Investigación operativa: cómo las matemáticas optimizan las decisiones complejas
Desde el análisis científico de la toma de decisiones, pasando por la optimización combinatoria, hasta la inteligencia de decisión moderna
Artículo especializado | mAInthink Insights | Ciencia y métodos
Las empresas, las instituciones públicas y los inversores se enfrentan a un reto fundamental: deben tomar decisiones cuyo impacto económico o social no depende únicamente de medidas aisladas, sino de la interacción entre numerosas alternativas.
¿Qué inversiones deben financiarse? ¿Qué proyectos generan, en conjunto, el mayor valor añadido? ¿Cómo pueden distribuirse de forma óptima los recursos limitados? ¿Y cómo cambia la mejor decisión cuando se ajustan los presupuestos, las prioridades o las condiciones marco?
La respuesta tradicional suele consistir en evaluaciones, listas de prioridades, análisis de viabilidad y decisiones de gestión.
La investigación operativa adopta un enfoque diferente:
no se limita a evaluar alternativas individuales, sino que determina matemáticamente la mejor combinación posible de todas las decisiones admisibles.
Esta disciplina constituye desde hace décadas una base científica para la optimización de sistemas económicos, técnicos y organizativos complejos.
Hoy en día, está adquiriendo una nueva relevancia práctica gracias a potentes algoritmos de optimización, métodos de cálculo paralelo, inteligencia artificial y plataformas interactivas de toma de decisiones.
Índice
- ¿Qué es la investigación operativa?
- El desarrollo científico de la investigación operativa
- ¿Qué problemas resuelve la investigación operativa?
- Los fundamentos matemáticos
- Optimización combinatoria y complejidad exponencial
- Los principales métodos de optimización
- Optimalidad global: lo que se puede demostrar matemáticamente
- Optimización de carteras en lugar de la priorización clásica
- Planificación multiperíodo y restricciones de recursos
- Optimización multiobjetivo y objetivos en conflicto
- Investigación operativa en condiciones de incertidumbre
- Investigación operativa, IA e inteligencia decisional
- Investigación operativa en empresas y administraciones públicas
- Límites y requisitos de la optimización matemática
- De la solución matemática a la decisión en tiempo real
- Preguntas frecuentes
- Conclusiones y contextualización científica
1. ¿Qué es la investigación operativa?
La investigación operativa, a menudo denominada «OR» o, en el ámbito anglosajón, «Operational Research», es una disciplina científica interdisciplinaria dedicada al análisis y la optimización de problemas de decisión complejos.
Combina, en particular:
- Matemáticas aplicadas
- Optimización matemática
- Teoría de la probabilidad y estadística
- Informática y teoría de algoritmos
- Ciencias económicas
- Análisis de sistemas y ciencias de la toma de decisiones
El objetivo principal consiste en modelar los problemas de decisión de tal forma que se puedan examinar sistemáticamente las diferentes alternativas de actuación y optimizarlas en función de unos objetivos definidos.
A diferencia de los métodos de análisis puramente descriptivos, la investigación operativa no se limita a responder a la pregunta de qué ocurre en un sistema.
Analiza qué decisiones deben tomarse, dadas las condiciones existentes, para alcanzar un objetivo definido de la mejor manera posible.
Una empresa puede saber, por ejemplo, cuáles de sus proyectos de inversión permiten esperar un rendimiento positivo del capital.
Sin embargo, de ello no se deduce qué combinación de estos proyectos genera el mayor valor económico con un presupuesto total limitado.
Es precisamente aquí donde comienza un problema clásico de investigación operativa.
2. El desarrollo científico de la Investigación Operativa
El desarrollo moderno de la investigación operativa comenzó, en particular, durante la Segunda Guerra Mundial.
En aquella época, científicos de diversas disciplinas investigaron cuestiones operativas complejas, como el uso eficiente de recursos limitados, la coordinación de procesos logísticos y la optimización de sistemas militares.
