Sabemos que la materia prima que utilizan los sistemas DSS para la toma de decisiones son los "datos". Sin embargo, no es suficiente. Es necesario aplicar BI. De hecho, muchas veces, para explicar lo que es Business Intelligence se recurre a describir la transformación que sufren los datos brutos hasta convertirse en conocimiento útil.

Es habitual describir los significados de las palabras "dato", "información" y "conocimiento" para evidenciar que es necesario un proceso de transformación de uno a otro, y que mediante estas transformaciones la información númerica va ganando valor (dinero). Y eso es precisamente el Business Intelligence, el uso de nuevas tecnologías para automatizar las transformación del dato en conocimiento útil para la gestión empresarial.

He encontrado un interesante blog que recurre precisamente a este concepto para definir Business Intelligence. Según esta aproximación, el "valor 5000" es sólo un dato, y cuando lo contextualizamos y decimos que son "5000 euros vendidos durante un mes" lo hemos transformado en información, y se convierte finalmente en conocimiento cuando lo comparamos con los meses anteriores, y con la evolución de otros productos y mercados, y nos sirve para mejorar nuestro negocio de alguna manera.

Sin duda, se trata de una visión interesante, aunque la distinción entre dato e información me parece un poco artificiosa. En la vida real, las palabras "dato" e "información" se pueden usar indistintamente, y así lo hago yo mismo habitualmente en este blog (para evitar reiteraciones de una misma palabra, por ejemplo).

La misma idea subyace al hablar del "ciclo de vida de la información", aunque en este caso se enfatiza el hecho de que las acciones que ejecutamos a partir del conocimiento obtenido, proporcionan nuevos datos, que son susceptibles de volverse a analizar, para obtener nueva información y nuevo conocimiento. Se trata del "ciclo virtuoso" del Business Intelligence:

En el mercado actual, las empresas necesitan sacar ventaja de la información que mantienen. Cualquier empresa que pretenda lograr la excelencia y que quiera alcanzar los niveles adecuados de competencia, necesita convertir los datos en conocimiento, analizando y utilizando la información para apoyar la toma de decisiones y la definición de estrategías de negocio, que le permitan diferenciarse de la competencia y, en suma, alcanzar el éxito.

Retomo la serie sobre DSS para preguntarme cómo tomamos las decisiones. En primer lugar, conviene recordar que existen diferentes tipos de decisiones, y por lo tanto parece lógico que cada decisión la tomemos de un modo significativamente diferente. Evidentemente, no actuaré igual para tomar una decisión estratégica sobre mi empresa, o para decidir el destino de mis vacaciones.

¿Es posible, por lo tanto, generalizar la estructura de un procesos de decisión? Pues sí.

El mérito debemos atribuírselo a Herbert Alexander Simon, premio Nobel de Economía en 1978. Simon fue pionero en la investigación sobre la forma en que deben tomarse decisiones en organizaciones económicas complejas (empresas públicas, multinacionales, etc.). Definió la economía como la "ciencia de la elección", y desmitificó la idea generalizada de que actuamos buscando la optimización de los resultados. Y es verdad. Nadie anda buscando la "solución óptima", por la sencilla razón de que el número de variables existentes y la incertidumbre asociada lo convertirían en un método poco práctico o directamente inviable.

H. A. Simón introdujo el concepto de "racionalidad limitada", y consideró las limitaciones de conocimiento y la capacidad de computación. Su propuesta es buscar soluciones satisfactorias, más que óptimas. Sus estudios tuvieron un impacto importante en cómo se organizan las empresas, y desde el ámbito académico se generalizaron sus ideas hasta construir un "marco teórico" de cualquier proceso de decisión, empresarial o no.

En general, una decisión es una elección entre múltiples alternativas, y el proceso de selección de la ¿mejor? alternativa consiste en la exclusión de algunas y la evaluación de las otras. El siguiente diagrama muestra la estructura lógica del proceso de toma de una decisión.

En realidad, este diagrama, o esta divagación teórica, puede parecer poco últil para la implantación práctica de un sistema DSS. Por una parte, un sistema DSS debe servir para tomar muchas decisiones, y no sólo una. Por otra parte, un DSS debe ser capaz de resolver problemas a priori desconocidos. Es decir, yo creo un DSS hoy, y éste debe ayudarme a tomar decisiones que tomaré en un futuro, o incluso puede ayudarme a darme cuenta de que necesito tomar una decisión. ¿Se entiende la diferencia?

