Toma de Decisiones y Business Intelligence. Modelización de las decisiones

Toma de Decisiones y Business Intelligence

Modelización de las decisiones

Alberto Rozenfarb

Universidad Abierta Interamericana, Centro de Altos Estudios en Tecnología Informática

(CAETI), Argentina

[email protected]

Abstract. La toma de decisiones es un proceso cuyo resultado es controvertido:

su implementación puede ser exitosa o adversa. Obviamente, cualquier organi-

zación desea que sus decisiones sean “racionalmente” buenas y exitosas. Poder

recortar la realidad en la que cada decisión está inserta y plantear un modelo es-

pecífico para representarla, estudiarla, probarla y aún mejorarla, es obtener una

poderosa herramienta de gestión. Comprender anticipadamente el posible im-

pacto de una alternativa ayudaría a entenderla mejor y reducir riesgos, objetivo

inmanente en cualquier acción del decisor. En diferentes pasajes del proceso

decisorio, es imprescindible contar con información abundante y calificada, pa-

ra comprender la diferencia entre sus posibles alternativas. El Business Intelli-

gence integra diferentes fuentes de información. Su estructuración enriquece y

completa el conjunto de modelos usados para decidir. Este trabajo propone pro-

fundizar la ligazón entre BI con el proceso de decisiones sugiriendo nuevos cri-

terios que potenciarán la calidad del proceso decisorio.

Keywords. Business Intelligence, Toma de Decisiones, datawarehouse,

agentes.

1 Contexto

Los congresos o simposios dedicados al Business Intelligence (en adelante BI) a los

que asistimos son generalmente de carácter comercial. Allí escuchamos repetidamen-

te: “el BI es una herramienta de apoyo a la toma de decisiones”.

Si bien acordamos, en ninguno de dichos abordajes, pudimos observar implemen-

taciones que integren ambas disciplinas.

Por otro lado, en las investigaciones que desde hace mucho tiempo se aplican al

proceso de toma de decisiones, se menciona reiteradamente la dificultad, inherente al

proceso mismo, de contar con información confiable y altamente disponible en el

momento de la decisión.

¿Estas disciplinas se conocen entre sí? ¿se necesitan? Si bien se estudian separa-

damente no se hace mención a la dependencia, necesidad e influencia mutua.

Quizás sea consecuencia de que el BI tenga un desarrollo más moderno. Son

mínimas las oportunidades en las que desde una de estas disciplinas se reconozca su

vinculación con la otra.

Nos importó este desfasaje y en este trabajo intentamos cubrir esta interesante y

poco tratada brecha.

Nos interesa destacar y explicar los puntos de vinculación entre ambas disciplinas,

particularmente, aquellos en los que BI respalda las decisiones y las apuntala con

datos de alta disponibilidad. Nuestra idea es proponer pasos concretos para imple-

mentar dicha integración.

2 Desarrollo

2.1 Toma de Decisiones

Las decisiones no se encuentran en la naturaleza que nos rodea: no ocurren natu-

ralmente. Decidir es una actividad humana profunda y rodeada de dificultades. Es

necesario invertir tiempo, dinero y atención para poder decidir. Es mucho más que

sólo una intención. Comprende una serie de actividades: pensamientos, evaluaciones,

acciones previas más su implementación. Termina la deliberación y comienza la ac-

ción. Es una elección enfrentando la incertidumbre. [06]

La toma de decisiones es un mecanismo tan antiguo como la humanidad misma. Su

forma más simple es la biológica: los seres unicelulares dejan pasar una partícula

venenosa y atrapan una alimenticia: es una decisión biológica y es la única que toman.

[04]

Las primeras decisiones del hombre dependían de la esperanza, la confianza y la

adivinanza. Sus “modelos” explicaban las formas de humos, interpretaban los sueños,

acudían al oráculo. Recién en 1654 Pascal y Fermat desarrollan el concepto de cálculo

probabilístico para seleccionar chances de un evento. [05]

Es un proceso de permanente evolución conceptual y creciente complejidad, abar-

cando todas las áreas de la vida moderna.

Su sistematización permitió al decisor profundizar en la adquisición de conoci-

mientos específicos en cada dominio de aplicación.

Tomar decisiones importantes requiere del manejo complejo de la incertidumbre

por lo que exige rigor de trabajo. Sus mecanismos más importantes son:

Análisis de sistemas, que permite la captura de las interacciones y compor-

tamiento dinámico entre los elementos de una decisión;

Estadísticas decisionales vinculadas con entornos de incertidumbre para al-

gunos de sus elementos. Correspondientemente, se requiere la participación de dos

perfiles:

el decisor;

el analista o modelador.

