Un marco sobre cómo los datos informan las decisiones: enlace

A medida que el almacenamiento y la gestión de datos se vuelven menos costosos, muchas organizaciones tienen la tarea de ser «impulsadas por datos». ¿Qué significa esto en la práctica? Para muchos, usar datos para informar decisiones organizacionales importantes es un objetivo importante.

Este es el papel de Decision Intelligence (DI): una práctica que une las decisiones con los datos. Sin embargo, no siempre está claro cómo se conectan los datos con las decisiones.

Decision Intelligence trata la toma de decisiones como un proceso de pensamiento y/o simulación, que está destinado a coincidir de la manera más efectiva posible con una cadena de vínculos de causa y efecto desde las acciones hasta los resultados. Por ejemplo, la justificación (o Por qué) para que dedique tiempo a aprender sobre la inteligencia de decisiones (una Elección)puede incluir una serie de deseados Resultadoscomo un mayor éxito de su organización en el logro de sus objetivos, o su deseo de ganar un salario más alto.

Cada uno de estos resultados se logra a través de una cadena de razonamiento (Cómo). Por ejemplo, trabajando hacia atrás desde los resultados hasta las opciones, su mayor ingreso puede derivar de un aumento, que se logra en parte demostrando conocimiento innovador, que proviene de dar una charla sobre la inteligencia de decisiones dentro de su organización, que es posible gracias al tiempo dedicado a aprender sobre D.I. Las cadenas de eventos como esta se pueden dibujar usando cuadros llamados opciones, intermedios, y Resultados; junto con flechas, llamadas dependencias. El resultado es un diagrama de decisión causal (CDD), como lo describo en detalle en mi libro, Enlace.

La siguiente imagen muestra otro ejemplo, un poco más complejo. Aquí, usted está tomando la decisión de gastar más dinero en café en la tienda de comestibles porque es comercio justo y amigable con las aves. En el lado izquierdo de la imagen, está pensando en cómo esta elección podría afectar el medio ambiente y los trabajadores de las plantaciones de café. En el lado derecho de la figura, su decisión se convierte en una acción que realiza (buscar el café más caro del estante), junto con los efectos colaterales, que en última instancia conducen a resultados, que resultan de esa acción (desigualdad reducida). entre trabajadores y empresas cafetaleras, un impacto ecológico negativo reducido). Esto se llama un Diagrama de decisión causal, o CDD.

La toma de decisiones (izquierda) considera varias decisiones palancas, Resultando en opcionesque (a la derecha) se convierten comportamiento. Como se muestra a la derecha, estas acciones conducen a resultados. Tenga en cuenta que la toma de decisiones de acción a resultado es distinta de la planificación de tareas, que consiste en acciones sobre las que usted tiene control. La toma de decisiones de acción a resultado considera los resultados de las acciones sobre las que, después de tomarlas, ya no tiene control. datos

Los datos pueden informar este proceso de toma de decisiones de muchas maneras. La siguiente imagen muestra 15 roles que juegan los datos para tomar mejores decisiones: ocho antes de tomar una acción mientras simula y/o piensa en la decisión, y siete lugares donde puede usar los datos mientras la decisión se desarrolla en la realidad. Muestra dos plantillas CDD, una para cada uno de estos marcos de tiempo, para los cuales uso la notación “T()” y “R()”, respectivamente. El objetivo del proceso «T» es capturar suficientes elementos de cómo una decisión afectará la realidad de modo que las elecciones realizadas conduzcan a buenas acciones que a su vez conduzcan a buenos resultados.

El Marco de Integración de Inteligencia de Decisión/Ciencia de Datos

Los elementos «T» en el marco DI/DS son los siguientes

T(yo): un escalar Elecciónque en realidad (R) será un Acción, y que pueden ser representados por datos. Por ejemplo, la cantidad de minutos que elige pasar leyendo esta publicación se puede representar con un número. O un valor binario (verdadero/falso) podría representar si elige leer esta publicación. Es importante destacar que se trata de datos sobre los cuales el tomador de decisiones tiene Autoridad (en contraste con Externo datos, descritos a continuación). Tenga en cuenta que una elección es una opción con una decisión más amplia Palancaque constituye una lista de opciones mutuamente excluyentes.

