por Pedro Gazmuri
Ph.D. University of California at Berkeley (U.S.A.)
Presidente de Simula UC
Uno de los aspectos principales es ampliar el espectro de preguntas iniciales.
Diario El Mercurio, viernes 18 de octubre de 2013 - Clase Ejecutiva
El esfuerzo de modelar matemáticamente
permite mejorar en forma relevante
los indicadores de puntualidad de una aerolínea,
y por lo tanto, su capacidad competitiva.
Procesos disruptivos en la toma de decisiones
En esta última clase comentaremos
un nuevo caso en forma breve
y haremos una síntesis
de algunos de los casos ya presentados.
Además comentaremos respecto
de cómo es el proceso de desarrollo
de una solución basada en un modelo matemático.
El caso se refiere a un modelo de simulación
desarrollado para una compañía aérea del medio nacional,
en que el objetivo es estimar la puntualidad promedio
en el despegue de los vuelos comerciales.
Como es sabido, la puntualidad
es un elemento muy gravitante
en la oferta de valor hacia los pasajeros.
En general, la programación de los itinerarios
no toma en cuenta los factores aleatorios
que pueden afectar la puntualidad,
como son el clima en el aeropuerto
de origen y de destino,
atrasos en las operaciones
en el puerto de embarque,
mantenciones no programadas, etc.
En esta compañía surgió la necesidad
de desarrollar este esfuerzo,
de modo de poder evaluar
la calidad de un itinerario,
sobre una base real.
El modelo de simulación que desarrollamos
permite generar todas las posibles fuentes de disrupción,
simular cada vuelo de la compañía durante una semana,
y calcular la puntualidad efectiva del itinerario.
Todo esto se hace antes
de que el itinerario se ponga en ejecución,
lo que permite una retroalimentación
hacia el área comercial, con lo cual
es posible hacer modificaciones del itinerario
a la luz de los resultados obtenidos.
Este esfuerzo ha permitido a esta línea aérea
mejorar en forma relevante sus indicadores
de puntualidad, y por lo tanto su capacidad competitiva.
Síntesis del curso
En las clases pasadas abordamos
siete casos o sectores industriales.
El primero fue el modelo
de simulación del taller de mantención
de camiones de Codelco-Andina.
La empresa había desarrollado un diseño inicial,
para enfrentar la fuerte expansión de producción
que se va a generar en las próximas décadas,
en base a cifras promedio históricas
y a ciertos benchmarks de la industria.
La simulación desarrollada,
que permitió representar en detalle
la operación de los camiones y del taller,
demostró que era erróneo el diseño propuesto,
y estableció uno nuevo que permitirá a la compañía
aumentar en forma importante sus ingresos.
Lección: era imprescindible
un modelo computacional
que reflejara en detalle
la dinámica de la operación minera,
en lo referente a la operación
y la mantención de los camiones.
En este caso, el modelo surgió
como una opción para verificar
la validez de un diseño
ya establecido por otros métodos.
El segundo caso fue el de General Motors,
empresa que enfrentaba una profunda crisis.
La modelación tuvo como objetivo inicial
lograr una comprensión adecuada de la dinámica
de las líneas de producción de vehículos.
En este caso,
el objetivo fue más de investigación
que de obtener decisiones específicas.
Sin embargo, la dinámica
que esto generó en la empresa
tuvo impactos significativos
en los procesos de toma de decisiones
en el ámbito productivo y estratégico.
Después analizamos el caso
de la atención de los clientes
en las cajas de pago de un supermercado.
Este fue claramente un problema de diseño.
La pregunta era: cuántas cajas
debo abrir en cada hora del día
de modo de asegurar
una cierta calidad de servicio.
Utilizando un modelo de simulación
combinado con uno de optimización,
se pudo demostrar que usando
los mismos recursos,
se podía pasar de la situación actual,
en que en un día de la semana,
la demora promedio en la fila
era de 6 minutos
y el porcentaje de clientes
que esperaba menos de 4 minutos
era solo de 51% , a valores
de 1,7 minutos y 89% respectivamente.
