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