Loading article…
意思決定インテリジェンスは、社会科学、意思決定理論、経営科学の理論でデータサイエンスを強化するエンジニアリング分野です。その応用は、組織の意思決定におけるベストプラクティスのフレームワークと、機械学習、自然言語処理、推論、セマンティクスなどの計算技術を大規模に適用するプロセスを提供します。基本的な考え方は、行動が結果につながる仕組みを理解することが意思決定のベースとなるということです。意思決定インテリジェンスは、この因果関係の連鎖を分析する分野であり、意思決定モデリングは、これらの連鎖を表現する視覚言語です。
関連分野である意思決定工学も意思決定プロセスの改善を研究しますが、必ずしもデータサイエンスと密接に結びついているわけではありません。[注]
起源と技術
意思決定インテリジェンスは、多くの組織において、より構造化されたアプローチを使用すれば意思決定を改善できるという認識に基づいています。意思決定インテリジェンスは、組織の意思決定慣行の洗練度と、それらの意思決定を行う必要がある状況の複雑さとの間の不一致を特徴とする意思決定の「複雑性の上限」を克服することを目指しています。したがって、複雑性理論と組織に関して特定された問題のいくつかを解決しようとしています。
この意味で、意思決定インテリジェンスは複雑系分野の実用的な応用であり、組織が自分たちが置かれている複雑なシステムをうまく切り抜けるのに役立ちます。意思決定インテリジェンスは、高度な分析と機械学習の手法を非専門家の意思決定者のデスクトップにもたらすフレームワークであると同時に、データサイエンスを組み込んで拡張し、ブラックスワン理論で述べられている問題を克服するフレームワークとも考えられます。[要出典]
意思決定インテリジェンスの支持者は、多くの組織が依然として誤った意思決定を行っていると考えています。[1]これに対応して、意思決定インテリジェンスは、以下で詳しく説明する いくつかの意思決定のベストプラクティスを統合することを目指しています。
意思決定インテリジェンスは、橋や建物などのより具体的なオブジェクトの設計に以前使用されていた原則を使用して、意思決定自体 を設計できるという洞察に基づいています。
意思決定を表現する視覚的なデザイン言語の使用（§ 視覚的な意思決定デザインを参照）は、意思決定に関わるすべての参加者が容易に理解できる直感的な共通言語を提供するため、意思決定インテリジェンスの重要な要素です。視覚的なメタファーは、複雑なシステムについての推論能力を向上させ[2]、コラボレーションを強化します。
視覚的な意思決定設計に加えて、大量導入を支援するエンジニアリング分野には、次の 2 つの側面があります。
- デザイン要素の共通言語の創造と
- 上の図に示すように、共通の方法論またはプロセスを使用します。
モチベーション
組織が複雑な内部および外部環境において難しい意思決定を行う際に直面するさまざまな要因により、統一された意思決定方法論の必要性が生じます。
現状の方法で実際の意思決定の問題を解決できないことは、政府機関や、電気通信、メディア、自動車産業、製薬業界などの業界を含むさまざまな情報源から広く認識されています。
例:
- 意思決定の結果はますます複雑になり、次の四半期の収益やその他の具体的な結果をはるかに超えて、同時に達成しなければならない複数の目標にまで及んでいます。その一部は多くの場合、無形のものです。
車は、従来のセグメンテーションやブランディングをはるかに超えた方法で、アイデンティティ、価値観、個人のコントロールを表現するものになりつつあります。たとえば、燃費は社会的責任のある車両 (SRV) にとって考慮すべき事項の 1 つにすぎません。部品の何パーセントがリサイクル可能か? 車両の総炭素排出量は? 児童労働の投入はあるのか? 有毒な塗料、接着剤、プラスチックは? サプライ チェーンはどの程度透明性があるか? 販売者はリサイクルの責任を負っているか? どのような方法が使用されているか? 公正な労働慣行が採用されているか?
