Revista Internacional de Sistemas de Gestin e Informacin - 2009 Volumen 13, Nmero 2

Analtica del producto basado en La democratizacin de Demografa

Harry Katzan, Jr., Savannah State University, EE.UU.
William A. Dowling, Savannah State University, EE.UU.
F. Ruth Smith, Savannah State University, EE.UU.
Paul D. Torres, Savannah State University, EE.UU.
ABSTRACTO
Anlisis de producto es una mezcla de mtodos computacionales con el expreso propsito de
facilitar el proceso multifactico de la toma de decisiones sobre la base de las preferencias
demogrficas y de consumo. Este tema complejo se deriva de la teora de consenso e incluye
analticas estructuradas, categoras, y la combinacin de pruebas. La metodologa es aplicable a una
amplia gama de negocios, econmica, social, poltica, y las decisiones estratgicas. En el documento
se describe una aplicacin de asignacin de productos para demostrar los conceptos.
Palabras clave: anlisis categrico, la democratizacin, la teora de consenso, la incertidumbre, la
evidencia, la regla de Dempster, de anlisis, las categoras, la teora Dempster-Shafer
INTRODUCCIN
Que la eficacia de las decisiones que se toman en condiciones de incertidumbre sobre la asignacin
y seleccin del producto depende de dos conceptos importantes: la representacin del dominio del
problema y de la integridad del espacio de soluciones. Una categora es una forma de representar el
dominio del problema para que la informacin estructural relevante, basada en la demografa y las
preferencias del consumidor, puede ser determinado, lo que resulta en una mejor toma de
decisiones. Un marco de discernimiento (Shafer, 1976; Katzan 1992, 2006, 2008) es un conjunto de
posibilidades mutuamente excluyentes y colectivamente exhaustivas para el espacio de soluciones.
Vamos a aplicar la analtica para la tarea de determinacin del producto como un medio para
reducir el riesgo inherente a los mtodos estadsticos convencionales.
Demografa y Preferencias
La seleccin de una mezcla de productos en base a las preferencias del cliente es una tarea
sumamente compleja, debido a la combinatoria de las variables independientes. En un proceso de
seleccin del automvil, por ejemplo, el nmero de categoras de consumo, tales como el gnero, la
edad, y la educacin, es razonablemente grande, y los elementos estructurales dentro de cada
categora son suficientes para producir un gran nmero de combinaciones numerosas. Con las
siguientes categoras, por ejemplo:
C = {gnero, la edad, la educacin}
Sexo = {masculina, femenina}
Edad = {<= 25, 26-55,> = 56}

Revista Internacional de Sistemas de Gestin e Informacin - 2009 Volumen 13, Nmero 2

Educacin = {ninguno, al que asistieron, graduado}

El nmero de combinaciones de elementos estructurales es 2 3 3 o 18. En un conjunto tpico de
ocho categoras demogrficas, el nmero de combinaciones es considerablemente mayor que 28.
Se propone una metodologa basada en la analtica categrica y el uso de la teora de consenso
(Katzan 2006) para combinar la informacin. Los pasos que componen la analtica de productos son:
1. Calcule alternativas analticas para cada categora en funcin de los datos histricos. Con los
productos A y B para la categora de gnero el proceso podra ceder los datos siguiente fragmento:
Categora estructural elemento estructural Probabilidad Preferencia A Preferencia B
El sexo masculino 0,4 0,7 0,3
Gnero hembra 0,6 0,5 0,5
2. Calcular compuestos probabilidades categricas mediante la combinacin de las alternativas de
anlisis con preferencias, como sigue:
Probabilidad de la categora A B Probabilidad
De gnero 0,58 0,42
Donde el valor se calcula como 0,58 0,4 0,7 + 0,6 x 0,5, y el valor se calcula como 0,42 0,4 0,3 +
0,6 0,5.
3. Combinar el conjunto resultante de probabilidades categricas compuestos, tales como
Probabilidad de la categora A B Probabilidad
De gnero 0,58 0,42
0,44 0,56 aos
Educacin 0,46 0,54
Utilizando la teora de consenso produciendo un conjunto de probabilidades para el conjunto
solucin de la que un tomador de decisiones puede establecer una combinacin de productos en
base a probabilidades posteriores relativas al cliente es ms probable que la compra.
Llamamos a este proceso de la democratizacin de la oferta de productos en base a los datos de
preferencia, porque los clientes anteriores estn votando esencialmente los productos que puede
ofrecer.

