Alberto Rozenfarb Universidad Abierta Interamericana, Centro de Altos Estudios en Tecnologa Informtica (CAETI) Argentina Alberto.Rozenfarb@vaneduc.edu.ar Resumen. La toma de decisiones es un proceso de resultado es incierto. Obviamente, cualquier organizacin desea que sus deci- siones sean racionalmente buenas y exitosas. Poder recortar la realidad en la que la decisin est inserta y plantear un modelo es- pecfico para representarla, estudiarla, y an mejorarla, es obtener una poderosa herramienta de gestin. Modelar permite comprender anticipadamente el posible impacto de una alternativa reduciendo sus riesgos. Siempre es imprescindible contar con informacin abundante y calificada, para comprender la diferencia entre sus po- sibles alternativas. Se describen diferentes modelos de toma de decisiones. El Business Intelligence integra diversas fuentes de informacin. Su estructuracin enriquece y completa cualquier mo- delo usado para decidir. Este trabajo propone profundizar la liga- zn entre BI con el proceso de decisiones sugiriendo describiendo mtodos de modelizacin tradicionales y proponiendo nuevos crite- rios que mejorarn la calidad del proceso decisorio.
Abstract. The process of decision making has uncertain results. Naturally, each organization wishes that decision will be the best, rationally speaking, and successful. Cutting the reality where decision is involved and defining a specific model that represent it, allow to study it and perhaps make it better, obtaining a powerful management tool. Modeling means a better understanding of the impact of a chosen alternative in advance, re- ducing its risks. It is essential that plentiful and highly qualified in- formation should be available with the propose of understanding the difference among alternatives. Several models for decision making have been described. Business Intelligence integrates different in- formation sources. Its integrative structure enriches and complete every model used to decide. Our proposal is to deep the connection between BI with decision making process suggesting traditional methods of modeling and proposing new judgment that will improve de quality of decision making process. Palabras Clave: Business Intelligence, Decisiones, datawarehou- se, agentes. 1 Introduccin Los congresos o simposios dedicados al Business Intelligence (en adelante BI) a los que asistimos son generalmente de carcter comercial. All escuchamos repetidamente: el BI es una herramien- ta de apoyo a la toma de decisiones. Por otro lado, en las investigaciones aplicadas al proceso de to- ma de decisiones, se reitera la sistemtica dificultad de contar con informacin confiable y disponible en el momento de la decisin. Estas disciplinas se conocen entre s? se necesitan? Se estu- dian separadamente sin mencionar su dependencia e influencia mutua, quizs porque el BI tenga un desarrollo ms moderno. En este trabajo intentamos cubrir esta interesante y poco tratada brecha. Nos interesa destacar y explicar los puntos de vinculacin entre ambas disciplinas, en especial aquellos en los que BI respal- da las decisiones y las apuntala con alta disponibilidad de datos. 2 Desarrollo del Trabajo 2.1 Toma de Decisiones La toma de decisiones es un mecanismo tan antiguo como la humanidad misma. Decidir es una actividad humana profunda y rodeada de dificulta- des. Es necesario invertir tiempo, dinero y atencin para poder de- cidir. Ms que una intencin comprende una serie de actividades: pensamientos, evaluaciones, acciones previas y su implementa- cin. Es una eleccin enfrentando la incertidumbre [11]. Las primeras decisiones del hombre dependan de la esperanza, y la adivinanza. Sus modelos explicaban las formas de humos, interpretaban los sueos, acudan al orculo. Recin en 1654 Pas- cal y Fermat desarrollan el concepto de clculo probabilstico para seleccionar chances de un evento [02]. Su sistematizacin permiti al decisor profundizar en la adquisi- cin de conocimientos especficos en cada dominio de aplicacin, pues requiere del manejo complejo de la incertidumbre. Participan de dos perfiles: el decisor y el analista o modelador. El analista debe proveer herramientas analticas o modelos que faciliten el vuelco de ideas y relaciones entre los elementos deci- sionales. El decisor debe sentir que el modelo representa sus ideas y requerimientos. Solo una implementacin iterativa e incremental concebir buenos modelos para condicionar buenas decisiones. El proceso se inicia con una primera aproximacin incompleta pe- ro comprensible para ambos. En la medida que se la enriquezca en sucesivas iteraciones, el modelo ser una representacin