Decision Intelligence: From Data to Action at Enterprise Scale

ในปี 2018 Google ทำสิ่งที่ไม่คาดคิด: พวกเขาสร้างตำแหน่งงานใหม่โดยสมบูรณ์ Cassie Kozyrkov กลายเป็น นักวิทยาศาสตร์การตัดสินใจคนแรกของบริษัท — ไม่ใช่นักวิทยาศาสตร์ข้อมูล ไม่ใช่ผู้อำนวยการฝ่ายวิเคราะห์ แต่เป็นคนงานที่มีหน้าที่ชัดเจนในการช่วยให้บริษัทตัดสินใจได้ดีขึ้น

ทำไม? เพราะ Google ได้เข้าใจว่าอะไรส่วนใหญ่ขององค์กรยังไม่ได้เข้าใจ: มีข้อมูลไม่ใช่แค่ข้อมูลเท่านั้น พวกเขามีข้อมูลจำนวนมาก อาร์มี่ของนักวิทยาศาสตร์ข้อมูล และอินฟราโครงสร้าง ML ที่ดีที่สุด แต่พวกเขาก็ยังเห็นรูปแบบเดียวกัน: การวิเคราะห์ที่ยอดเยี่ยมที่ไม่มีใครดำเนินการ แผนภูมิแบบ dashboard ที่ไม่มีใครเปลี่ยนพฤติกรรมเพราะของ AI ที่ผลิตข้อมูลเชิงลึกที่ไม่มีผลกระทบ

"ความฉลาดในการตัดสินใจคือศาสตร์ที่จะเปลี่ยนข้อมูลให้เป็นการกระทำที่ดีขึ้นในวงกว้างในสถานการณ์ใดๆ ในทุกๆ สถานการณ์"

นี่ไม่ใช่แค่ชื่อใหม่สำหรับแนวคิดเก่าๆ ความฉลาดในการตัดสินใจแสดงถึงการเปลี่ยนแปลงพื้นฐานในความสัมพันธ์ระหว่างข้อมูล การวิเคราะห์ และการกระทำ หากคุณอ่านคู่มือของเราเกี่ยวกับ การมีส่วนร่วมในการตัดสินใจ คุณก็เห็นด้านมนุษย์ของสิ่งนี้ — 240 ปีของการวิจัยจาก Condorcet ไปยัง Google Project Aristotle ที่พิสูจน์แล้วว่าความหลากหลายของมุมมองซึ่งถูกนำมารวมกันจะชนะความสามารถในการตัดสินใจของแต่ละบุคคล

ความฉลาดในการตัดสินใจจะพัฒนาขึ้นจากฐานนี้และถามว่า: อะไรจะเกิดขึ้นเมื่อเรารวม AI การวิเคราะห์เหตุผลทางสาเหตุ และวงจรการให้ข้อมูลกลับมา?

ปัญหาที่ $3.1 Trillion: ข้อมูลเชิงลึกที่ไม่มีผลกระทบ

มีจำนวนหนึ่งที่ควรทำให้ประธานบริษัทตื่นตกใจ: 65% ขององค์กรยังคงใช้ข้อมูลอย่างเลือกสรรเพื่อสนับสนุนการตัดสินใจที่พวกเขากำลังดำเนินการ แทนที่จะให้ข้อมูลจริงๆ ขับเคลื่อนการตัดสินใจ (Gartner 2024) พวกเขามี dashboard Business Intelligence พวกเขามีทีม Data Science แต่ข้อมูลไม่ได้เปลี่ยนพฤติกรรม

นี่คือปัญหาที่ความฉลาดในการตัดสินใจแก้ไข ไม่ใช่โดยการเพิ่ม dashboard หรือการเพิ่มโมเดล ML แต่โดยการออกแบบวงจรทั้งหมดจากข้อมูลไปสู่การกระทำไปสู่การวัดผล

