Transcript DSS-1(int
•
Sistemas de apoyo a la toma de
decisiones
Clases
– Octubre 23, 30,
– Noviembre 06, 13, 20, 27
– Diciembre 04, 11
• Evaluación :
– Trabajos de desarrollo de problemas en clases
– Evaluación en cada sesión:
• prueba de preguntas (20 min)
Objetivos
• General:
– Tomar decisiones en forma racional
• Especificos:
– Aplicar un proceso racional
– Aplicar tecnicas de modelamiento de sistemas
– Aplicar herramientas de modelamiento de decision
Temas
1. Introducción: que es un DSS, historia, partes.
2. Modelos, Herramientas cognitivas y la Toma de
decisiones
3. Modelamiento y simulación (incluido bpmn)
4. El subsistema modelo (1): Análisis de decisión y
Optimización
5. El subsistema modelo (2): Otras técnicas de
modelamiento
6. Sistemas colaborativos
Decision Support System
(DSS)
INTRODUCCION
Definiciones, historia, partes de un DSS
Resumen del capítulo
• Definición de un DSS
• Algo de historia de los DSS
• Definición de los componentes funcionales más
importantes de un DSS
• Descripción del ciclo de vida de un DSS
• Descripción del rol de DSS en la toma de decisión
¿ Qué es 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
no estructurados”
• Falta algo ???
Definiciones de la literatura (1)
• DSS are a model-based set of procedures for
processing data and judgments to assist a manager in
his/her decision [Little, 1970]
• DSS couple the intellectual resources of individuals
with the capabilities of the computer to improve the
quality of decisions. It’s a computer-based support
for management decision makers who deal with
semi-structured problems [Keen & Scott-Morton,
1978]
Definiciones de la literatura (2)
• DSS is a system that is extendable, capable of
supporting ad hoc analysis and decision modelling,
oriented towards future planning, and of being used
at irregular, unplanned intervals [Moore & Chang,
1980]
• DSS enable mangers to use data and models related
to an entity (object) of interest to solve semistructured and unstructured problems with which
they are faced [Beulens & Van Nunen, 1988]
Definiciones de la literatura (3)
• Main feature of DSS rely in the model component.
Formal quantitative models such as statistical,
simulation, logic and optimization models are used
to represent the decision model, and their solutions
are alternative solutions [Emery, 1987; Bell, 1992]
• DSS are systems for extracting, summarising and
displaying data [McNurlin & Sprague, 1993]
Según Scott-Norton
• “A interacting computer-based
system that helps the decision maker
in the use of data and models in the
solution of unstructured problems”
Características de un DSS
– Debe asistir a tomadores de decisiones en la realización de
tareas semiestructuradas
– Apoyar y no reemplazar el juicio humano
– Altamente interactivo
– Mejorar la efectividad de los tomadores de decisión
– Combinar el uso de modelos o técnicas analíticas con
funciones de acceso a datos
– Enfatizar la flexibilidad y la adaptabilidad respecto cambios
que se puedan producir en el contexto de la decisión
¿ 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
Toma de Decisiones Racional
• Racionalidad en el uso de la razón para escoger la mejor
alternativa que se pueda dadas las circunstancias
– Qué significa mejor ?
• GOOD-D nemotécnica para decision making racional
– G Identificar el Goal que debe lograrse con la decisión
– O Identificar las Options disponibles para el que debe
tomarla
– O Evaluar los resultados (Outcomes) de escoger cada
opción
– D Decidir cual opción es la mejor
– D… And then Do it!
• Los que toman las decisiones necesitan apoyo en cada una de las etapas
de GOOD-D
• Otra etapa: seguimiento
El Proceso de Toma de Decisiones
Definición de la
estructura del
problema
Generar opciones
Recolectar,
agregar datos
Evaluar Opciones
Seleccionar
Opción(es)
Implementar
opción
seleccionada
Problema de Decisión:
Vender una propiedad.
• Problema: Don 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.
Outcomes
De acuerdo a las Opciones identificadas se tienen los siguientes posibles
resultados.
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.
¿Cómo decidir?
• Decidir: En esta etapa se puede desarrollar un modelo
matemático para calcular la utilidad esperada para cada opción
de modo que el modelo recomendará la opción para la cual la
utilidad/rentabilidad esperada sea mayor que las otras.
La Función Objetivo:
En este sentido, la función objetivo será aquella que apunte a
la rentabilidad de cada una de las tres opciones,
considerando el valor presente y el valor futuro de cada uno de
los flujos obtenidos con cada opción.
Aquella opción cuyo VAN sea mayor que el resto será la mejor
decisión posible.
Ejemplos:
• Alumnos en paro: ¿seguimos en paro o entramos
a clases?
• ¿ Como me voy a la pega ?
• ¿ A qué carrera entro ?
• Plan de mantención de los trenes del metro
• Plan de apoyo a estudiantes con riesgo de
desertar la universidad/colegio
• ¿ Que tipo bocatoma es la que mas me conviene?
• ¿ Que mejoras hago en el club social ?
Clasificación de Problemas Según
su Grado de Estructuración
•
Estructurados
– Repetitivos
– Existen métodos estándares para solucionarlos
– Puede ser posible automatizar completamente la solución
•
No Estructurados
– Se dan una vez
– No hay soluciones estándares
– La solución requiere de juicio por parte del tomador de decisión
– La automatización de la solución es generalmente imposible
•
Semi-estructurados
– Algunos elementos y/o fases del proceso de toma de decisión tienen
elementos repetitivos
• DSS apoya los aspectos repetitivos del proceso de
solución de problemas semi-estructurados
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
• http://lsa.udp.cl, http://saduewa.dcc.uchile.cl:8090
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 knowledgebased 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.
