ESG Interactive Research Portal

Most of us are comfortable with making decisions. This is good because each of us makes an incalculable number of decisions every day. The most interesting and complex decisions that we make are voluntary decisions where we are able to apply discretion in why, how, and what decisions are made. However, it would be a mistake to ignore the fact that we also make an immense number of involuntary decisions every day. These range from decisions largely beyond our control like the electrical signals that are evaluated by our CNS and cause our heart to beat to reflexive behavior (remove your hand from a hot stove) and ultimately learned behavior (don’t touch a hot stove). The common pattern that unites all of these behaviors is stimulus-response (S-R) theory. Figure 1 shows a schematic of the S-R model. In this S-R model, the sense activity recognizes a change in the environment. This change is a trigger, event, or simple change of state. The act activity is an action taken in response to a particular sensation.

Большое часть из нас удобно с принимать решениея. Это хорошо потому что each of мы модели incalculable количество решений ежедневных. Самыми интересными и самыми сложными решениями мы делаем будут добровольные решения где мы можем приложить усмотрение в почему, как, и что решения сделаны. Однако, было бы ошибкой для того чтобы проигнорировать факт что мы также делаем большое номер непроизвольных решений ежедневно. Эти колебаются от решений больш за нашим управлением как электрические сигналы оценены нашим CNS и причиняются наше сердце побить к рефлексивному поведению (извлекайте вашу руку от горячей печки) и предельно learned поведению (не коснитесь горячей печке). Общей картиной соединяет все из этих поведений будет теория стимул-реакции (S-R). На рисунок 1 показано схему модели S-R. В этой модели S-R, деятельность при чувства узнает изменение в окружающей среде. Этим изменением будет пуском, случаем, или просто изменением состояния. Деятельностью при поступка будет действие принятое in response to определенная шумиха.

Figure 1. Stimulus-response Model

Source: Enterprise Strategy Group, 2014.

While S-R theory is conceptually simple, it does raise a question about what happens when a choice can be made regarding what action to take. Early thinking on the topic of event-driven architecture mimicked S-R processing by having events directly associated with actions. While this approach is extremely efficient, it is also brittle, which limits its utility in today’s IT environment where applications must be engineered for change and therefore loosely coupled. Without the ability to support a level of indirection between sense and act, there is no way to easily accommodate change. By introducing a decision node between sensing and acting, we now have clear separation of concerns and the flexibility to link any sensory event with any action, as shown in Figure 2. This enables us to refer to this modified S-R model as a decision model.

Пока теория S-R схематически просто, она поднимает вопрос о случается когда выбор можно сделать относительно что действия, котор нужно принять. Раньше думать на теме event-driven зодчества передразнил S-R обрабатывая путем иметь случаи сразу связанные с действиями. Пока этот подход весьма эффективн, он также хрупок, который ограничивает свое общее назначение в сегодняшнем ОНО окружающая среда где применения необходимо проектировать для изменения и поэтому свободно соединить. Без способности поддержать уровень косвенности между чувством и поступком, не будет дороги легко приспособить изменение. Путем вводить узел решения между воспринимать и действовать, мы теперь имеем ясное разъединение забот и гибкость соединить любой сензорный случай с любым действием, как показано в рисунке 2. Это позволяет мы refer to эта доработанная модель S-R как модель принятия решений.

Figure 2. Decision Model

Source: Enterprise Strategy Group, 2014.

By introducing a decision node, we allow for different types of decisions. This more robust model can also emulate an S-R model simply by either always choosing the same action or defaulting the decision (such as the “else” clause in an “if-then-else” expression). However, the value of this decision model is that it recognizes that:

Путем вводить узел решения, мы позволяем по-разному типы решений. Эта более робастная модель может также подражать модели S-R просто или всегда выбирать такое же действие или не выполнять решение обязательство (such as «другая» клаузула в «если-после этого-другом» выражении). Однако, значение этого модели принятия решений что оно узнает то:

There is a decoupling between sensing and acting, and actions are governed by decisions.

Decoupling между воспринимать и действовать, и действия управлены решениями.

The existence of competing alternative actions to a particular set of stimuli mean that a decision process is needed.