fidedigna y completa. La participacin activa del decisor acota el proceso de validacin del modelo. Esta colaboracin entre analistas, modeladores y expertos del dominio facilita la temprana deteccin de fallas y/o errores de inter- pretacin o construccin: medida evolucin y crecimiento [08]. El estudio sistemtico de la toma de decisiones proporciona el marco para escoger cursos de accin ante situaciones complejas e inciertas. La eleccin entre acciones posibles y la prediccin de re- sultados esperados resultan del anlisis lgico que se haga del en- torno de decisin. Los modelos sirven entonces, tanto para identifi- car los problemas como para evaluar las soluciones alternativas; en stas, los objetivos del decisor deben expresarse aplicando sus cri- terios y reflejando las relaciones entre componentes del modelo. En los modelos probabilsticos, el decisor est adems preocu- pado por el riesgo que cada decisin acarrea. Nada que hagamos en el presente puede cambiar el pasado, pero s influenciar en los resultados futuros, an con la incertidumbre existente. Los deciso- res son mucho ms cautivados por darle forma al futuro que por la historia pasada. Los datos coleccionados por los sistemas de BI tienden un puen- te al pasado: posibilitan acotar la incertidumbre futura facilitando la deteccin de patrones de datos. Aqu est el vnculo prctico y especfico entre ambas discipli- nas. Se corrobora el conocimiento experimental, facilitando prever el impacto de las decisiones a tomar. Es decir, dan forma al futuro conociendo el pasado. (Ver modelado de Datos 2.3.5). Es popular la frase El camino al xito est pavimentado de bue- na informacin. La informacin es actualmente, el activo ms im- portante, pues el xito de un negocio depende del conocimiento acerca de clientes, los procesos internos y la efectividad de sus operaciones. La mengua en informacin puede transformarse en incertidumbre. Buscndola, el decisor podr encontrar posibles res- puestas a sus requerimientos para estudiar profundamente su im- pacto. (Ver Business Intelligence 2.3.4) 2.2 Modelado Un modelo conceptual implica la captura y representacin de de- terminados elementos esenciales de una realidad considerando determinados objetivos. Describe las relaciones entre dichos ele- mentos considerando los objetivos impuestos. El criterio concep- tual se refiere a las creencias tericas que sostienen las relaciones descriptas por el modelo. Un modelo permite: Especificar el pensamiento del analista sobre eventos especfi- cos; Describir comportamiento propio de cada elemento o depen- diente de otros, basados en los criterios conceptuales; Medir y explicitar la influencia entre elementos (variables inde- pendientes); Especificar un resultado (variable dependiente) que describa la condicin que el analista trata de explicar, predecir o modificar. Un buen modelo conceptual: describe el proyecto en sus diferentes estadios; describe vnculos entre las actividades del modelo y los factores que influyen para alcanzar el objetivo; utiliza arcos generalmente direccionados mostrando cmo un factor conduce a otro o como una actividad influencia a uno o ms factores. Vinculan factores individuales, partiendo de uno inicial y conduciendo a otros a la variable independiente. Estos elementos explican el comportamiento vincular del modelo; muestra las principales restricciones que afectan al proyecto; permite evolucionar el modelo profundizando su conocimiento e incorporando nuevos factores relevantes al avanzar su anlisis; est basado en abundante informacin consolidada. La modelizacin es una abstraccin que depende de la disponibi- lidad de informacin tangible y del conocimiento acerca del compor- tamiento de cada sus eventos. Ver ( Business Intelligence 2.3.4). Debe servir como vaso comunicante entre los participantes del proyecto, tanto los directamente involucrados como los impactados por la realidad modelada [10]. El modelo integra dicha variedad de puntos de vista con diferentes niveles de comprensin, experiencia y objetivos personales: adquiere una representatividad virtuosa. Un buen modelado debe prever todas las fuentes necesarias de informacin con altsima disponibilidad (en cantidad y calidad) pa- ra alimentar cada prueba del modelo. Tal es as que algunos auto- res definen a un modelo conceptual como la coleccin de informa- cin que describe cada elemento del modelo y su comportamiento. Un buen modelo debe considerar: ductilidad para poder modelar problemas complejos; simplicidad de comprensin; escalabilidad para poder incorporar una creciente complejidad; verosimilitud para que sea slido en sucesivas utilizaciones [08].