El analista debe proveer al decisor de herramientas analíticas o modelos que facili-

ten el vuelco de ideas y detecten relaciones entre los elementos decisionales. El deci-

sor debe sentir que el modelo representa sus ideas, su realidad y sus requerimientos.

Solo el trabajo conjunto y una implementación iterativa e incremental concebirá bue-

nos modelos que condicionen buenas decisiones.

El proceso se inicia con una primera aproximación simple, incompleta pero com-

prensible para ambos. En la medida que se la enriquezca en sucesivas iteraciones, el

modelo crecerá una representación fidedigna y completa. La participación activa del

decisor acota el proceso de validación del modelo.

Esta cercana y efectiva colaboración entre analistas, modeladores y expertos del

dominio facilita la tempranamente detección de fallas y/o errores de interpretación o

construcción y como una medida evolución y crecimiento. [02]

El estudio sistemático de la toma de decisiones proporciona el marco para escoger

cursos de acción ante situaciones complejas e inciertas. La elección entre acciones

posibles y la predicción de resultados esperados resultan del análisis lógico que se

haga del entorno de decisión. Los modelos sirven entonces, tanto para identificar los

problemas como para evaluar las soluciones alternativas; en éstas, los objetivos del

decisor deben expresarse aplicando sus criterios y reflejando las relaciones entre

componentes del modelo.

En los modelos determinísticos (libres de incertidumbre) una buena decisión es

juzgada de acuerdo a los resultados.

En los probabilísticos, el decisor está además preocupado por el riesgo que cada

decisión acarrea. Nada que hagamos en el presente puede cambiar el pasado, pero sí

influenciar en los resultados futuros, aún con la incertidumbre existente. Los decisores

son mucho más cautivados por darle forma al futuro que por la historia pasada.

Los datos coleccionados por los sistemas de BI tienden un puente al pasado: posi-

bilitan acotar la incertidumbre futura facilitando la detección de patrones de datos.

Aquí está el vínculo práctico y específico entre ambas disciplinas. Se corrobora el

conocimiento experimental, facilitando prever el impacto de las decisiones a tomar.

Es decir, dan forma al futuro conociendo el pasado. (Ver modelo de Datos).

Es popular la frase “El camino al éxito está pavimentado de buena información”.

La información es actualmente, el activo más importante, pues el éxito de un negocio

depende del conocimiento acerca de clientes, los procesos internos y la efectividad de

sus operaciones. La mengua en información puede transformarse en incertidumbre.

Buscándola, el decisor podrá encontrar posibles respuestas a sus requerimientos para

estudiar profundamente su impacto. (Ver Business Intelligence)

2.2 Modelado

Un modelo conceptual implica la captura y representación de determinados elementos

esenciales de una realidad considerando determinados objetivos. Describe las rela-

ciones entre dichos elementos considerando los objetivos impuestos. El criterio con-

ceptual se refiere a las creencias teóricas que sostienen las relaciones descriptas por el

modelo.

Un modelo permite:

Especificar el pensamiento del analista sobre ciertos eventos específicos;

Describir comportamiento propio de cada elemento o dependiente de otros, basa-

dos en los criterios conceptuales;

Medir y explicitar la influencia entre elementos (variables independientes);

Especificar un resultado (variable dependiente) que describa la condición que el

analista o evaluador trata de explicar, predecir o modificar.

Un buen modelo conceptual:

Presenta una descripción del proyecto en sus diferentes estadios;

Describe vínculos entre las actividades del modelo y los factores que influyen para

alcanzar el objetivo;

Utiliza arcos generalmente direccionados mostrando cómo un factor conduce a otro

o como una actividad influencia a uno o más factores. Vinculan factores individua-

les, partiendo de uno inicial y conduciendo otros a la variable independiente. Estos

elementos explican el comportamiento vincular del modelo;

Muestra las principales restricciones directas e indirectas que afectan al proyecto;

Permite al modelador evolucionar el modelo profundizando su conocimiento e

incorporando nuevos factores relevantes cuando avanza su análisis;

Está basado en abundante información consolidada;

Por consiguiente la modelización es un MECANISMO que simplifica una abstrac-

ción, donde el analista puede aislar los factores considerados cruciales para el objeto a

modelar.

Esta abstracción depende de la disponibilidad de información tangible y del cono-

cimiento acerca del comportamiento de cada sus eventos. Ver ( Business Intelligen-

ce)

Debe servir como vaso comunicante entre los participantes del proyecto, tanto los

directamente involucrados como los impactados por la realidad modelada. [01] El

modelo integra dicha variedad de puntos de vista con diferentes niveles de compren-

sión, experiencia y objetivos personales, por lo que adquiere una representatividad

virtuosa.

