演講者: Prof. Mark E. Lewis
演講日期: 4/23/2026
演講地點：台灣大學校總區，普通教學館101教室
演講題目: Operational Decision-Making Under Uncertainty
演講摘要
本次跨領域論壇由工業工程研究所主辦，邀請 Cornell University 的 Mark E. Lewis 教授進行演講。Lewis 教授同時擔任 2026年 INFORMS President，也是 Cornell University 的 Maxwell M. Upson Professor of Engineering 與 Amazon Scholar。演講主題為 Operational Decision-Making Under Uncertainty，主要探討企業或組織在面對不確定環境時，如何做出較有品質的決策。
演講一開始，教授先介紹自己的研究方向，主要聚焦在 uncertainty 下的 dynamic decision-making，也就是在資訊不完整、環境會改變的情況下，如何透過分析、模型與系統性方法，幫助組織改善決策品質。應用範圍包含製造業排程、通訊 routing、大型運算資源分配、服務系統、call center、health care、 inventory control，以及 Markov decision process 等。
接著，教授用幾個實際案例說明決策在不同時間尺度下的差異。以 Dell 為例， Dell 曾經面臨一個問題：供應商應該維持幾週的庫存，才能支撐其電腦組裝需求。這類決策屬於較偏靜態、事先規劃的問題，通常會透過合約或制度設計來處理，因此屬於 static decision。但在工廠現場，裝配流程中又會出現另一種問 題，例如額外人力或 floaters 應該支援哪一站、哪一段產線現在最需要容量， 這類就屬於根據現場狀況動態調整的決策，也就是 dynamic decision。
教授進一步用 open loop 與 closed loop 的概念來區分不同類型的決策。所謂 open loop，較像是先做投資、先訂策略、先定制度，再根據這樣的設定往前走；而 closed loop，則是根據後續取得的新資訊，不斷修正原本的決策與資源 配置。這個觀念在 Intel 的案例中也很清楚。Intel 因產品敏感，對供應鏈運輸 過程中的溫度、濕度、震動等資訊非常重視，因此問題不只是「要不要追蹤」， 而是兩層：
第一，要投資什麼 technology，才能即時取得資訊；
第二，拿到這些資訊後，庫存與供應決策是否要跟著動態調整。這就是 open loop 與closed loop 結合的典型例子。
除了製造與供應鏈，教授也分享了 Mitre Corp. 在 drone technology 上的案例。這個案例探討的是：在城市環境下，是否值得投資無人機技術協助警政工作。
投資前要評估的因素很多，包括無人機大小、起降條件、操作難度、在空中停留時間、安全性，以及在有其他飛行器環境中的可行性。這些都屬於投資前的 open loop 問題；而當無人機真的導入後，如何在實際環境中動態部署， 則屬於 closed loop 問題。這也說明了技術投資與後續運作，其實是兩種不同層次的決策。
另一個案例則是 minute clinics。教授提到，美國的藥局已開始提供部分基本醫療服務，由藥局中的 MSPs 提供照護。這些人員通常不是 MD，而多半是 LVN 或 NP。這樣的模式可以擴大基本醫療覆蓋率，例如疫苗接種等需求，因為許多實體門市和基礎設施已經存在。然而，問題也隨之而來。並不是所有病人都 需要進一步 higher-level care，而當 telemedicine 並非絕對必要時，NP 是否要 尋求 GP 協作，會影響整個 system 的運作效率與成本。
因此，教授用 networked minute clinics 的概念，討論如何安排 GP 與多個 clinic 間的服務支援、不同州法限制下的人力配置，以及如何透過 simulation 做各種 what-if 分析，協助企業在預算限制下理解哪些目標可行、哪些不可行。 演講後半段，教授進一步介紹 INFORMS Analytics Framework（IAF）。這是一套用來發展 analytics solution 的結構化框架，共分為七個 domain，包括：
1. Business Problem / Question Framing
2. Analytics Problem Framing
3. Data
4. Methodology / Approach Framing
5. Analytics / Model Development
6. Deployment
7. Analytics Solution Lifecycle Management
在這套架構中，教授特別強調 Analytics Problem Framing 的重要性。也就是說，在企業問題轉成 analytics 問題之前，必須先確認這個問題是否真的適合用 analytics 解決，並且要先定義好 baseline、成功指標、drivers、inputs 與 assumptions。如果 business problem 本身不適合 analytics，那麼整個流程甚至可能在這個階段就停止，而不是硬把問題丟給模型或工具。
