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 evaluación. Nivel al que se toman las decisiones
❙ También el nivel al que se toman las decisiones
afecta la elección del tipo de sistema más apropiado. Gorry y Scott-Morton (1971) han propuesto un esquema que relaciona el tipo de decisión (estructurada, semiestructurada y no estructurada) y el nivel organizacional (control operativo, de gestión y estratégico) con la herramienta a utilizar. Lógicamente en el nivel operativo dominan las decisiones estructuradas, en el nivel de gestión las semiestructuradas y en el estratégico las no estructuradas, formando una diagonal. Nivel operativo y decisiones estructuradas
❙ Como podemos apreciar en el gráfico, 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 elaboración de nóminas, y que en general realizan tareas mecánicas. Son los llamados Sistemas de Proceso de Transacciones (TPS) basados en programación algorítmica convencional. Nivel operativo y decisiones no estructuradas
❘ El nivel operativo, pero con decisiones
semiestructuradas, todavía está dominado por los programas convencionales, en lo que habría que incluir programas de control de tesorería, control de existencias y también las hojas de cálculo 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. Así, para la gestión financiera más básica, en la que además de realizar cálculos mecánicos: tipos de interés efectivo, cuotas de amortización de préstamos, etc., también hay que tomar decisiones que manejan información 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 concesión de las tarjetas de crédito de unos grandes almacenes o a qué clientes se les envía catálogos por correo. Nivel de gestión y decisiones estructuradas
❘ Conforme el nivel organizativo avanza en el eje de
las x, las decisiones se hacen más complejas. Si las decisiones son estructuradas, como en el análisis de presupuestos y control, contabilidad analítica, análisis contable, etc, dominan los programas convencionales, quizá incorporando algún módulo experto. Este tipo de programas se denominan Sistemas de Gestión de Información o Management Information Systems (MIS). Nivel de gestión y decisiones no estructuradas
❙ Conforme las decisiones se hacen menos
estructuradas se hacen más necesarios los sistemas expertos. En temas puntuales como la elaboración de presupuestos, la predicción de variables financieras como el beneficio, el cash-flow, podrían incorporarse modelos neuronales. Nótese como en este esquema descrito hemos situado el análisis de la información contable en las decisiones semiestructuradas. No hay una teoría general que pueda ser aplicada paso a paso pero tampoco encaja en las decisiones completamente intuitivas o no estructuradas. Nivel estratégico
❙ En el nivel estratégico son barridos los programas
convencionales manteniéndose únicamente las hojas de cálculo, por su capacidad de simulación. Los llamados Executive Information Systems (EIS), o Sistemas Informativos para Ejecutivos dominan las decisiones menos estructuradas, con tareas como la planificación estratégica 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 última etapa de la introducción de métodos cuantitativos, científicos en el mundo del comercio, industria y negocios. Desde ahora, todos los no-estadísticos -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 Estadística ❚ Estadística y Data Mining conducen al mismo objetivo, el de efectuar "modelos" compactos y comprensibles que rindan cuenta de las relaciones establecidas entre la descripción de una situación y un resultado (o un juicio) relacionado con dicha descripción. Fundamentalmente, la diferencia entre ambas reside en que las técnicas del Data Mining construyen el modelo de manera automática mientras que las técnicas estadísticas "clásicas" necesitan ser manejadas - y orientadas - por un estadístico profesional Data Mining
❚ Data Mining, la extracción de
información oculta y predecible de grandes bases de datos, es una poderosa tecnología nueva con gran potencial para ayudar a las compañías a concentrarse en la información más importante de sus Bases de Información (Data Warehouse). Predicción
❚ 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 información (knowledge-driven). Análisis prospectivos ❚ Los análisis prospectivos automatizados ofrecidos por un producto así van más allá de los eventos pasados provistos por herramientas retrospectivas típicas de sistemas de soporte de decisión. Información 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 información casi no están dispuestos a aceptar. Estas herramientas exploran las bases de datos en busca de patrones ocultos, encontrando información predecible que un experto no puede llegar a encontrar porque se encuentra fuera de sus expectativas. Alcance del Data Mining ❚ Predicción automatizada de tendencias y comportamientos. Data Mining automatiza el proceso de encontrar información predecible en grandes bases de datos. Preguntas que tradicionalmente requerían un intenso análisis manual, ahora pueden ser contestadas directa y rápidamente desde los datos. Un típico 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 inversión en futuros mailing. Otros problemas predecibles incluyen pronósticos de problemas financieros futuros y otras formas de incumplimiento, e identificar segmentos de población 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 sólo paso. Otros problemas de descubrimiento de modelos incluye detectar transacciones fraudulentas de tarjetas de créditos e identificar datos anormales que pueden representar errores de tipeado en la carga de datos. Arboles de decisión y reglas de asociación
Los árboles de decisión y las bases de reglas se interpretan muy
fácilmente pero no conocen sino los límites "duros" de comparación en niveles de decisión Si-No. Adolecen de una fineza predictiva. Evaluaciones por puntuación
❚ Los evaluaciones por puntuación, lineales
o con funciones logísticas son un poco más "sofisticadas" pero como sólo adicionan resultados no pueden dar cuenta de relaciones multivariables (por ejemplo, para los propietarios el riesgo aumenta mientras que para los arrendatarios disminuye en función de la edad). Redes Neuronales
❚ Las redes neuronales son las damas de la
predicción estadística (y tienen también la posibilidad de adaptarse a valores bastante indefinidos e incluso ausentes), pero resulta completamente imposible el inspeccionar - es como si quisiéramos examinar el cerebro de alguien para saber lo que piensa !-. Sólo las predicciones realizadas pueden ser inspeccionadas y visualizadas. Minería de datos • Un proceso analítico diseñado para explorar grandes cantidades de datos (generalmente relacionados a los negocios o mercadeo), • búsqueda de modelos consistentes y/o las relaciones sistemáticas entre las variables, • validar los resultados aplicando los modelos descubiertos a los nuevos subconjuntos de datos. • El proceso consiste así en tres fases básicas: exploración, construcción o definición del modelo, y validación/verificación. • Si la naturaleza de los datos disponibles permite, se repite iterativamente hasta identificar un modelo "robusto". Sin embargo, en la práctica de negocios las opciones para validar al modelo en la fase de análisis están generalmente limitadas y, así, los resultados iniciales tienen a menudo el estado de heurística que podría influir en el proceso de decisión • Por ejemplo, Los datos parecen indicar que la probabilidad de probar píldoras para dormir aumenta más rápidamente con la edad en las mujeres que en los varones