Un buen modelado debe prever todas las fuentes necesarias de información con

altísima disponibilidad (en cantidad y calidad) para alimentar cada prueba del mode-

lo. Tal es así que algunos autores definen a un modelo conceptual como la colección

de información que describe cada elemento del modelo y su comportamiento. Esta

información se compone de hipótesis, algoritmos, influencias, interacciones, acciones,

procesos, etc.) [03] Ver (Business Intelligence).

El modelo a construir debe considerar:

ductilidad para poder modelar problemas complejos;

simplicidad de comprensión;

escalabilidad para poder incorporar una creciente complejidad;

verosimilitud para que sea sólido en sucesivas utilizaciones. [02]

Incertidumbre-Análisis de sensibilidad.

El modelo debe mostrarse robusto al someterlo a pruebas, por lo que se podrá testear-

lo modificando alguna de sus variables. El sistema deberá responder con una vista

asociada (Vista: exhibición de un cruce informativo, que sirve para comparar una

determinada visión a través del tiempo u otra dimensión. Término utilizado por el

producto O3 de la empresa uruguaya IDEASOFT). La vista mostrará el impacto que

generó el cambio, registrando las dimensiones impactadas en la decisión. Este “análi-

sis de sensibilidad” guía la posterior evolución del modelo.

Si la respuesta es poco sensible al cambio, entonces no se requiere refinarlo. La

importancia de un modelo es cuando describe detalladamente aquellos aspectos del

problema que impactan en las decisiones (Ver Diagramas de Influencia).

Si además del modelo de decisión se cuenta con un modelo de datos que permita

un completo análisis de sensibilidad, la incertidumbre disminuirá y los costos de ob-

tener información perfecta justificarán cualquier investigación (Ver Figura 1).

Los modelos probabilísticos están ampliamente basados en aplicaciones estadísti-

cas para la evaluación de factores incontrolables, evaluando su riesgo: significa estu-

diar los posibles resultados de las decisiones y sus probabilidades de ocurrencia. Y

esta posibilidad permite o facilita la obtención de poderosos resultados cuyo valor

podrá entenderse con la siguiente parábola:

Cuál es el valor de un diario:

si es viejo, la desactualización de la información reducen a casi 0 dicho valor;

si fue emitido el día de la fecha, su valor es su precio de tapa;

si tuviese (figurativamente) una fecha anticipada, las noticias serían premonitorias

y su valor sería inconmensurable.

De allí la importancia de predecir con la mayor precisión el valor resultante de una

decisión, y por ende la de disponer de datos y detectar sus patrones de comportamien-

to.

Modelado de objetivos.

En el proceso de decisiones se parte del reconocimiento de una situación a cambiar

(potenciar, mejorar, reconstruir, etc.). El responsable operativo debe diagnosticar los

causales del problema y precisar los objetivos a alcanzar con la decisión.

De allí que lo primero en trabajar sean los objetivos de la futura decisión.

Según Keeney [07] los objetivos se dividen en: fundamentales y de implementa-

ción.

Estos últimos nacen preguntando: ¿cómo se puede obtener un objetivo fundamen-

tal?

Un clásico abordaje es refinar un objeto principal en otros más precisos, hallándose

quizás alternativas para una decisión. También surge cuando hay dificultades para

medir un objetivo fundamental. [08] Ejemplo:

Fig. 1. Ejemplo de modelado de objetivos

[08]Refinado de un objetivo fundamental: “Mejorar el software” en otros de imple-

mentación que podrían representar alternativas a la decisión. Es un modelo de simple

confección y comprensión sin necesidad de entrenamiento. Muestra la relación jerár-

quica de objetivos.

Matriz de decisión.

La tabla o matriz de decisiones es útil para modelar una decisión única.

Una decisión conlleva realmente múltiples objetivos. Las matrices son una útil

simplificación y consideran un único objetivo. Se trabajan los eventos inciertos que

la condicionan y los resultados esperados. Simplifica plantear las alternativas obte-

niendo un modelo de información más realista. Al permitirle mecanismos de depura-

ción (dominancia), reduce el esfuerzo cognoscitivo para abordar la complejidad y la

naturaleza de los elementos a estudiar.

Las alternativas deberán ser mutuamente excluyentes, cubriendo todas las posibi-

lidades. Son las filas de la matriz. Decidir es elegir la alternativa que proponga el

mejor rendimiento.

En las columnas se define el conjunto de eventos inciertos que conforman el es-

cenario de decisión, asignándoles sus respectivas probabilidades de ocurrencia. La

suma de probabilidades debe ser la unidad pues son colectivamente exhaustivas.

En cada celda se registra el valor probable del evento (o puntuación de ocurrencia).