En la clase 4 abordamos dos problemas
asociados a la industria bancaria.
El primero se refería
a la ubicación óptima de nuevas sucursales,
de modo de maximizar la captación de nuevos clientes.
Mediante modelos
de optimización de gran tamaño,
mostramos cómo un banco de China
pudo ampliar su base de clientes
en una de las ciudades
generando depósitos adicionales
por más de US$1 billón.
La segunda aplicación
se refirió a un modelo matemático
que permite generar un indicador consistente
de eficiencia relativa de las sucursales
de un banco en el uso de sus recursos.
Este tipo de modelos
permite generar una dinámica
de cambio positivo
sobre la base de imitar
las mejores prácticas
de la sucursal más eficiente.
En la clase 5 se presentó
el desarrollo de una herramienta
de planificación de producción
para la empresa Asfaltos Chilenos.
En este caso,
la herramienta desarrollada
es un modelo de optimización
y un modelo de datos
que se incorporan
a los sistemas informáticos
de la compañía y que ha permitido
integrar decisiones comerciales
y operativas de la empresa.
Ello permitió generar
un aumento de capacidad
de producción de 10%,
sin invertir en nuevas
capacidades productivas.
Finalmente, en la clase 7
mostramos una aplicación
que combina modelos de optimización
y herramientas de análisis de datos
para asegurar estrategias eficientes
de fiscalización de contribuyentes
en una zona de Estados Unidos.
Estos modelos son capaces
de considerar cada uno
de los contribuyentes
(en el caso de la zona estimada
eran más de un millón)
y sopesar las consecuencias
de decisiones óptimas de fiscalización.
El uso de este modelo
ha permitido aumentar
la recaudación anual,
en la zona analizada,
en más de US$80 millones.
Una mirada amplia
Lo primero que debemos indicar
es que los profesionales
que desarrollan estas soluciones
deben tener una formación sistémica,
que permita aproximarse al problema
con una mirada amplia,
teniendo siempre en mente
que detrás de todo proceso
de toma de decisiones existe:
* Una estructura organizacional.
* Personas, de distinta índole,
que toman decisiones diversas,
desde estratégicas a operativas en la ejecución.
* Procesos de gestión.
* Sistemas informáticos.
* Una cultura de trabajo.
En segundo lugar,
todo desarrollo de un modelo matemático
para apoyar un proceso de toma de decisiones
constituye una intervención disruptiva
de los procesos habituales sobre decisiones.
Por ello, todo lo que nos enseña
la teoría del cambio organizacional
es muy relevante.
Se deben definir equipos de trabajo,
al interior de la organización,
que preparen y colaboren,
con convicción, en este proceso.
Tercero, es importante
ampliar el espectro de preguntas iniciales;
cuestionar las prácticas establecidas,
levantar procesos e información relevante,
de modo de reescribir, si es necesario,
la pregunta inicial (o el encargo).
También hay que tener en cuenta
que estos modelos de optimización
son sistemas informáticos
que deben conectarse
con los sistemas habituales de la compañía.
Finalmente, es necesario identificar
los futuros usuarios del modelo
o solución desarrollada,
y capacitarlos adecuadamente,
incorporándolos también
al proceso de desarrollo del modelo.
Si este último es desarrollado
por especialistas externos,
es necesario mantenerse en contacto,
y obtener un servicio de apoyo,
que es más que un simple servicio de mantención.
Los problemas cambian con el tiempo,
y también deben hacerlo las soluciones
de optimización desarrolladas.
¡Buena suerte! Nos vemos el próximo año.
Próximo jueves:
Comienza curso "Desarrollo organizacional".
Se deben definir equipos de trabajo,
al interior de la organización,
que preparen y colaboren,
con convicción, en este proceso.
No hay comentarios:
Publicar un comentario
COMENTE SIN RESTRICCIONES PERO ATÉNGASE A SUS CONSECUENCIAS