2.3 Diferentes modelos 2.3.1 Matriz de decisin. La matriz de decisiones sirve para modelar una decisin nica. Las matrices son una til simplificacin y consideran un nico objetivo. Se trabajan los eventos inciertos que la condicionan y los resultados esperados. Es fcil plantear las alternativas obteniendo un modelo de informacin ms realista. Permite mecanismos de depuracin (dominancia), reduciendo el esfuerzo cognoscitivo para abordar la complejidad y la naturaleza de los elementos a estudiar. Las alternativas debern ser mutuamente excluyentes, cubrien- do todas las posibilidades. Son las filas de la matriz. Decidir es ele- gir la alternativa que proponga el mejor rendimiento. En las columnas se define el conjunto de eventos inciertos que conforman el escenario de decisin, asignndoles sus respectivas probabilidades de ocurrencia. La suma de probabilidades debe ser la unidad pues son colectivamente exhaustivas. En cada celda se registra el valor probable del evento (o puntua- cin de ocurrencia). Analizar el rendimiento de cada alternativa es calcular el valor esperado (esperanza matemtica) para seleccionar la ms atrayente o exitosa para el decisor, segn se trate de una funcin a maximizar o minimizar. [09] Pavesi explica que la matriz de decisin expresa primaria- mente, resultados. Es frecuente llamarla matriz de resultados, re- presentando mejor su naturaleza. Es un modelo que obliga a orde- nar la evaluacin de alternativas representado una forma de pensar y de ordenar razonamientos y datos. 2.3.2 rbol de decisiones. Esta modelizacin se usa para representar una serie de decisio- nes secuenciales. Ofrece una mejor visualizacin de una decisin y un mejor tratamiento probabilstico, aunque limitado. Es una re- presentacin cronolgica de todos los elementos de un proceso de decisin. Utiliza una red considerando dos tipos de nodos: 1) los de decisin o eleccin, (cuadrados), y 2) los nodos de estados de la naturaleza o de probabilidad, (crculos). Las alternativas que na- cen de los nodos de decisin deben ser mutuamente excluyentes. Los nodos de probabilidad representan sucesos inciertos y cada posible resultado ser un evento constituido por una rama con su respectiva probabilidad condicionada por los hechos que estn en su trayectoria, desde el origen. Deben ser colectivamente exhausti- vas (suma de probabilidades de eventos de un suceso igual a la unidad). Esta informacin es la clave que determina el valor de las alternativas y la decisin modelada. Estos rboles son tiles para plantear decisiones asimtricas donde dos alternativas diferentes puedan tener eventos diferentes en ambas. Son de fcil control y lectura, aunque imprcticos cuan- do la cantidad de decisiones y alternativas crecen en complejidad. Para el clculo del valor esperado se recorre el rbol, de derecha a izquierda tomando el valor estimado de todos los nodos involucra- dos. El valor de un nodo de eleccin es el valor ms significativo de todos los nodos que le siguen inmediatamente y se asigna al nodo de decisin inicial, en base a los criterios antes expuestos.
Fig. 1. Elementos de una decisin Las ramas salientes de los nodos de decisin representan alter- nativas sin asignarles probabilidades, ya que el decisor tiene certe- zas. Podran mostrarse los diferentes resultados de un evento de azar. En cada nodo se debe calcular un VPN (Valor Presente Neto) esperado. En un nodo evento, el VPN se calcula considerando to- das sus ramas. Si es de decisin, el VPN esperado es el ms signi- ficativo entre sus ramas. Un rbol puede ser podado para analizar diversos subrboles manteniendo vinculacin con el rbol original, para facilitar el anli- sis de diversas alternativas.
