无处不在的决策
在我们的一生中，会做出无数的决定或决策，有关于个人生活的，也有工作专业相关的，这发生在我们的每一天中。在这些决策中，有一些无关紧要，有一些却会产生长期影响，乃至导致颠覆性的结果。
午餐吃中餐还是西餐？
应该向2年的老客户还是5年的老用户推送促销？
如何减少修理损坏设备的时间？
虽然有时候做一个决定比不做决定要好，但我们还是希望能做出最好的决定。为了做出最好的决定，我们会依赖经验和已获取的信息。如果我们在某个领域具有相关的经验，那么我们可以很快地做出决策；如果我们在这个领域缺少相关经验或者信息很少，通常就需要花费更多的时间去评估多种可能性，进行一些计算并权衡利弊。
生活中，我们不断在做各种决定。当需要在短时间内做出大量决定，或者可获得的数据是很有限的（或者反之，数据量非常巨大），这时就需要自动化决策来帮助我们了。那我们如何大规模地做出明智的决策呢？
没有历史数据的场景
一个全新的产品；应该在马萨诸塞州还是在加利福尼亚州备更多的货？
在没有历史数据的场景中，我们可以依靠直觉，经验，或者对现状进行分析来制定决策。
直觉从本质上讲就是一种内心的感觉：通常情况下，这么去做是可以得到想要的结果的。直觉如果正确的话，可以将其规范为具体的流程，或者是业务规则。形成流程或者业务规则后，就可以不断通过实际情形来验证并持续改进。
经验是根据过往一系列事实而总结构建出来的知识，并且可以在遇到类似情况时，运用该知识来可预期地获得较好的结果。这些知识有时候储存在人们的大脑里，有时候也会体现在一些手册中（这种情况下，已经完成了规范化）。
现状分析：在没有任何先验知识的情况下，需要根据现有获得的信息来制定临时的决策。这些临时决策也可以被规范化，然后在测试环境乃至生产环境中使用他们，并在每一次使用时比较实际结果和预期结果，来实现不断精确和优化。
上述三种情况下所做的决策，我们都需要规范化这些决策。我们可以用一些常见的方法来描述它们，比如一份文本文档，若干决策表或决策树，或者借助通用的标记符号体系（如DMN，一种OMG标准）来描述决策。
在测试环境模拟这些决策，然后再应用到真实环境，通过持续监控决策结果来不断优化决策，将会从整体上提高决策的业务表现。
有历史数据的场景
草莓蛋糕去年卖得很好，但是和蓝莓蛋糕相比还是差一些。是否应该低价向客户捆绑销售这两个产品？
当有少量历史数据时，可以比较容易地做出合适的决策。但更常见的是，有着大量的数据，这时使用BI (Business Intelligence) 工具就可以帮助我们理解发生了什么以及发生的原因。这一切归功于BI工具的图形化展示和数据操作功能，允许了对数据进行切片以及其他处理。
使用历史数据的这些模型，可以帮助我们将决策规范化，规范的方式与没有历史数据的场景相似。
而这些模型也可以用来进行预测性分析乃至规范性分析。
预测性分析
当有大量的可用历史数据时（越多越好），就可以使用预测性分析来建立预测模型：主要是使用统计方法来梳理数据并识别模式。出现频率高的模式更容易被识别。BI的结果（如果有）可以用来指导预测分析算法，有助于找到合适的相关关系。
成功建立预测模型后，可将模型应用于未来的判断，依以往经验可以预测出相应的结果。使用预测模型建立业务规则，可以实现自动化决策的目的。
通常，所得出的业务规则可以通过现有的知识或者未来获得的知识来优化，这些知识既可以是人的经验，也可以是其它具有更好效果的预测分析。
规范性分析
当预测分析得出的模型在多个模拟场景中使用时，我们最终会得到多个可能的结果，而其中的一些可能会比其它结果更为理想（我们这里是指业务表现）。
在不断地得到新的历史数据的情况下，我们可以不断地生成预测模型，并持续地优化模型，使得模型不断适应新的情况。
基于历史数据（辅以可能的经验知识），可以获得一系列的决策规则，根据相应决策规则可以得到最优化的预期结果，从而制定了一种可以指导人们如何做某件事情或者让某种结果发生的方法，而这，就是真正的规范性分析。
对要达成特定目的的决策进行智能化的建议，这是一个非常伟大而具有吸引力的想法：做出决策时，直觉、经验和知识不再割裂开来，而是同时运用它们。并且随着时间的推移，这些建议也随之发生变化，从而可以快速得到最优结果。
做出明智的决策
人类已经具备基于不同时间的多种因素做出决策的能力（有意识或者无意识的）。
如果把这种决策能力拓展到企业的战术和战略层面，就需要用到规范性分析，这也就需要知识、经验和大数据的支持。届时，我们便能够略感宽慰，因为我们制定的决策，已经是根据我们所拥有的一切而做出的最优决策了。
那么，我是该去吃中餐，还是西餐呢？