Analizar el rendimiento de cada alternativa es calcular el valor esperado (esperanza

matemática) para seleccionar la más atrayente o exitosa para el decisor, según se trate

de una función a maximizar o minimizar.

[09] Pavesi explica que “la matriz de decisión expresa primariamente, resultados.

Es frecuente llamarla matriz de resultados, representando mejor su naturaleza. Es un

modelo que obliga a ordenar la evaluación de alternativas representado una forma de

pensar y de ordenar razonamientos y datos”.

Árbol de decisiones.

Esta modelización es conveniente para representar una serie de decisiones secuen-

ciales. Ofrece una mejor visualización de una decisión y un mejor tratamiento pro-

babilístico, aunque con limitaciones. Es una representación cronológica de todos los

elementos de un proceso de decisión. Utiliza una red en la que consideran dos tipos de

nodos: los de decisión o elección, (cuadrados), y los nodos de estados de la naturaleza

o de probabilidad, (círculos).

Las alternativas que nacen de los nodos de decisión deben ser mutuamente exclu-

yentes.

Los nodos de probabilidad representan sucesos inciertos y cada posible resultado

será un evento constituido por una rama con su respectiva probabilidad condicionada

por los hechos que están en su trayectoria, desde el origen. Deben ser colectivamente

exhaustivas (suma de probabilidades de eventos de un suceso igual a la unidad). Esta

información es la clave que determina el valor de las alternativas y la decisión mode-

lada.

Estos árboles son útiles para plantear decisiones asimétricas donde dos alternativas

diferentes puedan tener eventos diferentes en ambas. Son de fácil control y lectura,

aunque imprácticos cuando la cantidad de decisiones y alternativas crecen en comple-

jidad.

Para el cálculo del valor esperado se recorre el árbol, de derecha a izquierda calcu-

lando el valor estimado de todos los nodos involucrados.

El valor de un nodo de elección es el valor más significativo de todos los nodos

que le siguen inmediatamente y se asigna al nodo de decisión inicial, en base a los

criterios antes expuestos.

Fig. 2. Elementos de una decisión

Las ramas salientes de los nodos de decisión representan alternativas sin asignarles

probabilidades, ya que el decisor tiene certezas. También pueden mostrar los diferen-

tes resultados de un evento de azar.

En cada nodo se debe calcular un VPN (Valor Presente Neto) esperado. Si el nodo

es un evento, este VPN se calcula considerando todas sus ramas. Si es de decisión, el

VPN esperado es el más significativo entre sus ramas.

El VPN obtenido es neutral frente al riesgo. Cuando hay aversión al riesgo se apli-

ca la teoría del valor, difícil de expresar con los árboles. [10]. Tampoco puede estu-

diarse el efecto de dominancia entre alternativas.

Un árbol puede ser podado para analizar diversos subárboles manteniendo vincula-

ción con el árbol original. Se facilita el análisis de diversas alternativas.

Fig. 3. Arbol de decisiones restringido

Diagramas de influencia.

Un diagrama de influencia es una estructura gráfica para modelar decisiones incier-

tas. Muestra ordenadamente el flujo de información decisoria manifestando la depen-

dencia probabilística entre eventos. Facilita la formulación de procesos de decisión tal

como lo perciben los decisores. Refleja fácilmente el conocimiento de los expertos.

Es una herramienta autosuficiente y consecuentemente muy potente para los analis-

tas. El análisis se realiza usando la perspectiva de los responsables sin distraerlos de

su principal preocupación: analizar sus alternativas y evaluar la decisión. Las cuestio-

nes de la sensibilidad y del valor de la información son fáciles de plantear. Cualquier

modificación o ajuste al modelo se puede hacer directamente y fácilmente evaluable.

Es una herramienta para representación de conocimiento: es un novedoso aporte al

pensamiento para profundizar el análisis, comprensión y la evaluación de la incerti-

dumbre dentro del proceso de decisiones. Sirve como:

puente entre el análisis de la decisión y su representación

analizador de la dependencia probabilística entre eventos inciertos y la información

disponible;

representa compactamente todos los elementos estructurales del proceso decisorio;

identificador de las variables "no controlables" (eventos inciertos con distintos

grados de probabilidad) y sus interrelaciones;

analizador del impacto entre ellas y sobre el resultado final esperado.

Los diagramas generan economía pues “ocultan” en un segundo nivel las alterna-

tivas y sucesos para un análisis más detallado y fundamentalmente no crecen como

los árboles de decisión permitiendo una visión más compacta y globalizadora del

análisis.

Es representado por un grafico direccionado donde los nodos se conectan con arcos

mostrando las relaciones de causa efecto o relaciones de definición.

