企业管理决策系统的是一个模拟人类行为模式但是运用众包思维，快速迭代升级的一个超级协作系统。作为企业的中枢神经系统，从最开始只是简单的财务记账，出入库管理，到如今演化为一个极为庞大复杂精细的系统，企业则是一分钟都离不开这套中枢系统。
企业管理决策系统
然后我们试着来解剖一下企业管理软件，同步思考对于我们个人的知识管理决策体系的类比、参照和启发。企业管理软件从事务性系统OLTP出发，形成一个近物理世界快照的信息系统，企业所有关键经营活动都必须通过OLTP系统进行记录、控制、管理、追踪，全球化、多产业的大型国际集团，通过这套系统形成一个统一的企业管理模板，并且不断沉淀、迭代、更新、优化，系统为企业服务的同时，又通过不断互动的压力测试完成了自身的进化。各部门间也可以突破信息孤岛，实现信息、数据的实时传递、更新。同时，因为流程标准化，各企业间可以基于同一标准进行产业链、供应链上下游无缝衔接，大大减少衔接成本。
企业通过日常经营活动，日积月累产生了大量数据以后，这些数据本身就形成了能源，如何基于这些数据分析的结论更好的指导将来的生产、销售等活动，是企业下一步精细化管理中必须要走的路。这样基于分析的系统OLAP就应运而生。它本身不会产生新的业务数据，所有的数据都是原封不动的（原则上，不考虑数据清洗等细节）来源于OLTP的数据。基于这部分数据，我们期望能够得到有效的信息进行回顾、预测与管理。那么目前主流会有两种方法。
第一种是针对已经有了较好的结构化的原始OLTP数据这种情况，我们可以对应构建一个结构化的数据仓库DW，按照结构化、主题化、层级化把原始数据整合改造成有序的数据架构，这个过程在DW叫做数据建模。这样的系统结构清晰，数据逻辑可以层层推演追溯，灵活性与稳定性兼顾（越往上层越灵活，越不稳定）。问题是，随着时间的增加，整个DW系统会越来越复杂，多层级、多逻辑处理，以致在进行数据逻辑梳理、追溯过程中会非常耗时和有很高难度。
第二种是为了应对越来越多的非结构化数据，比如视频、网站信息流，以及爆炸式增长的数据（特别是互联网行业），我们已经没有办法很好的利用DW的传统框架来应对这些无论从形式的多样性、数据量的突增，应对方法就是利用Hadoop等大数据平台进行数据建模和处理。
针对预测的需求，在现有的结构化数据的DW和非结构化数据的大数据平台之上，数据科学家们利用机器学习ML的模型进行数据训练和预测。整个系统处理过程更像是一个黑箱（包含复杂的数学模型），我们只需要拥有足够多的历史数据，告诉这个黑箱输入和输出信息是什么，黑箱本身就可以经过足够数据量的喂养之后，在内部不断升级自己的计算方法（算法），最终可以尽可能准确的根据已知输入数据得到输出数据。这样，当有新的输入数据进来，这个黑箱就可以自动计算出所期待的输出数据，即预测数据。
个人管理决策系统
这样对比个人管理决策系统也会有类似启发。首先就是构建OLTP系统，不能是孤岛系统，比如财务记账用免费软件甚至excel，主要的个人资金流，物流，信息流全都在一个系统里打通，而且通过与其他交易系统连接，比如淘宝（资金流、物流）、快递系统（物流）、zotero、github、微信、blog、email（信息流，知识流）等打通，形成一整套个人管理系统。
其次是基于所有这些OLTP构建OLAP系统，以结构化的DW建模为例，可以考虑按照传统DW架构构建相对稳定的个人管理驾驶舱。具体来说，就是按照业务主题构建相应模块，比如财务，物流，知识管理（专业书籍，个人兴趣书籍，作品管理），职业，社会关系管理，健康（Keep，医疗系统等），文娱等。具体实施，首先根据数据仓库理念，构建底层相对稳定的基础模型（MDL，IDL），然后基于现有模块分类构建业务主题层（CDL），最后根据个人当下需求构建报告层（RDL），比如财务报表（方便进一步分析和财务健康度扫描），知识结构体系查询（了解个人现有知识结构体系，当年/季度/月/天知识分解学习/阅读计划），健康管理（饮食成分分析，健康度扫描，后续饮食建议，健身情况总结、计划，当年/季度/月/天计划），看板系统（Todo/In progress/Needs review/reviewed approved/Done）。
有了个人OLAP系统，就可以进一步参考机器学习打磨个人的高阶模型1。 比如我们参考芒格的方法，每年设定一个高阶模型目标，从现有DW数据中提取出相关数据进行训练测试，后续有新的类似信息进来我们就可以自动得出新的结果。具体比如最小全局认识，我们针对虚拟现实技术（VR）做了一个最小全局认识，得到相关结果（学术，商业，职业最小全局认识）。后续有最新行业信息进来以后（比如有新的技术发展），我们可以更新相关结果（部分信息通过我们之前设定好的批量操作/自动化程序自动提取分析实现，比如批量搜索相关论文；部分信息还需要手工分析，比如对相关论文进行分析提取关键信息，以及后续相关报表调整：最新技术动态及趋势分析）。
同时，我们可以整理个人高阶模型As-is和Tobe 管理驾驶舱，针对As-Is部分，提供目前已经掌握的清单及相关属性，包括应用领域数量，应用年限，成熟度，成果数量和质量，下一步计划等。针对To-be设定相关清单和属性，包括计划实施年份、预期效果等。
