2018年，谷歌做出了一个不寻常的举动：他们创造了一个全新的职位。卡西·科兹尔科夫(Cassie Kozyrkov)成为了公司的首位 首席决策科学家 —— 不是首席数据官，也不是分析总监，而是专门负责帮助组织做出更好的决策的人。
为什么？因为谷歌已经意识到大多数组织还没有意识到：拥有数据和有效利用数据是两回事。他们拥有大量的信息，拥有大量的数据科学家，拥有世界级的ML基础设施。但是他们仍然看到同样的模式：没有人采取行动的出色的分析， nobody 因为 nobody 改变行为的仪表板， AI 模型产生了见解但没有产生影响。
决策智能是将信息转化为任何规模、任何场景下的更好的行动的学科。
这不是对旧观念的新标签。决策智能标志着组织在数据、分析和行动之间关系的根本转变。如果您已经阅读了我们的 协作决策指南，您已经看到了这个等式的人类方面——从 Condorcet 到 Google Project Aristotle 的 240 年研究证明，经过适当聚合的多元视角会战胜个人判断。
Decision Intelligence 取得了这一基础，并问：我们在添加 AI、因果模型和系统反馈环时会发生什么?
《3.1万亿美元的难题：洞察力而无行动》
这里有一个数字应该让每个高管感到警觉：65% 的组织仍然选择性地使用数据来证明他们已经做出的决定, 而不是让数据真正驱动决策 (Gartner, 2024)。他们有商业智能仪表盘。他们有数据科学团队。但是数据并没有改变行为。
数据分析与行动的差距 数据分析师和决策者之间存在一个巨大的差距：他们知道应该做什么，但不知道如何做。
- BI 告诉你： "第三季度销售额下降了 12%。"
- 数据科学告诉你： "第四季度销售额可能会再下降8%。"
- 它并不会告诉你： 什么具体的行动应该采取，什么样的结果可能会出现，或者如何判断它是否有效。
麦肯锡估计这一分析行动差距每年使企业因数据投资而错失的价值高达3.1万亿美元。
这是决策智能解决的问题。不是通过添加更多仪表板或更多机器学习模型——而是通过重新设计从信息到行动到结果测量的整个流程。
一项简要的历史：从决策工程到决策智能
决策智能的概念根源可以追溯到 1950 年代 —— 那个时代也给了我们人工智能、运筹学和赫伯特·西蒙的有界理性工作的诺贝尔奖。 但现代学科从两个平行的轨道上产生出来： 1. 机器学习和统计学的发展：机器学习和统计学的发展为决策智能提供了基础知识和方法。 2. 人工智能和知识图谱的发展：人工智能和知识图谱的发展为决策智能提供了决策和推理的能力。
学术轨道
洛里恩·普拉特博士 (rutgers理学博士，前达拉伯研究院研究员) 在2010年首次提出了“决策工程”（Decision Engineering）这一概念，2012年改名为“决策智能”（Decision Intelligence）。她的工作将机器学习、因果推理和组织决策整合为一个合理的工程学科。
我们最初的术语是'Decision Engineering'，但它根本卖不出去。我们改变了所有的宣传材料和定位。
行业轨道
卡西·科兹尔科夫 (杜克博士,统计学家) 从 2018-2023 年建立了谷歌的决策智能功能。 她培训了数千名谷歌员工在 DI 方法中，坐在研究/ML 和运营业务之间。谷歌称之为 "决策智能工程。"
数据科学加上社会和管理科学。
这次收敛是因为两条轨道都撞到了同一堵墙上：技术成熟度与决策影响力不符。普拉特的学术工作展示了为什么会这样（缺乏因果推理）；科兹尔科夫的行业工作展示了如何在规模上修复它。
商业智能 vs 数据科学 vs 决策智能
通过对比的方式来理解DI是最清晰的。以下是这三种方法的区别： 1. ****：DI的主要目的是注入依赖关系，而不是注入具体的值。 2. DI的实现方式有很多种，包括构造函数注入、setter注入、接口注入等。 3. DI的好处包括： 松散耦合 更容易测试 更容易维护
| 方面 | 商业智能 | 数据科学 | 决策智能 |
|---|---|---|---|
| 核心问题 | "发生了什么?" | "将会发生什么?" | "我们应该做什么?" |
| 分析类型 | 描述性 | 预测性 | 预测性 + 反馈 |
| 输出 | 报告、仪表板 | 模型、预测 | 决策 + 结果 |
| 时间定向 | 过去/现在 | 未来 | 全循环 (过去 → 行动 → 未来 → 学习) |
| 人类角色 | 解释报告 | 解释预测 | 自我负责、价值观、权衡 |
关键见解：DI并不会取代BI或数据科学 —— 它完善了它们。BI提供了历史背景。数据科学提供了预测。DI添加了决策逻辑、行动建议和闭合见解与影响之间的反馈环节。
