决策科学苑 用多轮决策实现个性化决策

个性化决策是指依据不同个体的情况作出对应的差异化决策，为此企业不仅需要识别客户的静态数据特征，也需要分析用户在交互时的各种行为并作出相应决策。不同于传统千人一面的决策方式，我们无法一次性确定某次决策所需要的确切规则和顺序。如图1，如果把千人一面的决策过程看成是一棵决策树，那么个性化决策则是一棵“很高大”的决策树，决策会在不同判决节点分叉，这些分叉会进一步把决策导向某些更具体的决策树，而这些树的某个节点也可以作为进一步分叉的判决点。

图1 从千人一面到个性化决策

Fig1. From Fixed Decision to Personalized Decision

多轮决策是为了实现具有层级式的复杂决策而执行多轮决策的一种实现方式，而个性化决策的本质正是一种层级式的决策。多轮决策可以认为是由“两层”决策树构成的，一层是普通的决策树（有很多棵树），每棵树相当于以往的一轮决策；另一层是由判决点构成的决策树，这棵树负责为客户选择最合适的决策，在选择的过程中会使用多棵的普通决策树进行判断，所以这种决策方式称为多轮决策。

多轮决策更加符合人类的思维习惯，通过分治的思想把一个决策问题考虑的比较细致，从而实现了个性化决策结果。以信贷审批决策为例，传统的审批策略是对所有人应用同一套信用评分卡（千人一面），这样的效果是不好的。因为不同行业、不同地区的收入水平、稳定性都会存在很大的差异，单一的评分卡只能给出一个“平均分”。而多轮决策则先把客群进行细分，细分既可以按空间维度也可以按时间维度，然后为每个客群设立单独的评分卡及策略；其中客群细分的过程反映在一次决策过程中就是判决决策树的选择过程，而每个客群单独的评分卡及策略就是一轮简单的决策。容易看出来，个性化决策本质上要求企业将已有的决策梳理和细化，而多轮决策通过层级式的方法把这个复杂的问题分而治之。

多轮决策可以从不同维度的数据进行设计，从控制的结果来看可以分为粗决策和细决策。粗决策一般是通过客户静态数据进行判决分流，例如某个在线教育平台提供多种的课程，那么一个粗决策会根据客户的学历进行判决分流。粗决策的任务是把用户导向一个大的子类别，再通过一系列的细决策来进一步决策。细决策通过一些动态数据进行验证和筛选，这些动态数据不仅包括了从外部购买的最新数据，也包括用户在使用产品时产生的各种交互行为。例如某个客户是高中学历，因此客户被引导向了一个适合高中学历的课程问卷，根据这个问卷的结果可以为客户推荐一个具体的产品。企业可以根据业务特点，设定一系列的粗决策和细决策，由于多轮决策是一种分治的方式，所以可以让最熟悉某项业务的人员制定各自的粗决策和细决策，最后合并到整个决策系统中。

实际中的多轮决策是相当复杂的，实施过程也会存在一些难点。

首先是策略的维护问题：由于决策是由不同的业务人员各自制定的，而且随着时间的变化这些策略会频繁的调整，所以管理不同的版本并保证整体决策的一致性和有效性是一项很大的挑战；另外多轮决策的执行次数是不确定的，在设计的时候一定要避免出现“环”，从而导致多轮决策陷入死循环。

其次是多轮决策的效率问题：因为决策会执行很多轮，所以如何尽量减少轮的次数并且重用之前已有的数据是非常重要的。如果决策中用到外部数据，那么在一次多轮决策中，这些数据应该自动的保存和重用；如果是在过程中和用户产生的交互数据，重用对于用户体验而言就更为重要。

最后是决策选优的问题。无论是粗决策还是细决策，很多时候适合客户的候选项不止一个，如何在这些候选项中进行取舍也需要有取舍或者是AB测试。不过目前许多先进的决策引擎（例如明策智能决策引擎）从技术上已经能够有力的支持以上的问题，难点反而在多轮决策的设计上，这个是根据企业自身的业务情况而变的。

以上介绍了如何使用多轮决策的方法实现个性化决策，这在竞争激烈的商业环境下是非常重要的。企业通常会发现自身的策略或者模型过了很短的一段时间就“不好用”了，这其中固然有经济大环境或者需求本身的变化，但也有称为反向选择（Adverse Selection）的因素。假设市场的客户数量及好坏比例是固定的，信用评分方法也是类似的，如果竞争企业进行了个性化决策，那么同样评级的“好客户”更多的被竞争企业吸引走了（例如在车贷行业，“好客户”通常会比较在意价格比较），那么企业现有的评级坏率自然就上升了。这完全是由于个性化决策带来的竞争力差异。

文章作者

余锴

曾在华为、惠普、SAP合作伙伴从事市场、咨询和数据科学领域工作，并在互联网金融行业有丰富的大数据建模、智能算法研发以及决策引擎设计经验。