Tema III: Sistemas de Soporte a la Toma de Decisiones
Maestría: Sistemas de Soporte para Toma de Decisiones
Contenido
• Sistemas de Apoyo a la Toma de Decisiones
• Sistemas de Soporte a la Decisión, DSS e EIS
• Sistemas Colaborativos de Soporte a la Decisión en Grupos
• Knowledge Based Systems
• Inteligencia de Negocios
• Inteligencia Artificial, Fuzzy Logic
• Python
Objetivos: Ofrecer una visión de los tipos de sistemas inteligentes que permiten crear un modelo de la información para soporte de decisiones empresarial.
Indice:
¿ Por qué DSS ?
• Creciente complejidad de las decisiones a tomar
• Tecnología:
hay que saber más cosas para tomar la decisión• Información:
datos al por mayor y poco tiempo para procesarlos• Número y complejidad de las opciones
• Ritmo de los cambios
• Creciente disponibilidad de apoyo computacional
Computación de alto rendimiento a bajo precio mejor software Proceso de desarrollo de software más eficiente
• Creciente usabilidad de computadores
• Más y mejores herramientas C(omputer)O(ff)T(he)S(helf)
• Personalización
Sistemas de Soporte a la Decisión (DSS)
• Un Sistema de Soporte a la Decisión (DSS) es una herramienta de Business Intelligence enfocada al análisis de los datos de una organización.
• En principio, puede parecer que el análisis de datos es un proceso sencillo, y fácil de conseguir mediante una aplicación hecha a medida o un ERP sofisticado.
• Sin embargo, no es así: estas aplicaciones suelen
disponer de una serie de informes predefinidos en los
que presentan la información de manera estática, pero
no permiten profundizar en los datos, navegar entre
ellos, manejarlos desde distintas perspectivas.
Características de un DSS
Enfatizar la flexibilidad y la adaptabilidad respecto cambios que se puedan producir en el contexto de la decisión
Combinar el uso de modelos o técnicas analíticas con funciones de acceso a datos Mejorar la efectividad de los tomadores de decisión
Altamente interactivo
Apoyar y no reemplazar el juicio humano
Debe asistir a tomadores de decisiones en la realización de tareas semiestructuradas
Características para
considerarlo un DSS Descripción
Interactividad Interactuar de forma amigable y con respuesta a tiempo real.
Tipo de decisiones Apoya a decisiones estructuradas y no estructuradas.
Frecuencias de uso Utilización frecuente de la admón. Media y alta
Variedad de
usuarios Puede ser empleado por usuarios de diferentes áreas funcionales.
Flexibilidad Se acopla a una variedad determinada de estilos administrativos autocráticos, participativos, etc.
Desarrollo El usuario puede desarrollar de manera directa modelos de decisión sin la participación de personal informático.
Interacción
ambiental Permite interactuar con información externa como parte de los modelos de decisión.
Comunicación
interorganizacionalFacilita la comunicación de información relevante de los niveles altos hacia los niveles operativos y viceversa, a través de gráficas.
Variedad de
usuarios Capacidad de accesar información de las B.D corporativas.
Simplicidad Simple y fácil de aprender y utilizar por el usuario final.
Características de los DSS
Capacidades ideales de los DSS
• Administración del conocimiento.
• Modelado.
• Fácil de construir y de usar.
• Dirigido a grupos o a individuos, directivos a distintos niveles.
• Decisiones Secuenciales.
• Efectividad sobre eficiencia.
• Adaptabilidad y flexibilidad.
• Variedad de estilos de decisión y procesos.
• Control Humano sobre la máquina.
• Evolución del sistema.
• Inteligencia, diseño, elección.
HERAMIENTAS DE
HARDWARE
Desarrollo de
aplicaciones
Modelos
Manejo y admón. de datos
Interface Gráficas Reportes y consultas HERRAMIENTAS DE SOFWARE
• Consulta Base de Datos
corporativo
Base de Datos
públicas en internet
• Creación
•Motivación
•Consulta
Módulos funcionales que integran un DSS
Componentes principales de los DSS
• Modulo de Administración del conocimiento - Integra el conocimiento de la organización a partir de los datos proveídos por el Administrador de Datos
• Modulo Administrador de Datos - Se encarga de realizar las acciones de ETML a partir de las Bases de datos externas o internas de la organización para alimentar al
repositorio de datos del DSS que proveerá de información al Administrador de conocimiento.
