Deteksjon med CV-AAS

Além de entender o conceito do PD é importante saber também como ele é desenvolvido. Hammond, Keeney e Raiffa (1999) falam que:

mesmo as decisões mais complexas podem ser analisadas e resolvidas considerando um conjunto de oito elementos [....] Problems (problemas),

Objectives (objetivos), Alternatives (alternativas), Consequences

(consequências), Trade-offs (escolhas), [....], Uncertainty (incertezas), Risk

tolerance (tolerância ao risco) e Linked decisions (decisões associadas)

(HAMMOND, KEENEY e RAIFFA, 1999, p. 5).

As primeiras cinco palavras formam o acrônimo PrOACT, nome utilizado pelos autores para representar o modelo que serve para transmitir a essência indicada pelos mesmos, isto é, a melhor abordagem para as situações de decisão é a proativa. A essência do PrOACT também é dividir para conquistar, isto é, para resolver situações complexas de decisão é importante abordar mais intensamente cada um dos aspectos em particular e depois reagrupá-los numa escolha inteligente.

Para entender melhor o modelo PrOACT, inicia-se agora uma explanação em mais detalhes dos elementos que o compõem. O primeiro elemento é problema, que significa trabalhar na questão certa ou na causa das preocupações. Escolher a questão central correta, reconhecendo sua complexidade e se desviando de pressupostos errados e limitações de visão. Objetivo significa especificar o que é desejado e identificar o impacto que sua decisão terá sobre ele. Perguntar-se sobre o que é mais importante alcançar e quais princípios, valores, conceitos e interesses são mais relevantes para promover o seu propósito. Alternativa, significa

desenvolver caminhos criativos. É importante ter diversas e diferentes ideias para que seja possível se chegar a uma boa decisão.

Seguindo na descrição dos componentes do modelo PrOACT chega-se a consequências. Neste momento importa avaliar quais os efeitos gerados pelas alternativas escolhidas para alcance dos objetivos estabelecidos. Quando se fala em trade-offs (escolhas), a questão é avaliar como balancear objetivos conflitantes. Não existe alternativa perfeita e nenhuma delas atende por completo o que se deseja alcançar. É preciso eleger critérios prioritários que vão permitir escolher o melhor caminho.

Por fim, associar os três últimos elementos do modelo de Hammond, Keeney e Raiffa(1999), os quais contribuem no PD em ambientes voláteis e submetidos a grandes pressões de mudança. O primeiro é a incerteza que torna o PD mais difícil e em contrapartida mais efetivo, visto que ela permite avaliar os resultados possíveis de cada escolha e seus possíveis impactos. Tolerância ao risco significa que quando decisões envolvem incertezas, as consequências desejadas podem não ser as obtidas.

Uma maior consciência da tolerância ao risco tornará o PD mais suave e mais efetivo, visto que levará em consideração o maior nível de risco aceitável pelos envolvidos. O último elemento são as decisões relacionadas. Aquilo que é decidido hoje pode influenciar escolhas e objetivos futuros que podem influenciar as decisões de hoje. O conjunto dos oito elementos do modelo PrOACT amplia as possibilidades de êxito e de se encontrar soluções inteligentes. No entanto os componentes do modelo de Hammond, Keeney e Raiffa(1999) não funcionam mecanicamente, eles precisam contar com uma característica dos tomadores de decisão que é o julgamento. Bazerman e Moore (2010) definem que:

o termo julgamento refere-se aos aspectos cognitivos do processo de tomada de decisão. Para entender julgamento completamente, precisamos primeiro identificar os componentes que o exigem durante o processo de decisão (BAZERMAN e MOORE, 2010, p. 2).

Seguindo a mesma linha de raciocínio de Hammond, Keeney e Raiffa(1999), Bazerman e Moore (2010) descrevem seis etapas do processo racional de tomada de decisão:

• - Primeiro, defina o problema. Identifique e defina o problema usando julgamento refinado. Cuidado com o diagnóstico dos sintomas e não do problema;

• - Segundo, identifique os critérios. A maioria das decisões demanda o alcance de vários objetivos;

• - Terceiro, pondere os critérios. Desenvolva um sistema de pontos e pesos, o qual deve ser utilizado quando da escolha do critério mais importante para cada curso de ação analisado;

• - Quarto, gere alternativas. O desenvolvimento de alternativas é importante, mas não pode ser um fator impeditivo à tomada de decisões efetiva;

• - Quinto, classifique cada alternativa segundo cada critério. Verifique o nível de aderência que cada solução apresenta aos critérios estabelecidos e ao problema identificado, bem como avalie as possíveis consequências do uso de cada uma delas; • - Sexto, identifique a solução ideal. Classifique os cursos de ação com base nos pesos

e pontos estabelecidos e escolha qual a solução que melhor se aplica ao problema identificado.