En cualquier caso, la teoría de la "racionalidad limitada" la considero sumamente interesante, porque permite darnos cuenta de qué estamos hablando cuando decimos "toma de decisiones", y pone de manifiesto una serie de cuestiones que conviene tener presente:

• Al tomar decisiones, realizamos inferencias sobre características desconocidas del mundo.
• Construímos modelos simplificados, extrayendo las características esenciales de los problemas.
• Valoramos la eficacia y la eficiencia para buscar soluciones satisfactorias.
• Trabajamos con restricciones de tiempo, de conocimiento, y con limitaciones computacionales.
• En el decisor influyen factores internos y externos, deseos y oportunidades que cree tener, y convenciones sociales y políticas.

Destaco la siguiente cita de H. A. Simon

Las personas no somos deliberadamente irracionales, pero no poseemos ni los conocimientos ni el poder de cálculo que permita alcanzar un modelo de adaptación óptimo.

No sé si mi próximo sistema Business Intelligence será mejor después de haber conocido un poco más de H. A. Simon, pero bueno, el saber no ocupa lugar :-P

En los procesos de toma de decisión (DSS), intervienen muchos factores de toda índole, y tendremos ocasión de profundicar en ellos en otros artículos. Sin embargo, existe un criterio de decisión que destaca sobre todos los demás y merece un artículo independiente. O, tal vez, merezca un blog completo (¡Business Intelligence fácil!). Me estoy refiriendo a la simplicidad como criterio decisor.

No soy el primero ni el último en hablar sobre la simplicidad. Desde Occam (o incluso antes) y hasta nuestros días, la simplicidad ha sido siempre valorada como principio metodológico. Por simplicidad, omito las citas de Einstein y la de Leonardo da Vinci.

Creo que, consciente o inconscientemente, la simplicidad es un criterio que siempre existe en nuestras decisiones. Y si no existe, debería existir. La simplicidad es especialmente valorada en el diseño, la tecnología y los negocios, y por supuesto en todos los aspectos del Business Intelligence.

Por ejemplo, la simplicidad es un criterio fundamental al diseñar un cubo OLAP, o definir los indicadores y pantallas de un cuadro de mando, o en la manera de disponer la información en un informe, o los datos a incluir o omitir en cualquier presentación corporativa. Es importante para definir un proceso ETL, o para modelizar un datawarehouse. Y, por supuesto, para definir un modelo matemático que nos permita hacer predicciones sobre el futuro. O para seleccionar una herramienta de Business Intelligence. Para resultados semejantes, siempre es preferible la opción simple.

De hecho, los hooligans más hoologans de este blog, me habrán oído cuestionar la necesidad de tener cubitos OLAP o las "nubes de datos". Y mis reparos se justifican precisamente por el principio de simplicidad. Un cubo OLAP es una estructura adicional que mantener, y sólo se justifica cuando las ventajas que aporte sean muchas y significativas... ¿Realmente no podemos realizar informes dinámicos y ágiles utilizando un modelo ROLAP? mmm....

Todo esto viene a cuento a que hace poco que he leído el libro "Las leyes de la simplicidad", de John Maeda, y que recomiendo vivamente. Este autor (otro de mis ídolos que vive de dar conferencias), expone 10 leyes sobre la simplicidad, y las acompaña de explicaciones muy claras y ejemplos cotidianos. El librito comienza así:

El modo más sencillo de simplificar un sistema es retirarle algunas de sus funciones. Los DVD actuales, por ejemplo, tienen demasiados botones si todo lo que se quiere hacer es mirar una película. Una posible solución sería eliminar los botones para rebobinar, avanzar o expulsar, y así sucesivamente hasta que sólo quede un botón: reproducir.

Pero ¿qué hacer cuando desea usted visionar de nuevo una escena de una película? ¿O cuando necesita detener la película para ir al cuarto de baño? La cuestión principal es: ¿dónde se encuentra el equilibrio entre la simplicidad y la complejidad?

Por una parte se desea un producto o servicio fácil de usar; por otra parte, también se quiere que sea capaz de hacer todo aquello que el usuario quiere que haga.

El proceso para alcanzar un estado idóneo de simplicidad puede llegar a ser realmente complejo; permítame, por tanto, que se lo simplifique. La manera más sencilla de alcanzar la simplicidad es mediante la reducción razonada. En caso de duda, elimínelo.