ประวัติอย่างสั้นๆ: จากการออกแบบการตัดสินใจไปสู่ความฉลาดในการตัดสินใจ

รากความคิดที่มีแนวคิดของความฉลาดในการตัดสินใจมีต้นกำเนิดมาจากช่วงปี 1950s — ช่วงเวลาเดียวกับที่ให้เรา AI การวิจัยทางปฏิบัติ และงานวิจัยของ Herbert Simon ที่ได้รับรางวัลโนเบลเกี่ยวกับความสามารถในการตัดสินใจที่มีขีดจำกัด แต่การออกแบบที่สมัยใหม่เกิดขึ้นจากสองเส้นทางที่แยกออกมา:

การรวมกันเกิดขึ้นเพราะทั้งสองเส้นทางตกอยู่ในสถานการณ์เดียวกัน: ความซับซ้อนทางเทคนิคที่ไม่มีผลกระทบต่อการตัดสินใจ งานวิจัยของ Pratt แสดงให้เห็นว่าทำไม (การวิเคราะห์เหตุผลทางสาเหตุไม่เพียงพอ) งานวิจัยของ Kozyrkov แสดงให้เห็นว่าจะแก้ไขได้อย่างไรในวงกว้าง

ธุรกิจอินเทลลิเจนซ์ เทียบกับ วิทยาศาสตร์ข้อมูล เทียบกับ อินเทลลิเจนซ์ในการตัดสินใจ

วิธีที่ดีที่สุดในการเข้าใจ DI คือการเปรียบเทียบ นี่คือวิธีที่สามศาสตร์แตกต่างกัน:

ข้อค้นพบหลัก: DI ไม่ได้แทนที่ BI หรือ Data Science — แต่จะทำให้พวกมันสมบูรณ์ BI ให้ข้อมูลเกี่ยวกับบริบทในอดีต Data Science ให้การคาดการณ์ DI เพิ่มการวิเคราะห์เหตุผลทางสาเหตุ การคำนวณการกระทำ และวงจรการให้ข้อมูลกลับมา

กรอบความฉลาดในการตัดสินใจ

ในตัวมันเอง DI มีการทำงานบนแบบจำลองที่ง่ายและทรงพลัง:

ดูเหมือนว่าคล้ายกับวงจร OODA (สังเกต-จัดแนว-ตัดสินใจ-กระทำ) จากยุทธวิธีทหาร แต่มีความแตกต่างที่สำคัญ: ขั้นตอน เรียนรู้ วงจร OODA ได้รับการออกแบบสำหรับการตัดสินใจแบบเรียลไทม์ในการรบ ซึ่งไม่สามารถหยุดเพื่อวัดผลลัพธ์ได้ อินเทลลิเจนซ์การตัดสินใจได้รับการออกแบบสำหรับการตัดสินใจขององค์กร ซึ่งสามารถและ ต้อง เรียนรู้จากผลลัพธ์อย่างเป็นระบบ

แผนภูมิการตัดสินใจเชิงสาเหตุ: การมองเห็นแผนที่สาเหตุและผล

ใจกลางของอินเทลลิเจนซ์การตัดสินใจคือ การให้เหตุผลเชิงสาเหตุ — การเข้าใจไม่เพียงแต่สิ่งที่สัมพันธ์กับสิ่งอื่น แต่ยังรวมถึงสิ่งที่ทำให้เกิดสิ่งอื่นด้วย นี่คือความแตกต่างระหว่าง:

แผนภูมิการตัดสินใจเชิงสาเหตุแสดงให้เห็นถึงความสัมพันธ์ระหว่างสาเหตุและผล นอกจากนี้ยังแสดง:

• เป้าหมาย: ผลลัพธ์ที่เราต้องการบรรลุ
• แนวทางปฏิบัติ: สิ่งที่เราสามารถทำได้
• ขั้นตอนกลาง: ห่วงโซ่ของผลกระทบระหว่างแนวทางปฏิบัติและเป้าหมาย
• ปัจจัยภายนอก: ปัจจัยที่เราไม่สามารถควบคุมได้ แต่ต้องคำนึงถึง

"ดีกว่าที่จะจัดระเบียบข้อมูลรอบๆ การตัดสินใจที่จะทำ ไม่ใช่รอบๆ ข้อมูลที่ล้อมรอบการตัดสินใจ"