Categora
Una categora es un medio de estructurar un dominio del problema, con el objetivo de participar en
una modalidad de prediccin en la que pueden ser identificados y analizados uno o ms estados

Revista Internacional de Sistemas de Gestin e Informacin - 2009 Volumen 13, Nmero 2

futuros. Vamos Ci ser una de las categoras utilizadas para estratificar el dominio del problema de
tal manera que la coleccin
C = {C1, C2,..., Cn}
Representa una conceptualizacin completa de la dinmica bajo investigacin y n es el nmero de
categoras.
Asociado con cada categora es un conjunto de probabilidades que representan una evaluacin de
un resultado futuro sobre la base de su imperativo categrico subyacente. Por lo tanto, una
categora es un mecanismo para aislar una nica visin del problema en cuestin. La definicin
ontolgica de una categora, como una entidad conceptual sin atributos en comn con otras
categoras, se adopta en el presente documento. El conjunto de posibilidades mutuamente
excluyentes bajo investigacin se conoce como el marco de discernimiento. Se cubre a
continuacin, seguido por una presentacin de un enfoque para el anlisis estructural de categoras.
Por ltimo, una aplicacin de seleccin de producto se utiliza como un ejemplo demostrativo que
da una idea de cmo los mtodos se pueden aplicar a otros problemas.
Marco de discernimiento
Un marco de discernimiento es un medio de representar las posibilidades de que se trate, como en
los siguientes ejemplos:
P = {sedan, carro, automvil descubierto}
E = {acciones, bonos, oro}
Claramente, los elementos en un marco de discernimiento son, de hecho, las proposiciones que
pueden ser interpretadas como acontecimientos o estados. Por lo tanto, si el componente del
sistema SI S sobre dominio V se asociaron con el smbolo "sedn", entonces ese estado es
Revista Internacional de Sistemas de Gestin e Informacin - 2009 Volumen 13, Nmero 2
3
Equivalente a la proposicin, "El verdadero valor de V para el componente si es el sedn", o en el
lenguaje ordinario, "si prefiere sedn."
En consecuencia, el conjunto S de las proposiciones de Si,
S = {S1, S2,..., Sn}
Representa la coleccin de estados de un sistema bajo anlisis. Es evidente que, en un acuerdo
sobre el punto en el tiempo, una proposicin es verdadera y las dems son falsas.
Incertidumbre
Antes de la fecha acordada (), es evidente que no sabemos el estado del sistema bajo
anlisis o sus componentes con algn grado de certeza. La expectativa de que una
parte del sistema estar en un estado en particular en el tiempo p (Si) asociado con
cada una de las proposiciones de la trama S = {Si}, i = 1,2,..., n, tal que

Revista Internacional de Sistemas de Gestin e Informacin - 2009 Volumen 13, Nmero 2

0<p(Si)<1
and
n p(Si)<1
i=1

Esto es simplemente la regla de la suma de eventos mutuamente excluyentes.

La teora del consenso

La teora de consenso es una metodologa para la combinacin de pruebas basado en la teora
Dempster-Shafer (Shafer, 1976; Katzan 1992, 2006) y la combinacin matemtica de las pruebas
(Dempster 1967). La teora Dempster-Shafer ha mandado una considerable cantidad de atencin en
los crculos cientficos y comerciales, ya que permite a una fuente de conocimiento para asignar un
valor numrico a una proposicin de un espacio del problema y proporciona un medio para que las
medidas concedidas a las fuentes de conocimiento independiente que se conjunto. Teora
Dempster-Shafer es atractiva porque en conflicto, as como de confirmacin, los datos de mltiples
fuentes se pueden combinar.
La base de la teora DempsterDe acuerdo con ello, una fuente de conocimiento puede asignar una medida numrica a un
proposicin correspondiente. En la mayora de los casos, la medida numrica ser una asignacin
bsica probabilidad. Una medida de la creencia tambin pued
Funciones de apoyo
Por ejemplo, dada la estructura:

El conjunto de alimentacin est delimitada como sigue:

{A, b}, {a, c}, {b, c},

{A B C}}
En teora Dempster-Shafer, una fuente de conocimiento reparte una unidad de creencia a un
masa comprometido a una
proposicin y representa un juicio en cuanto a la fuerza de la evidencia
Revista Internacional de Sistemas de Gestin e Informacin - 2009 Volumen 13, Nmero 2
4
El apoyo a esta proposicin. Cuando se ve de esta manera, la evidencia se centra en el conjunto
correspondiente a una proposicin; este conjunto se denomina conjunto focal.

Revista Internacional de Sistemas de Gestin e Informacin - 2009 Volumen 13, Nmero 2

intervalo [0,1]. Teniendo en cuenta un marco de discern

una funcin de soporte de la siguiente manera:

[0,1], se define

La unidad de apoyo m se llama una asignacin de probabilidad bsica, que es asignado por el
ingeniero del conocimiento o especialista dominio.
Una funcin de soporte se llama una funcin de soporte sencilla si refleja, a lo sumo, un grupo focal
l
A, como sigue:
M
M

-m (A)

M
La unidad de apoyo simple para un conjunto focal Un asigna una porcin del total creencia
precisamente a A y no a sus subconjuntos o sper conjuntos. El resto de la creencia se asign
-m (A).
Es posible que un cuerpo de conocimiento o evidencia apoya ms de una proposicin, como en el
siguiente caso. Si

A = {a, b} Y B = {a, c, d}
A continuacin, la evidencia apoya dos conjuntos de coordinacin, que en el ejemplo, son A y B. Si
llama una funcin de soporte separable. Funciones de apoyo separables se generan normalmente
cuando se combinan las funciones de apoyo simples.
La idea de combinar las funciones de apoyo simples es un enfoque prctico para la valoracin de la
prueba. Un analista obtiene informacin de una fuente de conocimiento, y que conduce a una
conclusin inmediata - no con certeza, pero con un cierto nivel de creencia. Este es un medio
directo de manejo de los asuntos humanos, y es precisamente lo que hace la gente. Cuando la
informacin adicional entra en juego, los diversos elementos de prueba se combinan para obtener
una imagen compuesta de la situacin.
Combinacin de Evidencia
Un mtodo de pruebas de combinacin se conoce como la regla de Dempster de combinacin
(Dempster 1967). Evidencia normalmente combinarse cuando se obtiene a partir de dos
observaciones diferentes, cada uno en el mismo marco de discernimiento. La regla de combinacin
calcula una nueva funcin de apoyo que refleja el consenso de las pruebas combinadas.
2 considerando todos

Revista Internacional de Sistemas de Gestin e Informacin - 2009 Volumen 13, Nmero 2

(Y) es la interseccin de conjuntos de X e Y en combinacin con el producto de las probabilidades

correspondientes.
Por ejemplo, considere el marco de discernimiento

y vistas A y B, basadas en la observacin de dos diferentes en el mismo perodo:

X = {{} sana, 0,6}, {{} pruebas, 0,3}, {{} enferma, 0.1}}
Y = {{} sana, 0,4}, {{} pruebas, 0,4}, {{} enferma, 0.2}}
Las entradas se combinan como sigue usando la regla de combinacin de Dempster:

El denominador refleja un proceso de normalizacin para asegurar que los valores combinados
suman 1. Por lo tanto, en este caso, el proceso de normalizacin se obtiene la combinacin
Y = {{} sana, 0,63}, {{} pruebas, 0,32}, {{} enferma, 0,05}}
Despus de la normalizacin dividiendo la evaluacin combinada de (1-0,62) o 0,38. Debido a que el
problema est bien estructurado, la representacin se puede simplificar
, 0.32, 0.05
Para las vistas A = {A1, A2, ..., An} y B = {B1, B2, ..., Bn}, la regla de combinacin se puede simplificar