Las 10 leyes de la simplicidad de John Maeda son:

• Reducir. La manera más sencilla de alcanzar la simplicidad es mediante la reducción razonada.
• Organizar. La organización permite que un sistema complejo parezca más sencillo.
• Tiempo. El ahorro de tiempo simplifica las cosas.
• Aprendizaje. El conocimiento lo simplifica todo.
• Diferencias. La simplicidad y la complejidad se necesitan entre sí.
• Contexto. Lo que se encuentra en el límite de la simplicidad también es relevante.
• Emoción. Es preferible que haya más emociones a que haya menos.
• Confianza. Confiamos en la simplicidad.
• Fracaso. En algunos casos nunca es posible alcanzar la simplicidad.
• La única. La simplicidad consiste en sustraer lo que es obvio y añadir lo específico.

Si os interesa, el autor tiene una web sobre estas 10 leyes de la simplicidad... Aunque, por supuesto, sólo debes leer este libro si antes ya has leído "El Principito"... Eso sí es simplicidad y belleza...

La conocida frase "torturar los datos hasta que confiesen" resume perfectamente cuál es el objetivo de las técnicas de data mining, y será muy útil para continuar esta serie de artículos sobre DSS...

En los anteriores artículos del blog Business Intelligence fácil comentaba que las técnicas OLAP ofrecen un soporte pasivo a la toma de decisiones. Es decir, facilitan únicamente el acceso a la información y la visualización de los datos, pero aportan poco valor añadido a los mismos. Ni recomiendan, ni descubren y, evidentemente, no toman ninguna decisión. Eso es labor del analista, por supuesto.

Si de un interrogatorio se tratase, el Business Intelligence pasivo sería como tratar de obtener información por las buenas, preguntando educadamente al sospechoso. Luego existe la posibilidad de hacerlo por las malas, obligando al interfecto que cante todo lo que sabe. Que seguro que es mucho más de lo que dice.

En la última década, nuestra capacidad para almacenar datos ha crecido a velocidades exponenciales, pero nuestra habilidad para procesarlos y utilizarlos no ha ido a la par. Por ejemplo, un cuadro de mando o una tabla dinámica nos mostrarán fácilmente las ventas mes a mes, o nos dirán que Madrid y Barcelona son las poblaciones donde más se vende, o incluso que los productos de licor no se venden demasiado por las mañanas. Pero todo eso son trivialidades.

El Business Intelligence activo utiliza metodologías de data mining para descubrir patrones ocultos, no evidentes, en la información. Para ello, se emplean modelos matemáticos muy conocidos y estudiados, pero que su aplicación en el ámbito empresarial es todavía reducido, por lo menos en España.

Las técnicas de tortura que se emplean se pueden clasificar del siguiente modo:

• Exploración: Mediante el análisis de la varianza es posible detectar valores anómalos (detección de fraude...)
• Clasificación: Analizando el comporatamiento de un indicador respecto varias dimensiones es posible crear grupos de trasacciones homogéneos (análisis ABC, basket analysis, clustering de clientes, propensión al abandono, venta cruzada...)
• Proyección: Mediante técnicas de regresión es posible predecir resultados futuros o el valor que tomarán determinados parámetros al alterar otros (planificación de ventas, diseño de campañas de márqueting...)
• Series temporales: Es un caso especial de proyección, pero se estudia independientemente por sus particularidades y especial interes. Se utiliza para detectar patrones regulares en el pasado que permitan realizar predicciones en el futuro (planificación, estacionalidad, Ramadán o Semana Santa, tendencias...)
• Optimización: Evaluación de todas las posibles combinaciones de varios parámetros para seleccionar aquella que resulte óptima y viable (planificación de la cadena de suminstro, BOM, asignación de recursos ...)

Hay un riesgo, sin embargo, y conviene tenerlo presente... Si torturas suficiente, podrás conseguir que el interrogado confiese cualquier cosa, cierta o no... Es decir, hemos de estar preparados para obtener resultados "no significativos", que no confirmarán ni desmentirán ninguna hipótesis... De hecho, a diferencia de otros métodos estadísticos, el data mining no parte de ninguna hipótesis que queremos confirmar, sino que objetivo es descubrir información oculta, desconocida a priori...

Os dejo varios links que utilizan el mismo símil para introducir los conceptos de minería de datos. El primero menciona varios casos reales de uso estas técnicas en instituciones públicas y privadas; lo recomiendo.

