Gestión de decisiones

La gestión de decisiones tiene como objetivo diseñar, construir y mantener sistemas que producen decisiones estructuradas o programadas.

Las decisiones estructuradas o programadas resuelven problemáticas que se nos presentan frecuentemente, y que ya hemos establecido un procedimiento para abordarlas. Es decir, podemos generar una decisión estructurada para dar respuesta a un problema que se repite con cierta asiduidad y que podemos definir, analizar y pronosticar.

La gestión de decisiones aprovecha los datos generados por otros sistemas como la gestión de procesos (BPM) para mejorar las operaciones comerciales, y permitir decisiones rápidas, coherentes y precisas basadas en hechos.

En sus inicios, la gestión de decisiones se concentró en seguros y suscripción de préstamos, aprobación de hipotecas, negociación financiera, logística y aplicaciones del sector público, pero hoy en día ya se está aplicando para la detección de fraude, gestión de riesgos, venta cruzada, gestión de la cadena de suministro, etc.

¿Cuándo se debe usar la gestión de decisiones?

Debemos de hacer uso de la gestión de decisiones para resolver problemas complicados, pero estructurados y entendidos lo suficientemente bien como para ser solucionados por software. Estas decisiones complicadas involucran uno o más de los siguientes puntos:

•             Múltiples criterios de decisión y cálculos sustanciales

•             Muchos datos o diversos tipos de datos

•             Lógica de decisión reutilizable

•             Lógica de decisión frecuentemente modificada

•             Toma de decisiones rastreable y auditable

•             Compensación entre objetivos en competencia

•             Múltiples modelos de decisión actuando juntos como conjuntos

Las decisiones triviales deben de abordarse mediante la lógica de las aplicaciones, y en ningún caso está justificado utilizar una gestión de decisiones para resolverlas. Y para este tipo de decisiones AuraQuantic incorpora distintas compuertas que permiten redirigir el flujo del proceso en función de que se cumplan una serie de condiciones. Estas pueden permitir una (convergentes) o varias salidas (divergentes) y aplicar los operadores lógicos XOR, OR, y AND.

La mayor parte de la gestión de decisiones se aplica a decisiones operativas repetibles. Por ejemplo, una compañía de seguros puede desarrollar un modelo de puntuación mediante machine learning, y un conjunto de reglas para aceptar o rechazar partes en función de ciertos parámetros como la fiabilidad del cliente y el montante de la operación, y luego aplicar esta automatización a miles de partes.

Gestión de decisiones: automatización o soporte

Cada decisión requiere una técnica de gestión de decisiones diferente. En general, la estructura de una decisión operativa se puede analizar siguiendo el siguiente modelo: observar, orientar, decidir y actuar.

  • En la fase de observación se recopilan los datos sobre la situación.
  • Se ponen en contexto y se consideran sus implicaciones en la fase de orientación.
  • La determinación de qué hacer se realiza en la fase de decisión.
  • Y, por último, en la fase de acción se ejecuta la respuesta.

Automatización de decisiones

Muchas decisiones repetibles se pueden automatizar porque el proceso de toma de decisiones está completamente estructurado y es predecible.

Por ejemplo, un banco puede desarrollar un modelo automatizado de gestión de decisiones para aceptar o rechazar transacciones con tarjeta de crédito y aplicarlo a millones de operaciones.

Gestión de decisiones para el apoyo a las decisiones

En algunos casos no es posible estructurar toda la parte de la lógica que implica una decisión y utilizamos la gestión de decisiones para respaldarla.

Un servicio de decisiones de software, basado en el procesamiento de reglas u otros análisis prescriptivos, puede generar una propuesta que se le pasa a una persona, que es la que finalmente toma la decisión.

Volviendo a nuestro ejemplo de la compañía de seguros, podríamos recopilar los baremos de puntuación proporcionados por machine learning y las reglas de negocio para ofrecer una primera valoración a la persona encargada de validar un parte.

