ADIEL T.

DE ALMEIDA FILHO

Notas de Aula SAD (IF983)

Cap. 2 do livro "Sharda, Delen Turban. 2014. Business Intelligence and Analytics: Systems
for Decision Support. Pearson"

v1
2020
 SUMÁRIO

1 ARQUITETURA DE UM SAD: FUNDAMENTOS E TECNOLO-

GIAS PARA TOMADA DE DECISÃO . . . . . . . . . . . . . . . . . 3
1.1 TOMADA DE DECISÃO: INTRODUÇÃO E DEFINIÇÕES . . . . . . . . . 3
1.1.1 Características do apoio a Decisão . . . . . . . . . . . . . . . . . . . . 3
1.1.2 Uma definição funcional de tomada de decisão . . . . . . . . . . . . 4
1.1.3 Disciplinas de tomada de decisão . . . . . . . . . . . . . . . . . . . . 4
1.1.4 Estilo de Decisão e Decisores . . . . . . . . . . . . . . . . . . . . . . . 4
1.2 FASES DO PROCESSO DE TOMADA DE DECISÃO . . . . . . . . . . . 6
1.3 TOMADA DE DECISÃO: A FASE DA INTELIGÊNCIA . . . . . . . . . . . 9
1.3.1 Identificação do Problema (ou da Oportunidade) . . . . . . . . . . . 9
1.3.2 Classificação do Problema . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3.3 Decomposição do Problema . . . . . . . . . . . . . . . . . . . . . . . 10
1.3.4 Responsável pelo Problema de Decisão - Propriedade do Problema 11
1.4 TOMADA DE DECISÃO: A FASE DE DESIGN/PROJETO . . . . . . . . . 11
1.4.1 Modelos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.4.2 Modelos Matemáticos (Quantitiativos) . . . . . . . . . . . . . . . . . 11
1.4.3 Os Benefícios dos Modelos . . . . . . . . . . . . . . . . . . . . . . . . 11
1.4.4 Seleção de um Princípio de Escolha . . . . . . . . . . . . . . . . . . . 13
1.4.5 Modelos Normativos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.4.6 Sub-otimização . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.4.7 Modelos Descritivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.4.8 Bom o Suficiente ou Satisfatório . . . . . . . . . . . . . . . . . . . . . 17
1.4.9 Desenvolvendo (Gerando) Alternativas . . . . . . . . . . . . . . . . . 18
1.4.10 Medindo as Consequências . . . . . . . . . . . . . . . . . . . . . . . . 19
1.4.11 Risco . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.4.12 Cenários . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.4.13 Possíveis Cenários . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.4.14 Erros em Tomadas de Decisão . . . . . . . . . . . . . . . . . . . . . . 21
1.5 TOMADA DE DECISÃO: A FASE DE ESCOLHA . . . . . . . . . . . . . . 22
1.6 TOMADA DE DECISÃO: A FASE DE IMPLEMENTAÇÃO . . . . . . . . . 22
1.7 COMO AS DECISÕES RECEBEM APOIO . . . . . . . . . . . . . . . . . 23
1.7.1 Apoio para a Fase de Inteligência . . . . . . . . . . . . . . . . . . . . 23
1.7.2 Fases de Apoio ao Design . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.7.3 Apoio à Fase de Escolha . . . . . . . . . . . . . . . . . . . . . . . . . 26
1.7.4 Apoio à Fase de Implementação . . . . . . . . . . . . . . . . . . . . . 26
1.8 SISTEMAS DE SUPORTE À DECISÃO: CAPACIDADES . . . . . . . . . . 27
1.8.1 Um Aplicativo SAD . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1.9 CLASSIFICAÇÕES DE SAD . . . . . . . . . . . . . . . . . . . . . . . . . 30
1.9.1 Classificação da AIS SIGDSS para SAD . . . . . . . . . . . . . . . . . 30
1.9.2 Outras Categorias de SAD . . . . . . . . . . . . . . . . . . . . . . . . 32
1.9.3 Sistemas feitos sob medida versus sistemas prontos . . . . . . . . . . 33
1.10 COMPONENTES DE SISTEMAS DE APOIO À DECISÃO . . . . . . . . . 34
1.10.1 O SUBSISTEMA DE GESTÃO DE DADOS . . . . . . . . . . . . . . 34
1.10.2 O Subsistema de Gerenciamento de Modelo . . . . . . . . . . . . . . 35
1.10.3 O Subsistema de Interface do Usuário . . . . . . . . . . . . . . . . . 38
1.10.4 O Subsistema de Gestão Baseada em Conhecimento . . . . . . . . . 40
1.11 REFERÊNCIAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
 3

1 ARQUITETURA DE UM SAD: FUNDAMENTOS E TECNOLOGIAS PARA

TOMADA DE DECISÃO

1.1 TOMADA DE DECISÃO: INTRODUÇÃO E DEFINIÇÕES

Estamos prestes a examinar como o apoio a decisão é praticado e algumas das teorias
e modelos subjacentes à tomada de decisão. Você também aprenderá sobre as várias
características dos decisores, incluindo o que caracteriza um bom decisor. Saber disso
pode ajudá-lo a compreender os tipos de ferramentas de suporte à decisão que os gerentes
podem usar para tomar decisões mais eficazes. Nas seções a seguir, discutiremos vários
aspectos da tomada de decisão.

1.1.1 Características do apoio a Decisão

O apoio a decisão pode envolver:

• O pensamento de grupo (ou seja, os membros do grupo aceitam a solução sem pensar
por si mesmos) pode levar a decisões erradas.

• Os decisores estão interessados em avaliar cenários hipotéticos.

• A experimentação com um sistema real (por exemplo, desenvolva um cronograma,

experimente e veja como funciona) pode resultar em falha.

• A experimentação com um sistema real só é possível para um conjunto de condições

por vez e pode ser desastrosa.

• Mudanças no ambiente de tomada de decisão podem ocorrer continuamente, levando

a suposições invalidantes sobre uma situação (por exemplo, as entregas em dias de
feriado podem aumentar, exigindo uma visão diferente do problema).

• Mudanças no ambiente de tomada de decisão podem afetar a qualidade da decisão,

impondo pressão de tempo sobre o decisor.

• Coletar informação e analisar um problema leva tempo e pode ser caro. É difícil
determinar quando parar e tomar uma decisão.

• Pode não haver informações suficientes para tomar uma decisão inteligente.

• Muita informação pode estar disponível (ou seja, sobrecarga de informação).

Para determinar como os decisores reais tomam decisões, devemos primeiro compre-
ender o processo e as questões importantes envolvidas na tomada de decisões. Então,
 4

podemos entender as metodologias apropriadas para auxiliar os decisores e as contribui-

ções que os sistemas de informação podem fazer. Só então podemos desenvolver um SAD
para ajudar os decisores.
Este tema está organizado com base nas três palavras-chave que formam o termo SAD:
decisão, suporte e sistemas. Um decisor não deve simplesmente aplicar as ferramentas de
TI às cegas. Em vez disso, o decisor obtém apoio por meio de uma abordagem racional
que simplifica a realidade e fornece um meio relativamente rápido e barato de considerar
vários cursos alternativos de ação para chegar à melhor (ou pelo menos uma muito boa)
solução para o problema.

1.1.2 Uma definição funcional de tomada de decisão

A tomada de decisão é um processo de escolha entre dois ou mais cursos alternativos de

ação com o propósito de atingir um ou mais objetivos. Segundo Simon (1977), a tomada
de decisão gerencial é sinônimo de todo o processo de gestão. Considere a importante
função gerencial do planejamento. O planejamento envolve uma série de decisões: O que
deve ser feito? Quando? Onde? Por quê? Quão? Por quem? Os gerentes definem metas
ou planejam; portanto, o planejamento implica a tomada de decisões. Outras funções
gerenciais, como organização e controle, também envolvem a tomada de decisões.

1.1.3 Disciplinas de tomada de decisão

A tomada de decisão é diretamente influenciada por várias disciplinas importantes, algu-

mas das quais são comportamentais e outras de natureza científica. Devemos estar cien-
tes de como suas filosofias podem afetar nossa capacidade de tomar decisões e fornecer
suporte. As disciplinas comportamentais incluem antropologia, direito, filosofia, ciência
política, psicologia, psicologia social e sociologia. As disciplinas científicas incluem ciência
da computação, análise de decisão, economia, engenharia, ciências exatas (por exemplo,
biologia, química, física), ciência da gestão / pesquisa operacional, matemática e estatís-
tica.
Uma característica importante dos sistemas de apoio à gestão (MSS) é sua ênfase na
eficácia, ou “bondade”, da decisão produzida, e não na eficiência computacional de sua
obtenção; esta é geralmente uma das principais preocupações de um sistema de processa-
mento de transações. A maioria dos SAD baseados na Web concentra-se em melhorar a
eficácia das decisões. A eficiência pode ser um subproduto.

1.1.4 Estilo de Decisão e Decisores

Nas seções a seguir, examinamos a noção de estilo de decisão e aspectos específicos sobre
os decisores.
 5

Estilo de decisão é a maneira pela qual os decisores pensam e reagem aos problemas.
Isso inclui a maneira como eles percebem um problema, suas respostas cognitivas e como
os valores e crenças variam de indivíduo para indivíduo e de situação para situação.
Como resultado, as pessoas tomam decisões de maneiras diferentes. Embora exista um
processo geral de tomada de decisão, ele está longe de ser linear. As pessoas não seguem
as mesmas etapas do processo na mesma sequência, nem usam todas as etapas. Além
disso, a ênfase, a distribuição de tempo e as prioridades dadas a cada etapa variam
significativamente, não apenas de uma pessoa para outra, mas também de uma situação
para outra. A maneira como os gerentes tomam decisões (e como eles interagem com outras
pessoas) descreve seu estilo de decisão. Como os estilos de decisão dependem dos fatores
descritos anteriormente, existem muitos estilos de decisão. Os testes de temperamento
de personalidade são freqüentemente usados para determinar estilos de decisão. Como
existem muitos desses testes, é importante tentar igualá-los para determinar o estilo de
decisão. No entanto, os vários testes medem aspectos um tanto diferentes da personalidade,
portanto não podem ser comparados.
Os pesquisadores identificaram vários estilos de tomada de decisão. Isso inclui estilos
heurísticos e analíticos. Também se pode distinguir entre estilos autocráticos e democrá-
ticos. Outro estilo é consultivo (com indivíduos ou grupos). Claro, existem muitas combi-
nações e variações de estilos. Por exemplo, uma pessoa pode ser analítica e autocrática,
ou consultiva (com indivíduos) e heurística.
Para que uma ferramenta computacional dê suporte a um gerente com sucesso, esta
deve se adequar à situação de decisão e também ao estilo de decisão. Portanto, o sistema
deve ser flexível e adaptável a diferentes usuários. A capacidade de fazer perguntas hipoté-
ticas e objetivas oferece flexibilidade nessa direção. Uma interface baseada na Web usando
gráficos é um recurso desejável no suporte a certos estilos de decisão. Se um SAD deve
oferecer suporte a estilos, habilidades e conhecimentos variados, não deve tentar impor
um processo específico. Em vez disso, deve ajudar os decisores a usar e desenvolver seus
próprios estilos, habilidades e conhecimentos.
Diferentes estilos de decisão requerem diferentes tipos de suporte. Um fator importante
que determina o tipo de suporte necessário é se o decisor é um indivíduo ou um grupo. Os
decisores individuais precisam de acesso aos dados e a especialistas que podem fornecer
conselhos, enquanto os grupos também precisam de ferramentas de colaboração. O SAD
baseado na Web pode fornecer suporte para ambos.
Muitas informações estão disponíveis na web sobre estilos cognitivos e estilos de decisão
(por exemplo, consulte Birkman International, Inc., [Link]; Keirsey Temperament
Sorter e Keirsey Temperament Theory-II, [Link]). Muitos testes de personalidade /
temperamento estão disponíveis para ajudar os gerentes a identificar seus próprios estilos
e os de seus funcionários. Identificar o estilo de um indivíduo pode ajudar a estabelecer os
padrões de comunicação mais eficazes e as tarefas ideais para as quais a pessoa é adequada.
 6

As decisões são freqüentemente tomadas por indivíduos, especialmente em níveis ge-

renciais mais baixos e em pequenas organizações. Pode haver objetivos conflitantes, mesmo
para um único decisor. Por exemplo, ao tomar uma decisão de investimento, um investidor
individual pode considerar a taxa de retorno do investimento, a liquidez e a segurança
como objetivos. Finalmente, as decisões podem ser totalmente automatizadas (mas so-
mente depois que um decisor humano decidir fazê-lo!).
Essa discussão sobre a tomada de decisão concentra-se em grande parte em um decisor
individual. A maioria das decisões importantes em organizações de médio e grande porte
é feita por grupos. Obviamente, muitas vezes existem objetivos conflitantes em um ambi-
ente de tomada de decisão em grupo. Os grupos podem ter tamanhos variáveis e podem
incluir pessoas de diferentes departamentos ou de diferentes organizações. Os indivíduos
colaboradores podem ter diferentes estilos cognitivos, tipos de personalidade e estilos de
decisão. Alguns se chocam, enquanto outros se potencializam mutuamente. O consenso
pode ser um problema político difícil. Portanto, o processo de tomada de decisão por um
grupo pode ser muito complicado. O suporte computacional pode melhorar muito a to-
mada de decisões em grupo. O suporte de computacional pode ser fornecido em um nível
amplo, permitindo que membros de departamentos, divisões ou até organizações inteiras
colaborem online. Esse suporte evoluiu nos últimos anos para sistemas de informação em-
presarial (EIS - enterprise information systems) e inclui sistemas de suporte de grupo (GSS
- group support systems), gestão de recursos empresariais (ERM - enterprise resource ma-
nagement) / planejamento de recursos empresariais (ERP - enterprise resource planning),
gestão da cadeia de suprimentos (SCM - supply chain management), sistemas de gestão
de conhecimento ( KMS - knowledge management systems) e sistemas de gerenciamento
de relacionamento com o cliente (CRM - customer relationship management).