Fig. 2. rbol de decisiones restringido 2.3.3 Diagramas de influencia. Un diagrama de influencia sirve para modelar decisiones incier- tas. Muestra ordenadamente el flujo de informacin decisoria mani- festando la dependencia probabilstica entre eventos. Facilita la formulacin de procesos de decisin tal como lo perciben los deci- sores. Refleja fcilmente el conocimiento de los expertos. Es una herramienta autosuficiente y consecuentemente muy po- tente. El anlisis se realiza usando la perspectiva de los responsa- bles sin distraerlos de su principal preocupacin: analizar sus alter- nativas y evaluar la decisin. Cualquier modificacin o ajuste al modelo se puede hacer directamente y fcilmente evaluable. Permite representar el conocimiento: es un novedoso aporte para profundizar el anlisis, comprensin y evaluacin de la incertidum- bre dentro del proceso de decisiones. Sirve como: analizador de la dependencia probabilstica entre eventos incier- tos y la informacin disponible; representa compactamente todos los elementos estructurales del proceso decisorio; identifica las variables "no controlables" (eventos inciertos con distintos grados de probabilidad) y sus interrelaciones; analiza el impacto entre ellas y sobre el resultado final esperado. Los diagramas generan economa pues ocultan en un segundo nivel las alternativas y sucesos para un anlisis ms detallado y fundamentalmente no crecen como los rboles de decisin permi- tiendo una visin ms compacta y globalizadora del anlisis. Es representado por un grafico direccionado donde los nodos se conectan con arcos mostrando las relaciones de causa efecto o re- laciones de definicin. Cada nodo tiene asociado una variable y un conjunto de valores. Utiliza diferentes nodos: de valor representando el objetivo decisorio a lograr; de incertidumbre cuyos posibles valores afectan al nodo conse- cuente explicitando la correlacin semntica entre dichos nodos; de decisin representando las alternativas decisionales. Los arcos condicionales que llegan a un nodo de valor o de incer- tidumbre, representan la relacin condicional y la dependencia de probabilidad respectivamente, pero no implican precedencia de la causalidad o del tiempo. Los arcos informativos que llegan a nodos de decisin represen- tan disponer de la informacin del nodo origen. Si provienen de un nodo de decisin indican que la decisin origen ya fue tomada co- nociendo la alternativa elegida. Est tcnica ensancha las reas de aplicacin pues es una he- rramienta dctil y verstil. Puede ser utilizada por personal no ex- perto en el rea de decisiones. Ejemplos: [04], [03], [05], [13] y [12]. Sugerimos introducirla en carreras de grado, de sistemas como de ingeniera, ciencias econmicas (en general y con aplicaciones a la teora y prctica de decisiones). Su simpleza y potencia permite su aplicacin a temas diversos dejando ms tiempo al anlisis y reflexin sobre la problemtica a modelar.
Fig. 3. Diagrama de Influencia ante igual problema mostrad en Figura 3 2.3.4 Business Intelligence. Actualmente, las organizaciones de mediana complejidad cuen- tan con la posibilidad de acceder con altsima disponibilidad a toda la informacin generada por sus aplicaciones informticas. Ya no hay ms excusas para: datos faltantes; falta de tiempo para analizarlas (la recopilacin es automtica); falta de disponibilidad; informes especficos pedidos al centro de cmputos (la navega- cin es autogestionada). La realidad super la existencia de estos mitos. Una variedad in- finita de datos pueden agregarse a un Datawarehouse: el conocimiento vivencial de los gerentes de lnea, guardado en sus mentes pero nunca registrado como conocimiento.; informacin externa adquirida a empresas recolectoras, incorpo- rando datos propios desconocidos o de la competencia; resultados de componentes del BI: Balanced Scorecard y Data Mining. Los resultados de estas aplicaciones se incorporan al Datawarehouse para control y verificacin de tendencias; RFID (Radio Frequency IDentification) aporta una valiosa infor- macin, particularmente en los cajeros de supermercados. Disponer de informacin minimiza los factores riesgosos, pudien- do simular y cuantificar el impacto de una alternativa (Ver Incerti- dumbre-Anlisis de sensibilidad 2.4). La crisis econmica mundial actual (y las anunciadas) impacta fuertemente en las organizacio- nes imponindoles contar con informacin profunda y de alta dis- ponibilidad para proveer rpidas y precisas respuestas. Es presuntuoso suponer que el BI resuelve este desencuentro, pero construye un puente entre el decisor y la informacin que ne- cesita. 