決策科學是企業數據科學中最有趣的領域之一，但它需要成為組織所構建的數據科學生態系統的一部分。
數字化轉型的共同目標之一通常被描述為“成為一家數據驅動型公司”。無論是商業智能、預測分析還是機器學習，使用客觀數據而不是直覺來驅動決策都是企業越來越多談論的話題。
挑戰很多。并不是所有的大型組織都足夠靈活地充分利用數據驅動的決策，或者足夠熟練地大規模收集可靠數據并提出正確的問題。在年度NewVantage Partners大數據研究中，大多數高管都希望通過數據做出更好的決策，但只有三分之一的高管認為他們的公司擁有數據驅動的文化。
數據并不能解決所有問題。你的數據可能不會告訴你一個成功的產品可能會更好，因為數據會表明它已經成功了。
做出數據驅動的決策就是提出正確的問題，并擁有正確的數據來獲得答案。下面你將全面了解所謂“決策科學”（或“決策智能”）。
Google決策智能負責人Cassie Kozyrkov將決策科學描述為：將以前孤立的學科中的工具和觀點結合起來，并將其應用于選項之間進行選擇的各個方面，以減少基于事實，做出更高質量決策所需的行動。她寫道：“它將應用數據科學、社會科學和管理科學的精華整合到一個統一的領域，來幫助人們使用數據改善生活、業務以及周圍的世界。”
這與行為經濟學（behavior economics）和計算機科學（computer science）與經濟學（economics）的交叉領域EconCS有相似之處，前者是預測市場行為并使用激勵機制來改變市場，后者是Microsoft用來設計Bing廣告拍賣、Azure云定價和Xbox游戲營銷的。
但是決策科學并沒有那么廣泛的關注點；它是通過預測決策的結果，用數據和算法來解決特定的業務問題。
預測決策結果的這一方面是決策科學和數據科學之間的一個關鍵區別。
Microsoft高級首席研究員Greg Lewis解釋說：“決策科學是將理論和數據結合起來，預測個人或組織做出改變環境的決策后會發生什么。”它是幫助決策者找到正確選擇的水晶球。
Lewis說，另一方面，數據科學是預測如果你不采取任何措施來改變系統，接下來會發生什么。“例如，數據科學可能被用來計算出，以目前的速度，一家商店的存貨即將耗盡；但是決策科學將有助于決定是購買更多的存貨并保持價格不變，還是提高價格以使目前的存貨充足。”
盡管如此，LinkedIn數據科學總監Chi-Yi Kuan指出，決策科學仍然是數據科學的一部分，直到最近他還是公司的決策科學解決方案團隊的負責人。他將其概括為“定量分析和用于指導和推動決策的技術”。
“在數據科學領域，我們做了很多工作來理解發生了什么，歷史是什么——這就是描述性分析。然后，診斷分析進行深入研究，以了解為什么會發生這種情況。當我們變得更先進時，我們就可以做預測分析：未來會發生什么？在流行術語中，我們稱之為人工智能和機器學習的都是關于預測和預測的：規定性分析是關于什么是最好的選擇。
數據科學是要從原始數據轉變為有意義的數據洞察；決策科學應用于為決策者提供的建議。“數據科學的工作是在生態系統中做出更好的決策，幫助公司成長。在決策科學中，重點只放在決策上，”他說。
決策科學的原則應該為管理人員所熟悉，因為它們已經被用于運營領域。但是從領域專家那里獲得業務見解，這些專家根據他們的經驗（和有限的數據量）提供建議，速度太慢，成本太高，無法用于每一個決策。Kuan表示，決策科學使利用實時數據的能力民主化。“我們想讓它具有可擴展性。我們希望公司的每個人都能做出數據驅動的決策：這不僅僅是高管的事，而且是一個巨大的改變。”
這意味著不僅僅是擁有一個數據科學團隊。這意味著賦予人們使用數據進行決策的權力。Kuan說：“很多公司都有稱之為數據科學團隊的隊伍，但沒有賦予他們權力，也不信任他們提出建議。”
他認為，除非你將數據轉化為決策，否則數據是無用的。這意味著要授權給那些擁有需要評估的數據和需要解決的業務問題的人們使用數據來幫助他們做出決策。