• Aplicaciones reales de mineria de datos (en PDF, o en PPT).
• Introducción al data mining (parte 1/4)

Lo bueno de dedicarse a un mundo tan especializado como el Business Intelligence en general, o el data mining en particular, es que con muy poco puedes ser considerado como todo un experto, y captar la atención del auditorio.

Para ser todo un experto en mineria de datos, sólo es necesario saber dos historias. Una la contaré hoy, y otra la dejaré para el próximo artículo, de esta manera -me cuentan- se consigue un mayor suspense y aumenta el interés hacia este blog, tan interesante ya de por sí :-)

La historia, real o imaginaria, se situa a finales de lo 90, en la sede central de la cadena de supermercados Wal-Mart, donde decidieron iniciar un proyecto de basket analysis utilizando la ingente cantidad de información contenida en su Teradata datawarehouse.

Inicialmente, los resultados no parecieron muy espectaculares, ya que vieron que quien compraba pasta dentífrica también compraba cepillos de dientes; tampoco sorprendió que quien comprase whisky DYC inevitablemente adquiriese Cocacola... La sorpresa fue observar una correlación estadísticamente significativa entre la compra de pañales y cerveza.

Incorporaron la información de sus tarjetas de fidelización para profundizar en el estudio, y vieron que los compradores de cerveza y pañales eran varones de entre 25 y 35 años, que solían comprar estos productos conjuntamente los viernes por la tarde.

Con todos estos datos, fue fácil dar una explicación al fenómeno, y tomar medidas comerciales para aumentar las ventas, y justificar así el sueldo de todos estos analistas. Como los pañales son voluminosos, las madres enviaban a los padres de las criaturas a comprar los pañales, estos esperaban a último momento para hacerlo, y aprovechaban para comprar cervezas que se tomarían en casa, ya que en la sociedad americana está mal visto que un padre de familia frecuente los bares hasta tarde, y vuelva a casa dando tumbos...

Sea como fuere, tomaron la decisión de colocar las cervezas cerca de los pañales, con la intención de que los padres que compraban pañales y que no solían comprar cerveza, se acordasen que faltaba cerveza en casa. Me imagino que el argumento contrario también debe ser cierto, es decir, que los señores que iban a comprar cerveza, se acordasen que tienen un niño en casa.

Los resultados fueron espectaculares, o no estaría escribiendo sobre esto, y aumentaron entre un diez y un quince por cierto tanto las ventas de cevezas como de pañales.

La historia, real o no, es un buen ejemplo de los beneficios que puede aportar la minería de datos y, en particular, al análisis de la cesta de la compra (market basket analysis). Para que veais que no me lo he inventado íntegramente, aquí tenéis dos artículos que hablan sobre ello:

• Ejemplo ilustrado del análisis de la cesta de la compra
• If Only It Really Were about Beer and Diapers

Recordad que esta es sólo una de las cosas que debéis saber sobre data mining. La otra -mucho más importante y crucial- la explicaré en el próximo artículo.

En el anterior artículo sobre DSS hablaba del "Business Intelligence activo", y lo definía como un sistema de información que utiliza modelos matemáticos o estadísticos para detectar patrones ocultos; mencionaba los modelos de optimización, proyección y clasificación como algoritmos paradigmáticos que ayudan activamente a la toma de decisiones. Y lo contraponía al Business Intelligence clásico, que sólo ofrece un soporte pasivo.

Al buscar el término en Google, me ha dado cuenta de ser el primero en hablar explícitamente de "Business Intelligence activo"... ¿Realmente es tan novedosa la idea? Bien, en realidad no tanto, Teradata hace tiempo que habla de "Active datawarehousing", y otros emplean la expresión "Pervasive Business Intelligence" para poner connotaciones semejantes.

En realidad, lo que trataba al utilizar esta expresión es quitar la connotación técnica y matemática que se ha formado detrás de todo lo referente a la "mineria de datos". Actualmente, hay que ser un estadista licenciado para sacar provecho a las herramientas existentes (SPSS, SAS, R, S-Puls...). Y, sin embargo, todos podemos entender que es una proyección, una optimización de recursos, o un ABC de clientes... ¿Qué herramientas estándar ofrecen los proveedores de Business Intelligence para este tipo de problemáticas? Nada, o casi nada, con Web Intelligence, con Cognos, o Microstrategy no es posible hacer ni una regresión lineal, y mucho menos una clusterización de clientes... ¡Y luego nos soprendemos que los usuarios prefieran el Excel!