2.3.5 Modelado de datos. Loucoupulos comenta [07]: Los analistas experimentados co- mienzan estableciendo un conjunto de preguntas de contexto pro- cediendo entonces a considerar alternativas. Mucha de la infor- macin contextual depende del conocimiento previo dentro del do- minio de la aplicacin y las analogas que se establecern, estarn basadas en dicho conocimiento. El desarrollo de sistemas de informacin no es simplemente disear estructuras de BBDD y al- goritmos sino comprender las necesidades individuales y generales dentro de la organizacin asegurando que el comportamiento del sistema coincida con ellos. Este alcance describe el horizonte del informtico para el desarrollo de su anlisis. La necesidad existe. Hay que ayudar a resolver el problema del conocimiento. El BI propone un modelo de datos con la posibilidad de una ela- boracin ms profunda. Se podr efectuar cualquier cruce transver- sal de informacin, sin interesar su origen ni ubicacin. Cualquier anlisis con alta probabilidad de reuso podr ser registrada y el sis- tema la mantendr actualizada al incorporar nuevos datos. La intuicin es vital y til cuando se est frente a una amenaza donde es difcil contar con un modelo ajustado [06]. La toma de una decisin, despus de todo, combina informacin sobre probabilida- des de ocurrencia como sobre deseos e intereses. Proponemos una redefinicin del ciclo de vida de una decisin, incluyendo un modelo decisorio y otro de datos que lo alimente.
Fig. 4. Esquema de un modelo integral de toma de decisiones 2.4 Incertidumbre-Anlisis de sensibilidad. El modelo debe mostrarse robusto al someterlo a pruebas, por lo que se podr testearlo modificando alguna de sus variables. El sis- tema deber responder con una vista asociada (Vista: exhibicin de un cruce informativo, que sirve para comparar una determinada visin a travs del tiempo u otra dimensin. Trmino utilizado por el producto O3 de la empresa uruguaya IDEASOFT) que mostrar el impacto del cambio, en las dimensiones involucradas. Este anlisis de sensibilidad guiar la posterior evolucin del mo- delo. Si la respuesta es poco sensible al cambio, no se requiere refinarlo. La importancia de un modelo es cuando describe detalla- damente aquellos aspectos del problema que impactan en las deci- siones (Ver Diagramas de Influencia 2.3.3). Si se cuenta adems con un modelo de datos, la incertidumbre disminuir y los costos de obtener informacin perfecta justificarn cualquier investigacin (Ver Figura 1). Los modelos probabilsticos estn ampliamente basados en apli- caciones estadsticas para la evaluacin de factores incontrolables, evaluando su riesgo: significa estudiar los posibles resultados de las decisiones y sus probabilidades de ocurrencia. Y esta posibili- dad permite o facilita la obtencin de poderosos resultados cuyo valor podr entenderse con la siguiente parbola: En un diario viejo el valor de su informacin es nulo; El costo de un diario emitido haoy, es el valor del precio de tapa; si tuviese fecha anticipada, las noticias seran premonitorias y su valor sera inconmensurable. De all la importancia de predecir resultados de una decisin con la mayor precisin y por ende la de disponer de datos y detectar sus patrones de comportamiento. 