Soporte de decisiones sin gestión de decisiones

En muchos escenarios empresariales, la analítica y la BI solo se utilizan en las fases de observación y orientación.

Esto puede ser en forma de informes de BI, paneles de visualización de datos, sistemas de monitoreo de actividad empresarial (BAM) o modelos de ML con fines predictivos.

Seleccionar técnicas y herramientas de acuerdo con la naturaleza de las decisiones a tomar

Aunque existen multitud de técnicas y herramientas para abordar la gestión de decisiones todas ellas hacen uso de reglas para evaluar condiciones y tomar decisiones.

Procesamiento de reglas

Según la Wikipedia las Reglas del Negocio describen las políticas, normas, operaciones, definiciones y restricciones presentes en una organización y que son de vital importancia para alcanzar los objetivos misionales.

Este tipo de reglas son apropiadas para decisiones basadas en factores deterministas que se encuentran en las políticas corporativas, regulaciones, y también en el juicio subjetivo de empresarios experimentados, o la percepción personal.

En la actualidad algunas plataformas de software como AuraQuantic ofrecen soluciones para crearlas y utilizarlas en aplicaciones, e incluyen motores específicos para ejecutarlas.

En concreto AuraQuantic ofrece cuatros tipos de reglas de negocio que pueden ser aplicables sin intervención humana y por tanto aplicables a la toma de decisiones automática:

  • Asignación: Suministra el valor de una variable en función del valor de otra.
  • Textual: Su información se expresa mediante texto y posee almacenamiento y uso ilimitados.
  • Inferencia: Ofrece el resultado como consecuencia de combinar un número de calificaciones de distintos criterios.
  • Cálculo: Realiza cálculos de toda índole para cualquier variable.

Aprendizaje automático

Ser capaz de anticiparse a las necesidades mercado es el sueño ideal de todas las empresas. Tradicionalmente, las predicciones se han basado en la capacidad analítica de las personas para extraer conclusiones de sus experiencias.

Sin embargo, gracias a las capacidades de aprendizaje de Machine Learning, ahora se puede utilizar esta tecnología para generar modelos predictivos, que basándose en datos históricos sean capaces de decidir qué posibilidades son más factibles.

No obstante, el análisis predictivo no puede realizar una gestión de decisiones si no se combina con una regla.

Por ejemplo, un modelo Machine Learning puede servir a una empresa de seguros para cuantificar el grado de confiabilidad sobre los partes de un cliente, pero se necesita una regla del tipo “Si el grado de confiabilidad del cliente es> 9,5 y el monto del parte es <$ 500, entonces emitir la aprobación”.

Optimización

La optimización es especialmente importante en el entorno empresarial actual. Y las empresas deben de utilizar la predicción de métricas y resultados para generar datos que les ayuden en su toma de decisiones.

Simulación

Cuando utilizamos un software de simulación el programa introduce unos valores de entrada generados de forma aleatoria y nos devuelve unos resultados después de múltiples ensayos. Este mismo concepto se puede utilizar para simular el efecto de un servicio de decisión propuesto antes de que entre en funcionamiento y para estimar los resultados de decisión alternativos.

Representación del conocimiento

El conocimiento es un conjunto integrado por información, reglas, experiencia, interpretaciones, relaciones, y conexiones en un contexto y en una organización, que constituyen la base para la acción y toma de decisiones

Y la representación del conocimiento y el razonamiento es un área de la inteligencia artificial que aprovecha técnicas como los gráficos de conocimiento o las redes semánticas para permitir análisis descriptivos, de diagnóstico, predictivos o prescriptivos.

Es decir, con un gráfico de conocimiento se organiza la información almacenada para hacerla accesible y útil.

En un modelo de gestión de decisiones los gráficos de conocimiento se utilizan para mapear las entidades del modelo de decisión, y el recorrido de los gráficos se utiliza para modelar el proceso de decisión.