© Profesores del Curso – Gestión para la Toma de Decisiones

1
Gestión
para la toma
de decisiones

Semana 13 – Sistemas de Soporte a la Toma de Decisiones

© Profesores del Curso – Gestión para la Toma de Decisiones

2
Agenda
 Introducción
 Sistemas de Soporte de Toma de Decisiones
 Estadística para la Predicción: Supervisado y No Supervisado
 Proceso Knowledge Discovery Data Base (KDD)
 Predictivo (BI) versus Prescriptivo (BA)
 Aplicaciones del BA

© Profesores del Curso – Gestión para la Toma de Decisiones

3
 Introducción

Investigación de Benjamin Libet

Profesor de la Universidad de California en San Francisco.
http://bit.ly/28SAvO1

© Profesores del Curso – Gestión para la Toma de Decisiones

4
Sistemas de Soporte a la Toma de Decisiones

• ¿Qué es un Sistema de Soporte a la Toma de Decisiones?

• Un DSS es un término bastante general, hay varias
interpretaciones, una de ellas:

“Un sistema computacional que

apoya a personas que toman
decisiones enfrentados a
problemas Semi-Estructurados y
No estructurados”
© Profesores del Curso – Gestión para la Toma de Decisiones
5
Sistemas de Soporte a la Toma de Decisiones
Problema: Vender una Propiedad

• Problema: Juan necesita pagar algunas deudas, quiere realizar inversiones de algún tipo y
tener liquidez para realizar otros gastos. Para eso está pensando en vender una propiedad que
está actualmente dando en arriendo.

• Goal:
– Pagar deudas.
– Realizar inversiones de algún tipo.
– Tener liquidez para realizar otros gastos.

• Opciones:
1. Obtener un Crédito de Consumo.
2. Vender la Propiedad.
3. No vender su propiedad y quedarse igual como está.

© Profesores del Curso – Gestión para la Toma de Decisiones

6
Sistemas de Soporte a la Toma de Decisiones

Tipos de Decisión
No estructurada Estratégica

Semiestructurada Táctica

Estructurada Operacional

© Profesores del Curso – Gestión para la Toma de Decisiones

7
Sistemas de Soporte a la Toma de Decisiones

Características Principales

• Semiestructuradas y No estructuradas
• No reemplaza el juicio humano
• Interactivo
• Mayor efectividad
• Usa modelos o técnicas analíticas
• Flexibilidad y Adaptabilidad

© Profesores del Curso – Gestión para la Toma de Decisiones

8
Sistemas de Soporte a la Toma de Decisiones
Resultados: Opciones Identificadas:

1- Solicitar un Crédito.
• Liquidez menor de lo deseado.
• Recursos con deuda asociada.
• Se mantiene la propiedad: Rentabiliza por el arriendo.

2- Vender la propiedad
• Liquidez mayor.
• Recursos sin deuda asociada.
• Inversión en Negocio.
• Inversión en Propiedad más pequeña.

3- No vender su propiedad y quedarse tal cual como está.

• Permanecen las deudas.
• No obtiene liquidez.
• Se mantiene la propiedad: Rentabiliza por el arriendo.

© Profesores del Curso – Gestión para la Toma de Decisiones

9
Sistemas de Soporte a la Toma de Decisiones

Complejidad de la toma de decisiones

• Creciente complejidad de las decisiones a tomar

• Tecnología
• Información

• Creciente disponibilidad de apoyo computacional

• Computación de alto rendimiento
• Software mas eficientes

© Profesores del Curso – Gestión para la Toma de Decisiones

10
Sistemas de Soporte a la Toma de Decisiones
“Desafío de la Estadística: Estimar parámetros de funciones que simulan fenómenos naturales,
negocios, etc” - Modelamiento

Población Estadística Descriptiva:

Muestra Explora la data a través
de medidas o gráficas
estadísticas.

Variable: Una propiedad que

puede medirse u observarse,
puede tomar varios valores.

Caracterizada por Caracterizada por estadísticos:

parámetros poblacionales:
Ejemplo: Media (µ),
Desviación (σ)
Estadística Inferencial:
Ejemplo: Media muestral (X), Imputa los resultados de la
Desviación muestral (S) muestra a la población.