1.2 FASES DO PROCESSO DE TOMADA DE DECISÃO

É aconselhável seguir um processo sistemático de tomada de decisão. Simon (1977) disse

que isso envolve três fases principais: inteligência, design e escolha. Mais tarde, ele adicio-
nou uma quarta fase, implementação. O monitoramento pode ser considerado uma quinta
fase - uma forma de feedback. No entanto, vemos o monitoramento como a fase de inte-
ligência aplicada à fase de implementação. O modelo de Simon é a caracterização mais
concisa e completa da tomada de decisão racional. Um quadro conceitual do processo de
tomada de decisão é mostrado na Figura 1.
Há um fluxo contínuo de atividade da inteligência ao design e à escolha (veja as linhas
em negrito na Figura 1, mas em qualquer fase, pode haver um retorno a uma fase anterior
(feedback). A modelagem é uma parte essencial desse processo. A natureza aparentemente
caótica de seguir um caminho aleatório da descoberta do problema à solução por meio da
tomada de decisão pode ser explicada por esses ciclos de feedback.
 7

Figura 1 – Processo de Tomada de Decisão/Modelagem. Adaptado de Sharda et al (2014)

O processo de tomada de decisão começa com a fase de inteligência; nesta fase, o

decisor examina a realidade e identifica e define o problema. A propriedade do problema
também é estabelecida. Na fase de projeto, é construído um modelo que representa o
sistema. Isso é feito fazendo suposições que simplificam a realidade e anotando as relações
entre todas as variáveis. O modelo é então validado e os critérios são determinados em um
princípio de escolha para avaliação dos cursos alternativos de ação que são identificados.
Freqüentemente, o processo de desenvolvimento do modelo identifica soluções alternativas
e vice-versa.
A fase de escolha inclui a seleção de uma solução proposta para o modelo (não necessa-
riamente para o problema que ele representa). Esta solução é testada para determinar sua
viabilidade. Quando a solução proposta parece razoável, estamos prontos para a última
fase: implementação da decisão (não necessariamente de um sistema). A implementação
bem-sucedida resulta na solução do problema real. O fracasso leva a um retorno a uma fase
anterior do processo. Na verdade, podemos retornar a uma fase anterior durante qualquer
uma das últimas três fases. As situações de tomada de decisão descritas na vinheta de
 8

abertura seguem o modelo de quatro fases de Simon, como fazem quase todas as outras
situações de tomada de decisão. Os impactos da Web nas quatro fases, e vice-versa, são
mostrados na Figura 2.

Figura 2 – Quatro fases de decisão de Simon para tomada de decisão e para Web. Adap-
tado de Sharda et al (2014)

Observe que existem muitos outros processos de tomada de decisão. Um exemplo

notável entre eles é o método Kepner-Tregoe (Kepner e Tregoe, 1998), que foi adotado
por muitas empresas porque suas ferramentas estão prontamente disponíveis na Kepner-
 9

Tregoe, Inc. ([Link]). Descobrimos que esses modelos alternativos, incluindo

o método Kepner-Tregoe, mapeiam prontamente no modelo de quatro fases de Simon.
Em seguida, nos voltamos para uma discussão detalhada das quatro fases identificadas
por Simon.

1.3 TOMADA DE DECISÃO: A FASE DA INTELIGÊNCIA

A inteligência na tomada de decisões envolve a varredura do ambiente, de forma intermi-

tente ou contínua. Inclui várias atividades destinadas a identificar situações problemáticas
ou oportunidades. Também pode incluir o monitoramento dos resultados da fase de im-
plementação de um processo de tomada de decisão.

1.3.1 Identificação do Problema (ou da Oportunidade)

A fase de inteligência começa com a identificação de metas e objetivos organizacionais

relacionados a uma questão preocupante (por exemplo, gerenciamento de estoque, sele-
ção de trabalho, falta ou presença incorreta na Web) e determinação se eles estão sendo
atendidos. Os problemas ocorrem devido à insatisfação com o status quo. A insatisfação
é o resultado da diferença entre o que as pessoas desejam (ou esperam) e o que está ocor-
rendo. Nesta primeira fase, um decisor tenta determinar se um problema existe, identificar
seus sintomas, determinar sua magnitude e defini-lo explicitamente. Freqüentemente, o
que é descrito como um problema (por exemplo, custos excessivos) pode ser apenas um
sintoma (ou seja, medida) de um problema (por exemplo, níveis de estoque inadequa-
dos). Como os problemas do mundo real geralmente são complicados por muitos fatores
inter-relacionados, às vezes é difícil distinguir entre os sintomas e o problema real. Cer-
tamente, novas oportunidades e problemas podem ser descobertos durante a investigação
das causas dos sintomas.
A existência de um problema pode ser determinada monitorando e analisando o nível
de produtividade da organização. A medição da produtividade e a construção de um
modelo baseiam-se em dados reais. A coleta de dados e a estimativa de dados futuros
estão entre as etapas mais difíceis da análise. A seguir estão alguns problemas que podem
surgir durante a coleta e estimativa de dados e, portanto, atormentar os decisores:

• Os dados não estão disponíveis. Como resultado, o modelo é feito com, e se baseia
em, estimativas potencialmente imprecisas.

• A obtenção de dados pode ser cara.

• Os dados podem não ser precisos ou precisos o suficiente.

• A estimativa de dados geralmente é subjetiva.

• Os dados podem ser inseguros.

 10

• Dados importantes que influenciam os resultados podem ser qualitativos (leves).

• Pode haver muitos dados (ou seja, sobrecarga de informações).

• Resultados (ou resultados) podem ocorrer durante um período prolongado. Como

resultado, receitas, despesas e lucros serão registrados em diferentes momentos. Para
superar essa dificuldade, uma abordagem de valor presente pode ser usada se os
resultados forem quantificáveis.

• Presume-se que os dados futuros serão semelhantes aos dados históricos. Se este não
for o caso, a natureza da mudança deve ser prevista e incluída na análise.

Quando a investigação preliminar é concluída, é possível determinar se um problema

realmente existe, onde está localizado e quão significativo é. Uma questão importante é
se um sistema de informação está relatando um problema ou apenas os sintomas de um
problema. Por exemplo, se os relatórios indicam que as vendas estão baixas, há um pro-
blema, mas a situação, sem dúvida, é sintomática do problema. É fundamental conhecer
o problema real. Às vezes, pode ser um problema de percepção, incompatibilidade de
incentivos ou processos organizacionais, em vez de um modelo de decisão insatisfatório.

1.3.2 Classificação do Problema

A classificação de problemas é a conceitualização de um problema na tentativa de colocá-lo

em uma categoria definível, possivelmente levando a uma abordagem de solução padrão.
Uma abordagem importante classifica os problemas de acordo com o grau de estruturação
evidente neles. Isso varia de totalmente estruturado (ou seja, programado) a totalmente
não-estruturado (ou seja, não programado).

1.3.3 Decomposição do Problema

Muitos problemas complexos podem ser divididos em subproblemas. Resolver os subpro-

blemas mais simples pode ajudar a resolver um problema complexo. Além disso, proble-
mas aparentemente mal estruturados às vezes têm subproblemas altamente estruturados.
Assim como um problema semiestruturado surge quando algumas fases da tomada de deci-
são são estruturadas enquanto outras fases não são estruturadas, também, quando alguns
subproblemas de um problema de tomada de decisão são estruturados com outros não
estruturados, o próprio problema é semiestruturado. Conforme um SAD é desenvolvido e
o tomador de decisões e a equipe de desenvolvimento aprendem mais sobre o problema,
ele ganha estrutura. A decomposição também facilita a comunicação entre os decisores.
A decomposição é um dos aspectos mais importantes do processo de hierarquia analítica.
O AHP é um dos métodos multicritério mais usados e ajuda os decisores a incorporar
fatores qualitativos e quantitativos em seus modelos de tomada de decisão.
 11

1.3.4 Responsável pelo Problema de Decisão - Propriedade do Problema

Na fase de inteligência, é importante estabelecer a propriedade do problema. Um problema

existe em uma organização somente se alguém ou algum grupo assume a responsabilidade
de atacá-lo e se a organização tem a capacidade de resolvê-lo. A atribuição de autoridade
para resolver o problema é chamada de propriedade do problema. Por exemplo, um gerente
pode sentir que tem um problema porque as taxas de juros estão muito altas. Como os
níveis das taxas de juros são determinados em nível nacional e internacional, e a maioria
dos administradores não pode fazer nada a respeito, as altas taxas de juros são problema
do governo, não um problema para uma empresa específica resolver. O problema que as
empresas realmente enfrentam é como operar em um ambiente de altas taxas de juros.
Para uma empresa individual, o nível da taxa de juros deve ser tratado como um fator
(ambiental) incontrolável a ser previsto.
Quando a propriedade do problema não é estabelecida, ou alguém não está fazendo seu
trabalho ou o problema em questão ainda não foi identificado como pertencente a alguém.
Então, é importante que alguém se ofereça como proprietário ou atribua a alguém.
A fase de inteligência termina com uma declaração formal do problema.

1.4 TOMADA DE DECISÃO: A FASE DE DESIGN/PROJETO

A fase de design envolve encontrar ou desenvolver e analisar possíveis cursos de ação. Isso
inclui entender o problema e testar as soluções de viabilidade. Um modelo do problema de
tomada de decisão é construído, testado e validado. Vamos primeiro definir um modelo.

1.4.1 Modelos

Uma característica importante de um SAD e de muitas ferramentas de BI (notadamente

as de Business Analytics) é a inclusão de pelo menos um modelo. A ideia básica é rea-
lizar a análise do SAD em um modelo de realidade, e não no sistema real. Um modelo
é uma representação simplificada ou abstração da realidade. Geralmente é simplificado
porque a realidade é muito complexa para descrever exatamente e porque grande parte
da complexidade é, na verdade, irrelevante na resolução de um problema específico.

1.4.2 Modelos Matemáticos (Quantitiativos)

A complexidade dos relacionamentos em muitos sistemas organizacionais é descrita mate-

maticamente. A maioria das análises com SAD são realizadas numericamente com modelos
matemáticos ou outros modelos quantitativos.

1.4.3 Os Benefícios dos Modelos

Usamos modelos pelos seguintes motivos:

 12

• Manipular um modelo (alterar as variáveis de decisão ou o ambiente) é muito mais

fácil do que manipular um sistema real. A experimentação é mais fácil e não interfere
com as operações diárias da organização.

• Os modelos permitem a compressão do tempo. Anos de operações podem ser simu-

lados em minutos ou segundos de tempo de computador.

• O custo da análise de modelagem é muito menor do que o custo de um experimento

semelhante conduzido em um sistema real.

• O custo de cometer erros durante um experimento de tentativa e erro é muito mais

baixo quando são usados modelos do que com sistemas reais.

• O ambiente de negócios envolve considerável incerteza. Com a modelagem, um ge-

rente pode estimar os riscos resultantes de ações específicas.

• Os modelos matemáticos permitem a análise de um número muito grande, às vezes

infinito, de soluções possíveis. Mesmo em problemas simples, os gerentes costumam
ter um grande número de alternativas para escolher.

• Os modelos aprimoram e reforçam o aprendizado e o treinamento.

• Modelos e métodos de solução estão prontamente disponíveis.