Norte
Donde
i=1
Nos referiremos a [1] ecuacin como la regla de simplificacin. Un ejemplo de los conceptos
anteriores se demuestra a travs de la provocacin de la opinin de expertos.
Desencadenamiento de Experto Opinin
Por lo general, los expertos no estn de acuerdo, sobre todo cuando se refiere a las deficiencias del
sistema. Un ejemplo tpico podra ser el accidente de un avin de combate caro o el colapso de un

Revista Internacional de Sistemas de Gestin e Informacin - 2009 Volumen 13, Nmero 2

edificio. Considere una situacin donde el marco de discernimiento es {A, B, C} que denota que el
fallo podra ser causada por el Componente A, Componente B, o C. Componente
Expertos # 1 cree que el fallo es debido al componente A con una probabilidad de 0,75, el
componente B con una probabilidad de 0,15, o un componente C con una probabilidad de 0,10.
Experto # 2 cree que el fallo es debido al componente A con una probabilidad de 0,30, el
componente B con una probabilidad de 0,20, o un componente C con una probabilidad de 0,50. Las
funciones de apoyo son:
Expertos # 1 = {{{A}, 0,75}, {{B}, 0,15}, {{C}, 0.10}} = {0,75, 0,15, 0,10}
Experto # 2 = {{{A}, 0,30}, {{B}, 0,20}, {{C}, 0.50}} = {0,30, 0,20, 0,50}
La Tabla 1 resume la aplicacin de la regla de simplificacin a este problema. La opinin de los
expertos se resume y refleja las opiniones diferentes.
Tabla 1: Obtencin de Experto Opinin
Funcin de Apoyo de entropa asignacin de probabilidad
Expertos # 1 (= X) {0,75, 0,15, 0,10} 1,05
Experto # 2 (= S) {0,30, 0,20, 0,50} 1,49
X Y {0,738, 0,098, 0,164 1,08}
La fuerte opinin de expertos # 1 en favor del componente A, que se refleja en la baja entropa
(Theil 1967), tiene una gran influencia en el consenso.
ANLISIS ESTRUCTURALES
Un dominio del problema se compone de categoras, cada una de las cuales est definida por un
conjunto de estructuras alternativas. En un ejemplo de producto, por ejemplo, la categora de
gnero se podra definir como
Sexo = {masculina, femenina}
Sobre la base de una evaluacin estructural, como la demografa. En este caso, la categora de
gnero es uno de los muchos puntos de vista de una situacin de decisin subyacente, que podra
ser un voto en una eleccin o una posicin sobre un tema importante. Vamos a argumentar que en
muchos problemas de toma de decisiones no estructuradas, el resultado probabilstico puede
basarse en elementos estructurales preferenciales, en lugar de,. Lo que hace que una decisin no
estructurada tan complejo es que por lo general hay varias categoras "tirn en el que toma las
decisiones." Vamos a mostrar cmo las evaluaciones categricas se pueden combinar para formar
un compuesto de la evaluacin de una decisin en consideracin. A travs de la tcnica conocida
como anlisis estructural, vamos a asignar probabilidades a los elementos del marco de
discernimiento de una categora determinada, y luego utilizar la teora de consenso para combinar
las probabilidades de las distintas categoras. Por ejemplo, una eleccin basada en el gnero podra
ir en una direccin y una seleccin basada en la edad podra ir por otro camino. Una evaluacin
realista implicara la combinacin de los dos factores.

Revista Internacional de Sistemas de Gestin e Informacin - 2009 Volumen 13, Nmero 2