Существование состязаясь других действий к определенному комплекту стимулов намеревается что процесс решения необходим.

A decision process must take into account that available stimuli may not be sufficient or specific enough to clarify what action to take.

Процесс решения должен учесть что имеющиеся стимулы не могут быть достаточно или специфическ достаточно для того чтобы уточюнить что действие, котор нужно принять.

Decision outcomes, actions, and impact may be useful in influencing future decisions.

Исходы, действия, и удар решения могут быть полезны в влиять на будущие решения.

The ability to align specific stimuli with a particular action through a decision provides flexibility and consistency.

Способность выровнять специфически стимулы с определенным действием через решение обеспечивает гибкость и последовательность.

The act of decisioning is complex and many techniques can assist in the decision making process.

Поступок decisioning сложн и много методов могут помочь в процессе процесса принятия решений.

Despite the importance of decisions, we live in an action- and process-centric world. Decisions determine the potential utility to be gained, but actions are what drive kinetic utility or recognized utility. Actions (or behavior) are what define and differentiate an enterprise. Because actions can be directly tied to utility, it is easy to dismiss the importance of the decisioning. However, no action should ever be taken unless preceded by a decision. Decisioning is where context, alternatives, potential utility, objectives, constraints, and trade-offs are evaluated and a next-based action is determined. Therefore, support for comprehensive decisioning is critical because the decision is where the choice is made between competing actions. This choice can have lasting impact especially if it is strategic and this also means that decisions can have significant consequences, both positive and negative. Consequently, organizations will want to always make the best possible decisions that they can in order to maximize benefit and minimize risk over some time horizon.

Несмотря на важность решений, мы живем в мире действия и процесс-центральных. Решения обусловливают потенциальное общее назначение, котор нужно приобрести, но действия общее назначение привода кинетическое или узнанное общее назначение. Действия (или поведение) определяет и дифференцирует предпринимательство. Потому что действия можно сразу связать к общему назначению, легко уволить важность decisioning. Однако, никакое действие не должен всегда быть принято если после того как я предшествовало решением. Decisioning где оценены смысл, алтернативы, потенциальное общее назначение, задачи, ограничения, и trade-offs и следующ-основанное действие обусловлено. Поэтому, поддержка для всесторонний decisioning критически потому что решение где выбор сделан между состязаясь действиями. Этот выбор может иметь lasting удар специально если он стратегическ и эт также середины, то что решения могут иметь значительно последствия, и позитв и недостаток. Следовательно, организации будут хотеть всегда делать best possible решения которые они чонсервная банка увеличить преимущество и уменьшить риск над некоторым горизонтом прогнозирования.

Some decisions are simple and some are complex. Complex strategic decisions are often wide in scope, high in risk, few in number, and difficult to automate, and leverage inputs from many sources. Simple tactical decisions are typically the opposite; limited in scope, require few inputs, are low in risk, are large in number, and easy to automate. As decisions increase in complexity, so too does the need for analytics to support the decision making process. The point is that the decision model can be extended to include an analysis activity where the heavy lifting of evaluating alternatives is performed prior to decisioning. Figure 3 presents this as a decision analytics model.

Некоторые решения просто и некоторые сложны. Стратегическое решение комплекса часто широки в объеме, высоко в риске, few in number, и трудном для того чтобы автоматизировать, и входных сигналах системы рычагов от много источников. Просто тактическими решениями будут типично противоположность; ограниченный по сфере применения, требует немногих входных сигналов, низко в риске, большое in number, и легкое для того чтобы автоматизировать. По мере того как решения увеличивают в сложности, настолько слишком делает потребность для analytics поддержать процесс процесса принятия решений. Пункт что модель принятия решений можно расширить для того чтобы включить деятельность при анализа где тяжелый подниматься оценивая алтернатив выполнен перед decisioning. На рисунок 3 представлено это как модель analytics решения.

Figure 3. Decision Analytics Model

Source: Enterprise Strategy Group, 2014.

