La toma de decisiones bajo incertidumbre es fundamental en escenarios del mundo real, como seleccionar la ruta de transporte más corta en medio de condiciones de tráfico variables o elegir la mejor cartera de inversiones durante fluctuaciones del mercado. En la era de los datos masivos de hoy en día, si bien el marco de predecir y luego optimizar se ha convertido en un método estándar para abordar desafíos de optimización inciertos utilizando herramientas de aprendizaje automático, muchos modelos de predicción pasan por alto las complejidades de los datos, como los valores atípicos y la heterocedasticidad. Estas omisiones pueden degradar la calidad de la toma de decisiones. Para mejorar la precisión predictiva y la calidad consecuente de la toma de decisiones, introducimos una técnica de transformación de datos en el marco de predecir y luego optimizar. Nuestro enfoque transforma los valores objetivo en modelos de regresión lineal, árbol de decisión y bosque aleatorio utilizando una función de potencia, con el objetivo de potenciar su destreza predictiva y, a su vez, impulsar decisiones mejores. La validación empírica en varios conjuntos de datos revela mejoras significativas en los modelos de árbol de decisión y bosque aleatorio. En contraste, los beneficios de la regresión lineal son matizados. Por lo tanto, si bien la transformación de datos puede fortalecer el marco de predecir y luego optimizar, su eficacia depende del modelo. Esta investigación subraya el potencial de adaptar técnicas de transformación para modelos específicos con el fin de fomentar una toma de decisiones fiable y robusta bajo incertidumbre.