5 .建立決策管理系統(DMS)
決策的兩大要素為預測與判斷。決策= f (預測，判斷)
預測也可稱為預測分析，依據取得的data來計算出現在的狀況，並分析未來可能發生的狀況。
如前文所述：接到一張客戶訂單，做授信分析時，預測分析會指出目前該客戶的AR(應收帳款)是45萬，授信總額度是80萬，而該筆訂單金額是60萬。若接下訂單，授信餘額將為80-45-60= -25萬。進一步分析可知道，AR日期是5月20日到期，而訂單出貨是5月20後的5月30日。若該客戶如期或在5月30日以前支付AR的45萬，則讓筆訂單出貨時在授信額度80萬內，故是安全的；但客戶會如期在5月20日或在5月30日之前支付AR的45萬嗎？
要回答這個問題，就是預測後的“判斷”行動了。判斷以往大都是由人員來做，現則可以寫成規則由系統來做判斷。例如，我們可預先設定規則：假設客戶會如期付款，故若(If)訂單出貨當日預計的信用餘額大於訂單金額，則(then)現在就接受這張訂單，否則(else)就先不核准該訂單，而是通知業務部門與客戶再協商可能的措施，如提前支付AR，或把打單數量減少。這些在判斷之後的處理活動就稱為決策後的“行動”了。
行動會產生新的data，供以後決策的預測(分析)來使用。
針對某項任務，預測分析應具備有哪些內容？使用什麼data？要產生什麼樣的預測？這些就是預測“建模”的結果了。
再舉一例：一家品牌銷售公司應如何做好銷售分析的任務呢？這就要看他的預測分析模式的內容了。他可能是依銷售數量或金額做排名，或是依產品利潤金額做排名來分析。但更好的方法則是依PS Ratio來做排名，即把各產品的利潤占比(Profit ratio)與銷售占比(Sales ratio)相乘，再依其大小值做排名。
這樣的分析可讓企業很容易分析出哪些產品構成了公司營銷活動80%的內容？各地區銷售的產品內容有何差異？
進一步把庫存數據與向工廠下單的採購數據，拿來比較銷售的內容，可以預測出這些暢銷品的供應情況，並指出管理應採取的行動。例如，排名第2的產品庫存只有0.5個月了，而向工廠訂貨的提前期是2個月，故半個月後即會斷貨，而應立即緊急增加採購。排名第3暢銷品的庫存量有10個月，且還有給工廠的採購量約3個月，表示這個產品“暢”的不足，應再強化銷售以消化庫存，且應立即設法取消已發出的採購單，避免造成庫存更大的壓力。
這樣的分析學問，稱為預測式分析學(PA：Predictive Analytics)，它指出人員該採取的行動，而不像以往企業智能(BI：Business Intelligence)工具那樣地消極，只告訴你發生了什麼事，沒有任何行動的建議。
5-1 建模 (Modeling)
預測模式是極重要的，若模式不夠好或內容有錯，會引發可怕的後果。例如，08年的金融風暴是起因於假設“美國各地房價不高度相關”的錯誤。
《AI經濟的策略思維》書中舉了個極有趣又發人深省的實例。二次世界大戰中英國派轟炸機去炸德國，有些經德國高射炮及機關槍掃射的轟炸機沒能飛回英國。英國軍方啟動一個任務，分析回來飛機的彈著點，要找出增強防護的地方與方法，以提高飛機安全返航的機率。
統計學家Abraham Wald被邀來主持這項預測分析，他的研究結論出乎一般人的直覺，他主張：愈是回來的飛機都沒被打到的地方就是愈重要的地方，需強化保護。大家都被打到的地方則是比較不重要的地方，因為被打到了也飛回來了。結果證實了他的預測，英國飛機果然得到了更有效的保護。
建模很重要，它靠的不是data而是知識，尤其是對因果關係的掌握。
知識有兩大類，已知的與未知的。