Separating analyze from decide has distinct advantages. The primary advantage is a separation of concerns. The analyze activity is focused on understanding, quantifying, and normalizing alternatives so that a rational and informed decision can be made. It should be noted that this decision analytics model does not state any requirements regarding latency. While S-R models typically have a distinct real-time orientation, this is not the case for all decision and decision analytics models. Not all decisions that require analysis can or need to be pursued in real time. There is, however, a growing emphasis on and trend toward real-time decision analytics, so adoption of application architectures that support real-time decision analytics is appropriate although not all decisions will need to be made in real time.

Отделять анализирует от решает имеет определенные преимущества. Главным образом преимуществом будет разъединение забот. Деятельность при анализировать сфокусирована на понимать, квантифицировать, и нормализовать алтернативы TAK, CTO рациональное и informed решение можно сделать. Оно должно быть замечено что эта модель analytics решения не заявляет NIKAKие требования относительно латентности. Пока модели S-R типично имеют определенную в реальном масштабе времени ориентацию, это не будет аргументы за все модели решения и analytics решения. Не всем решениям требуют анализа могут или нужно быть последованным в реальное временя. , Однако, внимание дальше и тенденция к в реальном масштабе времени analytics решения, так принятию зодчеств применения которые поддерживают в реальном масштабе времени analytics решения соотвествующие хотя не всем решениям будет нужно быть сделанным в реальное временя.

When we evaluate the decision analytics model in Figure 3, it is apparent that we can improve on this model in several ways. The sense activity can be improved if we explicitly specify that a discovery activity’s whole role is to consider the relevance of new and different types of events and triggers that will have an impact on decisioning. The analyze activity also benefits from an enrichment activity that improves the understanding of context, alternatives, and additional information related to decisioning. The decide activity also benefits from an understanding of policy expressed by objectives and constraints that govern decisioning. Figure 4 improves upon the decision analytics model by adding discover, enrich, and set goals activities, which move the model toward a true reference model for decision analytics.

Когда мы оцениваем модель analytics решения в рисунке 3, он явно что мы можем улучшить на этой модели в нескольких дорог. Деятельность при чувства можно улучшить если мы точно определяем, то что роль деятельности при открытия вся должна рассматривать релевантность новых и по-разному типов случаев и пусков будут иметь удар на decisioning. Деятельность при анализировать также помогает от деятельности при обогащения улучшает вникание смысла, алтернатив, и дополнительной информации отнесенного к decisioning. Деятельность при решать также помогает от вникания политики выраженного задачами и ограничениями управляют decisioning. Рисунок 4 улучшает на модели analytics решения путем добавлять открывает, обогащает, и установил деятельности при целей, которые двигают модель к поистине модели справки для analytics решения.

Figure 4. Toward a Decision Analytics Reference Model

Source: Enterprise Strategy Group, 2014.

The discover, enrich, and set goals activities are classified in Figure 4 as “pre-decision” activities. Pre-decision activities improve the sense and analyze activities by enabling a more comprehensive analysis of events, information, and factors that will influence the decision. These pre-decision activities also improve the decide activity by defining policy-oriented objectives and constraints apriori. Objectives are goals intended to shape decisions so that an organization has targets that it aspires to achieve. Constraints are goals intended to shape decisions so that an organization operates within limits that will minimize its risk exposure legally, financially, or ethically.

Открывать, обогащает, и деятельности при целей комплекта расклассифицированы в рисунке 4 как деятельности при «pre-решения». деятельности при Pre-решения улучшают чувство и анализируют деятельности путем включать больше обстоятельной справки случаев, информации, и факторов которые будут влиять на решение. Эти деятельности при pre-решения также улучшают деятельность при решать путем определять политик-ориентированные задачи и apriori ограничений. Задачами будут цели предназначенные сформировать решения TAK, CTO организация будет иметь цели она aspires достигнуть. Ограничениями будут цели предназначенные сформировать решения TAK, CTO организация будет работать в пределы уменьшьют свою выдержку риска законно, финансовохозяйственно, или этично.

These pre-decision activities are a first step in bringing a lifecycle to decision analytics. Pre-decision activities have strong bi-directional relationships with analytic decisioning because of their focus on decision improvement and the support they can provide prior to decisioning. Also, consequently, a separate set of post-decision activities complete the feedback loop. Figure 5 introduces these post-decision activities.

