自从人类诞生以来,在改造自然,变革社会的漫长文明历程中,决策作为人类实践最重要的活动之一,始终扮演着举足轻重的作用。

作为管理学科的一个重要学派，决策管理学派把二战以后发展起来的系统理论、运筹学、计算机科学等综合运用于管理决策问题，形成了一门有关决策过程、准则、类型及方法的较完整的理论体系。获得过诺贝尔经济学奖的赫伯特·西蒙就是该学派的创始人之一，他认为“管理活动的中心就是决策”，“管理的各层次，无论是高层、还是中层和基层，都是在进行决策”。

然而，在数字化时代，由于信息爆炸、组织复杂度倍增，决策制定的难度和不确定性也相应呈指数级增长。为此我们邀请到了数势科技的产品负责人杜永青，为我们详细解读数势科技的智能决策GASO模型（目标Goal、分析Analysis、策略Strategy、优化Optimization），与大家共同探讨数字化时代的科学决策。

01 从人类的发展看决策方式的更迭

诺贝尔经济学奖得主、行为经济学之父丹尼尔·卡尼曼在他的《思考，快与慢》中提到了在人类大脑中决策的两个系统：常用的无意识的“系统1”依赖情感、记忆和经验可以迅速对眼前的情况作出反应，但容易出错；有意识的“系统2”基于记录的信息，通过调动注意力来分析和解决问题，它比较慢，不容易出错，但它需要消耗大量的成本，很少使用。

丹尼尔·卡尼曼提到的两个系统，恰恰是人类决策的发展方向，同时也揭示了影响决策发展的两个关键因素：信息记录和决策制定的方式。

【决策方式的变迁】

在物理时代，人类先后用结绳、竹简、纸张等媒介记录信息，信息分散且不完整，做决策的方式就如丹尼尔·卡尼曼所说的“系统1”，依赖情感、记忆和经验在做决策，决策完之后的业务执行都是人工线下执行业务流程。

到了信息化时代，我们已经实现了业务流程驱动的业务在线运行，信息记录的方式也转变为了电子文档或数据库，但信息依然散落在不同的业务系统中，数据不能融通，缺少基于大数据的智能分析和算法建模，人们决策的方式依然依赖于经验。

当前已经进入到数字化时代，信息记录的方式变分散为统一，而且所有业务数据都集成到了统一的数据中心中，通过诊断、归因、预测、运筹优化等技术，辅助人类进行决策。不过这个时代的业务执行依然以人工为主。

再往后，就如之前的文章中，我的同事梦溪所说，我们会迈入智能化时代，到那时我们周遭所有的一切，都会通过各式各样的传感器变成数据，集成到统一的超级数据中心，算力和算法空前发达，机器自学习可以自动决策，同时机器可以智能化自动化地去做业务执行。

02 如何避免决策中的陷阱

从人类决策方式的更迭中我们可以看到，这是一个由经验决策到机器辅助决策再到机器自动决策的过程。这种演进过程的本质是让人类规避决策中遇到的陷阱。

麦肯锡前资深合伙人、巴黎高等商学院教授奥利维耶·西博尼在他的代表作《偏差》中提到，人类在做出决策时会出现五种偏差，这五种偏差导致了人们犯下各种决策错误。它们包括：第一类，模式识别偏差，比如归因谬误、光环效应、幸存者偏差；第二类，惯性偏差，比如锚定效应、损失厌恶；第三类，利益偏差，比如管理短视、不作为问题；第四类，社会偏差，比如倾向于同意身边的人、极端观点；第五类，行动导向偏差，比如计划谬误、过度自信。

这五类偏差，都属于上文提到的“系统1”带来的问题，比如“利益偏差”，我们可以理解为是人们在决策过程中对目标的忽略，从而造成了管理短视、不作为等问题。比如“惯性偏差”会导致人们在决策中对问题的诊断出现偏差，而“模式识别偏差”又导致对问题的归因出现偏差，从而使得后续的预测出现偏差，这一部分可以看作是在整个分析环节出现了问题。最后“行动导向偏差”又使得决策的策略出现问题，而在错误的策略执行之后如果没有复盘和优化，偏差将越来越大。

那么如何防止决策偏差，避免决策陷阱？最简单的办法就是利用海量客观真实的数据，加上强大的算法和算力，通过机器的智能决策帮助我们实现理性决策，达到丹尼尔·卡尼曼所说的“系统2”。

而我们理解的智能决策就是采用智能分析和算法模型，进行解决方案的设计、实施以及后续不断优化的过程。相应的，我们的智能决策GASO模型，则分为目标拆解、分析诊断、策略制定和迭代优化四个环节，可以帮助企业实现智能决策驱动的数字化经营模式。