ที่ที่ AI ติดตั้ง: การเพิ่มประสิทธิภาพ ไม่ใช่การแทนที่

นี่คือจุดที่ Decision Intelligence แตกต่างอย่างชัดเจนจากทั้ง "AI จะทำให้การทำงานของมนุษย์หมดไป" และ "มนุษย์ต้องตัดสินใจเสมอ" ทฤษฎีเก่า

Netflix เป็นตัวอย่างที่สมบูรณ์แบบ พวกเขามีเครื่องมือแนะนำ (AI) ที่ประมวลผลพฤติกรรมดูหนังของลูกค้า 300 ล้านราย พวกเขาคาดการณ์ว่า House of Cards จะประสบความสำเร็จก่อนที่จะถ่ายทำตอนแรก แต่มนุษย์ — ผู้บริหารสตูดิโอ — ตัดสินใจจริงๆ เพื่อ greenlight การผลิตมูลค่า 100 ล้านเหรียญสหรัฐ

80% ของเนื้อหาที่ดูบน Netflix มาจากเครื่องมือแนะนำ แต่ Netflix ยืนยันว่า "มนุษย์ ไม่ใช่เครื่องจักรที่ตัดสินใจสุดท้าย"

คลื่นการยอมรับในปี 2025-2030

Decision Intelligence ได้เปลี่ยนจากทฤษฎีทางวิชาการไปสู่การยอมรับในองค์กรได้เร็วขึ้นกว่าหลายสาขา:

Gartner AI Hype Cycle ปี 2025 ยอมรับว่า Decision Intelligence เป็นเทคโนโลยีการเปลี่ยนแปลงที่สำคัญ — โดยมีการยอมรับปัจจุบันอยู่ที่ 5-20% และการยอมรับหลักในวงกว้างจะคาดว่าจะเกิดขึ้นภายใน 2-5 ปี องค์กรที่สร้างความสามารถ DI จะมีกระบวนการและความรู้ขององค์กรที่ดีขึ้นเมื่อ DI กลายเป็นข้อกำหนดพื้นฐาน

จาก Collaborative Decision Making ไปยัง Decision Intelligence

หากคุณได้อ่าน Collaborative Decision Making guide คุณจะรู้จักฐานรากของ DI ที่สร้างขึ้น:

คิดว่ามันอย่างนั้น: CDM คือฐานที่มีศูนย์กลางของมนุษย์; DI คือระบบที่ได้รับการเสริมสร้างด้วยเทคโนโลยีที่สร้างขึ้นบนฐานนั้น คุณไม่สามารถมี DI ที่ดีได้โดยไม่มีหลักการการตัดสินใจแบบมีศูนย์กลางของมนุษย์ แต่คุณสามารถขยายความสามารถของ CDM ได้โดยการเพิ่มความสามารถของ DI

วิธีการที่ Argumentree นำไปใช้ Decision Intelligence

Argumentree นำหลักการของ Decision Intelligence ไปใช้กับการตัดสินใจในองค์กรจริง แทนที่จะรักษาการตัดสินใจเป็นเหตุการณ์หนึ่งครั้ง Platform สร้างระบบการเรียนรู้ต่อเนื่อง:

ผลลัพธ์: การตัดสินใจทุกครั้งจะกลายเป็นโอกาสในการเรียนรู้ ทีมงานสร้างความทรงจำขององค์กร สมาชิกใหม่สามารถเข้าใจได้ว่า อะไร ถูกตัดสินใจ และ ทำไม และว่าเหตุผลนั้นจะยืนยันหรือไม่

คู่มือที่สมบูรณ์

บทความนี้ครอบคลุมข้อพื้นฐานของ Decision Intelligence สำหรับข้อมูลที่ครอบคลุมทั้งหมด รวมถึงโครงสร้างของเฟรมเวิร์ก การนำไปใช้แบบแผน การสร้างแบบจำลองสาเหตุ และการรวมเข้ากับระบบ BI/DS ที่มีอยู่ — ดูสิ่งที่สมบูรณ์แบบ: