第1章：AI决策产品全景图
大家好，我是这门课的主讲人。做了这么多年AI产品，我见过太多团队一上来就追着算法跑，结果产品做出来没人用。为什么？因为连最基本的决策类型都没搞清楚。
今天咱们就来聊聊AI辅助决策的全景图。说白了，就是搞清楚三个问题：什么是AI辅助决策？决策产品分几类？哪些场景最值得做？
1.1 什么是AI辅助决策？
先别急着背定义。我习惯这么理解：AI辅助决策，就是让机器帮你算，你来拍板。
举个例子。你是个信贷审批员，每天要看几百份贷款申请。以前全靠经验判断——这个人收入高但负债也高，批不批？现在AI帮你算：根据历史数据，这个申请人的违约概率是12.3%，建议拒绝。但最终决定权还在你手上。
这就是AI辅助决策的核心：人机协同，机器提供建议，人做最终决策。
关键区别：AI辅助决策 ≠ 自动化决策。前者是人机协同，后者是机器全权代理。做产品时一定要想清楚，你的用户到底需要哪种。
我在项目中遇到过不少产品经理，把辅助决策做成了自动化决策。结果用户不信任，系统上线后根本没人用。嗯，这里要注意：辅助决策产品的核心是「辅助」，不是「替代」。
1.2 决策产品的三种分类
你想想看，决策其实就三种：描述过去、预测未来、指导行动。对应到AI产品，就是描述性、预测性、规范性三类。
1.2.1 描述性决策产品
这类产品最简单，就是告诉你「发生了什么」。比如：
- 上个月哪个区域的销售额下降了？
- 这批客户的流失率是多少？
- 库存周转天数有没有异常？
说白了就是数据可视化+简单统计。我刚开始做产品时，觉得这玩意儿太简单了，没什么技术含量。后来发现，描述性决策是基础中的基础——没有准确的数据描述，后面的预测和规范都是空中楼阁。
避坑指南：我曾经见过一个团队，花了大半年做预测模型，结果发现基础数据质量太差，预测结果根本不准。所以我的建议是：先做好描述性产品，再考虑预测和规范。
1.2.2 预测性决策产品
这类产品告诉你「接下来会发生什么」。比如：
- 这个客户下个月会流失吗？
- 这批原材料的价格未来三个月会涨吗？
- 这个病人的病情会恶化吗？
预测性产品是当前AI落地最广的领域。为什么？因为预测问题天然适合机器学习——有历史数据，有明确标签，模型训练起来相对容易。
但我得提醒一句：预测不等于因果。模型告诉你「这个客户会流失」，但它说不清楚「为什么」。做产品时，一定要把预测结果和解释性结合起来。否则用户只会觉得你在瞎猜。
1.2.3 规范性决策产品
这类产品最复杂，它告诉你「应该怎么做」。比如：
- 这个贷款申请，应该批多少额度？
- 这批货物，应该走哪条运输路线？
- 这个病人，应该用什么治疗方案？
规范性决策是AI决策的终极形态。它不仅要预测，还要给出最优行动方案。我做过几个规范性产品，说实话，难度比预测性高了一个数量级。因为规范性问题往往涉及多目标优化——既要成本低，又要效率高，还要风险可控。
三种决策的关系：描述性 → 预测性 → 规范性，是一个递进关系。描述性告诉你「发生了什么」，预测性告诉你「将要发生什么」，规范性告诉你「应该做什么」。做产品时，建议从描述性入手，逐步升级。
1.3 典型应用场景
理论讲完了，咱们来看看实际场景。我挑三个最典型的领域：金融风控、医疗诊断、供应链优化。
1.3.1 金融风控
金融是AI辅助决策落地最成熟的领域。为什么？因为金融决策天然就是数据驱动的。
| 决策类型 | 典型产品 | 核心能力 |
|---|---|---|
| 描述性 | 客户画像、风险仪表盘 | 多维度数据聚合、可视化 |
| 预测性 | 信用评分、欺诈检测 | 违约概率预测、异常行为识别 |
| 规范性 | 额度审批、定价策略 | 最优额度计算、动态定价 |
我记得有个项目，帮银行做信贷审批系统。一开始他们只想要预测模型——判断这个人会不会违约。但后来发现，光预测不够，还得告诉审批员「批多少额度最合适」。这就是从预测性到规范性的升级。
注意：金融风控产品对可解释性要求极高。模型说「拒绝这个申请」，你得能说清楚为什么。否则监管过不了，用户也不买账。
1.3.2 医疗诊断
医疗领域的AI辅助决策，我个人的看法是：前景巨大，但落地极难。
为什么难？因为医疗决策是高风险决策。一个误诊可能出人命。所以AI在医疗领域，目前主要还是辅助角色——帮医生看片子、分析病历、推荐治疗方案。
举个例子。肺结节检测系统，AI可以快速标记出CT影像中的可疑结节，并给出恶性概率。但最终诊断结果，还是得医生签字确认。
这里有个坑：医疗数据极其敏感，隐私合规是头等大事。我曾经参与过一个医疗项目，光数据脱敏就花了三个月。所以做医疗AI产品，一定要提前想好数据合规方案。
1.3.3 供应链优化
供应链是我个人比较看好的方向。为什么？因为供应链决策变量多、数据量大，AI的优势能充分发挥。
典型的场景包括：
- 需求预测：下个月某个SKU的销量是多少？
- 库存优化：每个仓库应该备多少货？
- 路径规划：这批货走哪条路线成本最低？
- 供应商选择：哪个供应商性价比最高？
我做过一个供应链优化项目，帮一家电商公司做库存预测。一开始他们用Excel手动算，库存积压严重。后来上了AI模型，预测准确率提升了30%，库存周转天数从45天降到了28天。
经验之谈：供应链产品最怕「数据孤岛」。采购、仓储、物流、销售，各部门数据不打通，AI模型再牛也没用。所以做这类产品，先搞定数据集成，再谈算法优化。
1.4 本章小结
好了，咱们来捋一捋今天的内容：
- AI辅助决策的核心是人机协同，不是机器替代人。
- 决策产品分三类：描述性（发生了什么）、预测性（将要发生什么）、规范性（应该做什么）。
- 三个典型场景：金融风控（最成熟）、医疗诊断（前景大但难落地）、供应链优化（变量多效果好）。
下一章，咱们会深入聊聊描述性决策产品的设计实战。到时候我会拿一个真实项目案例，手把手带你走一遍产品设计流程。
嗯，今天就到这儿。有什么问题，欢迎在评论区留言。