决策智能框架 该框架旨在帮助组织实现决策智能化，通过集成人工智能、数据分析和知识图谱等技术，提供高效、准确的决策支持。
At 其核心，DI 基于一个简单但强大的模型： DI 通过依赖注入（Dependency Injection）来实现 DI 通过松散耦合（Loose Coupling）来实现 DI 通过可测试性（Testability）来实现 这使得系统更加灵活和可扩展。
Observe
Collect data on current state
Model
Map causal relationships
Decide
Choose action with predicted outcome
Learn
Measure outcome, update model
决策智能循环：观察 → 模型 → 决策 → 学习 → (重复)
这看起来像军事战略中的OODA环节（观察-定向-决策-行动）。但有一个关键的区别：学习步骤。OODA是为实时作战决策设计的，无法暂停来衡量结果。DI是为组织决策设计的，能够，并且必须，系统地从结果中学习。
因果决策图：看到因果映射图 Causal Decision Diagrams: Seeing the Cause-Effect Map
Decision Intelligence 的核心是 因果推理 —— 不仅仅是了解什么与什么相关联，而是了解什么实际上导致了什么。这是区别于： correlation 和 causation 的关键。
基于关联的分析
客户购买产品A的人也倾向于购买产品B。
问题：如果我们推广B，A的销量会增加吗？我们不知道。
因果决策图
价格降低于A → 增加A销售 → 增加B销售（互补使用）。
可操作性：我们知道杠杆（A价格）和机制（补充效应）。
A Causal Decision Diagram (CDD) 可视化这些因果关系。它显示：
- 目标: 我们试图实现的结果
- 杠杆: 我们可以采取的行动
- 中间变量: 杠杆和目标之间的效果链
- 外部因素: 我们无法控制但必须考虑的因素
它更好地组织信息围绕着需要做出的决定，而不是围绕着围绕着决策的数据。
常用 AI:当前管理类于和编程管理
。当前管理类于和编程管理类于一个类于。管理类于的位置:。编程管理和编程管理类于一个类于。
常用 AI为编程管理类于一个类于
给笔管理
给笔数据量不能。给笔一亮一个类于。
引子管理
引子给笔。编程管理类于不重。
编程管理
编程管理。编程管理类于不重。
编程管理类于不能。
为编程管理类于不能。
编程管理类于不能。编程管理类于不能。
编程管理类于不能。
编程管理类于不能。编程管理类于不能。
编程管理类于不能。
编程管理类于不能。编程管理类于不能。
网统为网统为编程管理类于。。网统为编程管理类于。。网统为编程管理类于。
。网统为编程管理类于。。网统为编程管理类于。。网统为编程管理类于。
网统为编程管理类于。
网统为编程管理类于。。网统为编程管理类于。。网统为编程管理类于。
网统为编程管理类于。
- 。网统为编程管理类于。。网统为编程管理类于。。网统为编程管理类于。
- 。网统为编程管理类于。。网统为编程管理类于。。网统为编程管理类于。
- 。网统为编程管理类于。。网统为编程管理类于。。网统为编程管理类于。
- 。网统为编程管理类于。。网统为编程管理类于。。网统为编程管理类于。
- 。网统为编程管理类于。。网统为编程管理类于。。网统为编程管理类于。
网统为编程管理类于。
。网统为编程管理类于。。网统为编程管理类于。。网统为编程管理类于。
网统为编程管理类于。
。网统为编程管理类于。。网统为编程管理类于。。网统为编程管理类于。
网统为编程管理类于。
- 。网统为编程管理类于。。网统为编程管理类于。。网统为编程管理类于。
- 。网统为编程管理类于。。网统为编程管理类于。。网统为编程管理类于。
- 。网统为编程管理类于。。网统为编程管理类于。。网统为编程管理类于。
- 。网统为编程管理类于。。网统为编程管理类于。。网统为编程管理类于。
网统为编程管理类于。
- 。网统为编程管理类于。。网统为编程管理类于。。网统为编程管理类于。
- 。网统为编程管理类于。。网统为编程管理类于。。网统为编程管理类于。
- 。网统为编程管理类于。。网统为编程管理类于。。网统为编程管理类于。
- 。网统为编程管理类于。。网统为编程管理类于。。网统为编程管理类于。
。网统为编程管理类于。。网统为编程管理类于。。网统为编程管理类于。
网统为编程管理类于。
。网统为编程管理类于。。网统为编程管理类于。。网统为编程管理类于。
。网统为编程管理类于。。网统为编程管理类于。。网统为编程管理类于。
网统为编程管理类于。
。网统为编程管理类于。。网统为编程管理类于。。网统为编程管理类于。