¿Por qué algunas de las decisiones propuestas por las herramientas de optimización son tan diferentes de la intuición?

Muchos sectores tienen grandes expectativas de que las herramientas de optimización mejoren sus procesos de toma de decisiones, orientadas a diversos objetivos, como la maximización de beneficios o la minimización de costos, por ejemplo. Sin embargo, a veces la adopción de estas herramientas lleva tiempo y enfrenta cierta resistencia.

 

En primer lugar, no siempre es fácil demostrar las ventajas de los modelos y algoritmos antes de aplicarlos. Además, siempre existe el sesgo del "statu quo", por el que los responsables de la toma de decisiones prefieren seguir trabajando como siempre lo hicieron. Por último, la principal dificultad es conseguir que los responsables de la toma de decisiones confíen en que las decisiones propuestas son coherentes y viables en la realidad, ya que pueden ser muy diferentes de las prácticas actuales.

 

La mejor manera de hacer frente a esta resistencia y obtener la confianza de los usuarios es comprender las principales razones que justifican las decisiones contrarias a la intuición que puede sugerir una herramienta de optimización, ¡y estar atentos!

 

 

¿Por qué algunas decisiones son tan contrarias a la intuición?

 

Supongamos que el modelo está "libre de errores" y que las soluciones contrarias a la intuición no tienen su origen en la incoherencia del modelo. En ese caso, tenemos que entender cómo se pueden aplicar y por qué no se habían intentado antes.

 

1. La herramienta identifica las ganancias obtenidas a partir de diferentes combinaciones de variables: tras introducir ecuaciones que representan la relación entre diferentes variables, el modelo puede explorar estas relaciones para identificar oportunidades. Un profesional con experiencia puede ser capaz de reconocer el impacto de una variable sobre otra, pero la potencia de cálculo de una herramienta de optimización puede superarla al examinar las combinaciones de múltiples variables a la vez (incluso miles o más).

 

2. Los responsables de la toma de decisiones pueden estar sesgados por sus experiencias: el empirismo es la fuente utilizada por muchos responsables de la toma de decisiones, que se basan en sus experiencias anteriores para tomar decisiones futuras. La "heurística de la disponibilidad" suele dar lugar a que se sobrestimen algunas decisiones ("el mejor día de la operación tenía esta configuración, por lo tanto hay que apuntar a estos valores") y se descuiden otras ("nunca he operado así, por lo tanto no es posible"). Sin embargo, las herramientas de optimización no tienen sesgos y sólo se basan en los datos de entrada, las ecuaciones y los métodos de resolución para definir las mejores decisiones. Esto puede llevar a decisiones muy diferentes que el responsable de la toma de decisiones nunca había pensado antes. 

 

3. Las personas tienden a simplificar los problemas complejos para encontrar una solución: a veces, algunas decisiones lógicas que parecen sencillas pueden conducir a resultados inadecuados. Como humanos, cuando nos enfrentamos a problemas complejos, creamos reglas y mecanismos para simplificarlos. Un ejemplo clásico se puede observar en las grandes empresas que integran una larga cadena de producción con el objetivo de reducir sus costos: de manera simplificada, es común que este objetivo se desglose uniformemente a los departamentos. Sin embargo, la decisión más adecuada en este caso sería identificar las mejores oportunidades en conjunto, buscando una reducción global, aunque a veces aumente el costo de un departamento específico.

 

4. Desconocimiento de algunos conceptos y teorías importantes:  la optimización es la base de muchas teorías clásicas, como la microeconomía (marginalismo y equilibrio, por ejemplo). Por lo tanto, los resultados de algunos modelos se pueden justificar con estos conceptos. Por ejemplo, es una decisión común producir al máximo porque es necesario diluir el costo fijo, o porque la demanda del mercado es alta. Sin embargo, utilizando un modelo de optimización la decisión propuesta puede ser diferente, con la definición de un nivel de producción óptimo que maximice los beneficios. Este es el tipo de solución que podría ser contraria a la intuición, pero se explica porque el ingreso marginal de una producción extra será menor que el costo marginal, porsupuesto el beneficio se verá reducido. 

 

5. Los valores que no se exploraron podrían representar oportunidades: una característica de una herramienta de optimización es identificar la combinación de variables que más contribuyen al objetivo y explorarla hasta llegar a los límites. En este proceso, podría explorar algunos valores que nunca se habían probado, ¡y descubrir ganancias potenciales! En estos casos, los responsables de la toma de decisiones deben evaluar si existen riesgos al aplicarlas.

¿Puede mi herramienta de optimización equivocarse?

 

En todos los casos mencionados, los modelos de optimización encuentran oportunidades que no son vistas por los decisores, mejorando las decisiones y los resultados. Sin embargo, a veces es posible que la herramienta proponga soluciones incoherentes y poco prácticas en la realidad, como consecuencia de fallas en el proceso de desarrollo y creación del modelo. 

 

Esto puede ocurrir por varias razones. Por lo tanto, es importante identificarlas y evitarlas:

 

1. El modelo no incluye partes importantes del ámbito de decisión: durante el desarrollo de una herramienta de optimización, los desarrolladores y los usuarios deben ponerse de acuerdo sobre su alcance. Si se produce un error de comunicación y se omiten algunas variables y parámetros importantes, ¡podría resultar en decisiones que no representen la realidad! Para evitarlo, una buena práctica es definir el alcance en detalle en un documento que debe ser revisado y acordado por todas las partes implicadas.

 

2. Algunas restricciones no se tienen en cuenta: a veces la herramienta puede sugerir una solución que no se puede aplicar. Tras investigar por qué no se puede aplicar, se identifican algunas restricciones que no se habían tenido en cuenta. La fase de calibración es esencial para evitarlo: los desarrolladores y los usuarios deben repasar todas las variables y observar si hay límites que no se han añadido.

 

3. La relación entre las variables no está bien representada: en una herramienta de optimización, especialmente en los modelos matemáticos, es muy importante que las ecuaciones que definen la relación entre las distintas variables estén bien diseñadas. Estas ecuaciones podrían proceder de relaciones conocidas (como la ecuación que define el beneficio como los ingresos menos los costos), de estudios bibliográficos o del desarrollo de regresiones para predecir el impacto de unas variables sobre otras. Para asegurarse de que estas relaciones están bien representadas y no generarán soluciones erróneas, es importante validarlas con los especialistas del proceso, y ejecutar pruebas en el modelo con diferentes situaciones, observando cómo se comportará el modelo. 

 

 

Mejorando las decisiones con el apoyo de las herramientas de optimización

 

Como podemos observar, las razones por las que una herramienta de optimización puede proponer soluciones tan diferentes a las que propone la intuición humana son variadas. Su objetivo principal suele ser ayudar a la toma de decisiones y, por tanto, los usuarios deben tratarla como un asesor y tener siempre criterio y mente abierta: permitir el descubrimiento de diferentes posibilidades y evaluar y comprender sus impactos y riesgos, ¡pero no confiar ciegamente en la solución propuesta! 

 

Después, es bueno que las decisiones propuestas sean diferentes a la intuición. De lo contrario, no se identificaría ninguna oportunidad de beneficio y la herramienta sería inútil. 

 

Autor: Cassiano Lima - Consultor Senior en Cassotis Consulting

  Coautor: Fabio Silva - Gerente Senior en Cassotis Consulting