T(ii): Una elección más compleja, quizás representando un plan. Por ejemplo, podría planear pasar 10 minutos estudiando inteligencia de decisiones hoy, 20 mañana y media hora el miércoles. Algunas decisiones se representan naturalmente de esta manera que como elecciones escalares, como en T(i) arriba.

En la medida en que un Externo es incierto, a menudo se le llama Suposición.

Los datos externos pueden estar más o menos actualizados. Una función importante de la ciencia de datos es que proporciona sensores en tiempo real y técnicas de gestión de datos que permiten que un tomador de decisiones utilice los elementos externos más actualizados disponibles.

T(iv): Un Externo más complejo. Por ejemplo, esto podría ser una predicción de los salarios de mercado para su puesto de trabajo durante los próximos tres años. Esta predicción puede ser creada por un modelo AI o ML, un modelo estadístico o un pronosticador humano. De manera más general, existen tecnologías y disciplinas adicionales que pueden informar factores externos predictivos, como la meteorología para predecir el clima, la dinámica de fluidos computacional (CFD) para predecir el movimiento de las partículas de Covid-19 o los pronósticos económicos para predecir el PIB.

El uso de predicciones basadas en el tiempo como esta es donde el pronóstico informa la toma de decisiones. Tenga en cuenta que el uso de múltiples predicciones basadas en el tiempo y su combinación en un modelo de decisión proporciona un tipo diferente de «datos del futuroque hasta ahora se ha confundido en gran medida con la previsión. Un pronóstico de cómo las acciones dentro de su esfera de autoridad impactan los resultados de los que es responsable es diferente, pero como puede ver aquí, se beneficia de los pronósticos sobre factores sobre los que no tiene control.

Televisión): A Dependencia vínculo que representa cómo un factor influye en otro. Por ejemplo, puede sospechar hasta qué punto su experiencia demostrada mejorará sus posibilidades de promoción. Por lo tanto, su nivel de experiencia demostrado está en el lado izquierdo de este enlace y su oportunidad de promoción está en el lado derecho. El vínculo de dependencia es simplemente una función que convierte uno en otro.

Los enlaces de dependencia son una de las ubicaciones más importantes para que los datos informen las decisiones, porque los datos se pueden usar para crear modelos estadísticos, modelos de aprendizaje automático, simulaciones y más. Vale la pena repetir que aquí es donde la IA informa mejor la toma de decisiones estratégicas: un modelo de aprendizaje automático creado a partir de datos históricos se puede utilizar dentro de un entorno de decisión novedoso, aplicando así esta importante tecnología por primera vez en una solución para Eventos del “Cisne Negro” (situaciones completamente nuevas para las que no tenemos datos) como un componente por partes y reutilizable.

Es importante destacar que la mayoría de los modelos de decisión incluyen una variedad de diferentes tipos de vínculos de dependencia: algunos pueden ser ecuaciones matemáticas simples (ingresos netos = ingresos brutos – costo), algunos pueden representarse mejor como inferencias lógicas (A y B implican C).

Tenga en cuenta que uno de los enlaces de dependencia en este diagrama regresa de un resultado a un intermedio. La mayoría de las situaciones incluyen este tipo de efectos de retroalimentación.; sus dinámicas son fuertes impulsores de cómo las decisiones conducen a los resultados. Este efecto no lineal puede inundar los datos y, en general, es más importante que los datos de alta precisión en muchos sistemas.

En muchas organizaciones, los datos que representan los productos intermedios se capturan como un Indicador clave de proceso (KPI)que se interpreta como un indicador principal o sustituto (sustituto) del resultado real deseado.

T (vii): Un Salir: algo que se puede medir al final de la cadena de dependencia. Tenga en cuenta que un Meta no se muestra en este diagrama: formalmente es una condición sobre un resultado que produce un resultado verdadero/falso. Por ejemplo, «Mi salario promedio 2022-2024» es un resultado y «Mi salario promedio 2022-2024 > US$75 000» es una meta.

T (viii): Cuando se computariza un modelo de decisión, la computadora puede experimentar con muchos conjuntos diferentes de opciones para determinar cuál, en la simulación, conduce a los mejores resultados.

T(vi): Un Intermedio elemento es algo que se puede medir, como en el ejemplo anterior, el nivel de percepción de su experiencia dentro de su organización. En muchas organizaciones, los datos que representan los intermedios se capturan como un indicador clave del proceso (KPI), que se interpreta como un indicador principal o sustituto (sustituto) del resultado real deseado.

