ont des rapports bi-directionnels forts avec decisioning analytique en raison de leur foyer sur l'amélioration de décision et l'appui qu'elles peuvent fournir avant de decisioning. En outre, par conséquent, un ensemble séparé d'activités de poste-décision accomplissent la boucle de rétroaction. Le schéma 5 présente ces activités de poste-décision.

Les activités de poste-décision sur le schéma 5 se composent évaluent, apprennent, et ajustent des activités. L'intention de l'activité d'évaluation est d'évaluer l'utilité produite par une activité d'acte et de la comparer à l'utilité désirée comme définie par l'activité de buts d'ensemble. L'activité d'étude est les possibilités pour se rappeler le rendement de l'activité d'évaluation. Les facteurs d'activité d'évaluation aussi ce qui a été appris dans ses évaluations de sorte que l'utilité de l'action courante puisse également être comparée aux actions passées. Le rôle de l'activité d'ajustement est de considérer les buts, décisions, actions, et ce qui a été appris pour améliorer l'exécution en changeant les déclenchements, les événements, l'analyse, et les décisions. L'activité d'ajustement est où la boucle est fermée comme dans un système de boucle bloquée. L'activité d'ajustement est également l'une des activités les plus complexes qui existe dans ce système. C'est parce que changeant les actions de changements de politique et de décisions, qui auront un impact différent que cela auquel l'organisation est accoutumée. Change en la politique qu'on s'attend à ce que des erreurs correctes augmentent l'utilité. Cependant, les changements à la politique à la recherche du revenu supplémentaire sont plus provocants et doivent être évalués plus soigneusement pour s'assurer que le retour est supérieur au risque. Les modèles sont très efficaces au risque de évaluation et renvoient et peuvent être incorporés dans l'ajustement ou analyser des activités. Un résumé de pré et les activités de poste-décision est comme suit :

La découverte est l'identification des événements, des objets, des situations, et des rapports qui concerneront decisioning.

L'enrichissement est le processus d'incorporer le contenu a apprêté dans le procédé de découverte dans le processus décisionnel.

Le fixation des objectifs est les spécifications des objectifs pour guider le processus décisionnel.

L'évaluation est le processus d'évaluer l'impact de la mesure prise.

L'étude est l'acte d'acquérir le détail de la connaissance aux décisions prises et aux mesures prises.

L'ajustement est l'acte d'appliquer la connaissance gagné à partir de l'apprentissage pour améliorer le procédé de décision.

Il est important de noter que tandis que nous avons identifié la pré-décision et les activités de poste-décision, nous n'ont fait aucune réclamation concernant des conditions temporelles pour l'analytics de décision. Nous, cependant, nous attendons à une grande variété de cas d'utilisation dépendant des techniques analytiques utilisées que gamme d'en différé à l'analytics en temps réel de décision.

Le schéma 5 est marqué comme modèle de référence d'analytics de décision. La raison de ceci est que ce modèle capture les activités et les rapports principaux qui devraient exister dans n'importe quelle organisation qui prévoit pour adresser decisioning analytique largement et efficacement. Ce modèle de référence d'analytics de décision se concentre principalement sur decisioning et comment accroissant l'analytics pour faire l'appui et pour améliorer decisioning. Le modèle de référence d'analytics de décision signifie également que la considération doit être donnée à l'architecture d'application. S'il y a une prétention que quelques activités d'analytics de décision doivent être soutenues en temps réel, puis des événements, la transmission de messages, l'état, la poussée, et la mobilité doivent être factorisés dans la conception de système.

Decisioning en temps réel et l'Internet des choses

Decisioning en temps réel est un domaine important d'investissement pour beaucoup d'entreprises. L'infrastructure est maintenant mise en place pour capturer les flux de données en temps réel, pour analyser ces données, et pour prendre des décisions en temps réel. Les exemples des systèmes en temps réel sont partout. Les systèmes en temps réel simples sont des systèmes de SR tels qu'un système d'alarme à la maison. Des systèmes plus sophistiqués d'analytics de décision événement-sont basés et exécutent une certaine analyse avant de prendre une décision quant à quelle action à prendre. Un exemple de ceci serait le contrôle de magasin d'épicerie, qui produit des bons basés sur vos achats et fréquence des visites. Les systèmes bien plus complexes d'analytics de décision emploient la rétroaction pour ajuster des actions en temps réel. Un exemple de ceci serait un système des véhicules à moteur d'action d'éviter d'accidents, qui surveille votre distance et vitesse de fermeture à un objet et puis applique les freins progressivement pour empêcher un accident. Tous ces exemples en temps réel impliquent un sous-ensemble de possibilités résidentes dans notre modèle de référence d'analytics de décision.