Tras la guerra, los métodos desarrollados se aplicaron cada vez más a cuestiones industriales y económicas.
Un hito fundamental fue el desarrollo del método del simplex por parte de George B. Dantzig en 1947.
De este modo, la optimización lineal se convirtió en una herramienta importante para el apoyo matemático a la toma de decisiones.
En las décadas siguientes surgieron otros métodos importantes:
- Programación dinámica
- Optimización entera y mixta-entera
- Branch-and-Bound
- Optimización de redes
- Optimización estocástica
- Optimización multiobjetivo
- Métodos metaheurísticos
- Optimización robusta
Hoy en día, la investigación operativa es una disciplina de investigación consolidada a nivel internacional.
Entre las organizaciones científicas más importantes se encuentran INFORMS, EURO, IFORS y la Sociedad Alemana de Investigación Operativa (GOR).
La Investigación Operativa no es, por tanto, una nueva manifestación de la inteligencia artificial, sino una base científica independiente de la optimización moderna de la toma de decisiones.
3. ¿Qué problemas resuelve la Investigación Operativa?
La Investigación Operativa cobra relevancia allí donde confluyen varias alternativas de decisión, recursos limitados y objetivos definibles.
Los campos de aplicación son, por tanto, muy amplios.
Inversiones y asignación de capital
¿Qué inversiones deben realizarse dentro de un presupuesto limitado?
Optimización de la cartera de proyectos
¿Qué combinación de proyectos genera la mayor contribución económica o estratégica global?
Planificación de la producción
¿Cómo se pueden optimizar los volúmenes de producción, las capacidades de las máquinas y el orden de los pedidos?
Optimización de la cadena de suministro
¿Cómo se pueden coordinar de forma eficiente las existencias, las rutas de transporte, las capacidades de entrega y las plantas de producción?
Planificación energética y de infraestructuras
¿Qué inversiones en redes, instalaciones o medidas de mantenimiento generan el mayor beneficio con unos recursos limitados?
Planificación de personal y recursos
¿Cómo se asignan de forma óptima los empleados, la maquinaria, las franjas horarias u otros recursos escasos?
Presupuestos públicos
¿Qué combinación de medidas públicas genera el mayor impacto social definido, teniendo en cuenta las condiciones financieras, jurídicas y políticas?
Sanidad
¿Cómo se pueden mejorar las capacidades, las citas médicas, los recursos sanitarios y las estructuras asistenciales?
A pesar de los diferentes ámbitos de aplicación, muchos de estos problemas comparten una estructura matemática común:
Es necesario encontrar la mejor decisión posible, o la óptima, dentro de un espacio de decisión admisible y limitado.
4. Los fundamentos matemáticos
Un problema de optimización matemática consta, en principio, de tres elementos:
variables de decisión, función objetivo y restricciones.
4.1 Variables de decisión
Las variables de decisión describen qué decisiones se pueden tomar.
En el caso de una decisión binaria sobre un proyecto, por ejemplo, se cumple lo siguiente:
Lo cual significa que:
- xi=1: se selecciona el proyecto i.
- xi = 0: no se selecciona el proyecto i.
Otros problemas de optimización utilizan variables enteras o continuas.
4.2 Función objetivo
La función objetivo describe qué magnitud debe maximizarse o minimizarse.
Para una cartera con valores de proyecto aditivos, una función de maximización simplificada es la siguiente:
Donde vi representa la aportación de valor económico o estratégico de un proyecto.
4.3 Restricciones
Las decisiones reales están sujetas a restricciones.
Una restricción presupuestaria típica es la siguiente:
Donde:
- ci: necesidad de capital del proyecto i
- B: presupuesto total disponible
Otras restricciones pueden referirse, por ejemplo, a los recursos humanos, las dependencias técnicas, los requisitos legales o las limitaciones temporales.
El problema de optimización completo consiste, por tanto, en encontrar una combinación admisible de variables de decisión que satisfaga la función objetivo de la mejor manera posible.
