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