Bazerman e Moore (2010, p. 4) relatam que “não há nada de especial nessas seis etapas, visto que Hammond, Keeney e Raiffa(1999) especificam etapas diferentes que costumam se sobrepor bastante”. Reforçando o que já foi dito até agora, é enriquecedor citar também que Skinner (2009) descreve o processo geral de análise de decisão como sendo composto pela identificação da decisão a tomar, pela clarificação dos objetivos, pela criação de alternativas, pela avaliação das alternativas, pela escolha da melhor alternativa e por fim pela implementação da alternativa escolhida.

À medida que a complexidade do PD vai aumentando é possível fazer a sua suplementação com modelos de decisão ou com tecnologias de inteligência artificial. A abordagem que será feita agora, tem o propósito de dar uma breve visão sobre como lidar com estas situações. Skinner (2009) reporta que:

os modelos de decisão fornecem o significado preciso das relações existentes entre as decisões, incertezas e valores [....] Estes modelos permitem examinar como sua decisão interage com o mundo (SKINNER, 2009, p. 129).

Em sua abordagem sobre estes modelos, Skinner (2009) relaciona em primeiro lugar os diagramas de influência, que são ferramentas gráficas usadas para identificar a essência do problema e facilitar a comunicação entre os gestores e o centro de decisões de uma empresa.

Eles promovem clareza na identificação das fontes de informação e na avaliação da questão alvo da decisão.

Skinner (2009, p. 327) também relaciona as árvores de decisão, que são “uma representação gráfica sequencial das decisões e incertezas e que apresenta os diversos caminhos que o tomador de decisão pode seguir no decorrer do tempo”. À medida que o número de variáveis vai sendo incrementado no PD, aumenta a complexidade de análise através dos modelos citados anteriormente. Nestes casos o mesmo autor (2009) traz como uma de suas sugestões a utilização da simulação de Monte Carlo, a qual ele define como:

um processo que gera números aleatórios para entradas de valores incertos, que são todos processados por um modelo matemático de modo que muitos cenários podem ser avaliados (SKINNER, 2009, p. 325).

Outra forma de enfrentar a complexidade do PD é a utilização de inteligência artificial (IA), no entanto Russo e Schoemaker (2002, p. 125) constatam que “desafortunadamente, muitas destas tecnologias ainda não chegaram ao cenário gerencial de tomada de decisões”. Russo e Schoemaker (2002) descrevem em seu trabalho que os sistemas de tomada de decisão mais poderosos que utilizam IA, são modelos híbridos e que combinam várias destas tecnologias. Os mesmos autores citam vários exemplos, dentre eles as redes neurais e os algoritmos genéticos. Laudon e Laudon (1999, p. 382) definem as redes neurais como “hardware ou software que simula a fisiologia do cérebro animal ou humano”, neste caso a máquina física simula um cérebro humano e pode aprender com a experiência, podendo ser treinada para reconhecer qualquer número de padrões. Laudon e Laudon (1999) falam que os algoritmos genéticos:

consistem em diversas técnicas de resolução de problemas baseadas nos princípios darwinianos de evolução. Os algoritmos começam com blocos de construção que utilizam processos, como reprodução, mutação e seleção natural para desenvolver soluções. À medida que as soluções se alteram e combinam, as piores são descartadas, e as melhores sobrevivem para prosseguirem e eletronicamente unirem-se a outras para “criar” soluções ainda melhores (LAUDON e LAUDON, 1999, p. 340).

Russo e Schoemaker (2002, p. 128) finalizam sua abordagem sobre tecnologias de IA que dão suporte ao PD, dizendo que “esses sistemas se tornarão cada vez mais focados na construção de uma conexão entre os objetivos e preferências dos tomadores de decisão e na escolha da melhor opção”.