Esta estructura del modelo constituye la base de numerosas aplicaciones prácticas de la investigación operativa.
5. Optimización combinatoria y complejidad exponencial
Un subcampo especialmente importante de la investigación operativa es la optimización combinatoria.
Estudia problemas de decisión en los que se busca la mejor solución admisible a partir de un conjunto finito, a menudo muy grande, de alternativas discretas.
Para n proyectos seleccionables de forma binaria e independiente, el número de combinaciones teóricamente posibles es:
De ello se deduce que:
| Proyectos | Combinaciones teóricas |
|---|---|
| 10 | 1.024 |
| 20 | 1 048 576 |
| 30 | 1 073 741 824 |
| 50 | 1,126 × 10¹⁵ |
| 100 | 1,268 × 10³⁰ |
| 300 | 2,037 × 10⁹⁰ |
Estas cifras describen, en un primer momento, el número total de combinaciones binarias posibles, no el número de carteras realmente admisibles.
Las restricciones presupuestarias, las dependencias entre proyectos y otras condiciones pueden reducir considerablemente el espacio de soluciones admisibles.
No obstante, el número teórico de combinaciones posibles pone de manifiesto la magnitud del problema.
Una evaluación manual completa de todas las alternativas resulta prácticamente imposible incluso con carteras relativamente pequeñas.
La complejidad exponencial no significa que haya que examinar cada combinación por separado
Los algoritmos de optimización modernos pueden descartar gran parte del espacio de decisión sin evaluar completamente cada combinación por separado.
Para ello, utilizan límites matemáticos, relajaciones, propiedades estructurales del problema y estrategias de búsqueda inteligentes.
Por ello, en condiciones adecuadas, un procedimiento de optimización puede resolver de manera eficiente incluso problemas de decisión combinatorios de gran envergadura.
Sin embargo, la existencia de algoritmos potentes no garantiza que cualquier problema pueda resolverse de forma globalmente óptima en poco tiempo.
La complejidad computacional real depende, entre otras cosas, de la estructura del modelo, las restricciones, el tamaño del problema y el método de resolución empleado.
6. Los principales métodos de optimización
La investigación operativa abarca diferentes métodos matemáticos de resolución.
El método adecuado depende de la estructura del problema de decisión.
6.1 Programación lineal
La optimización lineal analiza problemas con funciones objetivo lineales y restricciones lineales.
Se utiliza, por ejemplo, para la planificación de la producción, el transporte y los recursos.
6.2 Programación entera
La optimización entera tiene en cuenta variables de decisión que solo pueden adoptar valores enteros.
Esto resulta especialmente relevante en el caso de decisiones discretas, por ejemplo, cuando los proyectos se seleccionan o se descartan en su totalidad.
6.3 Programación lineal mixta-entera
La programación lineal mixta-entera, o MILP, combina variables de decisión continuas y enteras dentro de un modelo lineal.
De este modo, por ejemplo, las decisiones de inversión pueden vincularse a magnitudes continuas de presupuesto o capacidad.
6.4 Método «branch-and-bound»
El método «Branch-and-Bound» divide sistemáticamente el espacio de decisión en subproblemas.
Mediante límites matemáticos, se puede determinar qué subespacios ya no pueden contener una solución mejor.
Por lo tanto, no es necesario seguir analizando estos subespacios.
6.5 Branch-and-Cut
El método «Branch-and-Cut» amplía el método «Branch-and-Bound» mediante desigualdades válidas adicionales, denominadas «planos de corte».
Estos pueden endurecer las relajaciones matemáticas y acelerar la búsqueda de soluciones óptimas.
6.6 Programación dinámica
La programación dinámica descompone los problemas adecuados en subproblemas interrelacionados.
Se utiliza, entre otras cosas, en problemas de decisión secuenciales, en la planificación de existencias y en determinados problemas de asignación de recursos.
6.7 Heurísticas y metaheurísticas
Los métodos heurísticos buscan de forma eficiente buenas soluciones admisibles, sin garantizar en principio una prueba de optimalidad global.