3 El futuro de Business Intelligence El 14 de Abril de 2003 Mitch Betts publica [01] un reportaje a dife- rentes actores del campo del BI. Extraemos dos frases que enten- demos justifican nuestras propuestas. En el futuro desaparecern del lxico corporativo trminos como BI y Data Mining. Sern reemplazadas por acciones de negocio disparadas automticamente por sistemas basados en anlisis pre- dictivo. Estas tecnologas sern aplicadas por todos los niveles de usuarios, desde el CEO que administra el riesgo empresario hasta los recursos humanos profesionales Colin Shearer, vicepresidente de customer analytics, SPSS Inc., Chicago Los usuarios demandarn mayor integracin entre nmeros y comentarios. Al mismo tiempo, todas las aplicaciones de BI inclui- rn administracin de contenidos y herramientas de administracin del conocimiento -- Brian Hartlen, vicepresidente senior de Comshare Inc., Ann Arbor, Mich. 4 Inteligencia Artificial La Inteligencia Artificial es una disciplina que se encarga de cons- truir procesos basados en una secuencia de entradas percibidas y almacenando dicho conocimiento en su arquitectura, produciendo acciones o resultados al maximizar una medida de rendimiento. Construir un agente computacional es desarrollar agentes no vi- vos que reciben percepciones de su entorno y responden con ac- ciones. Proponemos incorporar un agente computacional [06] a un sistema de BI. Registrar percepciones de su entorno y responder con acciones. Tendr controles que: perciban su entorno, y persistan durante un perodo de tiempo prolongado, se adapten a los cambios, ser racionales al actuar para alcanzar el mejor resultado o, en caso de incertidumbre, obtener el mejor resultado esperado considerando sus objetivos prefijados. Los agentes racionales emprendern acciones racionales. Por lo tanto, es necesario tener capacidad para representar el conoci- miento y razonar basndonos en l, permitiendo alcanzar decisio- nes correctas en una amplia gama de situaciones.
Fig. 5. Estructura de un agente El trmino percepcin indica que el agente recibe entradas per- manentemente. La secuencia de percepciones refleja el historial completo de lo percibido. El agente propuesto tomar una decisin en base a las percepciones percibidas. Se puede expresar que el agente acciona (programa) o se comporta en base a la funcin de proyeccin del agente sobre una percepcin dada. El software permitir que las percepciones de los sensores estn disponibles para el programa encargndose de que los actuadores ejecuten las acciones correspondientes. La recopilacin de informacin consiste en acciones ejecutadas con la intencin de modificar percepciones futuras para nutrir a las futuras decisiones de racionalidad. Entonces el agente racional no slo recopila informacin, sino que aprende lo mximo posible de lo que est percibiendo. El agente debe ser autnomo requiriendo la necesidad de definirle cmo tiene que compensar el conocimiento inicial incompleto o parcial. 5 Resultados: Propuesta de Modelacin de las decisiones. Hablar de madurez de datos es hablar de una madurez conjunta de datos y decisor: es construir conocimiento a partir de datos crudos. Ser el resultado de un proceso evolutivo y el BI lo pondr al servicio del decisor. Proponemos introducir un nuevo dominio de modelizacin: las decisiones. El decisor deber poder expresar su conocimiento mediante un conjunto de reglas definidas sobre datos o patrones de datos. Di- chos patrones podrn calcularse usando las reglas mencionadas estandarizando su interpretacin y representndolas por el BI. Con esta maduracin del DW deber apuntar a tres reas: anlisis de sensibilidad; toma de decisiones; validacin de reglas de negocio considerando los resultados de una decisin, como feedback al proceso decisorio. Las herramientas BI actuales podrn materializar esta propuesta con servicios ya vigentes. Muchos sistemas BI tienen incorporado el concepto de reglas. (Regla: concepto utilizado en el producto O3 de la empresa uruguaya IDEASOFT que permite registrar un resultado considerado como estndar. Con cada actualizacin del DW se verificar el cumplimiento de las reglas, avisando dinmicamente a los interesados el control de estndares, entender las causas del incumplimiento y poder tomar las medidas correctivas correspondientes). Es una relacin determinada entre los datos, correspondiente a un recorte determinado, en un perodo prefijado y con determinadas unidades de medida. Las decisiones pueden considerarse como