在商务智能和数据分析圈子里，越来越多的人在谈论规则解析。那么他们谈论的到底是什么呢？简而言之，规则解析提供给用户处理指定业务情况的最佳选择，该选择是基于在可选方案中优化选择流程的概念形成的。这一名词出现在Gartner公司的高端分析成熟度模型中，该模型从规则分析开始，在达到一定分析水平之前就进一步发展到了诊断分析和预测分析的水平。

预测和规则分析都支持基于各种场景面向未来做最优的主动优化。企业面对的问题通常十分复杂，而且可能要采取多个阶段步骤才能解决。这两种分析方法的差异在于预测分析帮助对未来事件建模，而规则分析主要是展示给用户这些不同的行为将会对业务绩效产生怎样的影响，从而指引他们做出更优的选择。随着数据驱动的组织继续意识到信息可以提供战略竞争优势，更多的公司会向着分析频谱的规则终端努力。

但是还是要小心：尽管大家都认为规则分析有非常高的业务影响潜力，但它也可能变得复杂、难以掌控。部分情况是，在绝大多数组织中它仍然是尚未开发的机会。根据Gartner公司最近的一份报告，只有3%的受访公司目前使用了规则分析软件。而是用预测分析工具的积极用户则占到30%。但是随着技术极大提升以及数据持续爆炸，规则分析采纳率在未来几年有望大幅增长。

规则方法是混合模式

规则解析工具通过联合历史数据、业务规则、书序模型、变量因素、限制条件和机器学习算法，得到业务优化的结果。规则解析更像是预测分析的兄弟，可以用于很多方案场景，包括变因、限制条件和数据点，实现人脑在没有技术辅助的情况下做出有效评估。现实世界中，如果实验代价昂贵或者过于冒险、或者太耗时间，它也会派上用场。复杂的分析模型和蒙特卡罗模拟需要已知的或随机的变量作为参数才能推荐下一步骤，显示“如果/那么”场景，并对可能发生的结果获得更好的理解。

这里有一些规则分析应用于业务流程的例子，包括定价、库存管理、运营资源分配、生产计划、供应链优化、运输和分配规划、公用事业管理、销售线索分配、市场营销组合优化和财务规划。例如，航空售票定价系统使用规则分析对旅行因素、需求水平和购买时机复杂组合进行排序，从而分析潜在乘客能接受的最高价格。另一个非常明显的学习案例是UPS优化报过递送路线的规则分析应用。

规则分析应用实际上已经存在了相当长一段时间了。商学院运营管理课程通常会包含一套或多套规则分析工具盒技术。当今可用的软件有Excel和如Frontline系统公司之类的供应商提供的Excel插件，还有像SAS公司、IBM公司、SAP公司、Tibco软件公司、MathWorks公司、Ayata公司、River Logic公司和KXEN公司（现已被SAP公司收购）提供的产品。依我的经验来看，大部分规则分析专业人士都是从Excel开始的;如果需要解决的优化问题超过了Excel的基本功能和附加功能，更多高级的规则分析工具就会出现了。

规则分析需要什么？不需要什么？

有一些常见的误解认为规则分析和高级分析通常需要数据仓库和一位数据科学家（或者许多位）。尽管这两样都是有用的资产，但也存在有其它方式可以处理规则分析、应用其仿真和优化技术解决关键业务挑战的流程。要开始了解规则分析都需要什么，有两本不错的书可以读一读，就是Cliff Ragsdale的著作《电子表格建模与决策分析》和Stephen Powell和Kenneth Baker合著的《管理科学：电子表格建模的艺术》。尽管你不必成为一位数据科学家，但对统计数据有一定理解还是有帮助的。

规则分析流程与跨行业数据挖掘标准流程（CRISP-DM）是类似的。它从建立对业务流程的全面描述以供建模开始，包括定义业务目标和变量，控制因素和待分析约束。通常情况下，模型将从初始概念模型演变成为可视的、逻辑的或者数据模型。在许多情况下，单独的定义阶段会引入新的问题和有利见解。它与分析建模更类似，要对业务流程提出完整准确的定义用于建模，规则的目标是获得有效且可操作结果的关键。

整个流程在本质上完全是迭代的，需要分析专家们和业务领域的专门专家们的密切协作。一旦规范的分析模型被确定，它就可以被用于人工决策或者嵌入到运营系统中支持自动实时决策。

在以后的文章中，我将展示并深入研究在分析成熟度模型中利用这个新组件的特定用例、工具、最佳实践和技术。