A modelagem envolve conceituar um problema e abstraí-lo para a forma quantitativa

e / ou qualitativa. Para um modelo matemático, as variáveis são identificadas e suas re-
lações mútuas são estabelecidas. As simplificações são feitas, sempre que necessário, por
meio de premissas. Por exemplo, uma relação entre duas variáveis pode ser considerada
linear, embora, na realidade, possa haver alguns efeitos não lineares. Um equilíbrio ade-
quado entre o nível de simplificação do modelo e a representação da realidade deve ser
obtido por causa da relação custo-benefício. Um modelo mais simples leva a custos de
desenvolvimento mais baixos, manipulação mais fácil e solução mais rápida, mas é menos
representativo do problema real e pode produzir resultados imprecisos. No entanto, um
modelo mais simples geralmente requer menos dados ou os dados são agregados e mais
fáceis de obter.
O processo de modelagem é uma combinação de arte e ciência. Como ciência, exis-
tem muitas classes de modelos padrão disponíveis e, com a prática, um analista pode
determinar qual delas é aplicável a uma determinada situação. Como arte, criatividade e
sutileza são necessárias ao determinar quais suposições simplificadoras podem funcionar,
como combinar recursos apropriados das classes de modelo e como integrar modelos para
obter soluções válidas. Os modelos têm variáveis de decisão que descrevem as alternativas
entre as quais um gerente deve escolher (por exemplo, quantos carros entregar a uma
agência de aluguel específica, como anunciar em horários específicos, qual servidor da
 13

Web comprar ou alugar), uma variável de resultado ou um conjunto de variáveis de resul-

tado (por exemplo, lucro, receita, vendas) que descreve o objetivo ou meta do problema
de tomada de decisão e variáveis ou parâmetros incontroláveis (por exemplo, condições
econômicas) que descrevem o ambiente. O processo de modelagem envolve determinar as
relações (geralmente matemáticas, às vezes simbólicas) entre as variáveis.

1.4.4 Seleção de um Princípio de Escolha

Um princípio de escolha é um critério que descreve a aceitabilidade de uma abordagem

de solução. Em um modelo, é uma variável de resultado. Selecionar um princípio de
escolha não faz parte da fase de escolha, mas envolve como uma pessoa estabelece o (s)
objetivo (s) de tomada de decisão e os incorpora no (s) modelo (s). Estamos dispostos a
assumir um alto risco ou preferimos uma abordagem de baixo risco? Estamos tentando
otimizar ou satisfazer? Também é importante reconhecer a diferença entre um critério
e uma restrição. Entre os muitos princípios de escolha, normativo e descritivo são de
importância primordial.

1.4.5 Modelos Normativos

Modelos normativos são modelos em que a alternativa escolhida é comprovadamente a

melhor de todas as alternativas possíveis. Para encontrá-lo, o tomador de decisão deve
examinar todas as alternativas e provar que aquela selecionada é de fato a melhor, que é
o que a pessoa normalmente desejaria. Este processo é basicamente otimização. Normal-
mente, esse é o objetivo do que chamamos de análise prescritiva. Em termos operacionais,
a otimização pode ser alcançada de uma das três maneiras:

1. Obtenha o mais alto nível de cumprimento de metas de um determinado conjunto

de recursos. Por exemplo, qual alternativa produzirá o lucro máximo de um inves-
timento de $ 10 milhões?

2. Encontre a alternativa com a maior proporção entre o alcance da meta e o custo

(por exemplo, lucro por dólar investido) ou maximize a produtividade.

3. Encontre a alternativa com o menor custo (ou a menor quantidade de outros re-
cursos) que atenderá a um nível aceitável de metas. Por exemplo, se sua tarefa é
selecionar hardware para uma intranet com largura de banda mínima, qual alterna-
tiva alcançará esse objetivo com o menor custo?

A teoria da decisão normativa é baseada nas seguintes suposições de tomadores de

decisão racionais:
 14

• Humanos são seres econômicos cujo objetivo é maximizar o alcance de metas; ou

seja, o tomador de decisão é racional. (Mais de uma coisa boa [receita, diversão] é
melhor do que menos; menos de uma coisa ruim [custo, dor] é melhor do que mais.)

• Para uma situação de tomada de decisão, todos os cursos de ação alternativos viáveis
e suas consequências, ou pelo menos a probabilidade e os valores das consequências,
são conhecidos.

• Os tomadores de decisão têm uma ordem ou preferência que lhes permite classificar
a conveniência de todas as consequências da análise (da melhor para a pior).

Os tomadores de decisão são realmente racionais? Embora possa haver grandes ano-
malias na suposta racionalidade do comportamento financeiro e econômico, entendemos
que elas podem ser causadas por incompetência, falta de conhecimento, objetivos múl-
tiplos sendo enquadrados de forma inadequada, incompreensão da utilidade esperada de
um tomador de decisão e tempo impactos de pressão. Existem outras anomalias, muitas
vezes causadas pela pressão do tempo. Por exemplo, Stewart (2002) descreveu vários pes-
quisadores trabalhando com tomada de decisão intuitiva. A ideia de “pensar com seus
instintos” é obviamente uma abordagem heurística para a tomada de decisão. Funciona
bem para bombeiros e militares no campo de batalha. Um aspecto crítico da tomada
de decisão neste modo é que muitos cenários foram pensados com antecedência. Mesmo
quando uma situação é nova, ela pode ser rapidamente combinada com uma existente e
uma solução razoável pode ser obtida (por meio do reconhecimento de padrões). Luce et
al. (2004) descreveu como as emoções afetam a tomada de decisão, e Pauly (2004) discutiu
as inconsistências na tomada de decisão.
Acreditamos que a irracionalidade seja causada pelos fatores listados anteriormente.
Por exemplo, Tversky et al. (1990) investigaram o fenômeno da reversão de preferência,
que é um problema conhecido na aplicação do AHP a problemas. Além disso, algum
critério ou preferência pode ser omitido da análise. Ratner et al. (1999) investigaram
como a variedade pode fazer com que os indivíduos escolham opções menos preferidas,
mesmo que as apreciem menos. Mas sustentamos que a variedade claramente tem valor,
é parte da utilidade do tomador de decisão e é um critério e / ou restrição que deve ser
considerado na tomada de decisão.

1.4.6 Sub-otimização

Por definição, a otimização requer que um tomador de decisão considere o impacto de cada
curso alternativo de ação em toda a organização, porque uma decisão tomada em uma
área pode ter efeitos significativos (positivos ou negativos) em outras áreas. Considere, por
exemplo, um departamento de marketing que implementa um site de comércio eletrônico
(e-commerce). Em poucas horas, os pedidos excedem em muito a capacidade de produção.
 15

O departamento de produção, que planeja sua própria programação, não consegue atender
a demanda. Ele pode se preparar para a maior demanda possível. Idealmente e de forma
independente, o departamento deve produzir apenas alguns produtos em quantidades
extremamente grandes para minimizar os custos de fabricação. No entanto, tal plano pode
resultar em estoques grandes e caros e em dificuldades de marketing causadas pela falta
de uma variedade de produtos, especialmente se os clientes começarem a cancelar pedidos
que não sejam atendidos em tempo hábil. Essa situação ilustra a natureza sequencial da
tomada de decisão.
Do ponto de vista de sistemas, o impacto de cada decisão é avaliado em todo o sistema.
Assim, o departamento de marketing deve fazer seus planos em conjunto com os demais
departamentos. No entanto, tal abordagem pode exigir uma análise complicada, cara e
demorada. Na prática, o desenvolvedor do Sistema de Informação Gerencial pode fechar o
sistema dentro de limites estreitos, considerando apenas a parte da organização em estudo
(o departamento de marketing e / ou produção, neste caso). Ao simplificar, o modelo não
incorpora certos relacionamentos complicados que descrevem as interações com e entre os
outros departamentos. Os outros departamentos podem ser agregados em componentes
de modelo simples. Essa abordagem é chamada de subotimização.
Se uma decisão subótima for tomada em uma parte da organização sem considerar os
detalhes do resto da organização, uma solução ótima do ponto de vista dessa parte pode ser
inferior para o todo. No entanto, a subotimização ainda pode ser uma abordagem muito
prática para a tomada de decisão, e muitos problemas são primeiramente abordados a
partir dessa perspectiva. É possível chegar a conclusões provisórias (e resultados geral-
mente utilizáveis) analisando apenas uma parte de um sistema, sem se prender a muitos
detalhes. Depois que uma solução é proposta, seus efeitos potenciais nos departamentos
restantes da organização podem ser testados. Se nenhum efeito negativo significativo for
encontrado, a solução pode ser implementada.
A subotimização também pode ser aplicada quando suposições simplificadas são usa-
das na modelagem de um problema específico. Pode haver muitos detalhes ou muitos dados
para incorporar em uma situação específica de tomada de decisão e, portanto, nem todos
eles são usados no modelo. Se a solução do modelo parecer razoável, ela pode ser válida
para o problema e assim ser adotada. Por exemplo, em um departamento de produção,
as peças são freqüentemente divididas em categorias de estoque A / B / C. Geralmente,
os itens A (por exemplo, engrenagens grandes, conjuntos inteiros) são caros (digamos, $
3.000 ou mais cada), construídos sob encomenda em pequenos lotes e inventariados em
pequenas quantidades; Os itens C (por exemplo, porcas, parafusos, parafusos) são muito
baratos (digamos, menos de US$ 2) e solicitados e usados em grandes quantidades; e os
itens B ficam no meio. Todos os itens A podem ser tratados por um modelo de programa-
ção detalhado e monitorados fisicamente de perto pela gerência; Os itens B são geralmente
um tanto agregados, seus agrupamentos são programados e a administração analisa essas
 16

partes com menos frequência; e os itens C não são programados, mas simplesmente ad-
quiridos ou construídos com base em uma política definida pela administração com um
sistema de pedido de quantidade de pedido econômico simples (LEC/LEF, Lote Econô-
mico de Compra ou Fabricação) que assume uma demanda anual constante. A política
pode ser revisada uma vez por ano. Essa situação se aplica quando a determinação de
todos os critérios ou a modelagem de todo o problema se torna proibitivamente demorada
ou cara.
A subotimização também pode envolver simplesmente limitar a busca por um ótimo
(por exemplo, por uma heurística) considerando menos critérios ou alternativas ou eli-
minando grandes porções do problema da avaliação. Se demorar muito para resolver um
problema, uma solução suficientemente boa já encontrada pode ser usada e o esforço de
otimização encerrado.

1.4.7 Modelos Descritivos

Os modelos descritivos descrevem as coisas como são ou como se acredita que sejam. Esses
modelos são tipicamente baseados em matemática. Modelos descritivos são extremamente
úteis em SAD para investigar as consequências de vários cursos alternativos de ação sob
diferentes configurações de entradas e processos. No entanto, como uma análise descritiva
verifica o desempenho do sistema para um determinado conjunto de alternativas (em vez
de para todas as alternativas), não há garantia de que uma alternativa selecionada com o
auxílio da análise descritiva seja ótima. Em muitos casos, é apenas satisfatório.
A simulação é provavelmente o método de modelagem descritiva mais comum. A simu-
lação é a imitação da realidade e tem sido aplicada a muitas áreas de tomada de decisão.
Os jogos de computador e de vídeo são uma forma de simulação: uma realidade artificial é
criada e o jogador vive dentro dela. A realidade virtual também é uma forma de simulação
porque o ambiente é simulado, não real. Um uso comum de simulação é na fabricação.
Novamente, considere o departamento de produção de uma empresa com complicações
causadas pelo departamento de marketing. As características de cada máquina em uma
oficina ao longo da cadeia de abastecimento podem ser descritas matematicamente. Re-
lacionamentos podem ser estabelecidos com base em como cada máquina funciona fisi-
camente e se relaciona com outras. Dado um cronograma de teste de lotes de peças, é
possível medir como os lotes fluem pelo sistema e usar as estatísticas de cada máquina.
Programações alternativas podem ser tentadas e as estatísticas registradas até que uma
programação razoável seja encontrada. O marketing pode examinar os padrões de acesso
e compra em seu site. A simulação pode ser usada para determinar como estruturar um
site para melhorar o desempenho e estimar compras futuras. Ambos os departamentos
podem, portanto, usar principalmente métodos de modelagem experimental.
As classes de modelos descritivos incluem o seguinte:
 17

• Decisões de inventário complexas

• Análise de impacto ambiental

• Planejamento financeiro

• Fluxo de informações

• Análise de Markov (previsões)

• Análise de cenário

• Simulação (tipos alternativos)

• Previsão tecnológica

• Gerenciamento da linha de espera (enfileiramento)

Vários modelos descritivos não matemáticos estão disponíveis para a tomada de deci-
são. Um é o mapa cognitivo (ver Eden e Ackermann, 2002; e Jenkins, 2002). Um mapa
cognitivo pode ajudar um tomador de decisão a esboçar os fatores qualitativos importan-
tes e suas relações causais em uma situação complicada de tomada de decisão. Isso ajuda
o tomador de decisão (ou grupo de tomada de decisão) a focar no que é relevante e no
que não é, e o mapa evolui à medida que se aprende mais sobre o problema. O mapa
pode ajudar o tomador de decisão a entender melhor as questões, focar melhor e chegar
ao fechamento. Uma ferramenta de software interessante para mapeamento cognitivo é o
Decision Explorer da Banxia Software Ltd. ([Link]; experimente a demonstração).
Outro modelo descritivo de tomada de decisão é o uso de narrativas para descrever
uma situação de tomada de decisão. Uma narrativa é uma história que ajuda o tomador de
decisão a descobrir os aspectos importantes da situação e leva a uma melhor compreensão
e enquadramento. Isso é extremamente eficaz quando um grupo está tomando uma decisão
e pode levar a um ponto de vista mais comum, também chamado de quadro. Os júris em
julgamentos geralmente usam abordagens baseadas em narrativas para chegar a veredictos
(ver Allan, Frame e Turney, 2003; Beach, 2005; e Denning, 2000).