- 世界的な複雑性の増大:
私たちは、変化のスピード、範囲、複雑さが増すダイナミックな世界に生きています。グローバル化の継続的な進展、独立した主体の増加、テクノロジーの進歩により、世界のつながり、相互依存性、複雑さが増し、不確実性、体系的リスクが増大し、予測しにくい未来が生まれています。これらの変化により、警告時間は短縮され、意思決定サイクルは短縮されています。
— 国家情報長官、「ビジョン 2015: 世界的にネットワーク化され統合された情報企業」、2008 年 7 月
工学原理の伝達
他の意思決定ツールや方法論とは異なり、意思決定インテリジェンスは、意思決定プロセスにさまざまなエンジニアリング手法を取り入れようとします。これらには、要件分析、仕様、シナリオ計画、品質保証、セキュリティ、および前述の設計原則の使用が含まれます。意思決定実行フェーズでは、設計フェーズで生成された出力をさまざまな方法で使用できます。ビジネス ダッシュボードや仮定に基づく計画などの監視アプローチを使用して、意思決定の結果を追跡し、必要に応じて再計画をトリガーします (これらの要素の組み合わせ方の一例は、この記事の冒頭の図に示されています)。
意思決定インテリジェンスは、意思決定の質、意思決定の迅速化、意思決定の変更に合わせて組織リソースをより効果的に調整する能力、意思決定に関連するリスクを軽減する可能性を秘めています。さらに、設計された意思決定は、新しい情報が得られると再利用および修正できます。[3]
数値計算法をデスクトップに導入
感度分析やアナリティクスなど、意思決定インテリジェンスの多くの要素は成熟した分野であるが、意思決定者によって広く使用されているわけではない。[4]意思決定インテリジェンスは、意思決定者と定量的専門家との間のコミュニケーションを容易にし、これらのアプローチやその他の数値的・技術的アプローチをより幅広く活用できるようにするための視覚言語を作成することを目指している。
特に、意思決定モデル内の依存関係リンクは、因果関係（因果ループ図など）、データフロー（データフロー図など）、またはその他の関係を表します。たとえば、1 つのリンクは、「電話サービスの問題を修復する平均時間」と「顧客満足度」の関係を表す場合があります。この場合、修復時間が短いと、顧客満足度が向上すると考えられます。これらの依存関係の機能形式は、さまざまなアプローチで決定できます。データを分析してこれらの機能を決定する数値アプローチには、機械学習や分析アルゴリズム（人工ニューラル ネットワークを含む）だけでなく、より伝統的な回帰分析も含まれます。オペレーションズ リサーチやその他の多くの定量的アプローチの結果も同様の役割を果たします。
データが利用できない場合（またはノイズが多すぎたり、不確実であったり、不完全であったりする場合）、これらの依存関係リンクは、エキスパート システムやルールベース システムに見られるようなルールの形をとることができるため、知識工学を通じて取得できます。
このように、意思決定モデルは、複数の関係、および記号的推論とサブ記号的推論を組み合わせて、実際の意思決定の結果を決定するための完全なソリューションを作成するメカニズムを表します。
人工知能と機械学習との関係
前述のように、意思決定モデルの依存関係リンクは、機械学習を使用してモデル化できます。この点で、意思決定インテリジェンスは、単一リンク分析に最も広く使用されている人工知能の「マルチリンク」拡張と見ることができます。この観点から、機械学習は「Xを知っている/見ている/聞いている場合、どのような結論に達することができますか？」という質問に答えるものと見なすことができますが、意思決定インテリジェンスは「アクションXを実行すると、結果はどうなるでしょうか？」と答えます。後者の質問には通常、一連のイベントが含まれ、フィードバックループなどの複雑なダイナミクスが含まれることもあります。このように、意思決定インテリジェンスは、複雑なシステム、機械学習、意思決定分析を統合します。
起源
意思決定支援システムと方法論（意思決定分析など）は数十年にわたって開発されてきましたが、これらは意思決定の主なツールとしてはスプレッドシートほど普及していません。意思決定インテリジェンスは、このギャップを埋め、仮定、外部値、事実、データ、結論など、意思決定に含まれるコアエンティティの共通方法論と言語の臨界質量のユーザーを創出することを目指しています。以前の業界のパターンが当てはまる場合、このような方法論は、組織間で共有できる共通の成熟モデルとロードマップを明確にすることで、テクノロジの採用も促進します。
意思決定インテリジェンスのアプローチは学際的であり、認知バイアスと意思決定、状況認識、批判的思考と創造的思考、コラボレーションと組織設計に関する調査結果をエンジニアリング技術と統合します。
意思決定インテリジェンスは、スプレッドシート、テキスト（本質的に連続的であるため、意思決定構造を通じて情報がどのように流れるかには適していません）、口頭での議論の使用を含む現在の組織的意思決定慣行の改善であると考えられています。これらの主に非公式な構造から、よく理解されている視覚的な言語で意思決定が文書化される構造への移行は、建設における共通の青写真方法論の作成を反映しており、同様の利点が期待されています。
意思決定インテリジェンスは、非常に新しい分野であると同時に、非常に古い分野でもあります。その要素の多くは、仮定を評価する言語、議論を裏付ける論理の使用、意思決定を評価するための批判的思考の必要性、偏見の影響の理解など、古くからあるものです。しかし、共通の方法論に焦点を当てることで、これらの要素が一貫した全体を形成して組織に大きなメリットをもたらすことができるという認識は、比較的新しいものです。