Elementos estructurales
Cada categora Ci se compone de un conjunto de elementos estructurales Si = {Si1, Si2, Si3, ..., Sik},
donde k es el nmero de elementos estructurales en la categora Ci. Considere el universo dado
previamente definido como:
C = {C1, C2, C3} = {gnero, la edad, la educacin}, donde
S1 = {gnero = macho, hembra}, y
S2 = edad = {<= 25, 26-55,> = 56}
S3 = educacin = {ninguno, al que asistieron, graduado}
Donde S1, S2, y S3 se definen respectivamente como
S11 S21 = hombre = <= 25 = ninguno S31
S12 = mujer S22 = S32 = 26-55 asisti
Y k = 2 S23 => = 56 S33 = grado
Yk=3yk=3
Cada dominio del problema est representado por un conjunto de categoras, cada una de las
cuales es una lente especial en el problema subyacente. Cada categora se define como un conjunto
de componentes estructurales que la definen. La demografa categricas en una eleccin, por
ejemplo, podran ser parte, el gnero, la edad, y as sucesivamente. En el ejemplo inmediato, las
categoras son el sexo, la edad y la educacin.
Las probabilidades estructurales
Cada elemento estructural tiene una probabilidad demogrfica p (Sij)
K Donde p (Sij) = 1 para la categora I y J elemento estructural en la categora i
j=1
Y k es la carnalidad de S. En consecuencia, para la categora Ci y su estructura de Si, el conjunto de
probabilidad se expresa como:
Pi = {p (Si1), p (Si2),..., p (Sik)}
Por ejemplo, la probabilidad establecido para la categora # 1 (gnero), podra ser
P1 = {0,4, 0,6}
Que representa masculino y femenino, respectivamente. Cada Pi representa la "probabilidad de
ocurrencia" en el universo de estudio de los elementos estructurales de la categora i. Esta es la
informacin demogrfica.
Las alternativas analticas

Revista Internacional de Sistemas de Gestin e Informacin - 2009 Volumen 13, Nmero 2

En esta forma de anlisis, cada categora Ci tiene una probabilidad asociada establecer Pi. Cada
elemento estructural tiene una probabilidad de p correspondiente (Sij) en Pi. Esa probabilidad
representa la probabilidad de que un objeto seleccionado al azar de la categora Ci sera Sij. Otra
interpretacin es que un valor de Pi da la proporcin del elemento estructural correspondiente en
Ci. La Tabla 2 muestra otro ejemplo:
Tabla 2: Alternativas Analtica

Las probabilidades estructurales, considerado alternativamente como proporciones estructurales,

dan un medio de describir el entorno en que una decisin ha de tener lugar. En un anlisis del
producto, el medio ambiente sera la demografa de los consumidores.
Establecer nivel de preferencia
Cada elemento estructural se le asigna un conjunto de preferencias sobre el marco de
discernimiento de una fuente de conocimiento, tales como una encuesta, encuesta, o datos
estadsticos. Las probabilidades en el conjunto de preferencias son las variables de decisin. Por
ejemplo, podramos saber que persona de sexo masculino prefiere un producto con una
probabilidad de 0,7 y el producto B con una probabilidad de 0,3. El conjunto {0,7, 0,3} se conoce
como el conjunto de preferencias.
Revista Internacional de Sistemas de Gestin e Informacin - 2009 Volumen 13, Nmero 2
8
Por lo tanto, para cada elemento estructural Sij para todas las categoras, existe un conjunto de
preferencias
Ps (Sij) = {pij (1), pij (2), ..., pij (t)}, donde t es la cardinalidad del marco de discernimiento,
Y
k = {1, 2, ..., t}

k=1
Las probabilidades compuestas

Revista Internacional de Sistemas de Gestin e Informacin - 2009 Volumen 13, Nmero 2

Probabilidades categricas compuesto para cada elemento en el marco de discernimiento se

calculan mediante la combinacin de las probabilidades estructurales y conjunto de preferencias
correspondiente como sigue:
P (it) = ((p (Sij) ps (Sij)) [2]
j=1
Donde el ndice i se ejecuta a travs de las categoras y el ndice t corre a travs de las alternativas
en el marco de discernimiento.
Las probabilidades categricas
Las probabilidades compuestos representan una suma de la preferencia para cada elemento del
marco de discernimiento para cada categora. El resultado es una serie de evaluaciones categricas
independientes del dominio del problema desde diferentes puntos de vista representados como
probabilidades, como sigue:
Ci = {P (i1), P (i2), ..., P (it)}
Donde t es la carnalidad del marco de discernimiento, como se define anteriormente. Utilizando la
regla de simplificacin [1], se deriva una evaluacin combinada de categoras Ci y Cj de la forma

As que si
C1 = {0,54, 0,46 y C2} = {0,58, 0,42}
Entonces

La evidencia es complementaria, y este hecho se refleja en la evaluacin combinada.