此外，在 Data 這個 domain 中，教授也提到資料準備與評估通常是最耗時的環節。很多 analytics 專案常在 business objective 尚未釐清前，就急著開始抓資料、整理資料，但如果目標不清楚，資料再多也未必能產生價值。同時， data quality、usability、ownership、privacy 與 security 也都可能讓原本看起來很好的模型無法真正發揮作用。
在 Methodology / Approach Framing 與 Analytics / Model Development 部分，教授則進一步說明方法選擇、軟體工具、technology stack、 development / test / deployment environment，以及 model verification、 visualization、biases、assumptions、limitations 與 documentation 的重要性。
特別是 documentation，教授甚至強調「document, document, document」，表 示一個好的分析解決方案，不只是做出結果，而是必須能被理解、被驗證，也能被持續維護與使用。
整體而言，這場演講從實際案例一路談到分析框架，不只是談理論，更是在說明：在不確定環境下，決策要如何從問題定義、資料、方法、模型，一路走到 實務落地。
二、心得與收穫
這場演講給我最大的收穫，是更清楚理解到：很多決策問題之所以難，不只是因為答案不好找，而是因為問題本身沒有先被分清楚。
教授透過 Dell、Intel、drone、minute clinics 等案例，一再提醒大家，企業裡有很多問題其實不是同一層次的事。有些問題是長期投資問題，有些是短期調整問題；有些屬於事先規劃，有些則需要根據現場資訊動態修正。若把不同時間尺度、不同層次的問題混在一起談，很容易讓決策變得混亂，最後不是效率不好，而是整個decision logic 本身就不清楚。
我自己很認同教授談到的 open loop 與 closed loop。這個概念其實不只存在於學術模型裡，而是很多企業每天都在面對的現實。像是前期設備投資、系統建置、供應鏈設計，往往是 open loop 的一部分；但後續營運、需求變動、現場資源調整，又需要透過 closed loop 持續修正。如果企業只有前期規劃，卻沒有後續回饋機制，那麼再好的規劃也可能跟現場脫節。反過來說，如果只顧著即時應變，卻沒有前端的制度與架構，組織又容易陷入短期反應，缺乏方向。 另一個讓我印象很深的是 IAF 的概念，尤其是 Analytics Problem Framing。現在很多企業都在談 AI、data、analytics，但教授提醒了一個很實際的問題：不是每個 business problem 都適合用 analytics 解。這點我認為非常重要。因為現實中很多問題，其實不是因為資料不夠或模型不夠，而是因為問題本身還沒有被說清楚。若連成功指標、假設條件、驅動因素都不明確，就急著進入data 或 model，很可能最後只是做出一套看起來很完整、但實際幫助有限的分析結果。
此外，教授在 Data、Methodology、Model Development 這幾個 domain 中， 也讓我再次確認：一個真正能落地的 solution，絕對不只是會算、會建模而已。資料品質、方法與問題是否匹配、模型能不能驗證、結果能否被理解、系統是否可重複使用，這些都很重要。尤其 documentation 這件事，看起來不起眼，但其實往往決定了一個 solution 是只有一次性的報告，還是可以成為組織長期使用的能力。
三、個人反思
從我個人的角度來看，這場演講不只是一次學術分享，也和我熟悉的高科技產業有很多呼應。以半導體或 IC 設計產業來說，企業每天都在面對不確定性， 包括市場需求變動、客戶規格調整、技術演進速度、供應鏈風險、產品導入時程，以及資源配置優先順序等。這些問題表面上看起來很不同，但若回到教授今天講的邏輯，其實都可以從「哪些要先規劃、哪些要動態調整」來重新理解。
我也更深刻感受到，工業工程的價值，並不只是流程改善或模型分析，而是在於能不能把 business problem、data problem、method problem 用一套有結構的方式連起來。很多時候，企業真正缺的不是工具，而是有人可以把問題講清楚，把決策層次分清楚，讓後面的資料與模型真正服務決策，而不是反過來讓 決策去配合工具。
這次演講也讓我反思，在現今產業界很常看到一種現象：大家很快就想問「可以用什麼 AI？」「可不可以導入 analytics？」但教授今天提醒的重點其實是： 先問這是不是對的問題、是不是適合 analytics、要怎麼定義成功，才談得上後面的模型與工具。這種觀念看似簡單，但其實非常重要。因為如果前面的 framing 做錯，後面做得越多，可能只是離真正的問題越來越遠。
總結來說，這場演講讓我最大的體會是：
好的決策，不只是算得快、反應快，而是能在不確定環境中，先把問題看清楚，再用對的方法一步一步走下去。
這樣的思考方式，不只適用在學術研究，也很適合今天快速變動的產業現場。 對我而言，這是這場演講最有價值的地方。
 |
作者
"P14546001高家祥"
臺灣大學工業工程學研究所碩士在職專班
「跨領域整合與創新」高階主管專班(臺大EMS)114級在學學生
|