已知的知識可以靠專家來提供，這樣建立的系統被稱為專家系統 (Expert System)。例如，機器或車輛的診斷系統，法律諮詢建議系統。
未知的知識要如何獲取呢？(1)以往靠數理統計來找出因果關係，並建立數學模型(model)來建模。例如，迴歸分析可以告訴我們影響一個事件的因素可能有哪些。(2)機器學習(ML：Machine Learning) ，這是用演算法來分析大量的數據，以找出因果關係，故又被稱為big data分析法。這個領域是近來各國應用發展很快的區域，包括讓AI機器學會大量認知性(cognitive)的能力，如看、聽、說…等能力，而應用到非常多的地方。Alpha-Go打敗世界各國圍棋高手是著名的案例，而自動駕駛，語言翻譯，自動依憑證做會計分錄及入帳，都是這類AI的應用。
分析後是判斷。判斷是依據決策者的好惡與得失的衡量來做的，《AI經濟的策略思維》書中稱這樣的依據為“報酬函數”。例如：如果某一客戶是第一次往來，且訂的貨需做客製化，則公司必須先收到八成貨款才承接訂單，否則就放棄該筆訂單。這樣的“If…Then…邏輯”被稱為“若則邏輯”，可以寫入程式中由系統依循而做部份的或全部自動的判斷。
管理中許多的規則(Rules)就是用若則邏輯來表現的。例如：有家企業規定，經理級及以上主管的三等親內的親戚不可再進入公司任職。這是公司對家族化現象的徹底防堵政策，當然他也排除了內舉不避親的可能好處。
為了要執行這個政策，在召募人員時的預測分析中就需要有data顯示：應徵者有三等親內的親戚在公司任職嗎？若有，他是經理級及以上的職位嗎？
若這個規則被自動化了，即由系統來自動執行，就可(1)提供最迅速的決定：(2)排除了承辦人有意或無意地不執行此規則。
5-2 建置 (Construction)
D-APP的模式建好後即是建置任務了，也就是發展出對應的軟硬體系統。
這樣的建置工作需要商業世界(business world)和IT世界裡的兩種人的通力合作才能完成，故有其相當的難度與挑戰。
例如，若則邏輯的描述需要管理人員能夠充分理解，而IT人員又能夠用來編寫成程式。故往往需要有“翻譯”人員居中，避免兩邊人員“雞同鴨講”。
好的工具可以解決相當一部份的挑戰，如同手機使多數人都會自己照相一樣。好的規則引擎(RE：Rules Engine)可以提供規則編寫語言(RAL)，即若則邏輯、決策表、決策樹、計分卡，讓知識工作者更方便地來展現他們心中的判斷模式，即“規則與模型”。
若則邏輯：例如申請特休假的時候，需要判斷特休假是否還足夠，若不足夠，則只能申請事假。
決策表：很多公司針對採購，都會有採購核決權限表，經理可以簽核的上限是多少錢、協理可以簽核多少錢等等。
決策樹：訂單承接的時候，依照輸入的客戶代號、料號、付款條件、業務代號開始進行銷售單價的自動帶出。客戶是國外客戶還是國內客戶、若是國內客戶，繼續往下看料號是常銷品、還是滯銷品。假設是常銷品，繼續往下看付款條件以及業務代號，最終會自動帶出一個銷售價格。
計分卡：月加權成本分攤的時候，針對製作費用，常常會使用計分卡的方式來計算當月份生產的所有料品，每一個應該分攤到多少的製造費用。 這裡說的模型(model)是指決策時判斷的依據。例如：有些企業的報價作業很複雜，涉及許多因素的考慮與計算，可以建立一個報價模型來協助工作者進行每次的報價任務。這不僅提升了作業效率，也確保所有人員都必須依規定報價，因而杜絕了無意的或有意的疏失。
建立 MA (Management Automation) 需要的工具很多，不僅是規則引擎而已。
