En todas las organizaciones, muchos analistas de decisiones adquieren sus habilidades a través de la experiencia de enfrentar desafíos para estructurar problemas complejos. Por lo tanto, cada día es más frecuente el uso de herramientas para integrar indicadores a través de la ordenación multiatributo, la separación basada en componentes y el agrupamiento para reducir los criterios necesarios para la toma de decisiones y el logro de metas y objetivos. Por lo tanto, nuestra propuesta consiste en un nuevo modelo híbrido-hierárquico para la clasificación y predicción de indicadores de país como la inflación, el desempleo, el crecimiento de la población y la fuerza laboral, entre otros, en un entorno de toma de decisiones utilizando redes neuronales no supervisadas y sistemas difusos de tipo-3. La contribución consiste en lograr un método de agregación difusa de tipo-3 en el que la jerarquía se representa primero mediante redes neuronales y luego un conjunto de sistemas de tipo-1, tipo-2 y tipo-3 para combinar los resultados, lo que permite separar múltiples indicadores y luego integrarlos de manera adecuada. Podemos señalar como una de las ventajas de utilizar el método que el usuario puede evaluar una variedad de cualidades en múltiples variables a través de la clasificación y predicción de atributos de series temporales y evaluar una variedad de cualidades para la toma de decisiones con incertidumbre, de acuerdo con los resultados de las simulaciones realizadas.