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