Tipo de decisión

❚ 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 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