1.4.8 Bom o Suficiente ou Satisfatório

De acordo com Simon (1977), a maior parte da tomada de decisão humana, seja organi-
zacional ou individual, envolve a disposição de se contentar com uma solução satisfatória,
“algo menos que o melhor”. Ao satisfatório, o tomador de decisão estabelece uma aspi-
ração, uma meta ou um nível desejado de desempenho e então busca as alternativas até
encontrar uma que atinja esse nível. As razões usuais para satisfatório são pressões de
tempo (por exemplo, as decisões podem perder valor ao longo do tempo), a capacidade
de alcançar a otimização (por exemplo, resolver alguns modelos pode levar muito tempo,
 18

e o reconhecimento de que o benefício marginal de uma solução melhor não vale a pena
o custo marginal para obtê-lo (por exemplo, ao pesquisar na Internet, você pode olhar
apenas alguns sites da Web antes de ficar sem tempo e energia). Em tal situação, o to-
mador de decisão está se comportando racionalmente, embora na realidade ele ou ela está
satisficing. Essencialmente, satisfatório é uma forma de subotimização. Pode haver uma
melhor solução, um ótimo, mas seria difícil, se não impossível, alcançá-lo. Com um modelo
normativo, muitos cálculos podem estar envolvidos; um modelo descritivo, pode não ser
possível avaliar todos os conjuntos de alternativas.
Relacionado ao bom o suficiente ou satisfatório está a ideia de Simon de racionalidade
limitada. Os humanos têm uma capacidade limitada de pensamento racional; eles geral-
mente constroem e analisam um modelo simplificado de uma situação real considerando
menos alternativas, critérios e / ou restrições do que realmente existem. Seu comporta-
mento em relação ao modelo simplificado pode ser racional. No entanto, a solução racional
para o modelo simplificado pode não ser racional para o problema do mundo real. A racio-
nalidade é limitada não apenas por limitações nas capacidades de processamento humano,
mas também por diferenças individuais, como idade, educação, conhecimento e atitudes.
A racionalidade limitada também é a razão pela qual muitos modelos são descritivos em
vez de normativos. Isso também pode explicar por que tantos bons gerentes confiam na
intuição, um aspecto importante da boa tomada de decisão (ver Stewart, 2002; e Pauly,
2004).
Como a racionalidade e o uso de modelos normativos levam a boas decisões, é natural
perguntar por que tantas decisões ruins são tomadas na prática. A intuição é um fator
crítico que os tomadores de decisão usam na solução de problemas não estruturados
e semiestruturados. Os melhores tomadores de decisão reconhecem o trade-off entre o
custo marginal de obter mais informações e análises versus o benefício de tomar uma
decisão melhor. Mas às vezes as decisões devem ser tomadas rapidamente e, idealmente,
a intuição de um tomador de decisões experiente e excelente é necessária. Quando não
há planejamento, financiamento ou informações adequadas disponíveis, ou quando um
tomador de decisões é inexperiente ou mal treinado, pode ocorrer um desastre.

1.4.9 Desenvolvendo (Gerando) Alternativas

Uma parte significativa do processo de construção de modelos é gerar alternativas. Em

modelos de otimização (como programação linear), as alternativas podem ser geradas
automaticamente pelo modelo. Na maioria das situações de decisão, entretanto, é neces-
sário gerar alternativas manualmente. Este pode ser um processo demorado que envolve
pesquisa e criatividade, talvez utilizando brainstorming eletrônico em um GSS (Group
Support System). Leva tempo e custa dinheiro. Questões como quando parar de gerar
alternativas podem ser muito importantes. Muitas alternativas podem ser prejudiciais ao
processo de tomada de decisão. Um tomador de decisão pode sofrer com a sobrecarga de
 19

informações.
A geração de alternativas depende muito da disponibilidade e do custo das informações
e requer experiência na área do problema. Este é o aspecto menos formal da solução de
problemas. Alternativas podem ser geradas e avaliadas usando heurísticas. A geração de
alternativas de indivíduos ou grupos pode ser apoiada por software de brainstorming
eletrônico em um GSS baseado na web.
Observe que a busca por alternativas geralmente ocorre depois que os critérios de
avaliação das alternativas são determinados. Essa sequência pode facilitar a busca por
alternativas e reduzir o esforço envolvido em avaliá-las, mas a identificação de alternativas
potenciais pode, às vezes, auxiliar na identificação de critérios.
O resultado de cada alternativa proposta deve ser estabelecido. Dependendo se o
problema de tomada de decisão é classificado como um de certeza, risco ou incerteza,
diferentes abordagens de modelagem podem ser usadas (ver Drummond, 2001; e Koller,
2000).

1.4.10 Medindo as Consequências

O valor de uma alternativa é avaliado em termos de cumprimento de metas. Às vezes,

um resultado é expresso diretamente em termos de uma meta. Por exemplo, o lucro é
um resultado, a maximização do lucro é uma meta e ambos são expressos em dólares.
Um resultado como a satisfação do cliente pode ser medido pelo número de reclamações,
pelo nível de lealdade a um produto ou por classificações encontradas em pesquisas.
Idealmente, um tomador de decisão desejaria lidar com um único objetivo, mas, na prática,
não é incomum ter vários objetivos (ver Barba-Romero, 2001; e Koksalan e Zionts, 2001).
Quando os grupos tomam decisões, cada participante do grupo pode ter uma agenda
diferente. Por exemplo, os executivos podem querer maximizar o lucro, o marketing pode
querer maximizar a penetração no mercado, as operações podem querer minimizar os
custos e os acionistas podem querer maximizar os resultados financeiros. Normalmente,
esses objetivos são conflitantes, então metodologias especiais de critérios múltiplos foram
desenvolvidas para lidar com isso.

1.4.11 Risco

Todas as decisões são tomadas em um ambiente inerentemente instável. Isso se deve aos
muitos eventos imprevisíveis nos ambientes econômico e físico. Alguns riscos (medidos
como probabilidade) podem ser devido a eventos organizacionais internos, como um fun-
cionário valioso se demitir ou adoecer, enquanto outros podem ser devido a desastres
naturais, como um furacão. Além do pedágio humano, um aspecto econômico do furacão
Katrina foi que o preço de um galão de gasolina dobrou da noite para o dia devido à
incerteza nas capacidades portuárias, refino e oleodutos do sul dos Estados Unidos. O que
um tomador de decisão pode fazer em face de tal instabilidade?
 20

Em geral, as pessoas tendem a medir a incerteza e arriscar mal. Purdy (2005) disse
que as pessoas tendem a ser excessivamente confiantes e têm uma ilusão de controle na
tomada de decisões. Os resultados dos experimentos de Adam Goodie, da University of
Georgia, indicam que a maioria das pessoas tem excesso de confiança na maior parte do
tempo (Goodie, 2004). Isso pode explicar por que as pessoas muitas vezes acham que mais
uma vez na máquina caça-níqueis valerá a pena.
No entanto, existem metodologias para lidar com a incerteza extrema. Por exemplo,
Yakov (2001) descreveu uma maneira de tomar boas decisões com base em muito pouca
informação, usando uma abordagem de teoria e metodologia de lacuna de informação.
Além de estimar a utilidade ou valor potencial do resultado de uma decisão particular, os
melhores tomadores de decisão são capazes de estimar com precisão o risco associado aos
resultados que resultam da tomada de cada decisão. Assim, uma tarefa importante de um
tomador de decisão é atribuir um nível de risco ao resultado associado a cada alternativa
potencial considerada. Algumas decisões podem levar a riscos inaceitáveis em termos de
sucesso e, portanto, podem ser descartadas ou descontadas imediatamente.
Em alguns casos, algumas decisões são tomadas sob condições de certeza simplesmente
porque o ambiente é considerado estável. Outras decisões são tomadas em condições de
incerteza, onde o risco é desconhecido. Ainda assim, um bom tomador de decisões pode
fazer estimativas de risco de trabalho. Além disso, o processo de desenvolvimento de BI
/ SAD envolve aprender mais sobre a situação, o que leva a uma avaliação mais precisa
dos riscos.

1.4.12 Cenários

Um cenário é uma declaração de suposições sobre o ambiente operacional de um sistema

específico em um determinado momento; ou seja, é uma descrição narrativa do cenário da
situação de decisão. Um cenário descreve a decisão e as variáveis e parâmetros incontrolá-
veis para uma situação de modelagem específica. Também pode fornecer os procedimentos
e restrições para a modelagem.
Os cenários se originaram no teatro, e o termo foi emprestado para jogos de guerra
e simulações em grande escala. O planejamento e análise de cenários é uma ferramenta
SAD que pode capturar uma ampla gama de possibilidades. Um gerente pode construir
uma série de cenários (ou seja, casos hipotéticos), realizar análises computadorizadas e
aprender mais sobre o sistema e o problema de tomada de decisão enquanto o analisa.
Idealmente, o gerente pode identificar uma solução excelente, possivelmente ótima, para
o modelo do problema.
Os cenários são especialmente úteis em simulações e análises what-if. Em ambos os
casos, mudamos os cenários e examinamos os resultados. Por exemplo, podemos alterar
a demanda antecipada de internação (variável de entrada para o planejamento), criando
 21

assim um novo cenário. Então, podemos medir o fluxo de caixa previsto do hospital para
cada cenário.
Os cenários desempenham um papel importante na tomada de decisões porque:

• Ajudar a identificar oportunidades e áreas problemáticas

• Fornece flexibilidade no planejamento

• Identificar as principais mudanças que a gestão deve monitorar

• Ajuda a validar as principais premissas de modelagem

• Permitir que o tomador de decisão explore o comportamento de um sistema por

meio de um modelo

• Ajudar a verificar a sensibilidade das soluções propostas às mudanças no ambiente,

conforme descrito pelo cenário

1.4.13 Possíveis Cenários

Pode haver milhares de cenários possíveis para cada situação de decisão. No entanto, os
itens a seguir são especialmente úteis na prática:

• O pior cenário possível

• O melhor cenário possível

• O cenário mais provável

• O cenário médio

O cenário determina o contexto da análise a ser realizada.

1.4.14 Erros em Tomadas de Decisão

O modelo é um componente crítico no processo de tomada de decisão, mas um tomador

de decisão pode cometer vários erros em seu desenvolvimento e uso. Validar o modelo
antes de ser usado é fundamental. Coletar a quantidade certa de informações, com o nível
certo de precisão e exatidão, para incorporar ao processo de tomada de decisão também é
fundamental. Sawyer (1999) descreveu “os sete pecados capitais da tomada de decisão”,
a maioria dos quais está relacionada a comportamento ou informações.
 22

1.5 TOMADA DE DECISÃO: A FASE DE ESCOLHA

A escolha é o ato crítico da tomada de decisão. A fase de escolha é aquela em que a decisão
real e o compromisso de seguir um determinado curso de ação são feitos. O limite entre
as fases de design e escolha muitas vezes não é claro porque certas atividades podem ser
realizadas durante ambas e porque o tomador de decisão pode retornar frequentemente das
atividades de escolha para as atividades de design (por exemplo, gerar novas alternativas
enquanto realiza uma avaliação das existentes). A fase de escolha inclui a busca, avaliação e
recomendação de uma solução apropriada para um modelo. Uma solução para um modelo
é um conjunto específico de valores para as variáveis de decisão em uma alternativa
selecionada. As escolhas podem ser avaliadas quanto à sua viabilidade e lucratividade.
Observe que resolver um modelo não é o mesmo que resolver o problema que o modelo
representa. A solução para o modelo produz uma solução recomendada para o problema.
O problema é considerado resolvido apenas se a solução recomendada for implementada
com sucesso.
Resolver um modelo de tomada de decisão envolve a busca por um curso de ação
apropriado. As abordagens de pesquisa incluem técnicas analíticas (ou seja, resolver uma
fórmula), algoritmos (ou seja, procedimentos passo a passo), heurísticas (ou seja, regras
práticas) e pesquisas cegas (ou seja, atirar no escuro, idealmente de forma lógica).
Cada alternativa deve ser avaliada. Se uma alternativa tiver vários objetivos, todos
devem ser examinados e comparados uns com os outros. A análise de sensibilidade é
usada para determinar a robustez de qualquer alternativa dada; Pequenas mudanças nos
parâmetros devem, idealmente, levar a pequenas ou nenhuma mudança na alternativa
escolhida. A análise what-if é usada para explorar as principais mudanças nos parâmetros.
A busca de metas ajuda um gerente a determinar os valores das variáveis de decisão para
atender a um objetivo específico.

