5 .建立决策管理系统(DMS)
决策的两大要素为预测与判断。决策= f (预测，判断)
预测也可称为预测分析，依据取得的data来计算出现在的状况，并分析未来可能发生的状况。
如前文所述：接到一张客户订单，做授信分析时，预测分析会指出目前该客户的AR(应收帐款)是45万，授信总额度是80万，而该笔订单金额是60万。若接下订单，授信余额将为80-45-60= -25万。进一步分析可知道，AR日期是5月20日到期，而订单出货是5月20后的5月30日。若该客户如期或在5月30日以前支付AR的45万，则让笔订单出货时在授信额度80万内，故是安全的；但客户会如期在5月20日或在5月30日之前支付AR的45万吗？
要回答这个问题，就是预测后的“判断”行动了。判断以往大都是由人员来做，现则可以写成规则由系统来做判断。例如，我们可预先设定规则：假设客户会如期付款，故若(If)订单出货当日预计的信用余额大于订单金额，则(then)现在就接受这张订单，否则(else)就先不核准该订单，而是通知业务部门与客户再协商可能的措施，如提前支付AR，或把打单数量减少。这些在判断之后的处理活动就称为决策后的“行动”了。
行动会产生新的data，供以后决策的预测(分析)来使用。
针对某项任务，预测分析应具备有哪些内容？使用什么data？要产生什么样的预测？这些就是预测“建模”的结果了。
再举一例：一家品牌销售公司应如何做好销售分析的任务呢？这就要看他的预测分析模式的内容了。他可能是依销售数量或金额做排名，或是依产品利润金额做排名来分析。但更好的方法则是依PS Ratio来做排名，即把各产品的利润占比(Profit ratio)与销售占比(Sales ratio)相乘，再依其大小值做排名。
这样的分析可让企业很容易分析出哪些产品构成了公司营销活动80%的内容？各地区销售的产品内容有何差异？
进一步把库存数据与向工厂下单的采购数据，拿来比较销售的内容，可以预测出这些畅销品的供应情况，并指出管理应采取的行动。例如，排名第2的产品库存只有0.5个月了，而向工厂订货的提前期是2个月，故半个月后即会断货，而应立即紧急增加采购。排名第3畅销品的库存量有10个月，且还有给工厂的采购量约3个月，表示这个产品“畅”的不足，应再强化销售以消化库存，且应立即设法取消已发出的采购单，避免造成库存更大的压力。
这样的分析学问，称为预测式分析学(PA：Predictive Analytics)，它指出人员该采取的行动，而不像以往企业智能(BI：Business Intelligence)工具那样地消极，只告诉你发生了什么事，没有任何行动的建议。
5-1 建模 (Modeling)
预测模式是极重要的，若模式不够好或内容有错，会引发可怕的后果。例如，08年的金融风暴是起因于假设“美国各地房价不高度相关”的错误。
《AI经济的策略思维》书中举了个极有趣又发人深省的实例。二次世界大战中英国派轰炸机去炸德国，有些经德国高射炮及机关枪扫射的轰炸机没能飞回英国。英国军方启动一个任务，分析回来飞机的弹着点，要找出增强防护的地方与方法，以提高飞机安全返航的机率。
统计学家Abraham Wald被邀来主持这项预测分析，他的研究结论出乎一般人的直觉，他主张：愈是回来的飞机都没被打到的地方就是愈重要的地方，需强化保护。大家都被打到的地方则是比较不重要的地方，因为被打到了也飞回来了。结果证实了他的预测，英国飞机果然得到了更有效的保护。
建模很重要，它靠的不是data而是知识，尤其是对因果关系的掌握。
知识有两大类，已知的与未知的。
已知的知识可以靠专家来提供，这样建立的系统被称为专家系统 (Expert System)。例如，机器或车辆的诊断系统，法律咨询建议系统。
未知的知识要如何获取呢？ (1)以往靠数理统计来找出因果关系，并建立数学模型(model)来建模。例如，回归分析可以告诉我们影响一个事件的因素可能有哪些。 (2)机器学习(ML：Machine Learning) ，这是用演算法来分析大量的数据，以找出因果关系，故又被称为big data分析法。这个领域是近来各国应用发展很快的区域，包括让AI机器学会大量认知性(cognitive)的能力，如看、听、说…等能力，而应用到非常多的地方。 Alpha-Go打败世界各国围棋高手是著名的案例，而自动驾驶，语言翻译，自动依凭证做会计分录及入帐，都是这类AI的应用。
分析后是判断。判断是依据决策者的好恶与得失的衡量来做的，《AI经济的策略思维》书中称这样的依据为“报酬函数”。例如：如果某一客户是第一次往来，且订的货需做客制化，则公司必须先收到八成货款才承接订单，否则就放弃该笔订单。这样的“If…Then…逻辑”被称为“若则逻辑”，可以写入程式中由系统依循而做部份的或全部自动的判断。
管理中许多的规则(Rules)就是用若则逻辑来表现的。例如：有家企业规定，经理级及以上主管的三等亲内的亲戚不可再进入公司任职。这是公司对家族化现象的彻底防堵政策，当然他也排除了内举不避亲的可能好处。
为了要执行这个政策，在召募人员时的预测分析中就需要有data显示：应征者有三等亲内的亲戚在公司任职吗？若有，他是经理级及以上的职位吗？
若这个规则被自动化了，即由系统来自动执行，就可(1)提供最迅速的决定：(2)排除了承办人有意或无意地不执行此规则。
5-2 建置 (Construction)
D-APP的模式建好后即是建置任务了，也就是发展出对应的软硬体系统。
这样的建置工作需要商业世界(business world)和IT世界里的两种人的通力合作才能完成，故有其相当的难度与挑战。
例如，若则逻辑的描述需要管理人员能够充分理解，而IT人员又能够用来编写成程式。故往往需要有“翻译”人员居中，避免两边人员“鸡同鸭讲”。
好的工具可以解决相当一部份的挑战，如同手机使多数人都会自己照相一样。好的规则引擎(RE：Rules Engine)可以提供规则编写语言(RAL)，即若则逻辑、决策表、决策树、计分卡，让知识工作者更方便地来展现他们心中的判断模式，即“规则与模型”。
若则逻辑：例如申请特休假的时候，需要判断特休假是否还足够，若不足够，则只能申请事假。
决策表：很多公司针对采购，都会有采购核决权限表，经理可以签核的上限是多少钱、协理可以签核多少钱等等。
决策树：订单承接的时候，依照输入的客户代号、料号、付款条件、业务代号开始进行销售单价的自动带出。客户是国外客户还是国内客户、若是国内客户，继续往下看料号是常销品、还是滞销品。假设是常销品，继续往下看付款条件以及业务代号，最终会自动带出一个销售价格。
计分卡：月加权成本分摊的时候，针对制作费用，常常会使用计分卡的方式来计算当月份生产的所有料品，每一个应该分摊到多少的制造费用。这里说的模型(model)是指决策时判断的依据。例如：有些企业的报价作业很复杂，涉及许多因素的考虑与计算，可以建立一个报价模型来协助工作者进行每次的报价任务。这不仅提升了作业效率，也确保所有人员都必须依规定报价，因而杜绝了无意的或有意的疏失。
建立 MA (Management Automation) 需要的工具很多，不仅是规则引擎而已。
