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 organización desea que sus decisiones sean “racionalmente” buenas y exitosas. Poder recortar la realidad en la que cada decisión está inserta y plantear un modelo específico para representarla, estudiarla, probarla y aún mejorarla, es obtener una poderosa herramienta de gestión. Comprender anticipadamente el posible impacto 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, para comprender la diferencia entre sus posibles alternativas. El Business Intelligence integra diferentes fuentes de información. Su estructuración enriquece y completa el conjunto de modelos usados para decidir. Este trabajo propone profundizar la ligazón entre BI con el proceso de decisiones sugiriendo nuevos criterios 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 repetidamente: “el BI es una herramienta de apoyo a la toma de decisiones”. Si bien acordamos, en ninguno de dichos abordajes, pudimos observar implementaciones 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 separadamente 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 implementar dicha integración.

2

Desarrollo

2.1

Toma de Decisiones

Las decisiones no se encuentran en la naturaleza que nos rodea: no ocurren naturalmente. 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 acción. 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, abarcando todas las áreas de la vida moderna. Su sistematización permitió al decisor profundizar en la adquisición de conocimientos 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 comportamiento dinámico entre los elementos de una decisión; Estadísticas decisionales vinculadas con entornos de incertidumbre para algunos 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 faciliten el vuelco de ideas y detecten relaciones entre los elementos decisionales. El decisor debe sentir que el modelo representa sus ideas, su realidad y sus requerimientos.

Solo el trabajo conjunto y una implementación iterativa e incremental concebirá buenos modelos que condicionen buenas decisiones. El proceso se inicia con una primera aproximación simple, incompleta pero comprensible 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: posibilitan 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 relaciones entre dichos elementos considerando los objetivos impuestos. El criterio conceptual 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, basados 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 individuales, 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 abstracción, 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 conocimiento acerca del comportamiento de cada sus eventos. Ver ( Business Intelligence) 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 comprensión, 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 modelo. 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 testearlo 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 “análisis 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 obtener información perfecta justificarán cualquier investigación (Ver Figura 1). Los modelos probabilísticos están ampliamente basados en aplicaciones estadísticas para la evaluación de factores incontrolables, evaluando su riesgo: significa estudiar 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 comportamiento. 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 implementación. Estos últimos nacen preguntando: ¿cómo se puede obtener un objetivo fundamental?

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 implementación que podrían representar alternativas a la decisión. Es un modelo de simple confección y comprensión sin necesidad de entrenamiento. Muestra la relación jerárquica 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 obteniendo un modelo de información más realista. Al permitirle mecanismos de depuración (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 posibilidades. 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 escenario 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 secuenciales. Ofrece una mejor visualización de una decisión y un mejor tratamiento probabilístico, 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 excluyentes. 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 modelada. 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 complejidad. Para el cálculo del valor esperado se recorre el árbol, de derecha a izquierda calculando 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 diferentes 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 aplica la teoría del valor, difícil de expresar con los árboles. [10]. Tampoco puede estudiarse el efecto de dominancia entre alternativas. Un árbol puede ser podado para analizar diversos subárboles manteniendo vinculación 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 inciertas. Muestra ordenadamente el flujo de información decisoria manifestando la dependencia 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 analistas. El análisis se realiza usando la perspectiva de los responsables sin distraerlos de su principal preocupación: analizar sus alternativas y evaluar la decisión. Las cuestiones 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 incertidumbre 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 alternativas 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, representan 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 decisión 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 diversos 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 posibilidad 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 autogestionada). 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 incorporan 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 verificación de tendencias calculadas; RFID (Radio Frequency IDentification) aporta una valiosa información, particularmente en los cajeros de supermercados.

Disponer de información minimiza los factores riesgosos, pudiendo simular y cuantificar el impacto de una alternativa (Ver Incertidumbre-Análisis de sensibilidad). La crisis económica mundial actual (y las anunciadas) impacta fuertemente en las organizaciones 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 estableciendo un conjunto de preguntas de contexto procediendo entonces a considerar alternativas. 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 estrategias de negocio.” Hacemos propio este alcance pues describe el horizonte del informático 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 métodos 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 transversal 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 considerando las implicancias inciertas de cada curso de acción. En muchos casos, el resultado depende de actitudes de personas de comportamiento desconocido. No es de sorprender entonces que los decisores pospongan decidir y a veces lo hagan sin intentar considerar todas sus implicancias. A mayor información disponible, disminución proporcional 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 modelo 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 Mining. 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 analytics, 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, vicepresidente 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 permite 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 gerentes 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 someterlo 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 detectar 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 (selección 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 operativa: 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 errores), 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 conocimiento almacenado en tal arquitectura, produciendo acciones o resultados al maximizar una medida de rendimiento. Vincularlas a ciencias de la computación es estudiar y desarrollar agentes racionales 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 autónomamente en un ambiente cambiante. Hay diferentes formas de representar estas funciones, tales como sistemas de producción, agentes reactivos, planificadores condicionales en tiempo real, redes neurales, 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, permitiendo 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 implementará las acciones. Esta puede ser un software que permita que las percepciones de los sensores estén disponibles para el programa encargándose de que los actuadores 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 inicial 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 resultado de la decisión tomada. El conocimiento del agente aumentará a medida que adquiera experiencia, incorporando 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 Coloquio 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 Editorial Tecnos S.A. Madrid 7. Keeney RL. VALUE-FOCUSED THINKING. (1992) Harvard University Press: Cambridge, 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 Decisiones 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 Manufacturing 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 CLIMATERELATED PROPOSITIONS JIM HALL, CRAIG TWYMAN and ALISON KAY - Department 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 EditionPrentice Hall – Pearson ISBN-13: 978-0-13-604259-4 ISBN-10 0-13-604259-7 Copyright 2010, 2003, 1995 by Pearson Education, Inc.,