1.6 TOMADA DE DECISÃO: A FASE DE IMPLEMENTAÇÃO

Em O Príncipe, Maquiavel observou astutamente cerca de 500 anos atrás que não havia
"nada mais difícil de realizar, nem mais duvidoso de sucesso, nem mais perigoso de mane-
jar, do que iniciar uma nova ordem de coisas". A implementação de uma solução proposta
para um problema é, com efeito, o início de uma nova ordem de coisas ou a introdução
de mudanças. E a mudança deve ser gerenciada. As expectativas do usuário devem ser
gerenciadas como parte do gerenciamento de mudanças.
A definição de implementação é um tanto complicada porque a implementação é um
processo longo e complicado com limites vagos. De forma simplista, a fase de imple-
mentação envolve colocar uma solução recomendada para funcionar, não necessariamente
implementar um sistema de computador. Muitos problemas de implementação genéricos,
como resistência à mudança, grau de suporte da alta administração e treinamento do
 23

usuário, são importantes para lidar com a tomada de decisão com suporte do sistema de
informações. Na verdade, muitas ondas anteriores relacionadas à tecnologia (por exemplo,
reengenharia de processos de negócios (BPR - Business Process Reengineering), gestão do
conhecimento, etc.) enfrentaram resultados mistos principalmente por causa dos desafios e
problemas de gestão de mudança. A gestão da mudança é quase uma disciplina inteira em
si mesma, por isso reconhecemos sua importância e incentivamos os leitores a se concen-
trarem nela de forma independente. A implementação também inclui uma compreensão
completa do gerenciamento de projetos. A importância do gerenciamento de projetos vai
muito além da análise, portanto, os últimos anos testemunharam um grande crescimento
nos programas de certificação para gerentes de projeto. Uma certificação muito popular
agora é Project Management Professional (PMP). Veja [Link] para mais detalhes.
A implementação também deve envolver a coleta e análise de dados para aprender
com as decisões anteriores e melhorar a próxima decisão. Embora a análise de dados ge-
ralmente seja conduzida para identificar o problema e / ou a solução, a análise também
deve ser empregada no processo de feedback. Isso é especialmente verdadeiro para quais-
quer decisões de política pública. Precisamos ter certeza de que os dados usados para
identificação do problema são válidos. Às vezes, as pessoas descobrem isso apenas após a
fase de implementação.
O processo de tomada de decisão, embora conduzido por pessoas, pode ser aprimorado
com o suporte de informática, que é o assunto da próxima seção.

1.7 COMO AS DECISÕES RECEBEM APOIO

Aqui, relacionamos tecnologias específicas ao processo de tomada de decisão, ver Figura

3. Bancos de dados, data marts e, especialmente, data warehouses são tecnologias im-
portantes no suporte a todas as fases da tomada de decisão. Eles fornecem os dados que
orientam a tomada de decisões.

1.7.1 Apoio para a Fase de Inteligência

O principal requisito do suporte à decisão para a fase de inteligência é a capacidade de

examinar fontes de informações externas e internas em busca de oportunidades e pro-
blemas e de interpretar o que a varredura descobre. Ferramentas e fontes da Web são
extremamente úteis para varredura ambiental. Os navegadores da Web fornecem interfa-
ces úteis para uma variedade de ferramentas, de OLAP a data mining e data warehouses.
As fontes de dados podem ser internas ou externas. Fontes internas podem ser acessíveis
por meio de uma intranet corporativa. As fontes externas são muitas e variadas.
As tecnologias de suporte à decisão / BI podem ser muito úteis. Por exemplo, um
data warehouse pode suportar a fase de inteligência monitorando continuamente as infor-
mações internas e externas, procurando por sinais iniciais de problemas e oportunidades
 24

Figura 3 – Apoio SAD. Adaptado de Sharda et al (2014)

por meio de um portal de informações corporativas baseado na Web (também chamado

de painel). Da mesma forma, mineração (automática) de dados (e Web) (que pode incluir
sistemas especialistas [ES], CRM, algoritmos genéticos, redes neurais e outros sistemas
analíticos) e OLAP (manual) também apóiam a fase de inteligência, identificando rela-
ções entre atividades e outros fatores. Os sistemas de informação geográfica (GIS) podem
ser utilizados como sistemas autônomos ou integrados a esses sistemas, de modo que um
tomador de decisão possa determinar oportunidades e problemas em um sentido espa-
cial. Esses relacionamentos podem ser explorados para obter vantagem competitiva (por
exemplo, CRM identifica classes de clientes para abordar com produtos e serviços espe-
cíficos). Um KMS pode ser usado para identificar situações passadas semelhantes e como
elas foram tratadas. O GSS pode ser usado para compartilhar informações e para fazer
um brainstorming. Até mesmo dados de telefones celulares e GPS podem ser capturados
para criar uma microvisão dos clientes e seus hábitos.
Outro aspecto da identificação de problemas e recursos internos envolve o monito-
ramento do status atual das operações. Quando algo dá errado, pode ser identificado
rapidamente e o problema pode ser resolvido. Ferramentas como monitoramento de ati-
vidades de negócios, gerenciamento de processos de negócios (BPM) e gerenciamento do
ciclo de vida do produto fornecem essa capacidade aos tomadores de decisão. Os relatórios
de rotina e ad hoc podem ajudar na fase de inteligência. Por exemplo, relatórios regulares
podem ser elaborados para auxiliar na atividade de localização de problemas, comparando
as expectativas com o desempenho atual e projetado. As ferramentas OLAP baseadas na
Web são excelentes nessa tarefa. O mesmo ocorre com as ferramentas de visualização e
 25

os sistemas eletrônicos de gerenciamento de documentos.

Os sistemas especialistas, em contraste, podem fornecer conselhos sobre a natureza
de um problema, sua classificação, sua seriedade e assim por diante. ES pode aconselhar
sobre a adequação de uma abordagem de solução e a probabilidade de resolver o problema
com sucesso. Uma das principais áreas de sucesso do ES é a interpretação de informações
e o diagnóstico de problemas. Essa capacidade pode ser explorada na fase de inteligência.
Até mesmo agentes inteligentes podem ser usados para identificar oportunidades.
Muitas das informações usadas na busca de novas oportunidades são qualitativas ou le-
ves. Isso indica um alto nível de desestruturação dos problemas, tornando o SAD bastante
útil na fase de inteligência.
A Internet e as tecnologias avançadas de banco de dados criaram um excesso de dados
e informações disponíveis para os tomadores de decisão - tanto que podem prejudicar a
qualidade e a velocidade da tomada de decisões. É importante reconhecer alguns pro-
blemas no uso de ferramentas de dados e análises para a tomada de decisões. Primeiro,
parafraseando o grande jogador do beisebol Vin Scully, “os dados devem ser usados da
mesma forma que um bêbado usa um poste de luz. Para suporte, não para iluminação. ”
Isso é especialmente verdadeiro quando o foco está na compreensão do problema. Deve-
mos reconhecer que nem todos os dados que podem ajudar a entender o problema estão
disponíveis. Para citar Einstein, “Nem tudo o que importa pode ser contado, e nem tudo
o que pode ser contado importa”. Pode haver outros problemas que também devem ser
reconhecidos.

1.7.2 Fases de Apoio ao Design

A fase de design envolve a geração de cursos de ação alternativos, discutindo os critérios

para as escolhas e sua importância relativa e prevendo as consequências futuras do uso
de vários alternativas. Várias dessas atividades podem usar modelos padrão fornecidos
por um SAD (por exemplo, modelos financeiros e de previsão, disponíveis como applets).
Alternativas para problemas estruturados podem ser geradas por meio do uso de modelos
padrão ou especiais.
No entanto, a geração de alternativas para problemas complexos requer conhecimen-
tos que podem ser fornecidos apenas por um ser humano, software de brainstorming ou
um sistema especialista. OLAP e software de mineração de dados são bastante úteis na
identificação de relacionamentos que podem ser usados em modelos. A maioria dos SAD
tem recursos de análise quantitativa e um sistema especialista interno pode ajudar com
métodos qualitativos, bem como com a experiência necessária na seleção de modelos de
previsão e análise quantitativa. Um KMS certamente deve ser consultado para determinar
se esse problema foi encontrado antes ou se há especialistas disponíveis que podem forne-
cer uma compreensão e respostas rápidas. Os sistemas CRM, sistemas de gerenciamento
de receita, ERP e sistemas para gestão da cadeia de suprimentos (SCM, Supply Chain
 26

Management) são úteis porque fornecem modelos de processos de negócios que podem
testar suposições e cenários. Se um problema exigir brainstorming para ajudar a iden-
tificar questões e opções importantes, um GSS pode ser útil. Ferramentas que fornecem
mapeamento cognitivo também podem ajudar. Cohen et al. (2001) descreveram várias
ferramentas baseadas na Web que fornecem suporte à decisão, principalmente na fase de
design, fornecendo modelos e relatórios de resultados alternativos. Cada um de seus ca-
sos economizou milhões de dólares anualmente com a utilização dessas ferramentas. Esses
SAD estão ajudando engenheiros no projeto de produtos, bem como tomadores de decisão
na solução de problemas de negócios.

1.7.3 Apoio à Fase de Escolha

Além de fornecer modelos que identificam rapidamente uma alternativa melhor ou boa o
suficiente, um SAD pode dar suporte à fase de escolha por meio de análises hipotéticas e
de busca de metas. Diferentes cenários podem ser testados para a opção selecionada para
reforçar a decisão final. Novamente, um KMS ajuda a identificar experiências anteriores
semelhantes. Os sistemas CRM, ERP e SCM são usados para testar os impactos das
decisões no estabelecimento de seu valor, levando a uma escolha inteligente. Um sistema
especialista pode ser usado para avaliar a conveniência de certas soluções, bem como
para recomendar uma solução apropriada. Se um grupo toma uma decisão, um GSS pode
fornecer suporte para levar ao consenso.

1.7.4 Apoio à Fase de Implementação

É aqui que ocorre a “tomada de decisão”. Os benefícios do SAD fornecidos durante a

implementação podem ser tão ou mais importantes do que os das fases anteriores. O
SAD pode ser usado em atividades de implementação, como comunicação, explicação e
justificativa de decisões.
Os benefícios do SAD da fase de implementação devem-se em parte à vivacidade e ao
detalhe das análises e relatórios. Por exemplo, um CEO fornece aos funcionários e partes
externas não apenas as metas financeiras agregadas e as necessidades de caixa para o
curto prazo, mas também os cálculos, resultados intermediários e estatísticas usadas na
determinação dos números agregados. Além de comunicar as metas financeiras de forma
inequívoca, o CEO sinaliza outras mensagens. Os funcionários sabem que o CEO conside-
rou as premissas por trás das metas financeiras e leva a sério sua importância e capacidade
de realização. Banqueiros e diretores são mostrados que o CEO esteve pessoalmente en-
volvido na análise das necessidades de caixa e está ciente e responsável pelas implicações
dos pedidos de financiamento elaborados pelo departamento financeiro. Cada uma dessas
mensagens melhora a implementação da decisão de alguma forma.
Conforme mencionado anteriormente, os sistemas de relatórios e outras ferramentas
rotuladas de maneira variada como BAM, BPM, KMS, EIS, ERP, CRM e SCM são
 27

úteis para rastrear o funcionamento de uma implementação. GSS é útil para uma equipe
colaborar no estabelecimento da eficácia da implementação. Por exemplo, uma decisão
pode ser tomada para se livrar de clientes não lucrativos. Um CRM eficaz pode identificar
classes de clientes dos quais se livrar, identificar o impacto de fazer isso e, em seguida,
verificar se realmente funcionou dessa forma.
Todas as fases do processo de tomada de decisão podem ser apoiadas por comunicação
aprimorada por meio de computação colaborativa via GSS e KMS. Os sistemas computa-
dorizados podem facilitar a comunicação, ajudando as pessoas a explicar e justificar suas
sugestões e opiniões.
A implementação da decisão também pode ser apoiada pelo sistema especialista. Um
sistema especialista pode ser usado como um sistema de aconselhamento sobre problemas
de implementação (como lidar com a resistência à mudança). Finalmente, um sistema
especialista pode fornecer treinamento que pode facilitar o curso da implementação.
Os impactos ao longo da cadeia de valor, embora relatados por um EIS por meio de
um portal de informações corporativas baseado na Web, são normalmente identificados
por sistemas BAM, BPM, SCM e ERP. Os sistemas de CRM reportam e atualizam os
registros internos, com base nos impactos da implantação. Essas entradas são então usadas
para identificar novos problemas e oportunidades - um retorno à fase de inteligência.