© Profesores del Curso – Gestión para la Toma de Decisiones

11
Sistemas de Soporte a la Toma de Decisiones
Variables Estadísticas:
• Por Tipo:
• Cualitativas o Categóricas
• Nacionalidad, Color de piel, Sexo.
• Cuantitativas
• Ejemplo: Edad, precio, ingreso
• A la vez las cuantitativas se pueden clasificar en:
• Discretas: toma valores enteros (Ejem: 2 hermanos, -4 aves desaparecidas
• Continuas: toma valores dentro de un intervalo (Ejem: 90.4 Km/h

• Por Dimensión
• Unidimensional (Ejem: Edad de los alumnos)
• Bidimensional (Ejem: Edad y Altura)
• Pluridimensional (Ejem: Eda, Altura y Peso)
© Profesores del Curso – Gestión para la Toma de Decisiones
12
Sistemas de Soporte a la Toma de Decisiones

Indicadores Estadísticos:

• MSE: Mide el promedio de los cuadrados de los errores o desviaciones (la diferencia entre el
estimador y lo que se estima).
• RMSE: Es la raíz cuadrada de la media aritmética de los cuadrados de un conjunto de
números (una medida de la imperfección del ajuste del estimador a los datos)
• MAE: Se utiliza para medir qué tan cerca están los pronósticos o predicciones de los
resultados finales.
• R2: Interpreta como la proporción de la varianza en la variable dependiente que es predecible
a partir de la variable independiente.

© Profesores del Curso – Gestión para la Toma de Decisiones

13
Sistemas de Soporte a la Toma de Decisiones
• Los sistemas clásicos de estadística son difíciles de usar y no
escalan al número de datos típicos que se deben evaluar por el gran
volumen de datos que las organizaciones manejan para tomar
decisiones.

Hasta que aparece: “Descubrimiento de Conocimiento a

partir de Bases de Datos” (KDD, del
inglés Knowledge Discovery from
Databases).

© Profesores del Curso – Gestión para la Toma de Decisiones

14
Sistemas de Soporte a la Toma de Decisiones

Relación del KDD y otras disciplinas

• KDD nace como interfaz que se nutre de diferentes

disciplinas:

• Estadística.
• Sistemas de información / bases de datos.
• Aprendizaje automático / IA.
• Visualización de datos.
• Computación paralela / distribuida.
• Interfaces de lenguaje natural a bases de datos.

© Profesores del Curso – Gestión para la Toma de Decisiones

15
Sistemas de Soporte a la Toma de Decisiones

Aplicaciones:

• Comercio /Marketing

• Banca

• Seguros /Salud

• Transporte

© Profesores del Curso – Gestión para la Toma de Decisiones

16
El proceso DSS versus KDD
DSS KDD

Preparación de
Definición de la
estructura del Datos
problema

Etapa de Recolectar, Minería de

Generar
divergencia opciones agregar datos Datos

Evaluar
Opciones Patrones

Seleccionar Etapa de Evaluación /

Opción(es) convergencia
/Interpretación/
Visualización
Implementar
opción
seleccionada

Conocimiento
© Profesores del Curso – Gestión para la Toma de Decisiones
17
Pasos del Proceso KDD

1. Recolección de Datos
2. Almacén de Datos (DWH)
3. Navegación y Visualización
4. Selección, Limpieza y Transformación
5. Minería de Datos
6. Representación de Patrones
7. Entendimiento y Toma de Decisión

© Profesores del Curso – Gestión para la Toma de Decisiones

18
Fase 1: Recolección de Datos (Datos Crudos)

• Bases de Datos
• Otras fuentes internas y externas
• Las fuentes pueden ser:

OLAP u OLTP ROLAP o MOLAP

© Profesores del Curso – Gestión para la Toma de Decisiones

19
Fase 2: Data Wrangling
Es el proceso de transformación de datos “Crudos" en datos que
pueden analizarse para generar conocimientos válidos y procesables,
y los pasos son:

• Selección
DATA
CRUDA
• Limpieza

• Transformación

© Profesores del Curso – Gestión para la Toma de Decisiones

20
Fase 3: Data Transformada/ Patrones
Una vez recogidos los datos de interés, un explorador puede decidir
qué tipos de patrón quiere descubrir:

• Clasificación (Predictivo)
• Regresión Logística (Predictivo)
• Conglomerados (Descriptivo)
• Asociación (Descriptivo)
• Secuenciación (Descriptivo) “Si torturas los datos el tiempo suficiente, te
confesará cualquier cosa …”
• Optimización (Prescriptivo) Darrell Huff

© Profesores del Curso – Gestión para la Toma de Decisiones

21
Fase 4: Visualización y Entendimiento

• Las técnicas de visualización de datos se utilizan fundamentalmente

con dos objetivos:
• Extraer patrones a partir de imágenes.
• Descubrir nuevos patrones para un mejor entendimiento con reportes simples y
otros complejos.

Patrones

© Profesores del Curso – Gestión para la Toma de Decisiones

22
Machine Learning Supervisado
X
• Aprendizaje Supervisado: Identifica Contorno
X X
X1
los patrones en los atributos de los XX
datos buscando un atributo objetivo.
– Estos patrones se utilizan para predecir los
valores de la clase objetivo en instancias X2
de registros futuros.
No Supervisado
Cluster
• Aprendizaje No Supervisado: Los
datos no tienen un atributo objetivo.
X1
– Exploramos la data para encontrar
patrones en ella misma.
X2
© Profesores del Curso – Gestión para la Toma de Decisiones
23
Técnicas de Supervisado y No Supervisado
Técnicas disponibles
 Regresión logística
Supervisado
 Regresión multivariable
 Clusters y Conglomerados
 Arboles de decisión
 Naives-Bayes
 Reglas de Asociación
 Redes neuronales
 Algoritmos Genéticos
No Supervisado

© Profesores del Curso – Gestión para la Toma de Decisiones

24
Predictivo (BI) versus Prescriptivo (BA)
Business Intelligence Business Analytics

Analiza el pasado y presente para dirigir las Analiza el pasado con técnicas aprendizaje
actuales necesidades del negocio y automático y herramientas estadísticas y
DEFINICION responde a la pregunta “¿La tendencia responde a la pregunta del negocio “¿Qué
continua, que es lo próximo a pasar?”. es lo que mejor podría pasar?”

Se enfoca en crear eficiencia operativa a Actúa como factor estratégico del negocio
USO
través de acceso a la data en tiempo real. para mejorar productividad.

Se aplica a lo largo de toda la empresa con

Se aplica a lo largo de toda la empresa con
APLICACIONES el objetivo de crecer y elevar la
el objetivo de agilizar las operaciones.
productividad como meta.

© Profesores del Curso – Gestión para la Toma de Decisiones

25
Practicas de Business Analytics en la Empresa
Comms Complex Consumer Financial High Insurance Life Public Travel
Travel
Auto & Media Energy & Trans
Mfg Sector Services Tech & Health Sciences Sector & Trans

Recursos
Comercial Contact Center Marketing Procurement Supply Chain Finanzas
Humanos

Pipeline Service Campaign Revenue and General Employee

Analysis Effectiveness Effectiveness Direct / Indirect Backlog Ledger Productivity
Spend
Forecast Customer Customer Inventory Accounts Compensation
Accuracy Satisfaction Insight Buyer Productivity Receivable
Sales Team Resolution Product Off Contract Fulfillment Accounts Compliance
Effectiveness Rates Propensity Purchases Status Payable Reporting
Up-sell/ Service Rep Loyalty & Supplier Performance Customer Cash Flow Workforce
Cross-sell Efficiency Attrition Status Profile
Purchase
Cycle Times Service Cost Market Basket Cycle Time Order Profitability Retention
Analysis Cycle Time Analysis
Employee Expenses Expense
Lead Churn & Service Campaign BOM Management Return on
Conversion Trends ROI Analysis Human Capital

© Profesores del Curso – Gestión para la Toma de Decisiones

26
© Profesores del Curso – Gestión para la Toma de Decisiones
27