• Modulo Administrador del Modelo - Se encarga de generar los diversos modelos que permitirán realizar simulaciones que provean los resultados de los análisis requeridos
• Modulo Administrador de Diálogo - Gestiona la comunicación entre los Módulos
anteriores y de la Interface amigable hacia el usuario
Características de DSSs
• Informes dinámicos, flexibles e interactivos, de manera que el usuario no tenga que ceñirse a los listados
predefinidos que se configuraron en el momento de la implantación, y que no siempre responden a sus dudas reales.
• No requiere conocimientos técnicos. Un usuario no técnico puede crear nuevos gráficos e informes y navegar entre ellos, haciendo drag&drop o drill through. Por tanto, para examinar la información disponible o crear nuevas métricas no es imprescindible buscar auxilio en el departamento de informática.
• Rapidez en el tiempo de respuesta, ya que la base de datos subyacente suele ser un datawarehouse corporativo o un datamart, con modelos de datos en estrella o copo de nieve. Este tipo de bases de datos están optimizadas para el análisis de grandes volúmenes de información (ánalisis OLTP-OLAP).
• Integración entre todos los sistemas/departamentos de la compañía. El proceso de ETL previo a la implantación de un Sistema de Soporte a la Decisión garantiza la calidad y la integración de los datos entre las diferentes unidades de la empresa. Existe lo que se llama: integridad referencial absoluta.
• Cada usuario dispone de información adecuada a su perfil. No se trata de que todo el mundo tenga acceso a toda la información, sino de que tenga acceso a la información que necesita para que su trabajo sea lo más eficiente posible.
• Disponibilidad de información histórica. En estos sistemas está a la orden del día comparar los datos actuales con información de otros períodos históricos de la compañía, con el fin de analizar tendencias, fijar la evolución de parámetros de negocio... etc.
El DSS es una de las herramientas más emblemáticas del Business Intelligence ya que, entre otras propiedades, permiten resolver gran parte de las limitaciones de los programas de gestión.
Estas son algunas de sus características principales:
Diferencia con otras herramientas de Business Intelligence
• El principal objetivo de los Sistemas de Soporte a Decisiones es, a diferencia de otras herramientas como los Cuadros de Mando (CMI) o los Sistemas de
Información Ejecutiva (EIS), explotar al máximo la información residente en una base de datos corporativa (datawarehouse o datamart), mostrando informes muy dinámicos y con gran potencial de navegación, pero siempre con una interfaz
gráfica amigable, vistosa y sencilla.
• Otra diferencia fundamental radica en los usuarios a los que están destinadas las plataformas DSS: cualquier nivel gerencial dentro de una organización, tanto para situaciones estructuradas como no estructuradas. (En este sentido, por ejemplo, los CMI están más orientados a la alta dirección).
• Por último, destacar que los DSS suelen requerir (aunque no es imprescindible) un motor OLAP subyacente, que facilite el análisis casi ilimitado de los datos para hallar las causas raices de los problemas/pormenores de la compañía.
Cómo se gesta la disciplina DSS
Sistemas de Información
Sistemas de
procesamiento de transacciones
Sistemas de
Información para la administración
Investigación operativa
Ciencias de la Administración
Inteligencia Artificial Sistemas Expertos
Ciencias Cognitivas optimización
Simulación
Sistemas Expertos
Representación del conocimiento
Juicio y Toma de dcsisiones
Interacción
Humano-Computador
Decision Support Systems
Goal: Use best parts of IS, OR/MS, AI & cognitive science to support more effective decision making
Tipos de DSS (1)
• Model-driven (MD-DSS): enfatiza el acceso y la manipulación de modelos financieros, de optimización o simulación.
• Modelos simples cuantitativos -> nivel de funcionalidad más elemental
• Modelos realistas de sistemas complejos -> estudios de largo plazo
• MD-DSS usan datos y parámetros aportados por los tomadores de
decisión para analizar la situación
Tipos de DSS (2)
• Data-Driven DSS: Enfatizan el acceso y la manipulación de gran cantidad de datos para construir series de tiempo, clusters, etc.
• Funcionalidad básica: Simples sistemas de acceso a archivos con herramienta de consulta simples de acceso a archivo
con una herramienta de consulta
• Funciones complejas: Sistemas de Data warehouse que permiten la manipulación de datos computarizada
desarrollados a medida para desarrollar tareas específicas.
Tipos de DSS (3)
• Communication-driven DSS: Usan la tecnología de redes de computadoras para apoyar la colaboración y la comunicación en tareas relacionadas con la toma de decisiones
• Funcionalidad básica: sistemas basados en video conferencia, e-mails, archivos compartidos, etc.