2018年、Googleの応用データサイエンスのプロセスとトレーニングプログラムは、データサイエンスの応用における行動と意思決定の中心的な役割を示すために、「意思決定インテリジェンス」[5]に改名されました。理論的枠組みがデータサイエンスに加えて経営科学と社会科学にどの程度依存しているかは、意思決定インテリジェンスをデータサイエンスとは異なる研究分野に統合するさらなる動機となりました。[6]
現代の意思決定インテリジェンスは、非常に学際的で、学術的に包括的です。生物学的および非生物学的な行動選択として広く定義される意思決定を中心とした研究は、この分野の一部と見なされます。ただし、意思決定インテリジェンスは、意思決定に関係のない要素をカバーしていないため、データ サイエンスと社会科学を包括する用語ではありません。
視覚的な意思決定デザイン
複雑な意思決定で使用される、通常は見えない推論構造を可視化するため、意思決定インテリジェンスの設計面では、マインド マッピング、概念グラフ、セマンティック ネットワークなどの他の概念表現テクノロジが活用されています。
基本的な考え方は、視覚的なメタファーが直感的思考、帰納的推論、パターン認識など、口頭やテキストでの議論では通常アクセスしにくい重要な認知スキルを強化するというものです。ビジネス意思決定マップは、意思決定インテリジェンスをサポートするための正式な意思決定言語への1つのアプローチと見なすことができます。[7]
無形資産の明示的な表現
意思決定インテリジェンスは、意思決定の多くの側面が、機会費用、従業員の士気、知的資本、ブランド認知度、および従来の定量モデルや財務モデルでは捉えられないその他の形態のビジネス価値などの無形の要素に基づいていることを認識しています。したがって、ここでは価値ネットワーク分析、特に価値ネットワーク マップが関連します。
参照
注記
^次の意味の違いに注意してください。
- エンタープライズ意思決定管理(EDM) は、企業全体の意思決定の自動化に重点を置いた、密接に関連した分野です。意思決定インテリジェンスは、この観点から EDM のスーパーセットです。手動と自動の両方の意思決定プロセスを網羅し、それらを共通の方法論に統合します。この方法が効果的であれば、定量分析/分析ツールと部門と、より定性的/戦略的/管理的な焦点を持つ部門との間の障壁が取り除かれます。
- 関連用語「意思決定エンジニアリング」は、いくつかの業界で使用されています。これらの用語はそれぞれ、この記事で説明されているものとは異なる意味を持っています。
- この用語が広く使われてから何年も経ってから、マスターカードはAI/機械学習製品に「Decision Intelligence」という名前を商標登録しました。[8] [非一次ソースが必要]
- 行動経済学では、関連する用語「意思決定エンジニアリング」は、消費者の選択を意図的に操作することを意味する場合があります。この用語の使用法では、意思決定インテリジェンスはソフト パターナリズムとほぼ類似しています。これは、この記事で取り上げられている意味とはまったく異なり、複雑な意思決定を支援するためのエンジニアリングの原理の使用ではなく、消費者による意思決定のエンジニアリングを指します。明らかに異なりますが、この実践は、意思決定インテリジェンスと同じ意思決定研究の多くを利用しています (たとえば、行動経済学者リチャード セイラーの研究など)。
- コストエンジニアリングは、エンジニアリングプロジェクトのコストを測定します。コストエンジニアリングは、意思決定エンジニアリングとして、製品エンジニアリングと設計最適化にグループ化されることがあります。これは、エンジニアリングの意思決定の領域を超えて、組織が直面するすべての意思決定に及ぶこの記事のより広い枠組みとは区別されます。[9]
- オペレーションズ リサーチは、意思決定の問題に対する最適またはほぼ最適な解決策を特定しようとする、主に定量的な意思決定アプローチです。
参考文献
- ^ John Hagerty、Rita L. Sallam、James Richardson：「ビジネス インテリジェンス プラットフォームのマジック クアドラント」、Gartner、2012 年 2 月
- ^ Lorien Pratt および Mark Zangari: 「複雑なビジネス モデルへの道をリードする」、Telecom Asia、2009 年 8 月 10 日。
- ^ Lorien Pratt と Mark Zangari: デザインを通じて意思決定の複雑性の限界を克服する。Quantellia ホワイト ペーパー、2008 年 12 月
- ^ Rob Rich: アジャイルな意思決定: アナリティクスによるビジネス成果の向上 TM フォーラム、2011 年 11 月
- ^ 「Google が人間の意思決定を支援するための新しい規律を定義した理由」Fast Company 2018 年 7 月 18 日。2018年 8 月 7 日閲覧。
- ^ Tech Open Air (2018-08-09)、Decision Intelligence (ML++) - Cassie Kozyrkov (Google) # TOA18、2018-08-15取得
- ^ ジョセフ・ウォーリング: 視覚的分析による通信の複雑さの理解 Telecom Asia、2010 年 1 月 4 日
- ^ 「Mastercard、グローバルネットワーク全体で人工知能を導入」mastercard.com 2016年11月30日 2019年6月23日閲覧。
- ^ 例えば、Roy Rajkumar 著「コストエンジニアリング: なぜ、何を、どのように?」や、英国クランフィールド大学の Decision Engineering Centre のその他の出版物を参照してください。