Algunos ejemplos conocidos son:
- Algoritmos genéticos
- Recocido simulado
- Búsqueda tabú
- Búsqueda local
Estos métodos pueden resultar especialmente útiles en el caso de problemas de gran envergadura o con estructuras complejas.
6.8 Métodos híbridos de optimización
Los enfoques híbridos combinan diferentes métodos.
Por ejemplo, los métodos heurísticos pueden generar inicialmente soluciones admisibles de alta calidad, mientras que los métodos exactos intentan posteriormente mejorar dichas soluciones o demostrar su optimalidad.
El aprendizaje automático también puede utilizarse para seleccionar estrategias de búsqueda, predecir parámetros o acelerar pasos concretos de la resolución.
Las ventajas reales que aportan estas combinaciones deben analizarse mediante pruebas comparativas adecuadas.
7. Optimalidad global: lo que se puede demostrar matemáticamente
Uno de los puntos fuertes fundamentales de la optimización matemática radica en que, bajo determinadas condiciones, no solo se encuentra una buena solución, sino que se puede demostrar su optimalidad global.
Una solución globalmente óptima posee el mejor valor posible de la función objetivo dentro del espacio de soluciones admisible definido.
Formalmente, para un problema de maximización se cumple que:
Donde:
- X: conjunto de todas las soluciones admisibles
- x^*: solución óptima global
- f(x): valor de la función objetivo de una solución
La demostración de la optimalidad global puede realizarse, por ejemplo, mediante límites matemáticos.
La brecha de optimalidad
En los problemas de optimización mixta-entera, a menudo se considera la diferencia entre la mejor solución admisible encontrada y un límite válido para el óptimo global.
Para un problema de maximización con un valor óptimo de la función objetivo positivo, una brecha de optimalidad relativa puede definirse, por ejemplo, de la siguiente manera:
Donde:
- LB: valor de la mejor solución admisible encontrada hasta el momento
- UB: límite superior válido para el óptimo global
Una brecha igual a cero significa, en un cálculo exacto, que se ha demostrado la optimalidad global.
Los solucionadores prácticos tienen en cuenta las tolerancias numéricas y los criterios de abandono definidos.
Además, una diferencia pequeña puede significar que la solución encontrada ya se encuentra muy cerca del mejor valor teórico posible de la función objetivo.
Una limitación científica decisiva
Un óptimo global es siempre un óptimo del modelo matemático, no necesariamente la mejor decisión objetiva en el mundo real.
Si los datos de entrada están incompletos, las hipótesis sobre los beneficios son erróneas o no se tienen en cuenta las restricciones relevantes, una solución matemáticamente óptima puede resultar inadecuada desde el punto de vista económico.
Por ello, la validación del modelo, los análisis de sensibilidad y la verificación de los supuestos subyacentes son elementos imprescindibles de una optimización seria.
8. Optimización de carteras en lugar de la priorización clásica
Un ámbito de aplicación especialmente relevante es la optimización de carteras de inversión y de proyectos.
Los métodos tradicionales de gestión de carteras suelen evaluar los proyectos de forma individual.
De ello se deriva una clasificación, por ejemplo, basada en el ROI, el VAN, la importancia estratégica o criterios de evaluación ponderados.
Este tipo de priorización responde a la pregunta:
¿Qué proyecto concreto resulta especialmente atractivo?
Sin embargo, no responde necesariamente a la siguiente pregunta:
¿Qué combinación de todos los proyectos disponibles genera el mayor valor total dentro de las restricciones existentes?
Un ejemplo simplificado
Una empresa dispone de un presupuesto de inversión de 10 millones de euros.
Hay cuatro proyectos entre los que elegir:
| Proyecto | Inversión | VAN |
|---|---|---|
| A | 6 millones de € | 9 millones de € |
| B | 5 millones de € | 8 millones de € |
| C | 4 millones de € | 7 millones de € |
| D | 3 millones de € | 4 millones de € |
Si se establece una priorización según el VAN absoluto, el proyecto A ocupa el primer lugar.