• Funciones complejas: Visualización y Manipulación conjunta de
modelos, con sistemas de awareness incluidos. Ej. Sistemas de
geocolaboración
Tipos de DSS (4)
• Knowledge-driven DSS: Los sistemas basados en el conocimiento pueden sugerir o recomendar acciones a los administradores. Son sistemas persona-computador con expertise para resolver problemas especializados en algún ámbito.
• El "expertise" consiste en conocimiento acerca de un dominio en
particular, entendiendo los problemas de ese dominio y con la habilidad de resolver problemas en ese dominio.
• Han sido llamados suggestion DSS (Alter, 1980) y knowledge-based DSS
(Klein & Methlie, 1995).
Tipos de DSS (5)
• Document-driven DSS: se centra en la recuperación y gestión de documentos no estructurados.
• Categorización (gruesa) de documentos: oral, escrito y video.
Ejemplos:
• documentos orales son conversaciones que se transcriben,
• Documentos de video son clips de noticias o anuncios de televisión,
• documentos escritos pueden ser informes escritos, catálogos, cartas
de clientes, notas, e incluso el correo electrónico.
Tipos de Sistemas de Soporte a Decisiones
Sistemas de información gerencial (MIS)
• Los sistemas de información gerencial (MIS, Management Information Systems), tambien llamados Sistemas de
Información Administrativa (AIS) dan soporte a un espectro más amplio de tareas organizacionales, encontrándose a medio camino entre un DSS tradicional y una aplicación CRM/ERP implantada en la misma compañía.
Sistemas de información ejecutiva (EIS)
• Los sistemas de información ejecutiva (EIS, Executive Information System) son el tipo de DSS que más se suele emplear en Business Intelligence, ya que proveen a los gerentes de un acceso sencillo a información interna y externa de su compañía, y que es relevante para sus factores clave de éxito.
Sistemas expertos basados en inteligencia artificial (EDSS)
• Los sistemas expertos, también llamados sistemas basados en conocimiento, utilizan redes neuronales para simular el conocimiento de un experto y utilizarlo de forma efectiva para resolver un problema concreto. Este concepto está muy relacionado con el datamining.
Sistemas de apoyo a decisiones de grupo (GDSS)
• Un sistema de apoyo a decisiones en grupos (GDSS, Group Decision Support Systems) es "un sistema basado en
computadoras que apoya a grupos de personas que tienen una tarea (u objetivo) común, y que sirve como interfaz con un entorno compartido". El supuesto en que se basa el GDSS es que si se mejoran las comunicaciones se pueden
mejorar las decisiones.
Sistemas de Información Ejecutiva (EIS)
• Un Sistema de Información para Ejecutivos o Sistema de Información Ejecutiva es una herramienta software, basada en un DSS, que provee a los gerentes de un acceso sencillo a información interna y externa de su compañía, y que es relevante para sus factores clave de éxito.
• La finalidad principal es que el ejecutivo tenga a su disposición un
panorama completo del estado de los indicadores de negocio que le
afectan al instante, manteniendo también la posibilidad de analizar
con detalle aquellos que no estén cumpliendo con las expectativas
establecidas, para determinar el plan de acción más adecuado.
Características de un EIS
• De forma más pragmática, se puede definir un EIS como una aplicación informática que muestra informes y listados
(query & reporting) de las diferentes áreas de negocio, de forma consolidada, para facilitar la monitorización de la empresa o de una unidad de la misma.
• El EIS se caracteriza por ofrecer al ejecutivo un acceso rápido y
efectivo a la información compartida, utilizando interfaces gráficas visuales e intuitivas. Suele incluir alertas e informes basados en excepción, así como históricos y análisis de tendencias. También es frecuente que permita la domiciliación por correo de los
informes más relevantes.
• A través de esta solución se puede contar con un resumen del comportamiento de una organización o área específica, y poder compararla a través del tiempo. Es posible, además, ajustar la visión de la información a la teoría de Balanced Scorecard
o Cuadro de Mando Integral impulsada por Norton y Kaplan, o bien a cualquier modelo estratégico de indicadores que maneje la compañía.
Su objetivo es lograr la participación de un grupo de personas durante la toma de decisiones en ambientes de anonimato y consenso.
Sistema para la toma de decisiones en Grupo (GDSS)
Permiten cargar bases de conocimiento que se integran por una serie de reglas de sentido común para que diferentes usuarios las consulten.