L'Internet des choses (IoT) va être très efficace aux personnes se reliantes et aux « choses, » par lequel une chose soit un dispositif électromécanique qui pourrait s'étendre d'une sonde simple à un dispositif permis par microprocesseur intelligent. L'utilité de l'IoT sera dérivée de son soutien de tous les modèles d'interactions de personne/système. Le plus intéressant de ces modèles inclura le système à la personne et le système au système. Le système au modèle d'interaction de personne présentera une personne avec des occasions ou les soucis qui justifient son attention. Le système au modèle d'interaction de système devra dévoiler dans comme--encore de la manière non définie mais impliquera probablement des passages pour recueillir et consolider l'information domaine-spécifique et de nouvelles architectures de communication, certains dont imitera l'architecture à niveau élevé (HLA) qui a été développée par le département de la défense.

Le modèle de référence d'analytics de décision est important parce qu'il identifie non seulement le rôle significatif de l'analytics dans decisioning, mais fournit également le contexte nécessaire pour décrire le continuum d'analytics de décision.

Le continuum d'Analytics de décision

Le continuum d'analytics de décision a été soutenu hors d'un besoin d'aider des organismes à comprendre les diverses techniques analytiques qu'elles peuvent utiliser pour soutenir ou améliorer decisioning. Les principes du modèle de référence d'analytics de décision sont de fournir un modèle généralisé de prise de décision qui souligne également l'importance de l'amélioration de décision. Ceci assure la pertinence continue du modèle de décision donné un environnement en cours d'évolution et crée l'occasion pour les fournisseurs qui fournissent ces possibilités et entreprises qui accroissent ces possibilités efficacement. L'occasion dans ce contexte est définie comme :

Une plus grande précision en répondant aux besoins.

Un arrangement plus rapide des conditions changeantes, qui encourage l'innovation.

Efficacité opérationnelle améliorée due à un arrangement et à un rendu plus complets des activités d'organisation.

Une meilleure prise de décision.

Temps amélioré à la décision/à action.

Maintenant que nous avons établi l'importance de decisioning et le cadre pour l'amélioration de décision, nous pouvons explorer des techniques analytiques différentes pour soutenir decisioning. Quand nous examinons quelles techniques analytiques soutiennent decisioning, il est utile de choisir les critères qui nous permettront de classer ces possibilités analytiques. Quatre critères font inclure la pertinence significative en cela charger et ce qui suit :

1. Portée de décision. La portée de décision se rapporte à comment focalisé la décision est comme mesuré par la cardinalité de ses solutions de rechange ou assistances prévues. les décisions Cours-granuleuses sont ceux qui ont peu de choix et s'appliquent seulement à quelques segments du marché (grands groupes). Les décisions à grain fin peuvent avoir beaucoup de choix possibles et s'appliquer à beaucoup de segments du marché (tels que des marchés d'un).

2. Exécution de décision. L'exécution de décision se rapporte à combien est connu au sujet des résultats de décision. Les décisions déterministes sont ceux où un ensemble particulier de stimulus mènent toujours à la même décision. Les résultats non déterministes de décision changent basé sur la connaissance accumulée à l'heure de la décision.

3. Incertitude de décision. L'incertitude est une pierre angulaire des statistiques modernes. Les techniques analytiques nous permettent d'évaluer des décisions passées et présentes aussi bien que la perspicacité de gain dans la façon dont les actions peuvent influencer de futures décisions. Depuis le futur n'est pas sûr, l'arrangement et la mesure de la probabilité d'un futur événement est utile pour soutenir la future prise de décision. Decisioning de collaboration, statistiques bayésiennes, et systèmes adaptatifs tous devraient ou faire l'incertitude de facteur dans leurs activités de prise de décision.

4. Complexité de décision. La complexité de décision est conduite par le nombre de facteurs qui doivent être conjointement considérés en prenant une décision. Plus le nombre de facteurs (ou de variables est grand) les résultats plus potentiels et plus il est de prendre une décision plus compliqué.