1.8 SISTEMAS DE SUPORTE À DECISÃO: CAPACIDADES

As primeiras definições de um SAD identificaram-no como um sistema destinado a apoiar

os tomadores de decisão gerencial em situações de decisão semiestruturadas e não es-
truturadas. Os SAD deveriam ser auxiliares dos tomadores de decisão, estendendo suas
capacidades, mas não substituindo seu julgamento. Eles visavam a decisões que exigiam
julgamento ou a decisões que não podiam ser totalmente suportadas por algoritmos. Não
declarado especificamente, mas implícito nas definições iniciais, estava a noção de que o
sistema seria baseado em computador, operaria interativamente online e, de preferência,
teria recursos de saída gráfica, agora simplificados por meio de navegadores e dispositivos
móveis.

1.8.1 Um Aplicativo SAD

Um SAD normalmente é construído para dar suporte à solução de um determinado pro-

blema ou para avaliar uma oportunidade. Esta é a principal diferença entre os aplicativos
SAD e BI. Em sentido estrito, os sistemas de business intelligence (BI) monitoram si-
tuações e identificam problemas e / ou oportunidades, por meio de métodos analíticos.
Os relatórios desempenham um papel importante no BI; o usuário geralmente deve iden-
tificar se uma situação particular requer atenção e, então, os métodos analíticos podem
ser aplicados. Novamente, embora os modelos e o acesso a dados (geralmente por meio
 28

de um data warehouse) estejam incluídos no BI, o SAD normalmente tem seus próprios
bancos de dados e são desenvolvidos para resolver um problema específico ou conjunto de
problemas. Eles são, portanto, chamados de aplicativos SAD.
Formalmente, um SAD é uma abordagem (ou metodologia) para apoiar a tomada de
decisão. Ele usa um sistema de informação baseado em computador interativo, flexível e
adaptável, desenvolvido especialmente para apoiar a solução de um problema específico
de gestão não estruturada. Ele usa dados, fornece uma interface de usuário fácil e pode
incorporar os próprios insights do tomador de decisão. Além disso, um SAD inclui modelos
e é desenvolvido (possivelmente por usuários finais) por meio de um processo interativo e
iterativo. Pode apoiar todas as fases da tomada de decisão e pode incluir um componente
de conhecimento. Finalmente, um SAD pode ser usado por um único usuário ou pode ser
baseado na Web para uso por muitas pessoas em vários locais.
Como não há consenso sobre exatamente o que é um SAD, obviamente não há acordo
sobre as características e recursos padrão do SAD. Os recursos da Figura 4 constituem
um conjunto ideal, alguns dos quais são descritos nas definições de SAD e ilustrados nos
casos de aplicação.
As principais características e recursos do SAD (conforme mostrado na Figura 4) são:

1. Apoio aos tomadores de decisão, principalmente em situações semiestruturadas e

não estruturadas, reunindo julgamento humano e informação informatizada. Esses
problemas não podem ser resolvidos (ou não podem ser resolvidos convenientemente)
por outros sistemas computadorizados ou pelo uso de métodos ou ferramentas quan-
titativas padrão. Geralmente, esses problemas ganham estrutura à medida que o
SAD é desenvolvido. Até mesmo alguns problemas estruturados foram resolvidos
pelo SAD.

2. Suporte para todos os níveis gerenciais, desde altos executivos até gerentes de linha.

3. Suporte para indivíduos e grupos. Problemas menos estruturados geralmente reque-

rem o envolvimento de indivíduos de diferentes departamentos e níveis organizacio-
nais ou mesmo de diferentes organizações. O SAD oferece suporte a equipes virtuais
por meio de ferramentas da Web colaborativas. Os SAD foram desenvolvidos para
apoiar o trabalho individual e em grupo, bem como para apoiar a tomada de decisão
individual e grupos de tomadores de decisão trabalhando de forma independente.

4. Suporte para decisões interdependentes e / ou sequenciais. As decisões podem ser

feitas uma vez, várias vezes ou repetidamente.

5. Apoio em todas as fases do processo de tomada de decisão: inteligência, desenho,

escolha e implementação.

6. Suporte para uma variedade de processos e estilos de tomada de decisão.

 29

Figura 4 – Características-chave e capacidades dos SADs. Adaptado de Sharda et al

(2014)

7. O tomador de decisão deve ser reativo, capaz de enfrentar as mudanças das condi-
ções rapidamente e de adaptar o SAD para atender a essas mudanças. Os SAD são
flexíveis, de modo que os usuários podem adicionar, excluir, combinar, alterar ou re-
organizar elementos básicos. Eles também são flexíveis, pois podem ser prontamente
modificados para resolver outros problemas semelhantes.

8. Facilidade de uso, fortes capacidades gráficas e uma interface homem-máquina inte-

rativa de linguagem natural podem aumentar muito a eficácia do SAD. A maioria
dos novos aplicativos SAD usa interfaces baseadas na Web ou interfaces de plata-
forma móvel.

9. Melhoria da eficácia da tomada de decisão (por exemplo, precisão, oportunidade,

qualidade), em vez de sua eficiência (por exemplo, o custo de tomar decisões).
Quando o SAD é implantado, a tomada de decisões geralmente leva mais tempo,
mas as decisões são melhores.

10. O tomador de decisão tem controle total sobre todas as etapas do processo de tomada
 30

de decisão para resolver um problema. Um SAD visa especificamente apoiar, não

substituir, o tomador de decisão.

11. Os usuários finais podem desenvolver e modificar sistemas simples por conta própria.
Sistemas maiores podem ser construídos com a ajuda de especialistas em sistemas
de informação (SI). Pacotes de planilhas têm sido utilizados no desenvolvimento
de sistemas mais simples. OLAP e software de mineração de dados, em conjunto
com data warehouses, permitem que os usuários construam SAD bastante grandes
e complexos.

12. Os modelos são geralmente utilizados para analisar situações de tomada de decisão.
A capacidade de modelagem permite a experimentação com diferentes estratégias
sob diferentes configurações.

13. O acesso é fornecido a uma variedade de fontes, formatos e tipos de dados, incluindo
GIS, multimídia e dados orientados a objetos.

14. O SAD pode ser empregado como uma ferramenta autônoma usada por um tomador
de decisão individual em um local ou distribuída em uma organização e em várias
organizações ao longo da cadeia de suprimentos. Pode ser integrado a outros SAD
e / ou aplicativos, e pode ser distribuído interna e externamente, usando redes e
tecnologias web.

Essas características e recursos importantes do SAD permitem que os tomadores de

decisão tomem decisões melhores e mais consistentes em tempo hábil e são fornecidas pelos
principais componentes do SAD, que descreveremos depois de discutir várias maneiras de
classificar o SAD (a seguir).

1.9 CLASSIFICAÇÕES DE SAD

Os aplicativos SAD foram classificados de várias maneiras diferentes (ver Power, 2002;
Power e Sharda, 2009). O processo de design, bem como a operação e implementação
do SAD, depende em muitos casos do tipo de SAD envolvido. No entanto, lembre-se de
que nem todo SAD se encaixa perfeitamente em uma categoria. A maioria se encaixa na
classificação fornecida pela Associação para o Grupo de Interesse Especial de Sistemas de
Informação em Sistemas de Apoio à Decisão (AIS SIGSAD). Discutimos essa classificação,
mas também apontamos algumas outras tentativas de classificar SAD.

1.9.1 Classificação da AIS SIGDSS para SAD

O AIS SIDSS <[Link]/group/SIGDSS> adotou um esquema de classificação

conciso para SAD que foi proposto por Power (2002). Inclui as seguintes categorias:
 31

• SAD de grupo e orientado por comunicações (GSS)

• SAD baseado em dados

• SAD orientado a documentos

• SAD orientado ao conhecimento, mineração de dados e aplicativos ES de gerencia-

mento

• SAD baseado em modelo

Também pode haver híbridos que combinam duas ou mais categorias. Estes são cha-
mados SAD composto. Discutimos as categorias principais a seguir.
O SAD de grupo e orientado por comunicações (GSS) inclui SAD que usam tecnologias
de computador, colaboração e comunicação para apoiar grupos em tarefas que podem ou
não incluir a tomada de decisões. Essencialmente, todos os SAD que apóiam qualquer
tipo de trabalho em grupo se enquadram nessa categoria. Eles incluem aqueles que ofere-
cem suporte a reuniões, colaboração de design e até mesmo gerenciamento da cadeia de
suprimentos. Os sistemas de gestão do conhecimento (KMS) desenvolvidos em torno das
comunidades que praticam o trabalho colaborativo também se enquadram nesta categoria.
Os SAD baseados em dados estão principalmente envolvidos com os dados, processando-
os em informações e apresentando as informações a um tomador de decisões. Muitos SAD
desenvolvidos em OLAP e sistemas de software de análise de relatórios se enquadram
nessa categoria. Há uma ênfase mínima no uso de modelos matemáticos.
Nesse tipo de SAD, a organização do banco de dados, geralmente em um data wa-
rehouse, desempenha um papel importante na estrutura do SAD. As primeiras gerações
de SAD orientado a banco de dados usavam principalmente a configuração de banco de
dados relacional. As informações manipuladas por bancos de dados relacionais tendem
a ser volumosas, descritivas e rigidamente estruturadas. Um SAD orientado a banco de
dados apresenta recursos fortes de geração de relatórios e consulta. Na verdade, esta é
principalmente a aplicação atual das ferramentas marcadas sob o guarda-chuva de BI ou
sob o rótulo de relatórios / análise de negócios.
O SAD orientado a documentos depende da codificação, análise, pesquisa e recupera-
ção de conhecimento para suporte à decisão. Eles incluem essencialmente todos os SAD
baseados em texto. A maioria dos KMS se enquadra nesta categoria. Esses SAD também
têm ênfase mínima na utilização de modelos matemáticos. Por exemplo, um sistema que
construímos para o Centro de Munições de Defesa do Exército dos EUA se enquadra nesta
categoria. O principal objetivo do SAD orientado a documentos é fornecer suporte para
a tomada de decisão usando documentos em várias formas: oral, escrita e multimídia.
SAD orientados ao conhecimento, mineração de dados e aplicativos de sistemas es-
pecializados de gerenciamento Esses SAD envolvem a aplicação de tecnologias de conhe-
cimento para atender a necessidades específicas de suporte a decisões. Essencialmente,
 32

todos os SAD baseados em inteligência artificial se enquadram nessa categoria. Quando o

armazenamento simbólico é utilizado em um SAD, geralmente está nesta categoria. ANN
e ES estão incluídos aqui. Como os benefícios desses SAD inteligentes ou SAD baseados
em conhecimento podem ser grandes, as organizações investiram neles. Esses SAD são
utilizados na criação de sistemas automatizados de tomada de decisão. A ideia básica é
que as regras são usadas para automatizar o processo de tomada de decisão. Essas regras
são basicamente um ES ou estruturadas como tal. Isso é importante quando as decisões
devem ser tomadas rapidamente, como em muitas situações de comércio eletrônico.
SAD orientado por modelo As principais ênfases de SAD que são desenvolvidas princi-
palmente em torno de um ou mais modelos de otimização ou simulação (em grande escala
/ complexo) incluem atividades significativas na formulação de modelo, manutenção de
modelo, gerenciamento de modelo em ambientes de computação distribuída e e se análi-
ses. Muitos aplicativos de grande escala se enquadram nesta categoria. Exemplos notáveis
incluem aqueles usados por Procter Gamble (Farasyn et al., 2008), HP (Olavson e Fry,
2008) e muitos outros.
O foco de tais sistemas está em usar o (s) modelo (s) para otimizar um ou mais objeti-
vos (por exemplo, lucro). A ferramenta de usuário final mais comum para desenvolvimento
de SAD é o Microsoft Excel. O Excel inclui dezenas de pacotes estatísticos, um pacote de
programação linear (Solver) e muitos modelos de ciências financeiras e de gestão. Esses
SAD geralmente podem ser agrupados sob o novo rótulo de analítica prescritiva.
SAD Composto Um SAD composto, ou híbrido, inclui duas ou mais das categorias
principais descritas anteriormente. Freqüentemente, um ES pode se beneficiar ao utilizar
alguma otimização, e claramente um SAD baseado em dados pode alimentar um modelo de
otimização em grande escala. Às vezes, os documentos são essenciais para a compreensão
de como interpretar os resultados da visualização de dados de um SAD baseado em dados.
Um exemplo emergente de um SAD composto é um produto oferecido pela Wolfra-
mAlpha ([Link]). Ele compila o conhecimento de bancos de dados externos,
modelos, algoritmos, documentos e assim por diante para fornecer respostas a pergun-
tas específicas. Por exemplo, ele pode encontrar e analisar dados atuais de uma ação e
compará-la com outras ações. Também pode dizer quantas calorias você queimará ao re-
alizar um exercício específico ou os efeitos colaterais de um determinado medicamento.
Embora esteja nos estágios iniciais como uma coleção de componentes de conhecimento
de muitas áreas diferentes, é um bom exemplo de um SAD composto na obtenção de
conhecimento de muitas fontes diversas e na tentativa de sintetizá-lo.