Sistemas Expertos de Soporte a la
toma de decisiones (EDSS)
Beneficios de los sistemas de apoyo a la toma de decisiones
•Elevar la calidad en la toma de decisiones
•Mayor comunicación en la organización
•Lograr una reducción de costos y optimización de recursos
•Incremento en la productividad de la empresa
•Optimización y ahorro de tiempo
•Satisfacción de clientes y empleados
Plataformas de Business Intelligence
Gartner-Magic-Quadrant-for-Advanced-
Analytics-Platforms-2015
Inteligencia Artificial y Big Data aplicados al negocio
• Métodos como el aprendizaje automático o el aprendizaje profundo están ayudando a las entidades en numerosos campos operativos. Y lógicamente, las APIs especializadas en machine learning y deep learning son el punto de partida de cualquier transformación. Gracias a ellas los bancos pueden crear productos finalistas que aporten valor a la entidad y sus clientes:
permiten extraer datos relevantes de Big Data, búsqueda de patrones que faciliten ofertas más personalizadas, ajustes de precios o detección de procesos de fraude bancario.
• Hoy en día existen interfaces de desarrollo de aplicaciones con características de procesamiento de lenguaje natural o
reconocimiento de imágenes y voz (aprendizaje profundo) o la elaboración de modelos predictivos para establecer proyecciones (aprendizaje automático). Esto tiene algunas aplicaciones prácticas: definición de producto y clientes (saber qué servicios le interesan a cada tipo de usuario mediante la segmentación de clientes); gestión de riesgos (la concesión de préstamos siempre va asociada al posible impago); y técnicas contra el fraude.
• Todo esto es posible por la evolución natural de los equipos de datos: de inteligencia de negocio (herramientas SAS, Excel y PowerPoint) a equipos de ciencia de datos (programación en lenguajes como R, Python o Scala); visualización de datos con librerías JavaScript como D3 o herramientas de cuadros de mando como Tableau; la plataforma de computación distribuida de código abierto Apache Spark; o el sistema de almacenaje de datos Apache Hive, con Apache Hadoop, para la realización de consultas y análisis de los datos con HiveQL.
Big Data. Perfiles de análisis
Diferencias Python vs R para análisis de datos
PYTHON
• Horizontal,
multipropósito
• Diseñado para ser sencillo
• Técnicas avanzadas de programación
• Incluido en Linux
R
• Vertical, análisis estadístico
• Orientación científica
• Funcional, pero conservador
• Hay que instalarlo
(incluso en Linux)
El lenguaje Python
• Creado en 1989 por Guido van Rossum (CWI, Amsterdam)
• Lenguaje de propósito general de alto nivel.
• Énfasis en la legibilidad del código
• Multi paradigma
• Orientado a indentación
• Manejo automático de memoria
• Tipado dinámico
• Interpretado
• Apropiado para scripting
Influencers
• FORTRAN
• science / engineering
• COBOL
• business data
• LISP
• logic and AI
• BASIC
• a simple language
31
Zen de Python
1. Bonito es mejor que feo
2. Simple es mejor que complejo 3. Plano es mejor que anidado 4. La legibilidad cuenta
5. Debería haber una manera (y preferiblemente sólo una) obvia de hacerlo
6. Los namespaces son buena idea
• ¡Hagamos más!
Características
• Un programa en Python puede ser descompuesto en módulos,
sentencias, expresiones y objetos
Machine Learning y data analysis en Python
• Las librerías necesarias de esta categoría son:
• Numpy
• SciPy
• Matplotlib
• Pandas
• mlpy
• scikit-learn
• Pybrain
• IPython
• NLTK
Python
Bibliografía
• Turban, Aronson, Liang, Decision Support System and Intelligent System 7th Ed, Prentice Hall,2007
• Gallagher, Watson, Métodos Cuantitativos Para la Toma de Decisiones en Administración, McGraw Hill, 2000
• Bierman, Bonini, Hausman, Análisis cuantitativo para la toma de decisiones, McGraw HIll, 2000
• Lluis Cano, Business Intelligence-Competir con Información, Banesto-ESADE, 2002.
• García, Molina, Data Mining v5, U. Carlos III de Madrid, 2012
• Documentación de Python (http://www.python.org/)
• Tutorial - Introduce informalmente los conceptos y propiedades básicas del lenguaje Python.
• Bibliotecas - Describe todas las funciones y métodos de la librería estándar de python
• Referencia del Lenguaje - Describe con precisión la sintaxis y semántica del lenguaje Python
• Cursos del Instituto Pasteur
• Introduction to Programming using Python Curso de introducción a los conceptos de programación orientado a biólogos.