通过模拟优化自动化决策

/ 知识分享 / 没有评论 / 372浏览

       在之前的文章中,我们探讨了预测模型如何改进自动化决策。从文章中我们得出了一个关键的认知,就是预测模型并不等同于决策。事实上,预测模型只是给我们提供一些基于历史数据的关键见解,以此我们可以做出更好的决策。

       诚然,预测模型可以识别有高流失风险的客户、可疑的交易,以及哪种促销和广告更具有吸引力。但是,基于这些预测,我们仍然需要制定最好的应对和行动方案。完整的决策应当是将一个或者多个预测模型提供的业务洞察和见解,与专家经验结合起来,制定正确的应对方案。

从预测到决策

       基于预测模型来决定如何采取行动并不简单,企业或组织往往有着多种选择。比如有一笔信用卡交易被识别为有欺诈可能,那么发卡行可以将该笔交易提交给反欺诈部门,并冻结卡片停止交易;也可以向持卡人发送信息,要求对当前交易进行验证。

       类似的,当一部分客户被认为有比较高的可能性会流失,那么公司可以联系他们,并提供额外的优惠或者续约奖励来挽留客户。但是在后续流程中,公司仍然需要决定具体哪些用户可以获得优惠,以及优惠的力度有多大。有的公司会设定一个百分比,流失概率高于这个百分比的客户均采取挽留措施,而有的公司则重点挽留有着高价值的客户。而实际中,给过多的客户提供优惠,或者提供的优惠太大,都有可能得不偿失。因此企业需要评估不同方案的投入和产出,来选择最优的方案。决策模拟能帮助企业在一系列的可选方案中,选择最佳的决策策略。

使用KPI和度量来评价规则

       “最优”的决策意味着能最大程度地实现企业的目标。我们可以通过定义与这些目标相关的KPI和度量来评价决策,比较不同决策的优劣。KPI和度量越早定义越好,最好能在自动化决策之初便完成。

       KPI能让我们清晰地看到,决策绩效是如何与业务表现相关联的,这给评估决策提供了基础。比较不同方案时,可以基于历史数据来运行模拟。在模拟时,既可以比较不同的决策策略,也可以就某一指定策略,比较其针对不同类型的客户的表现。

       回到之前的客户流失案例中,如果我们决定,对于预测模型判断有着80%或者更高流失概率的客户,一个选择是给他们一个特殊的25%的折扣来继续挽留他们。我们可以基于历史数据运行模拟,来了解会有多少客户被成功挽留;进一步的,我们可以分析提供这个折扣会需要多少成本。我们可以使用不同的阈值、折扣力度和组合来进行多次模拟,直到找到最好的决策,来部署实施。

       决策模拟可以帮助我们评估不同的决策策略,并最终得出最好的方案。现现代化的决策管理技术,如明策智能决策引擎,简化了配置决策和运行模拟的工作,哪怕这些模拟是基于样本量非常大的数据。当然,决策方案的最终绩效还要与其部署后的结果相关——实际能挽留多少客户以及付出了多少成本。

       一旦部署了决策,我们便能够监控并跟踪KPI指标,但我们依旧没办法知道,没有接受我们优惠的客户是不是会接受更大力度的优惠,而已经接受了我们优惠的客户是不是也能接受力度小一点比如20%的优惠。而为了能回答这些问题,我们需要用到决策引擎的另一个工具——冠军/挑战者试验。欢迎在我们的另一篇博客中,进行了解。





原文作者:Colleen McClintock
原文地址:https://www.sparklinglogic.com/improve-your-automated-decisions-with-decision-simulation/
-----------------------------------------------------
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。