Этими деятельностями при pre-решения будут первый шаг в приносить lifecycle к analytics решения. деятельности при Pre-решения имеют сильные bi-directional отношения с аналитически decisioning из-за их фокуса на улучшении решения и поддержке, котор они могут обеспечить перед decisioning. Также, последовательн, отдельно комплект деятельностей при столб-решения завершает петлю обратной связи. Рисунок 5 вводит эти деятельности при столб-решения.

Figure 5. Decision Analytics Reference Model

Source: Enterprise Strategy Group, 2014.

The post-decision activities in Figure 5 consist of evaluate, learn, and adjust activities. The intent of the evaluate activity is to assess the utility generated by an act activity and compare it with the desired utility as defined by the set goals activity. The learn activity is the capability to remember the output of the evaluate activity. The evaluate activity also factors what has been learned into its assessments so that the utility of the current action can also be compared with past actions. The role of the adjust activity is to consider the goals, decisions, actions, and what has been learned to improve performance by changing the triggers, events, analysis, and decisions. The adjust activity is where the loop is closed as in a closed loop system. The adjust activity is also one of the most complex activities that exists in this system. This is because changing policy and decisions changes actions, which will have a different impact than that to which the organization is accustomed. Changes to policy that correct errors are expected to increase utility. However, changes to policy in search of added revenue are more challenging and must be evaluated more carefully to ensure that the return outweighs the risk. Economic models are very effective at evaluating risk and return and can be incorporated in either the adjust or analyze activities. A summary of pre- and post-decision activities is as follows:

Деятельности при столб-решения в рисунке 5 consist of оценивают, учат, и регулируют деятельности. Целью деятельности при оценивать будет определить общее назначение произведенное деятельностью при поступка и сравнить его с заданным общим назначением как определено деятельностью при целей комплекта. Деятельностью при учить будет возможность для того чтобы вспомнить выход деятельности при оценивать. Факторы деятельности при оценивать также было выучено в свои оценки TAK, CTO общее назначение в настоящее время действия можно также сравнить с прошлыми действиями. Роль деятельности при регулировать должна рассматривать цели, решения, действия, и было выучены, что улучшает представление путем изменять пуски, случаи, анализ, и решения. Деятельность при регулировать где петля закрына как в системе замкнутого цикла. Деятельность при регулировать также одной из самых сложных RABOT существует в этой системе. Это потому что изменяющ действия изменений политики и решений, которые будут иметь по-разному удар чем то к которому организация accustomed. Изменяет к политике что ы, что увеличивают правильно ошибки общее назначение. Однако, изменения к политике in search of добавленный доход challengingее и должны быть оценены тщательно для того чтобы обеспечить что возвращение outweighs риск. Економические модели очень эффективны на оценивая риске и возвращают и могут быть включены в или регулировать или проанализировать деятельности. Сводка pre- и деятельности при столб-решения следующим образом:

Discovery is the identification of events, objects, situations, and relationships that will have a bearing on decisioning.

Открытием будет идентификация случаев, предметов, ситуаций, и отношений которые have a bearing on decisioning.

Enriching is the process of incorporating content surfaced in the discovery process into the decision making process.

Обогащать будет процесс включать содержание отделал поверхность в процессе открытия в процесс процесса принятия решений.

Setting goals is the specification of objectives to guide the decision making process.

Устанавливать цели будет спецификацией задач для того чтобы направить процесс процесса принятия решений.

Evaluation is the process of assessing the impact of the action taken.

Оценкой будет процесс определять удар принятого действия.

Learning is the act of acquiring knowledge specific to decisions made and actions taken.

Учить будет поступок приобретать специфический знания к сделанным решениям и принятым действиям.

Adjusting is the act of applying knowledge gained from the learning process to improve the decision process.

Регулировать будет поступок прикладывать знание приобретенный от учебного прочесса для того чтобы улучшить процесс решения.

It is important to note that while we have identified pre-decision and post-decision activities, we have not made any claims regarding temporal requirements for decision analytics. We do, however, expect a wide variety of use cases depending upon the analytical techniques employed that range from offline to real-time decision analytics.

