【網路好文】掌握了數據卻做不出好的決策，問題出在哪？

本文出自中國新聞

通過運籌學可以將實際中決策問題轉化為數學模型，並用高效的優化演算法求解。

在數據的全產業鏈中

通常分為數據收集與管理、規律性分析和優化三個階段。

最開始的數據收集與管理是大數據時代決策的基礎材料。我們需要去採集、挖掘和存儲數據，這是屬於信息科學的範疇。拿到數據后，我們需要對數據進行清理、歸類與分析，從而了解數據背後的規律。這一步通常由統計和機器學習完成。但是，僅僅掌握數據背後的規律並不足以釋放數據真正的價值。當我們做決策的時候，會發現這個規律相當複雜，受到諸多決策因素影響，且決策因素之間關係也較為複雜，不能自然而然地為我們帶來決策方案。

而「運籌學」解決的就是這個問題，即根據複雜規律之間錯綜複雜的關係找到最優化的決策。通過運籌學可以將實際中決策問題轉化為數學模型，並用高效的優化演算法求解。如今，運籌學已廣泛應用到包含收益管理、組合定價、路徑規劃、倉庫選址、庫存管理、投資組合優化等場景。

舉個例子，在電商、物流等公司做路徑規劃的時候，會面臨這樣的問題：要把貨物送達幾個消費者，所以需要設計一條在最短的時間或路程內完成任務的路線。正常來說，會有很多種模型和演算法去求解這個問題，但是在實際應用場景中，用戶通常會面臨諸多決策因素，比如不同的取貨地；比如涉及多人送取貨，這就意味著會涉及到車輛和人員分配的問題；比如路途中花費的時間也是一個變數。這種情況下，就需要演算法應對這樣的需求，就會面臨非常複雜的建模和求解問題。

目前，國內的運籌優化的發展要略慢於國外，在國外的航空、酒店、電商、物流等行業龍頭企業中，都有一大批運籌學人才來解決公司運營管理中所遇到的決策性問題，比如亞馬遜中有 50~200 個的運籌學博士做定價、庫存、物流等方面的決策支持。而在國內，隨著服務業對於「供給側改革」的重視，即通過效率提升、成本優化、服務創新讓消費者享受更好的服務，從而推動產業的發展，國內更多的企業會應用到運籌學的技術，將大數據轉換為真正的決策指導。