Tipo de decisin

Simon (1960) ha clasificado las decisiones en

estructuradas y no estructuradas: las decisiones
estructuradas son repetitivas, rutinarias y existe
un procedimiento definido para abordarlas; por el
contrario, en las decisiones no estructuradas el
decisor debe proporcionar juicios y aportar su
propia evaluacin.

Nivel al que se toman las
decisiones

Tambin el nivel al que se toman las decisiones
afecta la eleccin del tipo de sistema ms apropiado.
Gorry y Scott-Morton (1971) han propuesto un
esquema que relaciona el tipo de decisin
(estructurada, semiestructurada y no estructurada) y
el nivel organizacional (control operativo, de gestin
y estratgico) con la herramienta a utilizar.
Lgicamente en el nivel operativo dominan las
decisiones estructuradas, en el nivel de gestin las
semiestructuradas y en el estratgico las no
estructuradas, formando una diagonal.

Nivel operativo y decisiones
estructuradas

Como podemos apreciar en el grfico, en el
nivel operativo y toma de decisiones
estructurada dominan los sistemas
informatizados convencionales como los
programas de contabilidad financiera y
de costos, los de elaboracin de nminas, y
que en general realizan tareas mecnicas.
Son los llamados Sistemas de Proceso de
Transacciones (TPS) basados en
programacin algortmica convencional.

Nivel operativo y decisiones no
estructuradas
El nivel operativo, pero con decisiones
semiestructuradas, todava est dominado
por los programas convencionales, en lo
que habra que incluir programas de control
de tesorera, control de existencias y
tambin las hojas de clculo y sistemas
gestores de bases de datos.

Nivel operativo y decisiones no
estructuradas
Conforme las decisiones son menos estructuradas,
empiezan a ser aplicables sistemas expertos y sistemas de
ayuda a la toma de decisiones. As, para la gestin
financiera ms bsica, en la que adems de realizar
clculos mecnicos: tipos de inters efectivo, cuotas de
amortizacin de prstamos, etc., tambin hay que tomar
decisiones que manejan informacin incompleta o precisan
incorporar el conocimiento de un especialista humano.
Finalmente, en el nivel de de toma de decisiones menos
estructurada pueden incorporarse modelos neuronales: por
ejemplo, asesorando en la concesin de las tarjetas de
crdito de unos grandes almacenes o a qu clientes se les
enva catlogos por correo.

Nivel de gestin y decisiones
estructuradas
Conforme el nivel organizativo avanza en el eje de
las x, las decisiones se hacen ms complejas. Si las
decisiones son estructuradas, como en el anlisis de
presupuestos y control, contabilidad analtica,
anlisis contable, etc, dominan los programas
convencionales, quiz incorporando algn mdulo
experto. Este tipo de programas se denominan
Sistemas de Gestin de Informacin o
Management Information Systems (MIS).

Nivel de gestin y decisiones no estructuradas

Conforme las decisiones se hacen menos
estructuradas se hacen ms necesarios los sistemas
expertos. En temas puntuales como la elaboracin
de presupuestos, la prediccin de variables
financieras como el beneficio, el cash-flow, podran
incorporarse modelos neuronales. Ntese como en
este esquema descrito hemos situado el anlisis de
la informacin contable en las decisiones
semiestructuradas. No hay una teora general que
pueda ser aplicada paso a paso pero tampoco encaja
en las decisiones completamente intuitivas o no
estructuradas.

Nivel estratgico

En el nivel estratgico son barridos los programas
convencionales mantenindose nicamente las
hojas de clculo, por su capacidad de simulacin. Los
llamados Executive Information Systems (EIS), o
Sistemas Informativos para Ejecutivos dominan las
decisiones menos estructuradas, con tareas como la
planificacin estratgica y de contabilidad directiva.
Las redes neuronales pueden cubrir un hueco
importante en las decisiones no estructuradas,
debido a esa capacidad de encontrar relaciones
complejas entre los patrones de entrada.