Важно заметить что пока мы определяли pre-решение и деятельности при столб-решения, мы не сделало NIKAKие заявки относительно височных требований для analytics решения. Мы, однако, надеемся широкий выбор случаев пользы зависящ на аналитически методах используемых что ряд от offline к в реальном масштабе времени analytics решения.

Figure 5 is labeled as the decision analytics reference model. The reason for this is that this model captures the key activities and relationships that should exist within any organization that intends to address analytic decisioning both comprehensively and effectively. This decision analytics reference model primarily focuses on decisioning and how leveraging analytics to do both support and improve decisioning. The decision analytics reference model also means that consideration has to be given to application architecture. If there is an assumption that some decision analytics activities must be supported in real time, then events, messaging, state, push, and mobility must be factored into system design.

Рисунок 5 обозначен как модель справки analytics решения. Причина для этого что эта модель захватывает ключевые RABOTы и отношения должны существовать в пределах любой организации предназначает адресовать аналитически decisioning и всесторонн и эффективно. Эта модель справки analytics решения главным образом фокусирует на decisioning и как analytics leveraging сделать и поддержку и улучшить decisioning. Модель справки analytics решения также намеревается что рассмотрение должно даться к зодчеству применения. Если будет предположение, то что некоторые деятельности при analytics решения необходимо поддержать в реальное временя, после этого случаи, послание, положение, нажим, и удобоподвижность необходимо сфакторизовать в конструкцию системы.

Real-time Decisioning and the Internet of Things

В реальном масштабе времени Decisioning и интернет вещей

Real-time decisioning is an important area of investment for many enterprises. Infrastructure is now being put in place to capture data streams in real time, analyze this data, and make decisions in real time. Examples of real-time systems are everywhere. Simple real-time systems are S-R systems such as a home alarm system. More sophisticated decision analytics systems are event-based and perform some analysis before making a decision as to what action to take. An example of this would be the grocery store checkout, which generates coupons based on your purchases and frequency of visits. Even more complex decision analytics systems use feedback to adjust actions in real time. An example of this would be an automotive accident avoidance system, which monitors your distance and closing speed to an object and then applies the brakes progressively to prevent an accident. All of these real-time examples involve a subset of capabilities resident in our decision analytics reference model.

В реальном масштабе времени decisioning будет важная зона облечения для много предпринимательств. Инфраструктура теперь кладется in place для того чтобы захватить потоки данных в реальное временя, проанализировать эти данные, и принять решение решениея в реальное временя. Примеры в реальном масштабе времени систем везде. Просто в реальном масштабе времени системами будут системы S-R such as домашняя аварийная система. Более изощренные системы analytics решения случа-основаны и выполняют некоторый анализ перед делать решение о что действии, котор нужно принять. Примером этого была бы проверка магазина продовольственных товаров, которая производит талоны основанные на ваших покупках и частоте посещений. Even more сложные системы analytics решения используют обратную связь для того чтобы отрегулировать действия в реальное временя. Примером этого была бы автомобильная система избегания аварии, которая контролирует ваши расстояние и закрывая скорость к предмету и после этого прикладывает тормозы прогрессивно для того чтобы предотвратить аварию. Весь из этих в реальном масштабе времени примеров включают подсовокупность возможностей resident в нашу модель справки analytics решения.

The Internet of things (IoT) is going to be very effective at connecting people and “things,” whereby a thing is an electro-mechanical device that could range from a simple sensor to an intelligent micro-processor enabled device. The utility of the IoT will be derived from its support for all person/system interactions patterns. The most interesting of these patterns will include system to person and system to system. The system to person interaction pattern will present a person with opportunities or concerns that warrant her attention. The system to system interaction pattern will need to unfold in an as-of-yet undefined way but will likely involve gateways for gathering and consolidating domain-specific information and new communication architectures, some of which will mimic high-level architecture (HLA) that was developed by the Department of Defense.

Интернет вещей (IoT) идет быть очень эффективн на соединяясь людях и «вещах,» whereby вещью будет электроое-механическ приспособление которое смогло заколебаться от просто датчика к толковейшим приспособлению включенному микропроцессором. Общее назначение IoT будет выведено от своей поддержки для всех картин взаимодействий персоны/системы. Самое интересное этих картин включит систему к персоне и систему к системе. Система к картине взаимодействия персоны представят персону с возможностями или заботы гарантируют ее внимание. Системе к картине взаимодействия системы будет нужно раскрыть в как--пока undefined дороги но вероятн включит входные для собирать и консолидировать домен-специфически информацию и новые зодчеств связи, некоторые of which передразнит high-level зодчество (HLA) которое было начато министерством обороны.