Kuan提供了一長串適用于決策科學的示例：產品的A/B測試、營銷活動績效評估、銷售客戶生命周期智能，以及改善客戶體驗的客戶服務機會。
結果可能不是一個單一的選擇，而是一系列的選擇：“在數字世界中，我們可以做大量的A/B測試，并對結果做出決定，”他說。LinkedIn的幾乎每一個產品決策都會作為一個實驗交付給一小部分用戶，產品團隊可以看到這些變化如何影響KPI和其他指標。
LinkedIn廣泛應用決策科學，從尋找合適的電子郵件細分成員到客戶支持，再到使用文本分析來了解成員反饋，再到新聞提要，它選擇確保日常成員獲得更多的曝光率，因為評論和喜歡對于他們與平臺的接觸，比他們對像Bill Gates 和 Richard Branson這樣的名人更重要。
員工會進行大量臨時分析（ad-hoc analyse），看看是什么推動特定業務指標發生變化；這些都可以通過分析門戶網站獲得，這樣數據科學團隊就可以花更多的時間進行由問題和假設驅動的分析，這有助于業務團隊做出決策。
Kuan指出，做出決定后，數據科學還沒有完成。他說：“做出決策后，數據科學之旅將繼續衡量我們所從事的工作所產生的影響，以及我們從所做出的決策中學到的東西，并通過實驗不斷加以改進。”
這是與決策科學的另一大區別：“按照過去的方式，當你做決定時，它基本上已經完成了；你沒有任何機會（在未來）改進，”Kuan說。“跟蹤這些數據驅動型決策的影響，使公司有機會從失敗中吸取教訓并成長。”
但決策科學不僅適用于像LinkedIn這樣的數字公司。Lewis解釋說，決策科學帶給你的是一個更好的決策過程。
他說：“實踐中決策科學的一個最好的例子是A/B實驗的興起，在這種實驗中，組織系統地嘗試兩種不同的方法，看看哪種方法對客戶的效果更好。”“這里的很多附加價值是，運行A/B實驗會迫使團隊澄清什么是成功，什么可能是他們現在所做工作的一個好的替代方案，并建立一個持續更新策略的流程。”
這樣一來，您就不會陷入困境，即使您無法交付兩種版本的產品，您仍然可以做到。Lewis說：“那時，基于現有客戶數據的經濟學，博弈論和因果機器學習將向前發展，以提供其他方式來預測如果選擇了新的方向可能發生的事情。”
決策科學不是你要做的，數據科學才是；它是你如何使用數據科學來指導組織決策的方式，它需要數據科學家和理解決策的人。
OnePath的CTO Patrick Kinsella說：“決策科學是數據科學成果的應用，并與利益相關者行為和問題的業務環境相結合。”實施決策科學需要的不僅僅是采用數據科學工具，這些工具可以從數據中創建模型、得出結論和預測結果。“組織必須確定能夠評估決策行為影響的個人團隊。這些人通常在通過組織轉型、并購整合或重新定義核心價值觀進行變革管理方面經驗豐富。”
Kuan強調招聘不僅僅是為了數據科學方面的專業知識。LinkedIn的數據科學家需要統計專業知識，這樣他們就可以設計實驗，知道如何衡量他們是否成功。他們需要知道足夠多的機器學習，以便將業務問題形式化為機器學習問題，而不將相關性誤認為因果關系。他們需要充分了解數據的業務背景，以便能夠對其進行解釋、清理并將其轉換為可用的內容。他們需要能夠展示他們的發現并解釋它們是如何被創建的。
“我們的目標是從分析中獲得洞察力，并有效地影響關鍵決策，從而推動業務影響，”Kuan解釋道。
Lewis推薦了一個由經濟學家、統計學家和數據科學家組成的團隊模式。“經濟學家找出需要衡量的東西，以便更好地了解下一步會發生什么；統計學家弄清楚如何衡量的方法；數據科學家建立基礎設施和工具，以便進行大規模、定期和可靠的衡量。”
SADA的CTO Miles Ward說，也不要忘記基本要素。“如果你的數據來源和質量都沒得到驗證，不可訪問，也不容易查詢，那么做出決策將是偶然的。所以，如果你還沒到，就從這開始。”