Cuando estos proveedores incorporen estas funcionalidades podremos hablar de Business Intelligence activo.

Ayer hacía una introducción al concepto DSS, y hoy voy a profundizar en el tema analizando las posibles clasificaciones de las decisiones que día sí y día también toman las empresas, y el tipo de solución Business Intelligence que puede ser apropiado en cada caso.

La clasificación más habitual es la que hace referencia al alcance de la decisión. En este caso, se distinguen tres tipos:

• Decisiones estratégicas: Son aquellas que afectan a toda la empresa (o a una buena parte de la misma) durante un largo periodo de tiempo. Influyen, por lo tanto, en los objetivos generales de la empresa y en su modelo de negocio . Estas decisiones son tomadas por los máximos responsables de las compañías (CEO, presidentes, directores generales, comités de dirección, etc.).
• Decisiones tácticas : Afectan únicamente a parte de la empresa, o a parte de sus procesos, y generalmente se toman desde un solo departamento (o de unos pocos). Tienen un impacto relevante a medio plazo (1 o 2 años, como máximo), y son tomadas por cargos intermedios (jefes de departamento, gerentes, etc.)
• Decisiones operativas: Afectan a actividades específicas, con un alcance muy claro, y su efecto es inmediato o muy limitado en el tiempo. Estas decisiones son responsabilidad de los niveles bajos de la jerarquía empresarial (jefes de equipo, encargados de área, dependientes, etc.)

Merece la pena señalar que esta clasificación no dice nada sobre la importancia de las decisiones. Todas ellas son importantes y necesarias. Una mala decisión operativa puede costar millones (del mismo que una buena decisión puede suponer suculentos beneficios). También exiten decisiones "estratégicas" que resultan ser irrelevantes desde el punto de vista económico.

La otra manera habitual de clasificar la decisiones empresariales se refiere a su naturaleza; se distinguen tres tipos:

• Decisiones estructuradas: En este caso, las variables que afectan a la decisión son perfectamente conocidas, y en muchos casos el proceso de decisión puede representarse mediante un diagrama de flujo, e implementarse mediante un algoritmo. En casos extremos, ni siquiera es necesaria la intervención humana, aunque no es lo habitual.
• Decisiones desestructuradas: Son aquellas decisiones en la que no es posible diseñar un "flujo de decisión" en detalle, no es evidente que inteligencia se debe aplicar, ni cómo se debe diseñar el proceso, ni con que criterios decidir. Suelen ser decisiones que se toman ante eventos inesperados o que ocurren muy esporádicamente. En estos casos, evidentemente, la intervención humana es insuistituible.
• Decisiones semiestructuradas: Es el caso intermedio. En cierto sentido, me atrevo a decir que son todas o casi todas las decisiones, que se encuentran en algún punto intermedio entre los dos extremos descritos anteriormente. En este caso, algunos pasos del proceso de decisión están claros y pueden definirse razonablemente, aunque existen otros aspectos inciertos que es necesario valorar. ¿Son o no son así todas nuestras decisiones? Yo creo que sí...

Combinando estas dos clasificaciones, nos aparecen 9 clases de decisiones. En función de lo ambicioso de nuestro DSS, deberíamos tratar de cubrir el máximo número de estos casos, y cómo veremos a continuación todavía quedan muchas lagunas en este mapa.

Las herramientas Business Intelligence pueden ayudarnos a tomar decisiones de dos maneras:

• Business Intelligence pasivo: Proporciona un acceso fácil a información confiable y actualizada. Habitualmente, los trabajadores de la información acceden a estos datos a través de sistemas de reporting, análisis OLAP o cuadros de mando, obteniendo una visión agregada o detallada de la información (según sus necesidades).
• Business Intelligence activo: Aportan valor a la información disponible aplicando modelos matemáticos o estadísticos para detectar patrones ocultos, aplican modelos de optimización, proyección o clasificación para proponer las mejores soluciones posibles a un problema determinado. Es decir, estas soluciones toman un papel activo en el proceso de toma de decisiones.

El siguiente diagrama muestra el tipo de solución Business Intelligence más adecuado para dar soporte a la toma de decisiones en el ámbito empresarial.