The decision analytics reference model is important because it not only identifies the significant role of analytics in decisioning, but also provides the necessary context for describing the decision analytics continuum.

Модель справки analytics решения важна потому что она not only определяет значительно роль analytics в decisioning, но также обеспечивает обязательно смысл для описывать континуум analytics решения.

The Decision Analytics Continuum

Континуум Analytics решения

The decision analytics continuum was born out of a need to help organizations understand the various analytic techniques that they can employ to support or improve decisioning. The principles of the decision analytics reference model are to provide a generalized decision making model that also emphasizes the importance of decision improvement. This ensures continued relevance of the decision model given a changing environment and creates opportunity for vendors that deliver these capabilities and enterprises that leverage these capabilities effectively. Opportunity in this context is defined as:

Континуум analytics решения был принесен из потребности помочь организациям понять различные аналитически методы они могут использовать для того чтобы поддержать или улучшить decisioning. Принципы модели справки analytics решения должны обеспечить обобщенную модель процесса принятия решений также подчеркивает важность улучшения решения. Это обеспечивает продолжаемую релевантность модели принятия решений, котор дали изменяя окружающую среду и создает возможность для поставщиков поставляют эти возможности и предпринимательства та система рычагов эти возможности эффективно. Возможность в этом смысле определена как:

Greater precision in responding to needs.

Большая точность в отвечать к потребностям.

Faster understanding of changing conditions, which encourages innovation.

Более быстрое вникание изменяя условий, которое ободряет рационализаторство.

Improved operational efficiency due to more comprehensive understanding and rendering of organizational activities.

Улучшенная рабочая эффективность из-за более всесторонних вникания и представлять организационных деятельностей.

Better decision making.

Более лучшее процесс принятия решений.

Improved time to decision/action.

Улучшенное время к решению/действию.

Now that we have established the importance of decisioning and the framework for decision improvement, we can explore differing analytic techniques to support decisioning. When we examine what analytic techniques support decisioning, it is useful to select criteria that will allow us to categorize these analytic capabilities. Four criteria have significant relevance in this task and include the following:

Now that мы установили важность decisioning и рамки для улучшения решения, мы можем исследовать отличая аналитически методы для того чтобы поддержать decisioning. Когда мы рассматриваем что аналитически методы поддерживают decisioning, полезно выбрать критерии которые позволят нас классифицировать эти аналитически возможности. 4 критерия имеют значительно релевантность в этой задаче и вклюают following:

1. Decision Scope. Decision scope refers to how focused the decision is as measured by the cardinality of its alternatives or intended audience. Course-grained decisions are ones that have few choices and apply to only a few market segments (large groups). Fine-grained decisions can have many possible choices and apply to many market segments (such as markets of one).

1. Объем решения. Объем решения refer to как сфокусировано решению как измерено cardinality своих алтернатив или предназначенных аудиторий. Курс-grained решения одними имеют немногие выборы и применяются к только немного рыночных зон (большим группам). Тонкозернистые решения могут иметь много по возможности выборов и применяться к много рыночных зон (such as рынки одного).

2. Decision Execution. Decision execution refers to how much is known about the decision outcome. Deterministic decisions are ones where a particular set of stimuli always lead to the same decision. Non-deterministic decision outcomes vary based on accumulated knowledge at the time of the decision.

2. Исполнение решения. Исполнение решения refer to известно о исходе решения. Детерминированные решения одними где определенный комплект стимулов всегда водит к такому же решению. Non-deterministic исходы решения меняют после того как они основаны на аккумулированном знании во время решения.

3. Decision Uncertainty. Uncertainty is a cornerstone of modern statistics. Analytical techniques enable us to evaluate past and present decisions as well as gain insight into how actions may influence future decisions. Since the future is not certain, understanding and quantifying the likelihood of a future event is useful to support future decision making. Collaborative decisioning, Bayesian statistics, and adaptive systems all should or do factor uncertainty into their decision making activities.