Cada nodo tiene asociado una variable y un conjunto de valores.

Utiliza diferentes nodos:

de valor representando el objetivo decisorio a lograr;

de incertidumbre cuyos posibles valores afectan al nodo consecuente explicitando

la correlación semántica entre dichos nodos;

de decisión representando las alternativas decisionales.

Los nodos están vinculados por arcos, con significados según su nodo destino.

Los arcos condicionales que llegan a un nodo de valor o de incertidumbre, repre-

sentan la relación condicional y la dependencia de probabilidad respectivamente, pero

no implican precedencia de la causalidad o del tiempo.

Los arcos informativos que llegan a nodos de decisión representan disponer de la

información del nodo origen. Si provienen de un nodo de decisión indican que la de-

cisión origen ya fue tomada conociendo la alternativa elegida.

Está técnica ensancha las áreas de aplicación pues es una herramienta dúctil y

versátil. Puede ser utilizada por personal no experto en el área de decisiones. Como

ejemplos pueden verse [12], [13], [14], [15] y [16]

Creemos conveniente introducir esta herramienta en carreras de grado, de sistemas

como de ingeniería, ciencias económicas (en general y con aplicaciones a la teoría y

práctica de decisiones). Su simpleza y potencia permite su aplicación a temas diver-

sos dejando más tiempo al análisis y reflexión sobre la problemática a modelar.

Fig. 4. Diagrama de Influencia ante similar problemática mostrada en Figura 3

2.3 Business Intelligence.

Actualmente, las organizaciones de mediana complejidad cuentan con la posibili-

dad de acceder con altísima disponibilidad a toda la información generada por sus

aplicaciones informáticas.

Ya no hay más excusas para:

datos faltantes;

falta de tiempo para analizarlas (la recopilación es automática);

falta de disponibilidad;

informes específicos pedidos al centro de cómputos (la navegación es autogestio-

nada).

Estos mitos y dificultades perdieron sentido: los superó una realidad impensada

pocos años atrás. Una variedad infinita de datos pueden agregarse a las transacciones

en un Datawarehouse:

el conocimiento vivencial de los gerentes de línea, guardado en sus mentes pero

nunca registrado como conocimiento.;

fuentes de información externa adquiribles a empresas que las recolectan. Se in-

corporan datos propios desconocidos o de la competencia;

resultados de componentes del BI: Balanced Scorecard y Data Mining. Los

resultados de estas aplicaciones se incorporan al Datawarehouse para control y verifi-

cación de tendencias calculadas;

RFID (Radio Frequency IDentification) aporta una valiosa información, particu-

larmente en los cajeros de supermercados.

Disponer de información minimiza los factores riesgosos, pudiendo simular y cuanti-

ficar el impacto de una alternativa (Ver Incertidumbre-Análisis de sensibilidad). La

crisis económica mundial actual (y las anunciadas) impacta fuertemente en las organi-

zaciones imponiéndoles contar con información profunda y de alta disponibilidad

para proveer rápidas y precisas respuestas.

Es presuntuoso suponer que el BI resuelve este desencuentro, pero construye un

puente entre el decisor y la información que necesita.

Modelado de datos.

Loucoupulos comenta [11]: ”Los analistas experimentados comienzan estable-

ciendo un conjunto de preguntas de contexto procediendo entonces a considerar alter-

nativas.

Mucha de la información contextual depende del conocimiento previo dentro del

campo del dominio de la aplicación y las analogías que el analista establecerá, estarán

basadas en dicho conocimiento”. “El desarrollo de sistemas de información no es

simplemente diseñar estructuras de BBDD y algoritmos: también comprender las

necesidades individuales y generales dentro de la organización asegurando que el

comportamiento del sistema coincida con los requerimientos del usuario y las estrate-

gias de negocio.” Hacemos propio este alcance pues describe el horizonte del in-

formático para el desarrollo de su análisis.

La necesidad existe. Hay que ayudar a resolver el problema del conocimiento. Y

allí se demanda un profesional preparado específicamente.

Transformar un especialista en información en un profesional de BI requiere ir más

allá de la investigación en análisis de datos y predicción. Debería entender los méto-

dos que dan significado a la información a descubrir, en términos de procesos de

negocios y manejar diversidad de escenarios de planificación y modelos financieros

como apoyo de futuras decisiones. Cuando los especialistas en información empiecen

a pensar y trabajar con esta perspectiva, el valor de su aporte aumentará tal como su

visibilidad dentro de la organización.