Si se elige el proyecto A, con el presupuesto restante de 4 millones de euros se puede financiar el proyecto C o el proyecto D.
La combinación A + C alcanza un VAN total de 16 millones de euros con un gasto presupuestario de 10 millones de euros y es, en este ejemplo, la mejor combinación admisible.
La combinación B + C, también admisible, alcanza un VAN de 15 millones de euros con una inversión de capital de 9 millones de euros.
En este ejemplo, la combinación A + C es, de hecho, óptima.
Sin embargo, esto no significa que la clasificación sea necesariamente errónea.
Más bien, el ejemplo muestra que la decisión óptima sobre la cartera surge de la comparación de combinaciones admisibles y no se deriva únicamente de la evaluación aislada de los proyectos.
Incluso pequeños cambios en los valores de los proyectos, los presupuestos o las dependencias pueden hacer que la mejor combinación ya no esté formada por los proyectos individuales mejor clasificados.
Por qué la maximización del ROI requiere especial cuidado
La maximización del VAN total no es lo mismo que la maximización del ROI de la cartera.
Si se define el ROI de la cartera como la relación entre el rendimiento neto agregado y el capital invertido agregado, se obtiene una función objetivo diferente:
Esta optimización de la relación difiere matemáticamente de la maximización de un valor total aditivo.
Además, la mera maximización del ROI puede favorecer carteras muy pequeñas.
Por ello, antes de cualquier optimización debe aclararse si se pretende maximizar, por ejemplo, el VAN total, el ROI, el beneficio estratégico u otro indicador objetivo.
La definición de la función objetivo es, en sí misma, una decisión de gestión fundamental.
9. Planificación multiperíodo y restricciones de recursos
Las decisiones de inversión reales suelen abarcar varios ejercicios fiscales.
Por ejemplo, un proyecto puede requerir una elevada inversión en el primer año, inmovilizar recursos adicionales en el segundo y generar beneficios económicos solo más adelante.
Un modelo matemático adecuado debe tener en cuenta esta estructura temporal.
Para una selección simplificada de la cartera en varios períodos, puede aplicarse lo siguiente:
siempre que:
Donde:
- cit: necesidad de capital del proyecto i en el período t
- Bt: presupuesto disponible en el período t
Además, se pueden modelar restricciones de recursos:
Donde airt representa la necesidad de recursos de un proyecto para el recurso r en el período t.
Dependencias entre proyectos
Las relaciones lógicas entre proyectos también pueden expresarse matemáticamente.
Si el proyecto B solo puede llevarse a cabo si se ha seleccionado el proyecto A:
Si dos proyectos no pueden llevarse a cabo simultáneamente:
Si un proyecto debe llevarse a cabo obligatoriamente:
Estas restricciones son fundamentales, ya que la calidad real de una cartera de inversiones a menudo no viene determinada únicamente por el presupuesto, sino también por numerosas dependencias técnicas, organizativas y estratégicas.
10. Optimización multiobjetivo y objetivos contrapuestos
Muchos problemas de decisión reales no tienen un único objetivo.
Por ejemplo, una empresa desea, al mismo tiempo:
- Maximizar la aportación de valor económico
- limitar los riesgos
- Reducir las emisiones de CO₂
- alcanzar los objetivos estratégicos
- Evitar la escasez de recursos
Estos objetivos pueden entrar en conflicto entre sí.
Por ello, la optimización multiobjetivo analiza decisiones con varias funciones objetivo.
Formalmente, un problema de este tipo puede expresarse como:
sujeto a:
Funciones objetivo ponderadas
Una posibilidad consiste en combinar varias funciones objetivo normalizadas en una función global ponderada:
En este caso, wj representa la ponderación de la variable objetivo correspondiente.
Las ponderaciones deben estar justificadas desde el punto de vista técnico.
Optimalidad de Pareto
Otra posibilidad consiste en determinar soluciones óptimas de Pareto.
