决策结构(Decision structure)

一个决策通常涉及许多步骤和很多细小的规则。例如,在车险核保场景中,您可能希望:

· 确保所有输入数据是正确的,完整的

· 排除那些明显的不合规申请(比如,申请人年龄过低)

· 根据进件信息计算风险指标,然后再决定如何处理它

· 等等其他规则


所有这些步骤或微观决策通常由不同的人员管理—如果您将它们分为不同的步骤,分别进行管理,并将其整合到一个决策中,事情就会变得更加清晰。


1 决策流(Decision Flow)

SMARTS使用决策流构建决策。决策流被设计成以图形化的方式表示整个决策,决策流的节点会涉及很多步骤,这些步骤用于定义决策的逻辑

您可以图形化地操作决策流,创建决策步骤,并通过可能有条件的链接将它们连接在一起。如果需要对输入数据重复应用特定的决策步骤,还可以循环执行决策步骤。


以图形方式组织决策流,并将其与决策逻辑的其他部分分开,可以让您更好地控制和理解逻辑的组织方式,可以将不同决策步骤的所有权和管理权清晰地分离给不同的用户。管理也简化了,因为每个步骤都是独立的,各自只需要关注自己负责的部分。


2 决策步骤和决策引擎(Decision Steps and Decision Engines)

决策流中的每个步骤可以通过以下组合来实现:

· 明确的业务规则,通常来自专业知识

· 通过机器学习从数据中挖掘出的预测模型


SMARTS是多范式的,为每种逻辑表现形式提供了专门的引擎:

· 对于决策流,使用支持状态机状态交互的流引擎

· 对于业务规则,具有穷尽和独占执行模式的顺序规则引擎将涵盖大多数典型的规则场景。此外,当决策步骤中表达的逻辑必须依赖于推理时,可以使用Rete-NT引擎。这些引擎将根据其部署的环境生成可执行代码,从而以.NET或Java字节码速度执行。

· 对于查找模型(lookup model),完全索引的查询引擎提供了非常高的性能,规则越多,该模型的性能优势越明显

· 对于预测模型,一些专门的模型涵盖了各种类型的预测模型,从回归到神经网络和支持向量机。


通过整合多个引擎,SMARTS为您提供了表达和维护决策逻辑的最合适的方法,以及最具性能的执行引擎。


SMARTS专利技术-红笔(RedPen)

SMARTS提供专利技术红笔(RedPen™),它可以帮助业务专家更高效的将决策逻辑抽象提取出来。


您的组织可能有一些专家,他们知道如何构建决策。这些专家可能是业务分析师、数据专家、业务专家、审核人员等。红笔所针对的挑战是如何有效地从这些专家中提取决策逻辑。


红笔基于边执行边设计(design-by-doing)的理念,SMARTS允许专家按照他的思路来做决定,红笔利用这个决定的过程来引出决策逻辑。


在没有系统的情况下,专家往往会拿出一支红笔,对进件资料的关键信息做相应的标记,基于这些标记,按照一定的决策逻辑,做出相应的决定。“红笔”这个名字就来源于以上场景。


在下图红笔模式的界面中,审批人员看到进件信息后能立刻理解决策逻辑(因为平均年龄在16和30之间,高风险规则被触发了,该笔进件的风险级别被设置为了高风险)。

专家可以决定,即使平均年龄相当年轻,但工作/上学总里程数低于50英里,就应给予较低的风险水平。专家可以直接点击文档中的相应字段,为“高风险”规则创建一个例外规则,在年龄规则之外,为里程数低于50英里的情况增加新的结论。

这样创建的异常规则会被自动添加到规则集中,您可以通过模拟来查看KPI指标,评估该变化对决策质量的影响。


这种方法不需要语法知识,使专家能够直接在他们最熟悉的资料(进件文档)中理解和引出决策逻辑。


实现决策逻辑的多种范式

决策管理方法的一个关键原则是,业务用户必须能够理解所实施的决策,实施专家必须清楚需要对决策进行哪些更改。理想情况下,业务分析师可以直接变更,实施专家和业务分析师能够对决策达成共识。