El BI propone un modelo de datos más apropiado para los analistas, ofreciéndoles

una elaboración de mayor nivel cualitativo. Podrán efectuar cualquier cruce transver-

sal de información, sin interesar su origen ni ubicación. Cualquier análisis con alta

probabilidad de reuso podrá ser registrada y el sistema la mantendrá actualizada al

incorporar nuevos datos. [4]

El proceso decisional se degrada si se cuenta con información limitada consideran-

do las implicancias inciertas de cada curso de acción. En muchos casos, el resultado

depende de actitudes de personas de comportamiento desconocido. No es de sorpren-

der entonces que los decisores pospongan decidir y a veces lo hagan sin intentar con-

siderar todas sus implicancias. A mayor información disponible, disminución propor-

cional de incertidumbre.

La intuición es útil cuando se está frente a una amenaza donde es difícil contar con

un modelo ajustado: la intuición parecería ser un aporte vital. [07]. La toma de una

decisión, después de todo, combina información sobre probabilidades de ocurrencia

como sobre deseos e intereses.

Proponemos una redefinición del ciclo de vista de una decisión: Incluye un mo-

delo decisorio y un modelo de datos que lo alimenta.

Fig. 5. Esquema de un modelo integral de toma de decisiones

3 El futuro de Business Intelligence

El 14 de Abril de 2003 Mitch Betts publica en Computerworld [17] un reportaje a

diferentes actores del campo del BI. Extraemos dos frases que entendemos justifican

nuestras propuestas.

“En el futuro desaparecerán del léxico corporativo términos como BI y Data Mi-

ning. Serán reemplazadas por acciones de negocio disparadas automáticamente por

sistemas basados en análisis predictivo. Estas tecnologías serán aplicadas por todos

los niveles de usuarios, desde el CEO que administra el riesgo empresario hasta los

recursos humanos profesionales” Colin Shearer, vicepresidente de customer analy-

tics, SPSS Inc., Chicago

“Los usuarios demandarán mayor integración entre números y comentarios. Al

mismo tiempo, todas las aplicaciones de BI incluirán administración de contenidos

y herramientas de administración del conocimiento” -- Brian Hartlen, vicepresiden-

te senior de Comshare Inc., Ann Arbor, Mich.

4 Modelización de las decisiones. Propuesta

Propuesta de crecimiento. Hablar de madurez de datos es hablar de una madurez

conjunta entre datos y decisor: es disponer de conocimiento a partir de datos crudos.

Será el resultado de un proceso evolutivo y el BI lo pondrá al servicio del decisor.

Proponemos introducir un nuevo dominio de modelización: las decisiones.

El decisor deberá poder expresar su conocimiento mediante un conjunto de reglas

definidas sobre datos o patrones de datos. Dichos patrones podrán calcularse usando

las reglas mencionadas estandarizando su interpretación y representadas por el BI.

Modelar las decisiones será una poderosa herramienta analítica y decisional.

Con esta hipótesis de un DW maduro, la participación del profesional informático

disminuirá. El analista de negocios, también más maduro y poseedor de recursos

evolucionados podrá administrar dichas reglas apuntando a tres áreas ya comentadas

aquí:

análisis de sensibilidad;

toma de decisiones;

convalidación de reglas de negocio al ingreso de los resultados de una decisión.

Las herramientas BI más conocidas podrán materializar esta propuesta con servicios

ya vigentes. Muchos sistemas BI tienen incorporado el concepto de reglas. (Regla:

concepto utilizado en el producto O3 de la empresa uruguaya IDEASOFT que permi-

te registrar un resultado considerado como estándar. Con cada actualización del DW

se verificará el cumplimiento de las reglas, avisando dinámicamente a los interesados

el control de estándares, entender las causas del incumplimiento y poder tomar las

medidas correctivas correspondientes). Es una relación determinada entre los datos,

correspondiente a un recorte determinado, en un período prefijado y con determinadas

unidades de medida.

Proponemos Modelizar las decisiones. Las decisiones pueden considerarse como

una caja negra, sin conocimiento detallado sobre sus procesos internos. Comúnmente

son prerrogativas dadas a un conjunto restringido de individuos, generalmente geren-

tes calificados.

Esta caja “recibe información” y “genera decisiones”. Es una función empresaria

insoslayable, pero sin configurar una unidad operativa y sin recibir un foco de interés

organizacional específico.

La toma de decisiones, por sus dificultades y requerimientos ya fue considerada

como parte del proceso de BPM (Business Processs Management) y en consecuencia

reconocida como un proceso en sí mismo con mecanismos para sistematizarlo y so-

meterlo a mejora continua.

Si bien la literatura técnica aconseja una investigación profunda permanente en los

procedimientos internos de la “oficina de toma de decisiones” pocas organizaciones

lo hacen, manteniendo sus ineficiencias inherentes.