3. Неопределенность решения. Неопределенностью будет cornerstone самомоднейших статистик. Аналитически методы позволяют мы оценить прошлые и присытствыющие решения также, как проницательность увеличения в как действия могут влиять на будущие решения. С будущего не будет уверенн, понимающ и квантифицировать вероятие будущего случая полезн для того чтобы поддержать будущее процесс принятия решений. Сотруднический decisioning, Bayesian статистик, и адаптивные системы все или сделать неопределенность фактора в их деятельности при процесса принятия решений.

4. Decision Complexity. Decision complexity is driven by the number of factors that must be jointly considered when making a decision. The greater the number of factors (or variables) the more potential outcomes and the more complicated it is to make a decision.

4. Сложность решения. Сложность решения управляется числом факторов необходимо совместно рассматривать делая решение. Больш число факторов (или перемеююых) более потенциальные исходы и осложненн оно сделать решение.

Decision scope and decision complexity are closely related. Course-grained decisions tend to have less complexity and fine-grained decisions tend to have much higher complexity. Decision execution and decision uncertainty also are closely related. Deterministic decisions operate with little or no uncertainty because they are well understood. Non-deterministic decisions, which are influenced by what information is known at the point of decision, tend to have far more uncertainty regarding the stability or consistency of their outcomes. Figure 6 segments the decision analytics capabilities into nine categories and positions them in a framework based on the four criteria.

Объем решения и сложность решения близко отнесены. Курс-grained решения клонат иметь меньше сложность и тонкозернистые решения клонить иметь гораздо высокее сложность. Неопределенность исполнения решения и решения также близко отнесена. Детерминированные решения работают с little or no неопределенностью потому что они наилучшим образом поняты. Non-deterministic решения, которые повлияны на что информация известна с точки зрения решения, клонат иметь значительно больше неопределенности относительно стабилности или последовательности их исходов. Рисунок 6 делит на сегменты возможности analytics решения в 9 категорий и располагает их в рамках основанных на 4 критериях.

Figure 6. The Decision Analytics Continuum

Source: Enterprise Strategy Group, 2014.

Figure 6 identifies nine analytic categories that support decision analytics. These categories are described as follows:

Рисунок 6 определяет 9 аналитически категорий то analytics обосновання решение. Эти категории описаны следующим образом:

Conditional. The conditional analytic category contains algebraic expressions combining Boolean operators that express decision rules that typically take the form of “if x then y else z” or “when j then k else l.” They are highly effective at describing and automating decision processes. Conditional logic forms the basis for business rule management systems (BRMS), which can render these relationships in multiple forms (decision rules, decision tables, and decision trees). Conditional logic that is event-based provides additional support for temporal constructs of the “when j then k else l” form. Conditional logic is often combined with other analytical techniques to quantify or refine a decision, providing powerful and flexible support for decisioning.

Условно. Условно аналитически категория содержит алгебреические выражения совмещая булевских операторов курьерские правила принятия решений типично примите форму «если x после этого y другой z» или «, то когда L. j после этого k другое» они высоки эффективно на описывать и автоматизировать процессы решения. Условно логика формирует основу для систем организации хозяйства правила дела (BRMS), которые могут представить эти отношения в множественных формах (правилах принятия решений, таблицах решений, и деревах решений). Условно логика случа-основана обеспечивает дополнительную поддержку для височных стек «когда j после этого k другой l» форма. Условно логика часто совмещена с другими аналитически методами для того чтобы квантифицировать или уточнить решение, обеспечивающ мощную и гибкую поддержку для decisioning.

Algorithmic. The conditional analytic category uses algebraic equations that leverage known variables and constants to create new variables. Algorithmic expressions are immensely powerful. Expressions can include transformations, reclassifications, aggregations, and functions.

Алгоритмическо. Условно аналитически категория использует алгебреические уровнения перемеююые и константы системы рычагов известные для того чтобы создать новые перемеююые. Алгоритмические выражения больш мощны. Выражения могут включить преобразования, реклассификации, комплексирования, и функции.

