每个项目都有一些需要共同协作并使项目落地的相关者。对于包含决策模块或基于很多决策的项目，同样也是如此。这类项目会像任何项目一样，会遇到不同人员各自为政，互相缺乏沟通的问题，我们称之为“孤岛效应”。这无疑会阻碍项目的成功。
团队如何使用共同语言构建决策？
为了使团队能够就决策的制定达成共识，需要使用统一的方法和语言来描述这些决策，以便于决策在整个组织中被接受。有几种常见的方法用于描述决策：自由形式文本，格式化文本，表格，业务流程模型（Business Process Model, 简称BPM）或其他方法。
自由形式文本可用于描述使用自然语言或伪代码表达的决策。自然语言每个人都可以理解，但经常比较冗长，而且会包含来自于不同团队的内部术语，这肯定会让团队之间的沟通产生问题。而对于伪代码而言，它需要有足够的表达体系来精确地描述所有情况。但是事实经常是，鱼与熊掌不可兼得，伪代码常常无法保证被组织中的每个人都理解并得到一致地使用。尽管如此，自由形式文本还是普遍被采用，因其易于开始。
格式化文本是自由形式文本的一个变体：你会用软件内部规定的规范语言来表达，这种方法能确保所有设计决策的人都使用一致的表达方式。这通常由一组预先填充或自定义语句的模板来实现。
表格常用于描述决策，通常称之为决策表，它提供了相当简洁的方式：在最简单的形式中，决策的所有输入字段名称都出现在表头，而该决策的输出字段出现在最后一列; 输入和输出的值在表的单元格中显示。
为了使团队能够就决策的制定达成共识，需要使用统一的方法和语言来描述这些决策，以便于决策在整个组织中被接受。有几种常见的方法用于描述决策：自由形式文本，格式化文本，表格，业务流程模型（Business Process Model, 简称BPM）或其他方法。
自由形式文本可用于描述使用自然语言或伪代码表达的决策。自然语言每个人都可以理解，但经常比较冗长，而且会包含来自于不同团队的内部术语，这肯定会让团队之间的沟通产生问题。而对于伪代码而言，它需要有足够的表达体系来精确地描述所有情况。但是事实经常是，鱼与熊掌不可兼得，伪代码常常无法保证被组织中的每个人都理解并得到一致地使用。尽管如此，自由形式文本还是普遍被采用，因其易于开始。
格式化文本是自由形式文本的一个变体：你会用软件内部规定的规范语言来表达，这种方法能确保所有设计决策的人都使用一致的表达方式。这通常由一组预先填充或自定义语句的模板来实现。
表格常用于描述决策，通常称之为决策表，它提供了相当简洁的方式：在最简单的形式中，决策的所有输入字段名称都出现在表头，而该决策的输出字段出现在最后一列; 输入和输出的值在表的单元格中显示。
决策表示例
这种表达方式对于定义决策的输入和输出很直观，能确保不错过任何与这些输入和输出相关的事项。如果决策中的字段和属性足够简单的话，那么团队的每个人都容易理解。然而，这种方式的缺点是难以显示例外情况（即便对于很常见的例外情况），有时也可能有点冗余。为了解决这最后一个问题，可以使用变体，例如决策树或决策图（能将一部分有相同值的行以节点的形式汇集在一起）。
决策树示例
决策图示例
业务流程模型（BPM）是用来描述业务流程的； OMG（Object Management Group国际对象管理组织）目前为业务流程模型提供了一种标准化的图形化表达方式：业务流程模型标记法（Business Process Model Notation，简称BPMN）。通过适当的培训，组织的所有利益相关者可以以相同的方式描述并共享流程，包括业务规则。然而，BPMN的缺点是业务规则仅仅是以任务的形式来呈现，除BPMN之外，还需要一种方法来表示各种复杂规则。
一个组织也可能会提出自定义的图形符号，但OMG提供了一个更好的选择：决策模型标记法（Decision Model Notation ，简称DMN）。DMN以图形方式描述决策，而且牵涉到的概念较少，因此易于学习。它另外的优势在于有众多工具供应商的支持，从而使其更容易集成并确保规范得到正确应用。
下面，我们将介绍DMN使用的一些概念，以及如何将它们用于制定决策。
一个组织也可能会提出自定义的图形符号，但OMG提供了一个更好的选择：决策模型标记法（Decision Model Notation ，简称DMN）。DMN以图形方式描述决策，而且牵涉到的概念较少，因此易于学习。它另外的优势在于有众多工具供应商的支持，从而使其更容易集成并确保规范得到正确应用。
下面，我们将介绍DMN使用的一些概念，以及如何将它们用于制定决策。
DMN 基础