Indagar sobre mejores procedimientos, no garantiza buenas decisiones, pero abre

rumbos para que tiendan a concretarlas.

Contar con datos maduros, es condición necesaria para poder elegir decisiones. Se

les exige:

miden el funcionamiento del negocio en base a los datos históricos?

tienen capacidades predictivas para apoyar decisiones dinámicas?

sugieren escenarios posibles o alternativas decisionales?

Generalmente las respuestas hablan de un bajo aprovechamiento de las capacidades

predictivas de dicha información.

Faltan respuestas a tareas como:

cómo automatizamos tareas comunes a varios análisis (reuso)?

cómo aseguramos análisis consistentes?

cómo capturamos y reutilizamos conocimiento experto?

cómo conseguimos que nuevos actores en las decisiones se incorporen rápidamente

contando con herramientas adecuadas?

Pasar de poder analizar datos con diferentes taxonomías, descubrir patrones o de-

tectar la correlación entre eventos y sus correspondientes implicaciones, requiere del

tendido de un puente sobre la dirección navegacional:

automatizar las alarmas,

generar algún grado de automatización en el proceso íntimo de las decisiones (se-

lección de la alternativa más racional).

El analista deberá trabajar mucho sobre este tipo de tratamiento de la información

para transformarla en un activo intangible que generará utilidades, estableciendo

caminos que faciliten tomar decisiones repetitivas con la consiguiente utilidad opera-

tiva: es el gran salto entre la generación de informes pasivos y la automatización de

toma de decisiones reactivas, a tiempo.

La acción humana se reducirá sensiblemente (evitando su natural arrastre de erro-

res), automatizando tanto la carga como el proceso de la decisión.

Un BI integrado con estas premisas influenciará ciertamente en las decisiones pues

no sólo presentará información relevante sino que sugerirá cómo el usuario debe

reaccionar.

5 Implementación

5.1 Inteligencia Artificial

Disciplina que se encarga de construir procesos que, al implementarse sobre una

arquitectura física, se basan en una secuencia de entradas percibidas y en el conoci-

miento almacenado en tal arquitectura, produciendo acciones o resultados al maximi-

zar una medida de rendimiento.

Vincularlas a ciencias de la computación es estudiar y desarrollar agentes raciona-

les no vivos que reciben percepciones de su entorno y responden con acciones en

dicho entorno. Cada agente implementa una función de acciones, estructurada por una

secuencia de percepciones. Intenta construir máquinas que funcionarán autónoma-

mente en un ambiente cambiante.

Hay diferentes formas de representar estas funciones, tales como sistemas de pro-

ducción, agentes reactivos, planificadores condicionales en tiempo real, redes neura-

les, control de sistemas, planificación automática, reconocimiento de escritura, del

habla, de patrones y sistemas teóricos para las decisiones. [18]

5.2 Agente [18]

Proponemos implementarlo mediante un agente computacional [07] quien recibirá

percepciones de su entorno y llevará a cabo acciones como respuesta a lo percibido.

Tendrán funcionamiento autónomo en un ambiente cambiante.

Estos agentes informáticos tendrán atributos que los distingan de los programas

convencionales, dotándolos de controles que:

perciban su entorno,

persistan durante un período de tiempo prolongado,

se adapten a los cambios, y que sean racionales al actuar para alcanzar el mejor

resultado o, en caso de haber incertidumbre, obtener el mejor resultado esperado

considerando sus objetivos prefijados.

Los agentes racionales emprenderán acciones racionales. Por lo tanto, es necesario

tener capacidad para representar el conocimiento y razonar basándonos en él, permi-

tiendo alcanzar decisiones correctas en una amplia gama de situaciones.

Fig. 6. Estructura de un agente

El término percepción indica que el agente recibe entradas permanentemente. La

secuencia de percepciones refleja el historial completo de lo percibido. Generalmente,

un agente tomará una decisión dependiendo de la secuencia completa de percepciones

percibidas. Se puede expresar que el agente acciona (programa) o se comporta en base

a la función de proyección del agente sobre una percepción dada.

El programa que se elija tiene que ser apropiado para la arquitectura, donde im-

plementará las acciones. Esta puede ser un software que permita que las percepcio-

nes de los sensores estén disponibles para el programa encargándose de que los actua-

dores ejecuten las acciones correspondientes.

La recopilación de información consiste en acciones ejecutadas con la intención

de modificar percepciones futuras para nutrir a las futuras decisiones de racionalidad.

Entonces el agente racional no sólo recopila información, sino que aprende lo

máximo posible de lo que está percibiendo. Un agente racional debe ser autónomo

requiriendo la necesidad de definirle cómo tiene que compensar el conocimiento ini-

cial incompleto o parcial.