Correlative. The conditional analytic category is a statistical technique that describes the strength of a relationship or dependency between variables. Simple forms of relationship analysis can include sentiment analysis or text analytics.

Соотносительно. Условно аналитически категорией будет статистически метод описывает прочность отношения или зависимости между перемеююыми. Просто формы анализа отношения могут включить анализ сентимента или analytics текста.

Optimized. Optimization is typically the maximization or minimization of an objective function subject to goals and constraints. Optimization is important because it provides a method to achieve the best possible outcome given the resources currently available.

Оптимизировано. Оптимизированием будет типично максимизацией или минимизацией объектной функции subject to цели и ограничения. Оптимизирование важно потому что оно обеспечивает метод для того чтобы достигнуть best possible исхода, котор дали ресурсы currently available.

Discrete. Discrete choice and conjoint analysis are survey-based research techniques that effectively reflect respondent preferences for a particular set of capabilities. Preferences are normalized and quantified, making them useful in understanding the relative strength of alternatives and the elasticity of demand. Survey execution also emulates the buying process, which improves data quality.

Дискретно. Дискретным выбором и сообща анализом будут производить съемку-основанные методики исследований эффективно отражают предпочтения респондента для определенного комплекта возможностей. Нормализованы и квантифицированы предпочтения, делая их полезно в понимать относительную прочность алтернатив и упругость требования. Исполнение обзора также подражает покупая процессу, который улучшает качество данных.

Collaborative. Collaboration is generally a more qualitative approach to decisioning, which evaluates the contributions of various constituencies including: those people who are in your circle of trust, critics, friends, and everyone else. A wide number of collaborative techniques exists. Participant contributions can be weighted; decisions can be single pass, Delphi, or stepwise; decisions can be relative or absolute; and decisions can be made by consensus, majority, plurality, committee, or autocratically.

Сотрудническо. Сотрудничеством будет вообще более качественно подход к decisioning, который оценивает вклады различных constituencies включая: те люди находятся в вашем круге доверия, критиках, друзьях, и каждое еще. Широкое количество сотруднических методов существует. Вклады участника можно утяжелить; решениями могут быть однопроходный, Delphi, или stepwise; решения могут быть относительны или совершенно; и решения могут быть сделаны консенсусом, большинством, множественностью, комитетом, или самодержавно.

Predictive. Predictive analytics leverages known data, relationships, and patterns to make predictions about future events. Results are sensitive to the quantity of known data and how this data is distributed.

Предвестниково. Предвестниковые системы рычагов известные данные, отношения, и картины analytics для того чтобы сделать прогнозы о будущих случаях. Результаты чувствительны к количеству известных данных и как эти данные распределены.

Bayesian. Bayesian analytics enable us to understand the impact that conditional probabilities have on an outcome. Bayesian inference embraces uncertainty and develops probabilities that provide an unbiased and rational way to quantify the likelihood of an outcome or series of outcomes.

Bayesian. Bayesian analytics позволяет мы понять удар условно вероятности имеют на исходе. Bayesian подразумеваемый обнимает неопределенность и начинает вероятности обеспечивают unbiased и рациональную дорогу квантифицировать вероятие исхода или серии исходов.

Adaptive. Adaptive systems (or complex adaptive systems) represent the frontier of decision analytics. Adaptive systems combine predictive, Bayesian analytics, economic models, and learning to govern and anticipate how to best respond to a changing environment. The challenging aspect of adaptive systems is finding new decision rules to improve operational outcomes in a changing environment while simultaneously minimizing risk.

Приспособительно. Адаптивные системы (или сложные адаптивные системы) представляют frontier analytics решения. Адаптивные системы совмещают предвестниковое, Bayesian analytics, економические модели, и учащ, что управило и предвидело как к наиболее наилучшим образом ответьте к изменяя окружающей среде. Challenging аспект адаптивных систем находит новые правила принятия решений для того чтобы улучшить рабочие исходы в изменяя окружающей среде пока одновременно уменьшающ риск.

The categories presented in the decision analytics continuum are generally mutually exclusive but selectively employed together to address decisioning.

Категориями представленными в континууме analytics решения будут вообще взаимоисключени но селективно после того как они использованы совместно для того чтобы адресовать decisioning.