ASIGNACIN DE PRODUCTOS DE SOLICITUD
Una de las aplicaciones de decisiones no estructuradas ms familiares es la evaluacin previa de los
productos que los clientes van a comprar. Los principales factores determinantes de lo que la gente
va a comprar productos se pueden combinar en cuatro categoras conocidas: gnero, edad,
educacin y raza. Los elementos estructurales de cada una de las categoras se dan en la Hoja 1,
junto con las respectivas probabilidades estructurales. Las columnas se titulan "Demografa". Para el
Revista Internacional de Sistemas de Gestin e Informacin - 2009 Volumen 13, Nmero 29
Categora de gnero, el elemento macho estructural tiene una probabilidad (o la proporcin), por
ejemplo, de 0,4. Asociado con cada elemento estructural es un conjunto de preferencias para ese
elemento sobre el marco de discernimiento, que es {A, B}. En este caso, una persona en el gnero /
macho, elegira el producto A con una probabilidad de 0,7 y B con una probabilidad de 0,3.
probabilidades categricas se calculan como un conjunto de probabilidades compuestas utilizando
la ecuacin [2], como se muestra en la Hoja 2, lo que da funciones de hoja de clculo que calculan

Revista Internacional de Sistemas de Gestin e Informacin - 2009 Volumen 13, Nmero 2

los respectivos elementos probabilsticos en el conjunto de Probabilidad de la categora. Hoja 1 da

las probabilidades calculadas para este ejemplo en la seccin "categricas probabilidades".
Por ltimo, las probabilidades de consenso se calculan utilizando la regla de simplificacin (ecuacin
[1]) en la seccin "consenso" de la hoja 2. Los resultados de los clculos reales se dan en la seccin
de "consenso" de la hoja 1. Las probabilidades se combinan de de arriba hacia abajo, comenzando
con la categora de gnero y terminando con la raza.
Los resultados son ms sensibles a los datos demogrficos de lo que son a las preferencias, como se
evidencia a travs de la experimentacin con la instalacin de la hoja de clculo nuevo clculo.

RESUMEN
Una mezcla de mtodos se ha dado a estructurar un dominio del problema en categoras y calcular
probabilidades categricas de elementos de estructuras y conjuntos de preferencias. Las
probabilidades categricas se combinan a continuacin, utilizando la regla de combinacin de
Dempster para obtener una evaluacin compuesta del paisaje decisin. Se da una aplicacin de
asignacin de productos demostrativo. Una organizacin de ventas debe hacer una evaluacin de
los productos de la accin, y anlisis de productos proporciona una metodologa de formalizar el
proceso de seleccin. Los mtodos se pueden aplicar a las caractersticas del producto, as como a
los productos.

Biografas de los autores

Drs. Katzan, Dowling, Smith, y Torres estn en la facultad de la Escuela de Administracin de
Empresas en la Universidad Estatal de Savannah, la piedra angular de la investigacin acadmica en
el sureste de los Estados Unidos. Sus disciplinas son los sistemas de informacin, finanzas,
marketing y contabilidad, respectivamente. La informacin sobre sus rganos de trabajo se puede
encontrar en la Web utilizando un motor de bsqueda.

Referencias

Dempster, A. P. 1967, "superior e inferior probabilidades inducidas por un Mapeo de varios

valores," Los Anales de Estadstica 28: 325-339.
Katzan, H. 1992, el manejo de la incertidumbre: un enfoque pragmtico, Nueva York: Van
Nostrand Reinhold Co.
Katzan, H. 2006 "consenso", Actas de la Conferencia Nacional de Decisin Science Institute,
San Antonio TX. (Noviembre de 2006).
Katzan, H. 2008 "Analytics categricas basadas en la teora consenso", Journal of Business
and Economics Research, 6 (8): 89-102.
Shafer, G. 1976, una teora matemtica de la evidencia, Princeton, NJ: Princeton University
Press.