A fecha de hoy, no existe un proveedor de software de Business Intelligence que pueda ofrecer honestamente un sistema DSS que integre todas estas casuísticas, a menos que consideremos que los dos señores de la foto van vestidos dignamente... o a menos que alguno se decida a patrocinar el blog Business Intelligence fácil... :-)

Incluso las funcionalidades de Business Intelligence pasivo suelen presentar una interfaz de usuario poco integrada, y por este motivo creo que es prematuro hablar de sistemas DSS, y es más correcto referirse a estos productos como soluciones específicas de reporting, análisis OLAP, cuadros de mando, o datamining... Recordad que una de las características que se mencionaba en la definición de "sistema DSS" era que los diferentes componentes deben estar relacionados entre sí.

Me dejo muchas cosas en el tintero, como que un sistema DSS sólo tiene sentido si la empresa tiene un proceso de toma de decisiones claramente definido. De nada sirve invertir en Business Intelligence si no se sabe que responsabilidades tiene cada cual, por ejemplo. Parece que esta serie continuará.

¿Dispones de un DSS en tu organización? ¿Cómo le llamáis? ¿el Data? ¿el DSS? ¿o utilizáis el nombre de la herramienta directamente?

El término DSS es el acrónimo de "Decision Support System", es decir, se refiere a los sistemas para el apoyo a la toma de decisiones. Se trata de un término que se popularizó a mediados de los 90 pero que sin embargo ha caído en desuso con la misma facilidad con la que se popularizó.

Habitualmente, no soy partidario del abuso de siglas rimbombantes para referirse a conceptos o ideas que pueden expresarse en simple castellano. Con demasiada frecuencia, las siglas y palabros extraños se utilizan como técnica de márqueting para vender nuevos productos (o los mismos de siempre), y aportan muy poco a otros términos que ya existen y que engloban ideas o conceptos similares.

Sin embargo, el término DSS me gusta, y tiene una carga conceptual interesante que conviene tener presente. Tal vez algún día Gartner, Forrester o Knightsbridge volverán a hablar de DSS y todas las consultoras y proveedores volveremos a popularizar el palabro. Hasta entonces, tenemos el blog Business Intelligence fácil para no olvidar lo que es un DSS.

Como la propia palabra indica, un DSS es un sistema, es decir, no es una herramienta, ni un software, ni un concepto ni una metodología. Es un sistema. ¿Y qué es un sistema? Según mis amarillentos apuntes de la asignatura "Sistemas de control automático"...

Un sistema es un conjunto de componentes relacionados entre sí que contribuyen a un determinado objetivo. Un sistema se caracteriza habitualmente a través de sus entradas y salidas, y su resultado se ve afectado por las condiciones externas al sistema, y por parámetros internos del mismo.

Pues bien, exactamente esta definición es aplicable para referirse al término DSS. Un DSS es un sistema informático que utiliza información y modelos matemáticos para ayudar a los trabajadores de la información a tomar decisiones empresariales adecuadas según las condiciones del mercado y la situación interna de la compañía.

Como sabemos, en el día a día de las empresas se toman contínuamente decisiones de muy distinto tipo, y de manera muy diferente. Existen decisiones que por su naturaleza se toman de manera racional y absolutamente informada, y otras que se toman de manera menos sistemática, casi por instinto. Los próximos días comentaré los tipos de decisiones que toman las empresas, y sus caractertísticas, y cómo un sistema DSS ayuda a ser más efectivo y eficiente.

De momento, me conformo con adelantar que existen DSS y DSS. Los actuales DSS utilizan metodologías OLAP, y ofrecen un soporte pasivo a la toma de decisiones. Es decir, los sistemas DSS actuales ayudan a la toma de deciones proporcionando información confiable y actualizada, pero raramente aportan valor añadido a la información y decisión resultante. Un soporte activo a la toma de decisiones requiere modelos matemáticos y estadísticos avanzados que descubran patrones ocultos en la información (para diseñar mejores campañas de márqueting, para optimizar la cadena de suministro, para orientar mejor los productos a mercados específicos, etc.), y todo eso se está haciendo todavía muy poco, y de manera poco estructurada.

Como he dicho, los próximos días profundizaré algo más sobre estas cuestiones.

¿Tienes un DSS en tu organización? ¿Cuántas aplicaciones lo componen? ¿Hacéis análisis OLAP? ¿Tenéis cuadros de mando? ¿y data mining?