Data Mining
La llegada del Data Mining se considera como la
ltima etapa de la introduccin de mtodos
cuantitativos, cientficos en el mundo del
comercio, industria y negocios. Desde ahora,
todos los no-estadsticos -es decir el 99,5% de
nosotros - pueden construir modelos exactos de
algunas de sus actividades, para estudiarlas
mejor, comprenderlas y mejorarlas

Data Mining y Estadstica
Estadstica y Data Mining conducen al mismo objetivo, el
de efectuar "modelos" compactos y comprensibles que
rindan cuenta de las relaciones establecidas entre la
descripcin de una situacin y un resultado (o un juicio)
relacionado con dicha descripcin. Fundamentalmente,
la diferencia entre ambas reside en que las tcnicas del
Data Mining construyen el modelo de manera
automtica mientras que las tcnicas estadsticas
"clsicas" necesitan ser manejadas - y orientadas - por
un estadstico profesional

Data Mining
Data Mining, la extraccin de
informacin oculta y predecible de
grandes bases de datos, es una
poderosa tecnologa nueva con gran
potencial para ayudar a las compaas a
concentrarse en la informacin ms
importante de sus Bases de Informacin
(Data Warehouse).
Prediccin
Las herramientas de Data Mining predicen
futuras tendencias y comportamientos,
permitiendo en los negocios tomar
decisiones proactivas y conducidas por un
conocimiento acabado de la informacin
(knowledge-driven).
Anlisis prospectivos
Los anlisis prospectivos automatizados ofrecidos por
un producto as van ms all de los eventos pasados
provistos por herramientas retrospectivas tpicas de
sistemas de soporte de decisin.

Informacin predecible
Las herramientas de Data Mining pueden responder a
preguntas de negocios que tradicionalmente consumen
demasiado tiempo para poder ser resueltas y a los
cuales los usuarios de esta informacin casi no estn
dispuestos a aceptar. Estas herramientas exploran las
bases de datos en busca de patrones ocultos,
encontrando informacin predecible que un experto no
puede llegar a encontrar porque se encuentra fuera de
sus expectativas.
Alcance del Data Mining
Prediccin automatizada de tendencias y comportamientos.
Data Mining automatiza el proceso de encontrar informacin
predecible en grandes bases de datos. Preguntas que
tradicionalmente requeran un intenso anlisis manual, ahora
pueden ser contestadas directa y rpidamente desde los datos. Un
tpico ejemplo de problema predecible es el marketing apuntado a
objetivos (targeted marketing). Data Mining usa datos en mailing
promocionales anteriores para identificar posibles objetivos para
maximizar los resultados de la inversin en futuros mailing. Otros
problemas predecibles incluyen pronsticos de problemas
financieros futuros y otras formas de incumplimiento, e identificar
segmentos de poblacin que probablemente respondan
similarmente a eventos dados.

Alcance del Data Mining
Descubrimiento automatizado de
modelos previamente desconocidos.
Las herramientas de Data Mining barren las
bases de datos e identifican modelos
previamente escondidos en un slo paso.
Otros problemas de descubrimiento de
modelos incluye detectar transacciones
fraudulentas de tarjetas de crditos e
identificar datos anormales que pueden
representar errores de tipeado en la carga
de datos.

Arboles de decisin y reglas
de asociacin
Los rboles de decisin y las bases de reglas se interpretan muy
fcilmente pero no conocen sino los lmites "duros" de
comparacin en niveles de decisin Si-No. Adolecen de una
fineza predictiva.
Evaluaciones por puntuacin
Los evaluaciones por puntuacin, lineales o con
funciones logsticas son un poco ms
"sofisticadas" pero como slo adicionan
resultados no pueden dar cuenta de relaciones
multivariables (por ejemplo, para los
propietarios el riesgo aumenta mientras que
para los arrendatarios disminuye en funcin de
la edad).

Redes Neuronales
Las redes neuronales son las damas de la
prediccin estadstica (y tienen tambin la
posibilidad de adaptarse a valores bastante
indefinidos e incluso ausentes), pero resulta
completamente imposible el inspeccionar - es
como si quisiramos examinar el cerebro de
alguien para saber lo que piensa !-. Slo las
predicciones realizadas pueden ser
inspeccionadas y visualizadas.

Minera de datos
Un proceso analtico diseado para explorar grandes cantidades de datos
(generalmente relacionados a los negocios o mercadeo),
bsqueda de modelos consistentes y/o las relaciones sistemticas entre las
variables,
validar los resultados aplicando los modelos descubiertos a los nuevos
subconjuntos de datos.
El proceso consiste as en tres fases bsicas: exploracin, construccin o
definicin del modelo, y validacin/verificacin.
Si la naturaleza de los datos disponibles permite, se repite iterativamente
hasta identificar un modelo "robusto". Sin embargo, en la prctica de
negocios las opciones para validar al modelo en la fase de anlisis estn
generalmente limitadas y, as, los resultados iniciales tienen a menudo el
estado de heurstica que podra influir en el proceso de decisin
Por ejemplo, Los datos parecen indicar que la probabilidad de probar
pldoras para dormir aumenta ms rpidamente con la edad en las mujeres
que en los varones