clase1_dm
TRANSCRIPT
-
7/23/2019 Clase1_DM
1/22
Tipo de decisin
Simon (1960) ha clasificado las decisiones enestructuradas y no estructuradas: las decisionesestructuradas son repetitivas, rutinarias y existe
un procedimiento definido para abordarlas; por elcontrario, en las decisiones no estructuradas eldecisor debe proporcionar uicios y aportar supropia evaluaci!n"
-
7/23/2019 Clase1_DM
2/22
Nivel al que se toman lasdecisiones
#ambi$n el nivel al %ue se toman las decisionesafecta la elecci!n del tipo de sistema m&s apropiado"
'orry y Scottorton (19*1) han propuesto unes%uema %ue relaciona el tipo de decisi!n(estructurada, semiestructurada y no estructurada) yel nivel or+aniacional (control operativo, de +esti!ny estrat$+ico) con la herramienta a utiliar"-!+icamente en el nivel operativo dominan lasdecisiones estructuradas, en el nivel de +esti!n lassemiestructuradas y en el estrat$+ico las noestructuradas, formando una dia+onal"
-
7/23/2019 Clase1_DM
3/22
-
7/23/2019 Clase1_DM
4/22
Nivel operativo y decisionesestructuradas
.omo podemos apreciar en el +r&fico, en elnivel operativo y toma de decisiones
estructurada dominan los sistemasinformatiados convencionales como losprogramas de contabilidad financierayde costos, los de elaboraci!n de n!minas, y%ue en +eneral realian tareas mec&nicas"Son los llamados Sistemas de /roceso de#ransacciones (#/S) basados enpro+ramaci!n al+ortmica convencional"
-
7/23/2019 Clase1_DM
5/22
Nivel operativo y decisiones noestructuradas
l nivel operativo, pero con decisionessemiestructuradas, todava est& dominadopor los programas convencionales, en lo
%ue habra %ue incluir pro+ramas de controlde tesorera, control de existencias ytambi$n las hoas de c&lculo y sistemas+estores de bases de datos"
-
7/23/2019 Clase1_DM
6/22
Nivel operativo y decisiones noestructuradas
.onforme las decisiones son menos estructuradas,empiean a ser aplicables sistemas expertos y sistemas deayuda a la toma de decisiones" 2s, para la +esti!nfinanciera m&s b&sica, en la %ue adem&s de realiarc&lculos mec&nicos: tipos de inter$s efectivo, cuotas deamortiaci!n de pr$stamos, etc", tambi$n hay %ue tomardecisiones %ue manean informaci!n incompleta o precisanincorporar el conocimiento de un especialista humano"3inalmente, en el nivel de de toma de decisiones menos
estructurada pueden incorporarse modelos neuronales: poreemplo, asesorando en la concesi!n de las taretas decr$dito de unos +randes almacenes o a %u$ clientes se lesenva cat&lo+os por correo"
-
7/23/2019 Clase1_DM
7/22
Nivel de gestin y decisionesestructuradas
.onforme el nivel or+aniativo avana en el ee delas x, las decisiones se hacen m&s compleas" Si lasdecisiones son estructuradas, como en el an&lisis depresupuestos y control, contabilidad analtica,an&lisis contable, etc, dominan los pro+ramasconvencionales, %ui& incorporando al+4n m!duloexperto" ste tipo de pro+ramas se denominanSistemas de Gestin de Informacinoana+ement 5nformation Systems (5S)"
-
7/23/2019 Clase1_DM
8/22
Nivel de gestin y decisiones no estructuradas
.onforme las decisiones se hacen menosestructuradas se hacen m&s necesarios los sistemasexpertos" n temas puntuales como la elaboraci!n de
presupuestos, la predicci!n de variables financierascomo el beneficio, el cashflo, podran incorporarsemodelos neuronales" 7!tese como en este es%uemadescrito hemos situado el an&lisis de la informaci!ncontable en las decisiones semiestructuradas" 7o hay
una teora +eneral %ue pueda ser aplicada paso a pasopero tampoco encaa en las decisiones completamenteintuitivas o no estructuradas"
-
7/23/2019 Clase1_DM
9/22
Nivel estratgico
n el nivel estrat$+ico son barridos los programasconvencionalesmanteni$ndose 4nicamente lashoas de c&lculo, por su capacidad de simulaci!n" -osllamados xecutive 5nformation Systems (5S), o
Sistemas 5nformativos para ecutivos dominan lasdecisiones menos estructuradas, con tareas como laplanificaci!n estrat$+ica y de contabilidad directiva"-as redes neuronales pueden cubrir un huecoimportante en las decisiones no estructuradas,
debido a esa capacidad de encontrar relacionescompleas entre los patrones de entrada"
-
7/23/2019 Clase1_DM
10/22
Data Mining
La llegada del Data Miningse consideracomo la ltima etapa de la introduccin demtodos cuantitativos, cientfcos en elmundo del comercio, industria y negocios.Desde ahora, todos los no-estadsticos -esdecir el 99,5 de nosotros - pueden
construir modelos e!actos de algunas desus actividades, para estudiarlas me"or,comprenderlas y me"orarlas
-
7/23/2019 Clase1_DM
11/22
Data Mining y Estadstica
#stadstica y Data Miningconducen al mismoo$"etivo, el de e%ectuar &modelos& compactos ycomprensi$les 'ue rindan cuenta de las relaciones
esta$lecidas entre la descripcin de una situaciny un resultado (o un "uicio) relacionado con dichadescripcin. *undamentalmente, la di%erenciaentre am$as reside en 'ue las tcnicas del DataMiningconstruyen el modelo de maneraautom+tica mientras 'ue las tcnicas estadsticas&cl+sicas& necesitan ser mane"adas - y orientadas- por un estadstico pro%esional
-
7/23/2019 Clase1_DM
12/22
Data Mining
Data ining, la extraccin deinformacin oculta y predecible
de grandes bases de datos, es unapoderosa tecnologa nueva con granpotencial para ayudar a las compaasa concentrarse en la in%ormacin m+simportante de sus ases de/n%ormacin (Data 0arehouse).
