TÉCNICAS INTELIGENTES PARA LA GESTIÓN DEL CONOCIMIENTO_Laura

Flowchart nodes

• TÉCNICAS INTELIGENTES PARA LA GESTIÓN DEL CONOCIMIENTO

• La gestión del conocimiento (del inglés Knowledge Management) es un concepto importante y crucial para fortalecer verdaderamente la ventaja competitiva ya que está relacionada con el talento estratégico para conseguir los objetivos del negocio, administrando una infraestructura estratégica de personas, procesos e información para que ese conocimiento compartido apoye en decisiones acertadas y efectivas.

• Diferentes técnicas inteligentes

• Inteligencia Empresarial (BI)

• Es el conjunto de procesos, aplicaciones y tecnologías que facilitan la obtención rápida y sencilla de datos provenientes de los sistemas de gestión empresarial para su análisis e interpretación, de manera que puedan ser aprovechados para la toma de decisiones y se conviertan en conocimiento para los responsables del negocio.

• Las soluciones de BI podrían convertirse en una herramienta esencial para la toma de decisiones y el desarrollo de estrategias. La información resultante se puede utilizar en toda la empresa, desde el marketing y las ventas hasta la cadena de suministro y las finanzas, para tareas como: - Medir los resultados de las campañas de marketing. - Obtener visibilidad de la liquidez, los márgenes brutos y los gastos operativos. - Capturar información sobre empleados y clientes potenciales para optimizar los procesos de RR. HH. y la contratación. - Seguimiento de las tendencias de piezas y materiales y el rendimiento de los proveedores. - Previsión de ingresos y transacciones. - Optimización de los niveles de personal del almacén y el call center. - Obtención de vistas interempresariales. - Detección de nuevas oportunidades y patrones de ingresos.

• Mineria de datos 

• Es el proceso de hallar anomalías, patrones y correlaciones en grandes conjuntos de datos para predecir resultados. Empleando una amplia variedad de técnicas, pudiendo utilizar esta información para incrementar  ingresos, recortar costos, mejorar  relaciones con clientes, reducir riesgos y más.

• Sistemas de Soporte a la Decisión (DSS)

• Son sistemas informáticos interactivos que facilitan a los encargados tomar decisiones utilizando datos y modelos para resolver problemas no estructurados. Los DSS apoyan a la toma de decisiones en base a datos objetivos a nivel gerencial. Ayudan a profundizar  en la información hasta llegar a un alto nivel de detalle, analizando los datos desde diferentes perspectivas, permitiendo realizar proyecciones de información para pronosticar lo que puede ocurrir en el futuro, análisis de tendencias, análisis prospectivo, etc.

•   *   Informes dinámicos, flexibles e interactivos: de manera que el usuario no tenga que ceñirse a los listados predefinidos que se configuraron en el momento de la implantación, y que no siempre responden a sus dudas reales. *   No requiere conocimientos técnicos: Un usuario no técnico puede crear nuevos gráficos e informes y navegar entre ellos, haciendo drag&drop o drill through. Por tanto, para examinar la información disponible o crear nuevas métricas no es imprescindible buscar auxilio en el departamento de informática. *   Rapidez en el tiempo de respuesta: ya que la base de datos subyacente suele ser un datawarehouse corporativo o un datamart, con modelos de datos en estrella o copo de nieve. Este tipo de bases de datos están optimizadas para el análisis de grandes volúmenes de información (vease ánalisis OLTP-OLAP). * Integración entre todos los sistemas/departamentos de la compañía: El proceso de ETL previo a la implantación de un Sistema de Soporte a la Decisión garantiza la calidad y la integración de los datos entre las diferentes unidades de la empresa. Existe lo que se llama: integridad referencial absoluta. *   Cada usuario dispone de información adecuada a su perfil: No se trata de que todo el mundo tenga acceso a toda la información, sino de que tenga acceso a la información que necesita para que su trabajo sea lo más eficiente posible. *   Disponibilidad de información histórica: En estos sistemas está a la orden del día comparar los datos actuales con información de otros períodos históricos de la compañía, con el fin de analizar tendencias, fijar la evolución de parámetros de negocio... etc.

•   - Están diseñados para cubrir las necesidades específicas y particulares de la alta administración de la empresa. - Extraen, filtran, comprimen y dan seguimiento a información crítica del negocio. - Implica que los ejecutivos puedan interactuar en forma directa con el sistema sin el apoyo o auxilio de intermediarios. - Es un sistema desarrollado con altos estándares en sus interfaces hombre- máquina, caracterizado por gráficas de alta calidad, información tabular y en forma de texto. - Pueden acceder a información que se encuentra en línea, extrayéndose en forma directa de las bases de datos de la organización. - El sistema está soportado por elementos especializados de hardware, tales como monitores o videos de alta resolución y sensibles al tacto, ratón e impresoras con tecnología avanzada.