这种方法有一个关键的挑战:单一的表示方法不足以在决策的整个生命周期中引出、实施和管理决策。许多传统的表示方法(规则文本、决策树、规则表等)虽然理论上都可以表达所有可能的决策逻辑,但对业务用户而言,某些方法只适用于某些场景,在其他场景下是低效的。根据任务的不同,业务用户希望使用最适合的表示方法而不是仅使用一种。


比如:

· 当试图理解都有哪些决策或规则导致了某个特定结果时,决策图可能是最合适的表示方法。虽然不像其他表示法那样易于编辑,但决策图非常擅长突出显示所有可能通向给定结果的路径。

· 当试图理解当某些条件满足时将有什么行为时,决策树就是一个合适的表示方法。如果一组条件已经为真,要理解潜在结果是什么,很容易通过一个适当的决策树表示来完成。

· 当试图理解相对同质的决策或规则之间的结构差异时,例如费率计算规则,决策表可能是最合适的表示方法。

· 当关注单个规则时,规则文本表示方法是合适的。


SMARTS使用多种方法解决了表示方法多样性的难题:

· 基于表单的红笔决策管理

· 提供决策树、决策图、决策表、规则文本等多种表示方法,并可以灵活切换

· 其他基于模型的决策逻辑


在红笔模式下,业务用户仅需在表单中做简单的点击和配置,即可完成规则的编辑,并可以很值观的看到某笔进件命中了哪个规则,规则使用到了哪些字段。

规则文本编辑如下图所示:

规则语法是简单而强大的,与计算字段一样,同样使用了SparkL语法。


它允许您使用SQL的全部功能,可针对对象集合编写表达式和语句。例如,下面的表达式用来选择以Linux为平台的价格最低的设备。


from appliance in ApplicableAppliances

where OnDemandPricing == true and Platform == "Linux"

orderby appliance.LinuxOnDemandCost

compute Take(1)


假设您希望了解某批测试用例都是哪些特征,都导致了哪些决策结果。您可以切换到决策树表示法,并以图形方式展示测试用例的分布。

假设您希望了解不同的决策结果都是由哪些规则导致的,您可以切换到决策图表示方法。

在上图中,不同的决策结果只有一个节点,您可以很容易的自下而上的浏览导致不同决策结果的路径。


如果您想查看不同规则间的异同点,发现可能重叠,或者遗漏的设置,那么您可以使用决策表的表示方法。

在上表中,您很容易发现,规则没有覆盖小于16岁或者大于等于80岁的情况。


您还可以对决策表分组,对某些情况做更精准的分析。

对于基于模型的表示方法,SMARTS支持两类模型:

· 查找模型(Lookup models)

· PMML格式的预测模型(Predictive models through PMML)


查找模型与决策表很类似。查找模型是在给定的数据表中,查找到输入参数对应的返回值。比如,想象一张大的价目表, SKU编码,销售区域,客户类型,销售量组合在一起决定了最终的销售价格。查找模型的主要工作是是配置好相应的数据表,定义好哪些字段组合与输入信息匹配,定义好对应的返回字段。


在决策执行时,决策引擎将查找进件数据对应到查找模型中的某一行,并返回相应的返回字段信息。

在上图中,查找模型根据输入的信用评分和贷款类型,返回贷款产品,成本,条款,利率等信息。


针对查找模型,有特定的查找模型引擎,在决策条件比较多的情况下(数千条以上),查找模型的执行效率比决策表要快的多。


SMARTS还支持PMML格式的预测模型(用R或Python等预测分析工具制作的模型)。以下是SMARTS支持的预测算法。

SMARTS核心概念(2)


产品
解决方案
学习
©2021 上海数泱信息科技有限公司 版权所有