una caja negra, sin conocimiento detallado sobre sus procesos internos. Esta caja re- cibe informacin y genera decisiones. La toma de decisiones, por sus dificultades y requerimientos de- bera estudiarse como un proceso con mecanismos sistmico. Indagar sobre mejores procedimientos, no garantiza buenas de- cisiones, pero abre rumbos para que tiendan a concretarlas. Contar con datos maduros, es condicin necesaria para poder tomar deci- siones. El agente propuesto debera: medir el funcionamiento del negocio en base a datos histricos; tener capacidades predictivas para apoyar decisiones dinmi- cas; sugerir escenarios posibles o alternativas decisionales. Debera responder a estos interrogantes: cmo automatizamos tareas comunes a varios anlisis (reuso)? cmo aseguramos anlisis consistentes? cmo capturamos y reutilizamos conocimiento experto? cmo conseguimos herramientas adecuadas para una rpida adaptacin de nuevos actores? El agente propuesto deber poder analizar datos con diferentes taxonomas, descubrir patrones o detectar la correlacin entre eventos y sus correspondientes implicaciones. Deber considerar: automatizar las alarmas, generar algn grado de automatizacin en el proceso ntimo de las decisiones (seleccin de la alternativa ms racional). La accin humana se reducir sensiblemente (evitando errores naturales), automatizando la carga como el proceso de la deci- sin.Un BI integrado con el agente influenciar ciertamente en las decisiones pues presentar informacin relevante y sugerir accio- nes al usuario. 6 Recomendaciones: Modelar decisiones Proponemos integrar agentes al BI para el tratamiento de deci- siones. Objetivos buscados: deteccin de patrones de datos; elaboracin de alternativas de decisin en base a percepciones; eleccin de la alternativa ms conveniente; autnomos; determinen cmo compensar el conocimiento incompleto o par- cial, requiriendo datos complementarios al usuario; marquen la diferencia entre la tendencia evolutiva del patrn detectado y del resultado de la decisin tomada. 7 Referencias [01] Betts M - The Future of Business Intelligence-Computerworld- http://www.computerworld.com/s/article/print/80243/The_future_of_business_intel ligence [02] Buchanan L., OConnell (January 2006) A. A BRIEF HISTORY OF DECISION MAKING Hardward Business Review pag 32-39 [03] Demirer R. Shenoy P P. 1999-Febrary) SEQUENTIAL VALUATION NETWORKS AND ASYMMETRIC DECISION PROBLEMS (University of Kan- sas School of Business Summerfield Hall, Lawrence, KS 66045-2003 USA [04] Fariborz Nadi, Alice M. Agogino, and David A. Hodges, Fellow, (FEBRUARY 1991) Use of Influence Diagrams and Neural Networks in Modeling Semiconductor Manufacturing Processes IEEE TRANSACTIONS ON SEMICONDUCTOR MANUFACTURING, VOL 4, NO I , [05] Froduald K.Bisson G Clinical Reasoning Automata for Simulated Patients [06] Keeney RL. (1992) VALUE-FOCUSED THINKING. Harvard University Press: Cambridge, MA [07] Loucopoulos P. y Karakostas V. (1995)SYSTEM REQUIREMENTS ENGINEERING McGraw-Hill International seri.in Software Engineering ISBN 0- 07-7078438 [08] Onggo B.TOWARDS (2008) A UNIFIED CONCEPTUAL MODEL REPRESENTATION : A CASE STUDY IN HEALTHCARE Lancaster University Management School UK Journal of Simulation (2009) 3 pag 40-49 [09] Pavesi P (2004) LA DECISION SU TEORIA Y PRACTICA APLICACIONES CONCEPTUALES.Editorial Norma [10] Pidd M. (1994) AN INTRODUCTION TO COMPUTER SlMULATlON Pro- ceedings of the 1994 Wider Simulation Conference ed. J. Tew, S. Manivannan, D. Sadowski, and A.Seila The Management School Lancaster University UK [11] Shackle G. (1966) DECISION, ORDEN Y TIEMPO Estructura y Funcin Editorial Tecnos S.A. Madrid [12] TWYMAN H.-KAY A. (2000) INFLUENCE DIAGRAMS FOR REPRESENTING UNCERTAINTY IN CLIMATE-RELATED PROPOSITIONS - Department of Civil Engineering, University of Bristol, UK and Centre for Ecology and Hydrology, Wallingford, Oxfordshire, OX10 8BB, UK [13] Clinical Reasoning Automata for Simulated Patients - Froduald Kabanza1 and Guy Bisson2 (2005) University of Sherbrooke Sherbrooke, Qubec J1K2R1, Canada Department of Computer Science and Faculty of Medicine