Ver http://dssresources.com/
Cómo se gesta la disciplina DSS
Investigación operativa
Ciencias de la Administración
Sistemas de Información
optimización
Sistemas de
procesamiento de
transacciones
Inteligencia Artificial
Sistemas Expertos
Ciencias Cognitivas
Sistemas
Expertos
Juicio y Toma de
dcsisiones
Sistemas de
Información para la
administración
Simulación
Representación
del conocimiento
Interacción
Humano-Computador
Decision Support Systems
Goal: Use best parts of IS, OR/MS, AI & cognitive
science to support more effective decision making
•
•
•
Historia de la Computación en los
negocios
En los 40’s
– Los computadores se usan para aplicaciones
militares (prog. Lineal)
– “procesadores de números”
1950’s
– Aplicaciones a los negocios
– Sistemas de procesamiento de transacciones:
sueldos, facturación
– Mainframes
1960-70’s
– Uso de computadores en administración
– Grandes cantidades de datos
– Invencion de BD relacionales y SQL
– Nacen los SIA
– Automatización de procesos de lápiz y papel
para tareas recurrentes
1980-90’s
» Movimiento hacia una personalización y
flexibilización de los sistemas
» Movimiento hacia nuevas metáforas de
interacción humano-computador
» Énfasis creciente en sistemas inteligentes
Siglo 21
» Movimiento desde sistemas cerrados
(input-flujo-output) a sistemas
interoperables
» Sistemas Distribuidos
» SOA y Web services
Historia de la inteligencia artificial
• 1950’s
– Aparece la computación simbólica
– General Problem Solver
– diferenciación de la computación científica
“IA es sobre símbolos, no números”
• 1960-70’s
– Primeros sistemas expertos
» HEARSAY I (Speech recognition);
» MYCIN (Medical diagnosis)
– Representación del conocimiento - frames, reglas
– Lógica difusa (no binaria)
• 1980-90’s
– Comercialización de la IA
– Shells de sistemas expertos
– Machine learning
– Incorporación de métodos de la teoría de toma de
decisiones y las investigaciones operativas.
• Siglo 21
– Sistemas basados en Agentes
– IA distribuida
– Web Semántica & “Web Bots”
Historia de Op. Res. & Man. Sci.
• 40’s
– Aplicación del método científico a problemas
operacionales: movimiento eficiente de tropas,
bombardeos.
• 1950’s
– Op. Res. /Man. Sci. se establece como una disciplina
– Se desarrollan métodos estándares
• 1960-70’s
– Expansión de OR/MS
– Aplicaciones de Business
– Problemas con uso adecuado y aceptación de los sitemas:
» computadores con
capacidades limitadas
» factores humanos en la
instalación
• 1980-90’s
– Tendencia a la personalización y flexibilidad
– Atención a factores organizacionales y
humanos
– Incorporación de métodos de la inteligencia
artificial
• Siglo 21
– Embedded systems
– Canal de suministro ágil y reconfigurable
– Excel para todos
Tendencias en la toma de decisiones
•
•
•
•
•
•
•
Las tecnologías de la información son cada vez más ubicuas
Usuarios son más letrados en computación
Computadores cada vez más chicos y poderosos
Computación móvil
Sistemas interconectados
La Web está cada vez más presente
La demanda por sistemas más usables, flexibles, y poderosos
continuará creciendo
• Apoyo a la toma de decisiones estará integrado en una gran
variedad de productos
DSS : simbiosis entre capacidades
del humano y la máquina
• El humano como tomador de decisiones
–
–
–
–
–
Bueno para reconocer patrones
Puede trabajar con representaciones incompletas del problema
Tiene juicio tácito que no puede expresar fácilmente
Malo para integrar gran cantidad de evidencias
Poco confiable y lento para realizar cálculos y operaciones tediosas
• Computadores
– Todavía inferiores al humano en reconocimiento de patrones y trabajo
con problemas poco estructurados
– Bueno para cálculos y contabilidades tediosas
– Rápido para cálculos complicados
– Puede manejar grandes cantidades de datos
El reto: encontrar y aprovechar
esta sinergia
• Los computadores proveen herramientas cognitivas
– Problemas de decisión complejos requieren herramientas cognitivas
que ayuden con:
• recoger y organizar información relevante
• ponderar los múltiples factores relevantes para la elección
• integrar gran número de factores y combinarlos para formar una
evaluación general
• presentar resultados de una manera racional, cosa que la
elección sea clara
• Analizar múltiples escenarios “que-pasa-si”
• Meta de DSS:
– Usar fortalezas del computador para aumentar las fortalezas del ser
humano
– Mejorar la efectividad general del proceso de toma de decisión
Recomendaciones al desarrollar un
DSS
• Entienda a los involucrados
– involúcrelos tempranamente y frecuentemente
– Escuche su feedback (especialmente los negativos!)
• Entienda la tarea
– Objetivos a alcanzar con la toma de la decisión
– El proceso actual de toma de decisión
– Factores humanos y organizacionales
• Entienda la tecnología
– Qué partes del actual proceso pueden ser automatizados
– COTS versus desarrollo a medida
– Integración de componentes y funciones no automatizadas
• Entienda el proceso de desarrollo de un DSS
– Co- evolución del proceso,
– por qué el cambio es resistido
– Importancia de una buena ingeniería de sistemas
Componentes funcionales de un
DSS
Administrador del
Modelo
Repositorio de
modelos
Administrador de
Datos
Motor de
Conocimiento
Repositorio de
datos externo
Interfaz diálogo
con usuario