1.9.2 Outras Categorias de SAD

Muitas outras propostas foram feitas para classificar o SAD. Talvez a primeira tentativa
formal tenha sido por Alter (1980). Várias outras categorias importantes de SAD incluem
(1) SAD institucional e ad hoc; (2) suporte pessoal, de grupo e organizacional; (3) sistema
 33

de suporte individual versus GSS; e (4) sistemas feitos sob medida versus sistemas prontos.
Discutiremos alguns deles a seguir.
SAD Institucional e Ad Hoc O SAD Institucional (ver Donovan e Madnick, 1977) trata
de decisões de natureza recorrente. Um exemplo típico é um sistema de gerenciamento
de portfólio (PMS), que tem sido usado por vários grandes bancos para apoiar decisões
de investimento. Um SAD institucionalizado pode ser desenvolvido e refinado à medida
que evolui ao longo de vários anos, porque o SAD é usado repetidamente para resolver
problemas idênticos ou semelhantes. É importante lembrar que um SAD institucional não
pode ser usado por todos em uma organização; é a natureza recorrente do problema de
tomada de decisão que determina se um SAD é institucional ou ad hoc.
Os SAD ad hoc lidam com problemas específicos que geralmente não são antecipados
nem recorrentes. As decisões ad hoc geralmente envolvem questões de planejamento es-
tratégico e, às vezes, problemas de controle de gestão. Justificar um SAD que será usado
apenas uma ou duas vezes é um grande problema no desenvolvimento de SAD. Incontá-
veis aplicativos SAD ad hoc evoluíram para SAD institucionais. O problema se repete e o
sistema é reutilizado ou outras pessoas na organização têm necessidades semelhantes que
podem ser atendidas pelo SAD anteriormente ad hoc.

1.9.3 Sistemas feitos sob medida versus sistemas prontos

Muitos SAD são personalizados para usuários individuais e organizações. No entanto, um

problema comparável pode existir em organizações semelhantes. Por exemplo, hospitais,
bancos e universidades compartilham muitos problemas semelhantes. Da mesma forma,
certos problemas não rotineiros em uma área funcional (por exemplo, finanças, contabi-
lidade) podem se repetir na mesma área funcional de diferentes áreas ou organizações.
Portanto, faz sentido construir um SAD genérico que possa ser usado (às vezes com mo-
dificações) em várias organizações. Esses SAD são chamados de prontos e vendidos por
vários fornecedores (por exemplo, Cognos, MicroStrategy, Teradata). Essencialmente, o
banco de dados, os modelos, a interface e outros recursos de suporte são integrados: basta
adicionar os dados e o logotipo de uma organização. Os principais fornecedores de OLAP e
analítica fornecem modelos SAD para uma variedade de áreas funcionais, incluindo finan-
ças, imóveis, marketing e contabilidade. O número de SAD prontos continua a aumentar
devido à sua flexibilidade e baixo custo. Eles são normalmente desenvolvidos usando tec-
nologias da Internet para acesso e comunicação de banco de dados e navegadores da Web
para interfaces. Eles também incorporam OLAP e outros geradores SAD fáceis de usar.
Uma complicação na terminologia ocorre quando uma organização desenvolve um
sistema institucional, mas, por causa de sua estrutura, o usa de maneira ad hoc. Uma or-
ganização pode construir um grande data warehouse, mas depois usar ferramentas OLAP
para consultá-lo e realizar análises ad hoc para resolver problemas não recorrentes. O
SAD exibe as características de sistemas ad hoc e institucionais e também de sistemas
 34

personalizados e prontos. Várias empresas de ERP, CRM, gestão do conhecimento (KM

– Knowledge Management) e SCM oferecem aplicativos SAD online. Esses tipos de siste-
mas podem ser vistos como prontos, embora normalmente exijam modificações (às vezes
importantes) antes de serem usados com eficácia.

1.10 COMPONENTES DE SISTEMAS DE APOIO À DECISÃO

Um aplicativo SAD pode ser composto por um subsistema de gerenciamento de dados,

um subsistema de gerenciamento de modelo, um subsistema de interface com o usuário e
um subsistema de gerenciamento baseado em conhecimento. Mostramos isso na Figura 5.

Figura 5 – Visão Esquemática dos SAD. Adaptado de Sharda et al (2014)

1.10.1 O SUBSISTEMA DE GESTÃO DE DADOS

O subsistema de gerenciamento de dados inclui um banco de dados que contém dados

relevantes para a situação e é gerenciado por um software chamado sistema de gerenci-
amento de banco de dados (DBMS). O subsistema de gerenciamento de dados pode ser
interconectado com o data warehouse corporativo, um repositório para a tomada de de-
cisão corporativa relevante dados. Normalmente, os dados são armazenados ou acessados
por meio de um servidor Web de banco de dados. O subsistema de gerenciamento de
dados é composto dos seguintes elementos:

• Banco de dados SAD

 35

• Sistema de gerenciamento de banco de dados

• Diretório de dados

• Facilidade de consulta

Esses elementos são mostrados esquematicamente na Figura 6 (na área sombreada).

A figura também mostra a interação do subsistema de gerenciamento de dados com as
outras partes do SAD, bem como sua interação com diversas fontes de dados. Muitos dos
aplicativos de BI ou de análise descritiva derivam sua força do lado do gerenciamento de
dados dos subsistemas.

Figura 6 – Estrutura do Subsistema de Gestão de Dados. Adaptado de Sharda et al (2014)

1.10.2 O Subsistema de Gerenciamento de Modelo

O subsistema de gerenciamento de modelo é o componente que inclui finanças, estatísticas,

ciência de gerenciamento ou outros modelos quantitativos que fornecem os recursos analí-
ticos do sistema e gerenciamento de software apropriado. Linguagens de modelagem para
construir modelos customizados também estão incluídas. Este software é freqüentemente
 36

chamado de sistema de gerenciamento de base de modelo (MBMS). Este componente

pode ser conectado ao armazenamento corporativo ou externo de modelos. Métodos de
solução de modelo e sistemas de gerenciamento são implementados em sistemas de desen-
volvimento da Web (como Java) para rodar em servidores de aplicativos. O modelo de
subsistema de gerenciamento de um SAD é composto dos seguintes elementos:

• Base do modelo

• MBMS

• Linguagem de modelagem

• Diretório do modelo

• Execução de modelo, integração e processador de comando

Esses elementos e suas interfaces com outros componentes do SAD são mostrados na
Figura 7.

Figura 7 – Estrutura do Subsistema de Gestão do Modelo. Adaptado de Sharda et al

(2014)

Em um nível mais alto do que os blocos de construção, é importante considerar os

diferentes tipos de modelos e métodos de solução necessários no SAD. Freqüentemente,
 37

no início do desenvolvimento, há uma noção dos tipos de modelo a serem incorporados,

mas isso pode mudar à medida que se aprende mais sobre o problema de decisão. Alguns
sistemas de desenvolvimento SAD incluem uma ampla variedade de componentes (por
exemplo, Analytica da Lumina Decision Systems), enquanto outros têm um único (por
exemplo, Lindo). Freqüentemente, os resultados de um tipo de componente do modelo
(por exemplo, previsão) são usados como entrada para outro (por exemplo, programação
de produção). Em alguns casos, uma linguagem de modelagem é um componente que gera
entrada para um solucionador, enquanto em outros casos, os dois são combinados.
Como o SAD lida com problemas semiestruturados ou não estruturados, geralmente é
necessário personalizar modelos, usando ferramentas e linguagens de programação. Alguns
exemplos são as linguagens .NET Framework, C ++ e Java. O software OLAP também
pode ser usado para trabalhar com modelos na análise de dados. Mesmo linguagens de
simulação como o Arena e pacotes estatísticos como os do SPSS oferecem ferramentas de
modelagem desenvolvidas através do uso de uma linguagem de programação proprietária.
Para SAD de pequeno e médio porte ou para os menos complexos, geralmente é usada
uma planilha (por exemplo, Excel). Usaremos o Excel para muitos exemplos importantes
neste livro. O Caso de Aplicação 2.3 descreve um SAD baseado em planilha. No entanto,
usar uma planilha para modelar um problema de qualquer tamanho significativo apre-
senta problemas de documentação e diagnóstico de erro. É muito difícil determinar ou
compreender relacionamentos complexos e aninhados em planilhas criadas por outra pes-
soa. Isso torna difícil modificar um modelo construído por outra pessoa. Um problema
relacionado é o aumento da probabilidade de erros aparecendo nas fórmulas. Com todas
as equações que aparecem na forma de referências de células, é difícil descobrir onde pode
estar um erro. Essas questões foram tratadas em uma primeira geração de software de
desenvolvimento SAD que estava disponível em computadores mainframe na década de
1980. Um desses produtos foi chamado de Sistema de Planejamento Financeiro Interativo
(IFPS). Seu desenvolvedor, Dr. Gerald Wagner, lançou um software de desktop chamado
Planners Lab. O Planners Lab inclui os seguintes componentes: (1) uma linguagem de
construção de modelo orientada algébricamente fácil de usar e (2) uma opção avançada
e fácil de usar para visualizar a saída do modelo, como respostas para o quê -se e obje-
tivo buscam questões para analisar resultados de mudanças nas premissas. A combinação
desses componentes permite que gerentes de negócios e analistas construam, revisem e
desafiem as suposições que fundamentam os cenários de tomada de decisão.
O Planners Lab possibilita que os tomadores de decisão “joguem” com suposições
para refletir visões alternativas do futuro. Cada modelo do Planners Lab é um conjunto
de suposições sobre o futuro. As suposições podem vir de bancos de dados de desempenho
histórico, pesquisa de mercado e das mentes dos tomadores de decisão, para citar algumas
fontes. A maioria das suposições sobre o futuro vêm das experiências acumuladas dos
tomadores de decisão na forma de opiniões.
 38

A coleção de equações resultante é um modelo do Planners Lab que conta uma história
legível para um determinado cenário. O Planners Lab permite que os tomadores de decisão
descrevam seus planos em suas próprias palavras e com suas próprias suposições. A razão
de ser do produto é que um simulador deve facilitar uma conversa com o tomador de
decisão no processo de descrição das premissas de negócios. Todas as suposições são
descritas em equações em inglês (ou no idioma nativo do usuário).
A melhor maneira de aprender a usar o Planners Lab é iniciar o software e seguir os
tutoriais. O software pode ser baixado em [Link].

1.10.3 O Subsistema de Interface do Usuário

O usuário se comunica e comanda o SAD por meio do subsistema de interface do usuário.

O usuário é considerado parte do sistema. Os pesquisadores afirmam que algumas das
contribuições exclusivas do SAD são derivadas da intensa interação entre o computador e o
tomador de decisão. O navegador da Web fornece uma estrutura de interface gráfica com o
usuário (GUI) familiar e consistente para a maioria dos SAD. Para SAD usado localmente,
uma planilha também fornece uma interface de usuário familiar. Uma interface de usuário
difícil é um dos principais motivos pelos quais os gerentes não usam computadores e
análises quantitativas tanto quanto poderiam, dada a disponibilidade dessas tecnologias.
O navegador da Web foi reconhecido como uma GUI SAD eficaz porque é flexível, fácil de
usar e uma porta de entrada para quase todas as fontes de informações e dados necessários.
Essencialmente, os navegadores da Web levaram ao desenvolvimento de portais e painéis,
que servem de interface para muitos SAD.
O crescimento explosivo de dispositivos portáteis, incluindo smartphones e tablets,
também mudou as interfaces de usuário do SAD. Esses dispositivos permitem entradas
manuscritas ou digitadas em teclados internos ou externos. Algumas interfaces de usuário
do SAD utilizam entrada de linguagem natural (ou seja, texto em uma linguagem humana)
para que os usuários possam se expressar facilmente de uma forma significativa. Devido
à natureza confusa da linguagem humana, é bastante difícil desenvolver software para
interpretá-la. No entanto, esses pacotes aumentam em precisão a cada ano e, em última
análise, levarão a tradutores de entrada, saída e idiomas precisos.
As entradas de telefones celulares por meio de SMS estão se tornando mais comuns
para pelo menos alguns aplicativos do tipo SAD de consumidor. Por exemplo, pode-
se enviar uma solicitação de SMS para pesquisa sobre qualquer tópico para GOOGL
(46645). É mais útil para localizar empresas, endereços ou números de telefone próximos,
mas também pode ser usado para muitas outras tarefas de apoio à decisão. Por exemplo,
os usuários podem encontrar definições de palavras digitando a palavra “definir” seguida
por uma palavra, como “definir extenuar”. Alguns dos outros recursos incluem:

• Traduções: “Traduza obrigado em espanhol.”

 39

• Pesquisas de preços: “Preço do iPhone de 32 GB”.

• Calculadora: embora você provavelmente queira apenas usar a função de calculadora

embutida em seu telefone, você pode enviar uma expressão matemática como um
SMS para uma resposta.

• Conversões de moeda: “10 usd em euros”.

• Placares esportivos e tempos de jogo: basta inserir o nome de um time ("NYC

Giants") e o Google SMS enviará o placar do jogo mais recente e a data e hora da
próxima partida.