• Sistema de Información Ejecutiva (EIS )

• Es una herramienta software, basada en un DSS, que provee a los gerentes de un acceso sencillo a información interna y externa de su compañía, y que es relevante para sus factores clave de éxito. Presenta la información a través de indicadores empresariales con cualidades específicas que dependen del comportamiento del análisis. La información de un EIS trabaja a través de matrices multidimensionales y formatos de datos no típicos como Data Mart.

•   - Mantener informados a los ejecutivos sobre su división, departamento, empresa y el entorno en que se encuentra. - Simplificar y organizar el acceso de la información. - Descubrir o identificar problemas que puedan surgir. - Generar información acerca del desempeño de sus subordinados. - Establecer medidas de eficiencia en los factores críticos.

• Sistema de procesamiento analítico (OLAP) 

• . Término utilizado para describir cualquier tecnología que combina recursos de hardware y software para permitir a grupos de personas colaborar y compartir tecnología. el trabajo cooperativo asistido por computadora en realidad busca describir el impacto sociológico y psicológico de compartir las responsabilidades laborales electrónicamente, además de la interacción humano-computadora que debe tener lugar en dicho entorno.

•   En los últimos diez años el CSCW ha cambiado en todas las formas posibles,  cuando enTexas se celebró el primer workshop en 1986, desde entonces se ha cambiado convirtiéndose en una disciplina más madura que ha hecho  importantes aportes en áreas como Internet, workflow, mundos  virtuales.Estas características son: - Comunicaciones entre miembros del grupo. - Compartición de información. - Coordinación y control de objetos compartidos.   - Compartición de un espacio de trabajo, de Organización y entendimiento común del proceso de trabajo - Soporte a la decisión. 

• trabajo cooperativo asistido por computadora (CSCW )

• Es una tecnología que se usa para organizar bases de datos empresariales grandes y admitir inteligencia empresarial. Las bases de datos OLAP se dividen en uno o varios cubos y cada cubo está organizado y diseñado por un administrador de cubos para que se ajuste a la forma en que se recuperan y analizan los datos para que sea más fácil crear y usar los informes de tabla dinámica y los informes de Gráfico dinámico que necesite.

• Los sistemas OLAP (procesamiento analítico en línea) generalmente se dividen en uno de cuatro tipos: - OLAP multidimensional (MOLAP) es OLAP que indexa directamente en una base de datos multidimensional. - OLAP relacional (ROLAP) es OLAP que realiza un análisis multidimensional dinámico de datos almacenados en una base de datos relacional. - OLAP híbrido (HOLAP) es una combinación de ROLAP y MOLAP. HOLAP fue desarrollado para combinar la mayor capacidad de datos de ROLAP con la capacidad de procesamiento superior de MOLAP. - DOLAP es  orientado a equipos de escritorio (Desktop OLAP). Trae toda la información que necesita analizar desde la base de datos relacional y la guarda en el escritorio. Desde ese momento, todas las consultas y análisis son hechas contra los datos guardados en el escritorio.  

• Sistema s Expertos  (ES)

• Es un sistema que emplea conocimiento humano capturado en un ordenador para resolver problemas que normalmente resolverían humanos. Los sistemas bien diseñados imitan el proceso de razonamiento que los expertos utilizan para resolver problemas específicos. Estos sistemas pueden funcionar mejor que cualquier humano experto tomando decisiones individualmente en determinados dominios y pueden ser utilizados por humanos no expertos para mejorar sus habilidades en la resolución de problemas.

• A lo largo de los años, el uso de los sistemas expertos se ha convertido en una necesidad de primer orden, adaptándose a multitud de sectores y ramas dispares. Estas son sus aplicaciones más destacadas: - Análisis de préstamos. - Optimización de almacenes logísticos. - Toma de decisiones financieras. - Planificación y programación. - Gestión de datos. - Instalaciones sanitarias. - Evaluación del desempeño de empleados. - Monitorización y control de procesos.

• En la actualidad, existen tres tipos de sistemas expertos: - Basados en reglas previamente establecidas o RBR (Rule Based Reasoning), en los que se aplican leyes heurísticas apoyadas en la lógica difusa. - Basados en casos o CBR (Case Based Reasoning) en los que se aplica el razonamiento basado en la experiencia, es decir, la solución a un problema se adapta a uno nuevo. - Basados en redes bayesianas en los que se aplican las redes bayesianas, basadas en estadística y el teorema de Bayes.