DMN标记法定义了4种基本模块：Decision（决策），Input data（输入数据），Business knowledge（业务知识）和Knowledge source（知识源）。它们以以下形式展现：
类似地，决策的输出可以作为另一决策的输入：因此，信息规范会要求将它们连接起来。
我们至少需要Decision和Input data模块，才能从顶层决策开始设计决策流程。通过定义其输入和输出，然后逐步添加更多的决策输出（如果需要）作为顶层决策的输入，来分解顶层决策；以此类推，直到决策流程达到合适的粒度。
请注意，在这个阶段，我们不涉及决策逻辑本身（以后会谈到）。
我们至少需要Decision和Input data模块，才能从顶层决策开始设计决策流程。通过定义其输入和输出，然后逐步添加更多的决策输出（如果需要）作为顶层决策的输入，来分解顶层决策；以此类推，直到决策流程达到合适的粒度。
请注意，在这个阶段，我们不涉及决策逻辑本身（以后会谈到）。
业务知识模型，知识源
业务知识模型模块代表封装的知识：基本上它是个能提供决策及知识的黑盒子。这可以是一套业务规则，决策表，分析模型等。决策模型图中的这些模块能表示决策是如何做出的（给定其输入和输出）。
知识源代表业务知识模型的权威引用或一个决策：这是获得实际业务知识的来源（手册，书籍，或某专项学科专家等）。
将业务知识模型连接到决策的链接称为知识引用。将知识源连接到业务知识模型或决策的链接称为权威引用。
业务知识模型模块代表封装的知识：基本上它是个能提供决策及知识的黑盒子。这可以是一套业务规则，决策表，分析模型等。决策模型图中的这些模块能表示决策是如何做出的（给定其输入和输出）。
知识源代表业务知识模型的权威引用或一个决策：这是获得实际业务知识的来源（手册，书籍，或某专项学科专家等）。
将业务知识模型连接到决策的链接称为知识引用。将知识源连接到业务知识模型或决策的链接称为权威引用。
来源: DMN Specification 1.0 (beta)
更近距离观察业务逻辑
然后，我们就需要实际描述业务逻辑，向这些业务知识模型（或直接针对这些决策）提供“肉”（具体的决策逻辑）。
然后，我们就需要实际描述业务逻辑，向这些业务知识模型（或直接针对这些决策）提供“肉”（具体的决策逻辑）。
DMN标准提供了另一种简单且众所周知的手段，以决策表的形式描述决策逻辑。决策表的内容可以是任何文本，但你也可以选择使用DMN的专用语言（FEEL）。
使用DMN图表来协作
DMN图表在项目生命周期中是不断进化的：随着新信息的发现和提供，它需要不断改进。因此，DMN图表需要不断更新，不仅是作为内部文件，同时也是作为项目成员间进行交流的一种有效手段。
包括业务分析师或IT团队在内，图表（和附加的业务逻辑）都可以用作实际设计决策的依据。类似地，如果需要对可执行的决策进行更改，那么这些更改需要同步到DMN图表中。
俗话说，一图胜千言。DMN，将决策可视化，使其易于理解和讨论。
DMN图表在项目生命周期中是不断进化的：随着新信息的发现和提供，它需要不断改进。因此，DMN图表需要不断更新，不仅是作为内部文件，同时也是作为项目成员间进行交流的一种有效手段。
包括业务分析师或IT团队在内，图表（和附加的业务逻辑）都可以用作实际设计决策的依据。类似地，如果需要对可执行的决策进行更改，那么这些更改需要同步到DMN图表中。
俗话说，一图胜千言。DMN，将决策可视化，使其易于理解和讨论。
原文作者：Marc Lerman
原文地址：https://www.sparklinglogic.com/talking-decisions-part-1/
https://www.sparklinglogic.com/talking-decisions-part-2/
https://www.sparklinglogic.com/talking-decisions-part-2/
-----------------------------------------------------
上海信数金融信息服务有限公司成立于2015年5月，是中国领先的金融科技公司。公司的产品包括新一代智能决策管理平台、企业级数据管理平台以及大数据征信服务等。
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。
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。
THE END
