预测与因果推断之间的区别之外，仅为预测而做的方法优化也不能顾及到其他因素，这些因素可能在数据驱动的政策分析或者资源分配上很重要。例如，动机和可操控性可以很重要。如果一个建筑或者餐厅所有者依据这些特征，预料到被审查的可能性很小，他或她将减少安全措施上的投入。

在一个数据驱动政策的例子中，可操作性发挥了作用，不列颠哥伦比亚的市场定价系统（MPS）被用于对国有土地的木材收购的定价，这些国有土地是在长期租约下被分配给木材公司的。MPS 构建出一个可以预测的模型，这个模型所运用的数据来自拍卖中木材的售价，该模型可以用于预测如果将长期租约下的一片土地的收获木材拍卖所可能达到的价格。但是，一个租约持有者潜在很可能有在拍卖中人为低价竞标的动机，从而达到影响模型对长期租约下收获木材的价格预测，也即降低了他们长期租约下收获木材的成本。作为模型选择过程的一部分，MPS 的预测模型服从于仿真情境，使得任何单个大型木材公司都能实现各自的可操作性。这个已经实现的模型并不是一个具有最好的预测性能的模型，最好的预测模型具有期望拥有的鲁棒性而不是可操作性。

在实际运用统计模型时，很多其他需要考虑的问题涌现出来。有时候让利益相关者理解一个已做出的决定的缘由是很重要的，或者决策者可能需要记住一个决策规则（如医生）。基于透明度和可解释性的考虑，或许会导致分析师们偏好模型的简单性而牺牲模型的预测能力。另外一个需要考虑的是公平性或者说歧视。美国贷放款的消费者保护法禁止实际应用中有依据种族的歧视。一些公司可能希望运用 SML 方法从工作申请者中挑选出可以面试的申请者；但是他们可能希望在算法中设置多样性目标，或者最起码可以阻止性别和种族的不平等。在 SML 的文献中可以看到这些问题在最近受到关注（如 21）。

总的来说，大数据如果想要在商业、科学以及政策上实现其全部潜力，从有监督的机器学习的文献来看，需要有由新的计算机算法所构建的多学科方法；同时还能带来使用经验证据来引导政策的数十年多学科研究的方法和实际学习。一个不成熟的但是快速成长的研究采取了这样的一个方法：例如，2016 年的 ICML（International Conference on Machine Learning）对 SML 方法的因果推断（casual inference）、可解释性（interpretability）以及可靠性（reliability）分别组建研讨会，虽然谷歌（22）、Facebook（23）和微软（24）的多学科研究团队已经开发出了可以使用的工具包，且这些工具包拥有为实现因果推断、实验性的设计以及估计最优资源分布政策的可扩展算法。随着其他领域持续加入和 SML 研究团体一起用大数据来寻求现实世界政策问题的解决方案，我们预计数据驱动的政策在算法提升和成功实现上将会有更大的机会。

四、预测人类行为：下一个前沿

机器学习的进步正在变革我们对线下（offline）和线上（online）人类行为的理解。从训练集中分类我们感兴趣的对象，无论这些对象是恐怖分子、需要维护的机器或包含恶意链接的电子邮件，其都代表了这一领域内的巨大成功。或许不存在一种机器学习算法能将所有都做好。虽然精度是至关重要的，但是可接受的精度程度是随着研究问题的变化而变化的，仅仅只有精度是远远不够的。研究人员经常解释为什么他们的预测是正确的，但是从不解释为什么他们的预测可能也是错误的。那么决策制定者同时了解这两部分的原因将有利于他们制定更好的决策。特别是在高风险的情况下，预测必须同时提供相应的解释，这样才能为进一步研究提供更深入场景理解。