03 详解GASO智能决策模型

【智能决策GASO模型】

第一步是目标。目标往往是人们做决策和执行时最容易被忽视的部分，因为我们常常会陷入执着于手段而忘记目标的误区中，在解决问题的道路上越走越偏，越是用力，最后偏离的越远。为了避免这样，决策过程中涉及的数据收集、分析、策略制定等都要围绕目标展开。

为了更好的落地执行，我们要对目标进行拆解，把目标拆解成更容易落地的子目标，让目标和手段（也就是策略）的关联性更大，这样就不容易跑偏。拆解目标之后要确定达成每个目标的衡量指标，这点类似于OKR。目标拆解和确定衡量指标是目标这一环节首要的两个事情。

下一个环节是分析。分析工作的核心内容是“发现问题，解释现在，预测未来”，目的是为制定策略做准备。确认目标之后，我们首先要找到阻碍目标达成的问题。问题的本质是现状与预期的差距，可以分为两种类型，第一种是现状与标准的偏差，标准可以是阶段历史常态，也可以是参照物数据；第二种是现状与期望的偏差，期望来自于目标或计划。找到问题之后，需要对问题进行归因分析，找到问题的根因，为从根本上解决问题做准备。

再往后是预测分析，也可以分两种类型，一种是预测事件未来情况，以采取防范措施，比如根据下周销量预测值进行提前补货准备；一种是预测潜在措施（如基于根因采取的决策行动）的影响，比如假设商品售价提高20%之后，预测下周的销量。

举个例子，假设我们的目标是提升GMV，拆解后的子目标之一是提升新客的数量。通过前后数据的对比，我们诊断发现导致新客数量提升缓慢的原因是某平台信息流渠道的新客数量增长停滞，甚至出现下降的情况。

那么为什么会出现这个问题，我们再做归因分析，不断探寻问题的根因，比如我们发现下降的原因是转化率降低了，转化率降低的原因可能是广告素材的问题，再继续下探是因为目标受众对于广告素材产生了审美疲劳，从而导致了转化率的下降。

然后我们还可以根据转化漏斗再进行下探，即便用户被广告素材吸引到了落地页，依然没有转化为订单，这个我们发现是因为落地页的产品价格已经不具优势了。根因找到了，下一步还需要对该渠道来源的用户偏好相关信息进行预测，比如偏好的商品类型和素材内容，再比如不同价格下的订单转化比例。最后我们基于根因和预测内容，配置相应的个性化内容推荐、定价等策略。通过这个例子我们可以看出，分析是策略制定的基础。

再下一个环节是策略，这个环节就是基于目标和分析结果，结合人类知识经验和机器学习、运筹优化等算法模型，制定合理的行动方案。策略制定环节，包含策略设计、选择、仿真等内容；我们熟悉的人货场时匹配、智能补货等内容都属于策略设计内容，而策略选择往往容易忽略，尤其是涉及多策略的组合优化。

还是继续上面的例子，通过分析得出我们的策略会有三个，第一是更新素材，第二是调低落地页商品价格，第三是增加新人券的优惠力度。那么这三个策略是同时进行还是单个进行还是两两组合，这就需要进行策略的组合优化，因为这里还涉及了“成本”这一限定条件。

当前随着业务决策场景越来越复杂，需要全局优化的场景越来越多，比如平台用户运营场景中，为了保证不过度骚扰用户，一个用户每天策略触达次数一般会被限制，导致需要触达用户的策略数远高于限制次数，这时候需要从全局视角对策略和单用户限制次数进行组合优化，以达到全局转化最优。

最后环节是策略实施之后的优化。这个环节就要通过不同策略结果数据的实时反馈，对策略进行复盘沉淀或优化。比如通过A/B测试我们发现某个新的广告素材+优惠力度更大的新人券，这套策略组合在成本相同的情况下效果更好，我们就把这个策略组合沉淀成模板，加大策略的执行规模或以备下次使用。

或者通过不断地策略组合或A/B测试，我们发现都没有好的效果产生，那么我们就再对某一策略进行优化，比如投放更多不同的广告素材，或者将新人券的金额增大等等，直到最优的效果产生，以实现我们最早设定的子目标，即提升新客数量。这就实现了从目标到分析到策略到优化再回到目标的智能决策闭环。

一家企业机构的决策能力是其竞争优势的重要来源，而如今的数字化时代对这项能力的要求也越来越高。Gartner预测在未来两年，三分之一的大型企业机构将使用智能决策实现结构化决策，进而提高竞争优势。

数势科技的企业数字大脑（EDB）正是基于先进的GASO智能决策模型设计的。EDB是AI和知识驱动的智能决策平台，包含从目标拆解、分析诊断，策略制定到策略优化的四大核心能力，助力企业在经营分析、用户运营、供应链优化等领域实现数字化升级，打造业务增长新引擎。由于篇幅所限，我们将在之后的文章中为大家详细介绍数势企业数字大脑相关产品。