•   - Que su acceso sea para solo lectura, a través de consultas, que por lo general presentan pocas inserciones de nuevos datos, actualizaciones de los mismos o eliminaciones. - Estos datos se deben estructurar de acuerdo a las áreas de negocios de la empresa y en formatos que se puedan integran con uniformidad en toda la empresa. - El historial de los datos almacenados debe permanecer en uso por largo plazo, en un tiempo que puede ir de dos a cinco años. - Estas bases deben tener fuentes de alimentación que vengan de los mismos sistemas operativos que existen en la empresa, y se buscan a través de métodos de extracción, transformación y de carga (ETL).

•   Ayuda a la toma de decisiones: una cantidad enorme de datos no sirve de mucho si no se analizan y extraen conclusiones. Este “trabajo de minería” hace referencia precisamente a bucear dentro de esos datos para quedarse con los relevantes, los que pueden aportar información que lleve a conclusiones y a “decisiones informadas”.   Tendencias: uno de los retos de la minería de datos es conseguir hallar tendencias entre grandes volúmenes. Son patrones o reglas que se repiten y que pueden llegar a explicar o detectar ciertos comportamientos. Por ejemplo, en el ámbito del marketing es posible agrupar personas con intereses y metas comunes y establecer un patrón sobre sus compras.   Previsión: como hemos visto en la definición de Minería de Datos, este trabajo ayuda a predecir y, por lo tanto, puede ser un complemento para que las empresas se anticipen a posibles escenarios. Por ejemplo, gestionando el riesgo o cubriendo una probable demanda de recursos.   Descubrir conocimiento: la minería de datos busca descubrir conocimientos en las bases de datos. Por ello, lo importante no es tener una inmensa base de datos, sino dar con la clave de patrones que nos permitan generar ese conocimiento.   Tecnología: el Data Mining no es una cuestión nueva, de hecho, este término se utiliza desde los años 90. Sus técnicas van mejorando conforme lo hace su tecnología y, actualmente, se sirve de disciplinas como la estadística (estudia la variabilidad), inteligencia artificial (inteligencia llevada a cabo por máquinas) y machine learning (aprendizaje automático de máquinas).   Diferentes ámbitos: este análisis predictivo se puede realizar en cualquier sector, aunque los más recurrentes son el marketing, los comercios o la banca. Por ejemplo, en el marketing se puede realizar una segmentación más precisa y crear campañas más personalizadas. En la banca, no solo sirve para estudiar tendencias a través de los pagos realizados por tarjetas de crédito, sino que también permite analizar transacciones para detectar el fraude.  

•   *   Sistemas de información gerencial (MIS):  Los sistemas de información gerencial (MIS, Management Information Systems), tambien llamados Sistemas de Información Administrativa (AIS) dan soporte a un espectro más amplio de tareas organizacionales, encontrándose a medio camino entre un DSS tradicional y una aplicación CRM/ERP implantada en la misma compañía.  * Sistemas expertos basados en inteligencia artificial (SSEE): Los sistemas expertos, también llamados sistemas basados en conocimiento, utilizan redes neuronales para simular el conocimiento de un experto y utilizarlo de forma efectiva para resolver un problema concreto. Este concepto está muy relacionado con el datamining. *  Sistemas de apoyo a decisiones de grupo (GDSS): Un sistema de apoyo a decisiones en grupos (GDSS, Group Decision Support Systems) es "un sistema basado en computadoras que apoya a grupos de personas que tienen una tarea (u objetivo) común, y que sirve como interfaz con un entorno compartido". El supuesto en que se basa el GDSS es que si se mejoran las comunicaciones se pueden mejorar las decisiones.

• Se define como

• Se caracteriza por:

• Se define como

• - Modelado descriptivo: Descubre similitudes o agrupaciones compartidas en datos históricos para determinar razones detrás del éxito o el fracaso, como la clasificación de clientes por preferencias de productos o sentimiento. - Modelado predictivo: Este modelo llega más a fondo para clasificar eventos en el futuro o calcular resultados desconocidos, también ayuda a descubrir insights de cosas como la rotación de clientes, respuesta a campañas o coberturas. - Modelado prescriptivo: Con el incremento de los datos no estructurados de la Web, campos de comentarios, libros, correo electrónico, PDFs, audio y otras fuentes de texto, la adopción de la minería de texto como disciplina relacionada con la minería de datos también ha crecido de manera considerable. Necesita la posibilidad de analizar, filtrar y transformar con éxito datos no estructurados para incluirlos en modelos predictivos para mejorar la precisión de las predicciones.

• Tiene los siguientes modelos

• Se caracteriza por:

• Se define como

• Algunos tipos son:

• Se caracteriza por 

• Se define como

• Sus objetivos son

• Se caracteriza por

• Se define como

• Sus caracteristicas son

• Se define como

• Sus caracteristicas son

• tipología

• Se define como

• Algunas de sus aplicaciones son 

• tipología