-
7/23/2019 Clase1_DM
13/22
Prediccin
Las herramientas de Data iningpredicen %uturas tendencias y
comportamientos, permitiendo en losnegocios tomar decisionesproactivas y conducidas por un
conocimiento aca$ado de lain%ormacin (1no2ledge-driven).
-
7/23/2019 Clase1_DM
14/22
Anlisis prospectivos
Los anlisis prospectivosautomati3adoso%recidos por un producto as van m+s all+ de loseventos pasados provistos por herramientas
retrospectivas tpicas de sistemas de soporte dedecisin.
-
7/23/2019 Clase1_DM
15/22
Informacin predecible
Las herramientas de Data ining puedenresponder a preguntas de negocios 'uetradicionalmente consumen demasiado tiempo
para poder ser resueltas y a los cuales losusuarios de esta in%ormacin casi no est+ndispuestos a aceptar. #stas herramientase!ploran las $ases de datos en $usca de
patrones ocultos, encontrando in%ormacinpredeci$le 'ue un e!perto no puede llegar aencontrar por'ue se encuentra %uera de suse!pectativas.
-
7/23/2019 Clase1_DM
16/22
Alcance del Data Mining
Prediccin automatizada de tendencias ycomportamientos. Data ining automati3a el proceso deencontrar in%ormacin predeci$le en grandes $ases de datos.4reguntas 'ue tradicionalmente re'ueran un intenso an+lisis
manual, ahora pueden ser contestadas directa y r+pidamentedesde los datos. n tpico e"emplo de pro$lema predeci$le es elmar1eting apuntado a o$"etivos (targeted mar1eting). Dataining usa datos en mailing promocionales anteriores paraidentifcar posi$les o$"etivos para ma!imi3ar los resultados dela inversin en %uturos mailing. 6tros pro$lemas predeci$lesincluyen pronsticos de pro$lemas fnancieros %uturos y otras%ormas de incumplimiento, e identifcar segmentos de po$lacin
'ue pro$a$lemente respondan similarmente a eventos dados.
-
7/23/2019 Clase1_DM
17/22
Alcance del Data Mining
Descubrimiento automatizado demodelos previamentedesconocidos.Las herramientas deData ining $arren las $ases de datos
e identifcan modelos previamenteescondidos en un slo paso. 6trospro$lemas de descu$rimiento demodelos incluye detectartransacciones %raudulentas de tar"etas
de crditos e identifcar datosanormales'ue pueden representarerrores de tipeado en la carga dedatos.
-
7/23/2019 Clase1_DM
18/22
-
7/23/2019 Clase1_DM
19/22
Arboles de decisin y reglas
de asociacin
Los rboles de decisin y las bases de reglas se interpretan muy
fcilmente pero no conocen sino los lmites "duros" decomparacin en niveles de decisin Si-No. Adolecen de una
fineza predictiva.
-
7/23/2019 Clase1_DM
20/22
Evaluaciones por puntuacin
Los evaluaciones por puntuacin, linealeso con %unciones logsticas son un pocom+s &sofsticadas& pero como sloadicionan resultados no pueden darcuenta de relaciones multivaria$les (pore"emplo, para los propietarios el riesgo
aumenta mientras 'ue para losarrendatarios disminuye en %uncin de laedad).
-
7/23/2019 Clase1_DM
21/22
Redes Neuronales
Las redes neuronalesson las damas de laprediccin estadstica (y tienen tam$in laposi$ilidad de adaptarse a valores $astanteindefnidos e incluso ausentes), pero resultacompletamente imposi$le el inspeccionar -es como si 'uisiramos e!aminar el cere$rode alguien para sa$er lo 'ue piensa 7-. 8lolas predicciones reali3adas pueden ser
inspeccionadas y visuali3adas.
http://neurinis.htm/http://neurinis.htm/http://neurinis.htm/ -
7/23/2019 Clase1_DM
22/22
Minera de datos
n proceso analtico diseado para e!plorar grandes cantidades de datos(generalmente relacionados a los negocios o mercadeo),
$s'ueda de modelos consistentes yo las relaciones sistem+ticas entrelas varia$les,
validar los resultados aplicando los modelos descu$iertos a los nuevos
su$con"untos de datos. #l proceso consiste as en tres %ases $+sicas: e!ploracin, construccin o
defnicin del modelo, y validacinverifcacin.
8i la naturale3a de los datos disponi$les permite, se repite iterativamentehasta identifcar un modelo &ro$usto&. 8in em$argo, en la pr+ctica denegocios las opciones para validar al modelo en la %ase de an+lisis est+ngeneralmente limitadas y, as, los resultados iniciales tienen a menudo elestado de heurstica 'ue podra in;uir en el proceso de decisin
4or e"emplo, Los datos parecen indicar que la probabilidad de probarpldoras para dormir aumenta ms rpidamente con la edad en lasmujeres que en los varones