T(ix): un informatizado El modelo de decisión crea una plataforma que permite considerar múltiples escenarios, vectores de variables ambientales (también conocidas como contexto). En conjunto, la simulación numérica de ambas opciones múltiples junto con múltiples escenarios de este tipo proporciona «Datos del futuro» mejorados: ahora con esta enumeración de escenarios T(ix), lo que nos permite analizar múltiples futuros junto con múltiples opciones.

Los elementos «R» en la imagen de arriba representan cómo una decisión impacta una cadena de eventos en la realidad, a diferencia de la simulación o la ideación. Pero por supuesto, el mapa no es el territorio. El papel de los datos cambia un poco aquí, de la siguiente manera:

Rhode Island): Correspondiente a cada T(i) Elección es una R(i) Acción. Por ejemplo, estás leyendo esta publicación ahora mismo; ese comportamiento es diferente a la idea de esa acción cuando estabas considerando hacerlo. Una acción, a medida que se desarrolla en el tiempo, puede medirse y capturarse como datos.

R(ii): Al igual que con T(ii), puede optar por realizar una serie de acciones, que en realidad pueden tener lugar durante un período de tiempo. Ese plan también se puede representar como datos.

R(iii): Representa una medida externa que el tomador de decisiones puede o no elegir medir después se toma la decisión. Por ejemplo, después de que haya elegido leer esta publicación, y después de haber comenzado a leer, puede elegir configurar un mecanismo para medir los salarios promedio de las personas en su posición. Además, puede optar por realizar un seguimiento de cualquier discrepancia entre las suposiciones sobre este factor externo que hizo durante la toma de decisiones y su valor real, especialmente si cree que es cambiante, incierto y/o particularmente impactante en el resultado de su decisión. Es posible que descubras, por ejemplo, que el puesto al que aspiras normalmente no viene con un aumento sustancial, después de todo.

Además, al igual que con T(iii), la ciencia de datos proporciona mecanismos más efectivos y eficientes para mantener los datos actualizados, acortando el marco de tiempo en el que es posible detectar circunstancias cambiantes (representadas por Externos) que justifican la necesidad de una nueva. decisión.

R(iv): Representa un externo más complejo, como una predicción del clima basada en el tiempo. Los pronósticos pueden o no ser correctos, por lo que, nuevamente, a veces puede ser una buena idea hacer un seguimiento de las suposiciones sobre el futuro hechas durante la toma de decisiones en comparación con cómo se desarrollan en la realidad.

R(v): Representa una influencia de dependencia de causa y efecto tal como se desarrolla en la realidad. Por lo general, estos se monitorean midiendo sus impactos, como en R (vi), a continuación.

R(vi): Representando un Intermedio, que como arriba también se entienden como KPIs. A diferencia de T(vi), aquí no estamos planificando la medición de los KPI, sino que en realidad hacemos esa medición a medida que se desarrollan nuestras acciones. Esto puede proporcionar un sistema de alerta temprana para una decisión que se desvía de los resultados previstos.

La medición sistemática de los intermedios y los resultados de las decisiones que se toman varias veces puede producir datos que se pueden usar para mejorar los modelos de ciencia de datos que pueblan los vínculos de dependencia.

R(vii): Medición Salirs de acciones tomadas complementan la medición de indicadores adelantados. En la medida en que se repita una decisión, estos resultados pueden formar datos de entrenamiento para modelos de aprendizaje automático.

Este marco de integración de ciencia de datos/inteligencia de decisiones se puede utilizar para planificar y diseñar cómo encajan los datos en la toma de decisiones. El CDD en el que se basa refleja el modelo mental «natural» para los tomadores de decisiones humanos, que ha sido bien estudiado durante más de un siglo. Por esta razón, los CDD descargan de manera única el procesamiento cognitivo humano, lo que nos permite pensar con más cuidado sobre decisiones complejas. Este marco llena un importante vacío que ha existido hasta ahora, entre los modelos mentales humanos más extendidos y los datos. Desde este punto de vista, hace una fuerte afirmación cara a cara el mecanismo para la colaboración de datos/humanos, también conocido como amplificación de inteligencia, y creo que tiene el potencial de mejorar enormemente nuestra capacidad de trabajar mano a mano con datos para resolver problemas en un mundo complejo, de múltiples enlaces y que cambia rápidamente.

Fuente del artículo

Deja un comentario