5.3 Modelizar decisiones

Proponemos integrar agentes racionales al BI para que:

detecten patrones de datos;

propongan alternativas de decisión en base a sus percepciones;

elijan la alternativa más conveniente;

sean autónomos;

determinen cómo compensar el conocimiento incompleto o parcial, requiriendo

datos complementarios al usuario;

marquen la diferencia entre la tendencia evolutiva del patrón detectado y del resul-

tado de la decisión tomada.

El conocimiento del agente aumentará a medida que adquiera experiencia, incorpo-

rando modificaciones al estándar asumido.

Referencias

1. Michael Pidd AN INTRODUCTION TO COMPUTER SlMULATlON Proceedings of the

1994 Wider Simulation Conference ed. J. D. Tew, S. Manivannan, D. A. Sadowski, and A.

F. Seila The Management School Lancaster University UK

2. B S S Onggo TOWARDS A UNIFIED CONCEPTUAL MODEL REPRESENTATION:

A CASE STUDY IN HEALTHCARE Lancaster University Management School – UK

2008 Journal of Simulation (2009) 3 pag 40-49

3. Dale K. Pace IDEAS ABOUT SIMULATION CONCEPTUAL MODEL

DEVELOPMENT Johns Hopkins Apl. Technical Digest, Volume 21 Number 3 (2000) pag

327-336

4. Mario Dresdner, Abel Evelson, Eduardo Dresdner TECNICAS CUANTITATIVAS

APLICADAS A LAS DECISIONES DE LA ECONOMIA EMPRESAS Editorial El Co-

loquio

5. Leigh Buchanan, Andrew O´Connell A BRIEF HISTORY OF DECISION MAKING

January 2006 Hardward Business Review pag 32-39

6. George L.S. Shackle DECISION, ORDEN Y TIEMPO 1966 Estructura y Función Edito-

rial Tecnos S.A. Madrid

7. Keeney RL. VALUE-FOCUSED THINKING. (1992) Harvard University Press: Cam-

bridge, MA

8. Onggo B S S TOWARDS A UNIFIED CONCEPTUAL MODEL REPRESENTATION:

A CASE STUDY IN HEALTHCARE Journal of Simulation (2009) 3, 40–49.

doi:10.1057/jos.2008.14 1Lancaster University Management School, Lancaster LA1 4YX,

UK R eceived 12 September 2007; Accepted 19 June 2008.

9. Pedro F.J. Pavesi LA DECISION SU TEORIA Y PRACTICA APLICACIONES

CONCEPTUALES. Grupo Editorial Norma 2004

10. Roberto Ley Borras ANALISIS DE DECISIONES INTEGRAL Consultoria en Decisio-

nes Mexico 2009

11. Loucopoulos P. y Karakostas V. SYSTEM REQUIREMENTS ENGINEERING 1995.-

McGraw-Hill International series in Software Engineering ISBN 0-07-707843-8

12. Use of Influence Diagrams and Neural Networks in Modeling Semiconductor Manufactur-

ing Processes Fariborz Nadi, Alice M. Agogino, and David A. Hodges, Fellow, IEEE

IEEE TRANSACTIONS ON SEMICONDUCTOR MANUFACTURING, VOL 4, NO I ,

FEBRUARY 1991

13. SEQUENTIAL VALUATION NETWORKS AND ASYMMETRIC DECISION

PROBLEMS - Riza Demirer† and Prakash P. Shenoy - University of Kansas School of

Business Summerfield Hall, Lawrence, KS 66045-2003 USA February 23, 1999

14. [15]Clinical Reasoning Automata for Simulated Patients - Froduald Kabanza1 and Guy

Bisson2

15. University of Sherbrooke Sherbrooke, Québec J1K2R1, Canada Department of Computer

Science and Faculty of Medicine

16. INFLUENCE DIAGRAMS FOR REPRESENTING UNCERTAINTY IN CLIMATE-

RELATED PROPOSITIONS JIM HALL, CRAIG TWYMAN and ALISON KAY - De-

partment of Civil Engineering, University of Bristol, Bristol, BS8 1TR, UK and Centre for

Ecology and Hydrology, Wallingford, Oxfordshire, OX10 8BB, UK

17. The Future of Business Intelligence - Mitch Betts - Computerworld -

http://www.computerworld.com/s/article/print/80243/The_future_of_business_intelligence

18. Artificial Intelligence- A modern Approach - Stuart Russell and Peter Norvig - 3rd Edi-

tionPrentice Hall – Pearson ISBN-13: 978-0-13-604259-4 ISBN-10 0-13-604259-7

Copyright 2010, 2003, 1995 by Pearson Education, Inc.,