如今，一些组织已经接受了决策管理的理念，他们将决策管理方法和技术应用在风险评估、反欺诈、资质认证以及收益最大化等领域，针对性的解决相应的问题。如果您之前有阅读过其他相关文章，您应该已经非常熟悉决策管理所带来的新的变革。
决策管理是使用可维护的方式将可重复的决策自动化地执行，这样决策就可以被持续地优化。
可以按使用业务规则管理系统（BRMS）的方式使用决策系统，但是决策系统又不限于此：决策系统可以建立在预测性分析技术的基础之上，也可以作为预测性分析技术和BRMS系统的结合。随着可以用于测试、决策优化、经验提取的数据日益增多，使得以决策为中心的应用能够将专家知识和数据进行更为深层次的有机结合，这在之前的几代应用中是没法实现的。
在本篇文章中，我们将主要介绍以决策为中心的应用从纯业务规则系统（BRMS）到规范性分析平台的迭代历程。
业务规则管理系统
业务规则管理系统采用以下的决策逻辑：基于给定的数据，做出对应的决策。BRMS系统试图清晰地描述制定决策的流程以及阐述决策制定的理由。BRMS系统的管理功能围绕两方面展开：存储和维护。一方面，决策将被存储在随时可调用的数据库中；另一方面，业务用户可以根据需要随时调整决策并快速部署。
决策逻辑是以业务规则集的形式呈现的，每一条业务规则由条件和行动组成。当条件为真，则该条规则命中，并执行对应的行动。用当前数据进行条件判定，然后根据行动修改对应数据。用于条件判断的数据可能会在其他规则的行动中被修改，这样就形成了一张“条件-行动“构成的网络，通常这也是我们所说的决策流程。
决策的设计通常涉及组织内现有的政策、法规和知识，并将对应的数据按照所需格式进行处理。
完成上面的步骤后，这些决策将会被编码进BRMS系统，为执行决策做好准备。
预测性分析
当存在大量可用的历史数据，或者使用了BRMS系统一段时间后积累了大量可用历史数据时，我们就可以基于这些数据建立预测性分析系统了，预测性分析系统可以用来预测未来某些事情发生的概率。
预测性分析系统使用数学方法来关联数据并建立模型，基于新数据来分析特定结果出现的概率。
预测性分析系统的输出可以用于建立与预测模型相对应的一些决策逻辑（位于BRMS系统中）。然后，通过对决策逻辑进行微调，就可以得到一些可维护的、基于数据（依赖于原始的历史数据）的业务规则。
总结一下，预测性分析系统因此在BRMS系统的基础上增加了两个新维度：经验和时间。
规范性分析
一旦设计好自动化决策，接下来一个关键的步骤是创建一些KPI (关键绩效指标)，这些KPI可用于度量和观察自动化决策的业务表现。
通过这些KPI指标，我们就可以判断一个决策是否产生了预期的业务值；同样地，如果对决策进行了修改，我们也可以通过KPI指标来观察修改后的决策有效性的变化（better or worse?）。
将业务KPI作为自动化决策的一个组成部分，并有效的结合模拟实验功能以及实时跟踪功能，我们将整套架构称之为“决策分析”。
通过预测模型和业务规则持续地衡量已实施决策的效度，并结合实际应用中的结果，同时进行冠军挑战者试验和运行模拟，我们就可以及时应对变化并持续地优化决策。
逐渐地，数据集的质量会得到提升，这使得基于现有决策进行更精细化的场景模拟成为可能。将这些数据集与不同的决策或同一决策的不同版本结合起来，我们就可以发现基于现有可用数据的前提下哪个决策会更合适。
总之，规范性分析平台拥有以下几种特点：
同时包含从机器学习和预测分析、以及从专家经验中获得洞察的能力
基于历史数据和实时部署进行试验或模拟，进而对决策的业务表现进行评估的能力
根据决策分析的结果进行决策优化的能力
根据决策分析的结果进行决策优化的能力
明策智能决策平台，是信数公司和美国硅谷公司Sparkling Logic合作研发的一款引领未来的智能决策管理平台，已经被包括PayPal、摩根大通、LTCG保险、京东金融、掌众金服、中望金服等超过100家国内外知名企业所采用。
Sparkling Logic是一家专业的智能决策引擎研发公司，由FICO Blaze Advisor创始团队建立于2009年，通过对规则引擎、智能决策的不断研究，致力于帮助商业、教育、非盈利和政府组织利用他们的数据和专业知识来更好地自动化决策，推动发展。