La portée de décision et la complexité de décision sont étroitement liées. les décisions Cours-granuleuses tendent à faire tendre moins de complexité et de décisions à grain fin à avoir une complexité beaucoup plus élevée. L'incertitude d'exécution de décision et de décision également sont étroitement liées. Les décisions déterministes fonctionnent avec peu ou pas d'incertitude parce qu'elles sont bien comprises. Les décisions non déterministes, qui sont influencées par quelle information est connue au moment où la décision, tendent à avoir bien plus d'incertitude concernant la stabilité ou la régularité de leurs résultats. Le schéma 6 segmente les possibilités d'analytics de décision dans neuf catégories et les place dans un cadre basé sur les quatre critères.

Le schéma 6 identifie neuf catégories analytiques qui soutiennent l'analytics de décision. Ces catégories sont décrites comme suit :

Conditionnel. La catégorie analytique conditionnelle contient des expressions algébriques combinant les opérateurs booléens que la décision exprès règne dont prenez typiquement la forme « si x puis y z d'autre » ou « quand j alors k L. d'autre » ils sont hautement efficace à décrire et à automatiser des procédés de décision. La logique conditionnelle forme la base pour les systèmes de gestion de principe économique (BRMS), qui peuvent rendre ces rapports sous les formes multiples (règles de décision, tables de décision, et arbres de décision). La logique conditionnelle qui événement-est basée fournit l'appui additionnel pour les construire temporels avec du « quand j puis k l d'autre » forme. La logique conditionnelle est souvent combinée avec d'autres techniques analytiques pour mesurer ou raffiner une décision, fournissant l'appui puissant et flexible pour decisioning.

Algorithmique. La catégorie analytique conditionnelle emploie les équations algébriques qui accroissent des variables et des constantes connues pour créer de nouvelles variables. Les expressions algorithmiques sont immensément puissantes. Les expressions peuvent inclure des transformations, des reclassifications, des agrégations, et des fonctions.

Corrélatif. La catégorie analytique conditionnelle est une technique statistique qui décrit la force d'un rapport ou d'une dépendance entre les variables. Les formes simples d'analyse de rapport peuvent inclure l'analyse de sentiment ou l'analytics des textes.

Optimisé. L'optimisation est sujette typiquement la maximisation ou la minimisation d'une fonction objective aux buts et à des contraintes. L'optimisation est importante parce qu'elle fournit une méthode pour réaliser les meilleurs résultats donnés les ressources actuellement disponibles.

Discret. Le choix discret et l'analyse conjointe sont des techniques examiner-basées de recherches qui reflètent efficacement des préférences de répondant pour un ensemble particulier de possibilités. Des préférences sont normalisées et mesurées, rendant leur utiles dans l'arrangement la force relative des solutions de rechange et l'élasticité de la demande. L'exécution d'aperçu émule également le processus achetant, qui améliore la qualité de données.

De collaboration. La collaboration est généralement une approche plus qualitative à decisioning, comprenant lequel évalue les contributions de divers collèges électoraux : ces gens qui sont en votre cercle de confiance, critiques, amis, et chacun autrement. Un nombre large de techniques de collaboration existe. Des contributions de participant peuvent être pesées ; les décisions peuvent être passage simple, Delphes, ou par étapes ; les décisions peuvent être relatives ou absolues ; et des décisions peuvent être prises par consensus, majorité, pluralité, comité, ou autocratiquement.

Prédictif. L'analytics prédictif accroît des données, des rapports, et des modèles connus pour faire des prévisions au sujet de futurs événements. Les résultats sont sensibles à la quantité de données connues et comment ces données sont distribuées.

Bayésien. L'analytics bayésien nous permettent de comprendre l'impact que les probabilités conditionnelles ont sur des résultats. L'inférence bayésienne embrasse l'incertitude et développe les probabilités qui fournissent une manière impartiale et raisonnable de mesurer la probabilité des résultats ou des séries de résultats.

Adaptatif. Les systèmes adaptatifs (ou les systèmes adaptatifs complexes) représentent la frontière de l'analytics de décision. Les systèmes adaptatifs combinent l'analytics prédictif et bayésien, modèles, et apprenant à régir et prévoir comment à mieux répondez à un environnement en cours d'évolution. L'aspect provocant des systèmes adaptatifs trouve de nouvelles règles de décision pour améliorer des résultats opérationnels dans un environnement en cours d'évolution tout en simultanément réduisant au minimum le risque.

Les catégories ont présenté dans le continuum d'analytics de décision sont généralement mutuellement exclusif mais sélectivement utilisé ensemble pour adresser decisioning.