Esse tipo de recurso de pesquisa baseado em SMS também está disponível para outros
mecanismos de pesquisa, incluindo o Yahoo! e o novo motor de busca da Microsoft, Bing.
Com o surgimento de smartphones como o iPhone da Apple e smartphones Android
de muitos fornecedores, muitas empresas estão desenvolvendo aplicativos (comumente
chamados de aplicativos) para fornecer suporte à decisão de compra. Por exemplo, o
aplicativo da [Link] permite que um usuário tire uma foto de qualquer item em uma
loja (ou qualquer outro lugar) e envie para a Amazon. com. O algoritmo de compreensão
de gráficos da [Link] tenta combinar a imagem com um produto real em seus bancos
de dados e envia ao usuário uma página semelhante às páginas de informações do produto
da [Link], permitindo que os usuários façam comparações de preços em tempo real.
Milhares de outros aplicativos foram desenvolvidos para fornecer suporte aos consumidores
para a tomada de decisão sobre a localização e seleção de lojas / restaurantes / provedores
de serviços com base na localização, recomendações de outras pessoas e, especialmente,
de seus próprios círculos sociais.
A entrada de voz para esses dispositivos e PCs é comum e bastante precisa (mas não
perfeita). Quando a entrada de voz com o software de reconhecimento de voz que o acom-
panha (e software de texto para fala prontamente disponível) é usada, instruções verbais
com ações e saídas acompanhadas podem ser invocadas. Eles estão prontamente disponí-
veis para SAD e são incorporados aos dispositivos portáteis descritos anteriormente. Um
exemplo de entradas de voz que podem ser usadas para um SAD de uso geral é o aplicativo
Siri da Apple e o serviço Google Now do Google. Por exemplo, um usuário pode fornecer
seu código postal e dizer “entrega de pizza”. Esses dispositivos fornecem os resultados da
pesquisa e podem até fazer uma chamada para uma empresa.
Esforços recentes em gerenciamento de processos de negócios (BPM) levaram a en-
tradas diretamente de dispositivos físicos para análise via SAD. Por exemplo, chips de
identificação por radiofrequência (RFID) podem registrar dados de sensores em vagões ou
produtos em processo em uma fábrica. Os dados desses sensores (por exemplo, registrando
o status de um item) podem ser baixados em locais-chave e imediatamente transmitidos
 40

para um banco de dados ou armazém de dados, onde podem ser analisados e decisões po-
dem ser feitas sobre o status dos itens que estão sendo monitorados. O Walmart e a Best
Buy estão desenvolvendo essa tecnologia em seu SCM e essas redes de sensores também
estão sendo usadas de forma eficaz por outras empresas.

1.10.4 O Subsistema de Gestão Baseada em Conhecimento

O subsistema de gerenciamento baseado em conhecimento pode suportar qualquer um

dos outros subsistemas ou atuar como um componente independente. Ele fornece inteli-
gência para aumentar a do próprio tomador de decisão. Ele pode ser interconectado com
o repositório de conhecimento da organização (parte de um sistema de gestão de conhe-
cimento [KMS – Knowledge Management System]), que às vezes é chamado de base de
conhecimento organizacional. O conhecimento pode ser fornecido por meio de servidores
da web. Muitos métodos de inteligência artificial foram implementados em sistemas de
desenvolvimento da Web, como Java, e são fáceis de integrar a outros componentes SAD.
Um dos SAD baseados em conhecimento mais amplamente divulgados é o sistema de
computador Watson da IBM.
Concluímos as seções sobre os três principais componentes do SAD com informações
sobre alguns desenvolvimentos recentes de tecnologia e metodologia que afetam o SAD e a
tomada de decisões. Technology Insights 2.2 resume alguns desenvolvimentos emergentes
em interfaces de usuário. Muitos desenvolvimentos em componentes SAD são o resul-
tado de novos desenvolvimentos em tecnologia de informática de hardware e software,
armazenamento de dados, mineração de dados, OLAP, tecnologias da Web, integração de
tecnologias e aplicação de SAD para várias e novas áreas funcionais. Também há uma
ligação clara entre os recursos de hardware e software e as melhorias no SAD. O hardware
continua diminuindo de tamanho enquanto aumenta a velocidade e outros recursos. Os
tamanhos dos bancos de dados e data warehouses aumentaram dramaticamente. Os arma-
zéns de dados agora fornecem centenas de petabytes de dados de vendas para organizações
de varejo e conteúdo para as principais redes de notícias.
Esperamos ver uma integração mais perfeita dos componentes SAD à medida que
eles adotam tecnologias da Web, especialmente XML. Essas tecnologias baseadas na Web
tornaram-se o centro da atividade no desenvolvimento de SAD. O SAD baseado na web
reduziu as barreiras tecnológicas e tornou mais fácil e menos oneroso disponibilizar in-
formações relevantes para a decisão e SAD baseado em modelo para gerentes e usuários
da equipe em locais geograficamente distribuídos, especialmente por meio de dispositivos
móveis.
Os SAD estão cada vez mais integrados em outros sistemas. Da mesma forma, uma área
importante para esperar melhorias no SAD é no GSS no suporte à colaboração no nível
empresarial. Isso é verdade até mesmo na área educacional. Quase todas as novas áreas
de sistemas de informação envolvem algum nível de apoio à tomada de decisão. Assim,
 41

o SAD, direta ou indiretamente, tem impactos no CRM, SCM, ERP, KM, PLM, BAM,
BPM e outros EIS. À medida que esses sistemas evoluem, o componente ativo de tomada
de decisão que utiliza modelos matemáticos, estatísticos ou mesmo descritivos aumenta
em tamanho e capacidade, embora possa estar profundamente enterrado no sistema.
Por fim, diferentes tipos de componentes SAD estão sendo integrados com mais frequên-
cia. Por exemplo, o GIS é facilmente integrado a outros componentes e ferramentas SAD
mais tradicionais para melhorar a tomada de decisões.
Por definição, um SAD deve incluir os três componentes principais - DBMS, MBMS
e interface do usuário. O subsistema de gerenciamento baseado em conhecimento é opci-
onal, mas pode fornecer muitos benefícios, fornecendo inteligência dentro e para os três
componentes principais. Como em qualquer outro MIS, o usuário pode ser considerado
um componente do SAD.

1.11 REFERÊNCIAS

Allan, N., R. Frame, and I. Turney. (2003). “Trust and Narrative: Experiences of Sustai-
nability.” The Corporate Citizen, Vol. 3, No. 2.
Alter, S. L. (1980). Decision Support Systems: Current Practices and Continuing Chal-
lenges. Reading, MA: Addison-Wesley.
Baker, J., and M. Cameron. (1996, September). “The Effects of the Service Envi-
ronment on Affect and Consumer Perception of Waiting Time: An Integrative Review
and Research Propositions.” Journal of the Academy of Marketing Science, Vol. 24, pp.
338–349.
Barba-Romero, S. (2001, July/August). “The Spanish Government Uses a Discrete
Multicriteria SAD to Determine Data Processing Acquisitions.” Interfaces, Vol. 31, No. 4,
pp. 123–131.
Beach, L. R. (2005). The Psychology of Decision Making: People in Organizations,
2nd ed. Thousand Oaks, CA:Sage.
Birkman International, Inc., [Link]; Keirsey Temperament Sorter and Keirsey
Temperament Theory-II, [Link].
Chongwatpol, J., and R. Sharda. (2010, December). “SNAP: A SAD to Analyze
Network Service Pricing for State Networks.” Decision Support Systems, Vol. 50, No.
1, pp. 347–359.
Cohen, M.-D., C. B. Charles, and A. L. Medaglia. (2001, March/ April). “Decision
Support with Web-Enabled Software.” Interfaces, Vol. 31, No. 2, pp. 109–129.
Denning, S. (2000). The Springboard: How Storytelling Ignites Action in Knowledge-
Era Organizations. Burlington, MA: Butterworth-Heinemann.
Donovan, J. J., and S. E. Madnick. (1977). “Institutional and Ad Hoc SAD and Their
Effective Use.” Data Base, Vol. 8, No. 3, pp. 79–88.
 42

Drummond, H. (2001). The Art of Decision Making: Mirrors of Imagination, Masks

of Fate. New York: Wiley.
Eden, C., and F. Ackermann. (2002). “Emergent Strategizing.” In A. Huff and M.
Jenkins (eds.). Mapping Strategic Thinking. Thousand Oaks, CA: Sage Publications.
Epstein, R., et al. (2012, January/February). “A Strategic Empty Container Logistics
Optimization in a Major Shipping Company.” Interfaces, Vol. 42, No. 1, pp. 5–16.
Farasyn, I., K. Perkoz, and W. Van de Velde. (2008, July/ August). “Spreadsheet
Models for Inventory Target Setting at Procter and Gamble.” Interfaces, Vol. 38, No. 4,
pp. 241–250.
Goodie, A. (2004, Fall). “Goodie Studies Pathological Gamblers’ Risk-Taking Beha-
vior.” The Independent Variable. Athens, GA: The University of Georgia, Institute of
Behavioral Research. [Link]/publications/[Link] (accessed February 2013).
Hesse, R., and G. Woolsey. (1975). Applied Management Science: A Quick and Dirty
Approach. Chicago:SRA Inc.
[Link]. “IBM Watson: Ushering In a New Era of Computing.” [Link]/innovation/us/w
(accessed February 2013).
[Link]. “IBM Watson Helps Fight Cancer with Evidence- Based Diagnosis and Tre-
atment Suggestions.” [Link]/innovation/us/watson/pdf/MSK𝐶 𝑎𝑠𝑒𝑆 𝑡𝑢𝑑𝑦𝐼 𝑀 𝐶14794.𝑝𝑑𝑓 (𝑎𝑐
[Link]. “IBM Watson Enables More Effective Healthcare Preapproval Decisions
Using Evidence-Based Learning.” [Link]/innovation/us/watson/pdf/WellPoint𝐶 𝑎𝑠𝑒𝑆 𝑡𝑢𝑑𝑦𝐼
Jenkins, M. (2002). “Cognitive Mapping.” In D. Partington (ed.). Essential Skills for
Management Research. Thousand Oaks, CA: Sage Publications.
Kepner, C., and B. Tregoe. (1998). The New Rational Manager. Princeton, NJ: Kepner-
Tregoe.
Koksalan, M., and S. Zionts (eds.). (2001). Multiple Criteria Decision Making in the
New Millennium. Heidelberg: Springer-Verlag.
Koller, G. R. (2000). Risk Modeling for Determining Value and Decision Making. Boca
Raton, FL: CRC Press.
Larson, R. C. (1987, November/December). “Perspectives on Queues: Social Justice
and the Psychology of Queueing.” Operations Research, Vol. 35, No. 6, pp. 895–905.
Luce, M. F., J. W. Payne, and J. R. Bettman. (2004). “The Emotional Nature of
Decision Trade-offs.” In S. J. Hoch, H. C. Kunreuther, and R. E. Gunther (eds.). Wharton
on Making Decisions. New York: Wiley.
Olavson, T., and C. Fry. (2008, July/August). “Spreadsheet Decision-Support Tools:
Lessons Learned at Hewlett-Packard.” Interfaces, Vol. 38, No. 4, pp. 300–310. Pauly, M. V.
(2004). “Split Personality: Inconsistencies in Private and Public Decisions.” In S. J. Hoch,
H. C. Kunreuther, and R. E. Gunther (eds.). Wharton on Making Decisions. New York:
Wiley. Power, D. J. (2002). Decision Making Support Systems: Achievements, Trends and
Challenges. Hershey, PA: Idea Group Publishing.
 43

Power, D. J., and R. Sharda. (2009). “Decisions Support Systems.” In S.Y. Nof (ed.),
Springer Handbook of Automation. New York: Springer.
Purdy, J. (2005, Summer). “Decisions, Delusions, Debacles.” UGA Research Magazine.
Ratner, R. K., B. E. Kahn, and D. Kahneman. (1999, June). “Choosing Less-Preferred
Experiences for the Sake of Variety.” Journal of Consumer Research, Vol. 26, No. 1.
Sawyer, D. C. (1999). Getting It Right: Avoiding the High Cost of Wrong Decisions.
Boca Raton, FL: St. Lucie Press.
Simon, H. (1977). The New Science of Management Decision. Englewood Cliffs, NJ:
Prentice Hall.
Stewart, T. A. (2002, November). “How to Think with Your Gut.” Business 2.0.
[Link]. “No Limits: Station Casinos Breaks the Mold on Customer Relati-
onships.” [Link]/case-studies/Station-Casinos-No-Limits-Station-Casinos-Breaksthe-
Mold-on-Customer-Relationships-Executive-Summary-eb6410 (accessed February 2013).
Tversky, A., P. Slovic, and D. Kahneman. (1990, March). “The Causes of Preference
Reversal.” American Economic Review, Vol. 80, No. 1.
Yakov, B.-H. (2001). Information Gap Decision Theory: Decisions Under Severe Un-
certainty. New York: Academic Press.