Una solución es óptima de Pareto cuando no existe ninguna otra solución admisible que sea al menos igual de buena en todas las variables objetivo y estrictamente mejor en al menos una de ellas.
Esto suele dar lugar no a una única decisión claramente óptima, sino a un conjunto de alternativas eficientes.
A continuación, la dirección debe decidir qué conflictos de objetivos son aceptables.
La investigación operativa no sustituye, por tanto, a la responsabilidad estratégica.
Permite analizar matemáticamente las consecuencias de las diferentes preferencias.
11. Investigación operativa en condiciones de incertidumbre
No todos los factores relevantes para la toma de decisiones se conocen en el momento de decidir.
Los ingresos futuros, los costes del proyecto, la disponibilidad de recursos y las condiciones del mercado pueden ser inciertos.
El modelo clásico de optimización determinista trabaja con parámetros fijos.
Para los problemas de decisión con incertidumbre existen enfoques metodológicos adicionales.
Optimización estocástica
La optimización estocástica tiene en cuenta variables aleatorias y, en su caso, diferentes escenarios futuros.
En este contexto, se pueden tener en cuenta, por ejemplo, valores esperados, medidas de riesgo o decisiones en varias etapas.
Optimización robusta
La optimización robusta busca soluciones que sigan siendo admisibles o eficaces incluso ante desviaciones desfavorables definidas de los parámetros.
Análisis de escenarios
El análisis de escenarios examina cómo varían las decisiones óptimas en función de diferentes supuestos.
Análisis de sensibilidad
El análisis de sensibilidad evalúa en qué medida los resultados reaccionan ante cambios en parámetros de entrada concretos.
Estos métodos son especialmente relevantes en el caso de decisiones de inversión a largo plazo.
Por lo tanto, una cartera optimizada matemáticamente no debería evaluarse exclusivamente en función de su resultado bajo una única hipótesis de futuro.
Igualmente importante es la cuestión de hasta qué punto la decisión se mantiene estable ante cambios plausibles.
12. Investigación operativa, inteligencia artificial e inteligencia de decisión
La investigación operativa, la inteligencia artificial y la inteligencia de decisión están relacionadas entre sí, pero no son idénticas.
Investigación operativa
La investigación operativa proporciona métodos matemáticos para modelar y optimizar problemas de decisión.
Inteligencia artificial
La inteligencia artificial abarca diversos procedimientos, como el aprendizaje automático, el reconocimiento de patrones, el procesamiento del lenguaje y los procesos de toma de decisiones automatizados.
Inteligencia de decisión
La inteligencia de decisión combina datos, modelos de decisión, métodos analíticos y procesos de toma de decisiones organizativos.
El objetivo es mejorar la calidad, la trazabilidad y la viabilidad práctica de las decisiones.
La relación
Una posible interacción consiste en que el aprendizaje automático pronostique, en primer lugar, los costes o ingresos futuros de un proyecto.
A continuación, un modelo de investigación operativa puede calcular qué combinación de proyectos es óptima en las condiciones previstas.
Por último, una aplicación de Decision Intelligence presenta los resultados de tal forma que los responsables de la toma de decisiones puedan comparar alternativas, modificar supuestos y comprender las consecuencias.
De este modo, los tres enfoques cumplen funciones diferentes y complementarias.
La inteligencia artificial puede ayudar a mejorar las bases para la toma de decisiones. La investigación operativa puede optimizar matemáticamente las decisiones adecuadas. La inteligencia de decisión puede integrar estos conocimientos en los procesos de decisión reales.
Esta distribución de funciones es un posible modelo arquitectónico, no una delimitación universal de todos los procedimientos.
13. La investigación operativa en las empresas y en la administración pública
Los fundamentos matemáticos de la investigación operativa son relevantes tanto para las decisiones del sector privado como para las del sector público.
13.1 Empresas industriales
Las empresas industriales a menudo deben coordinar numerosos proyectos de inversión entre distintas sedes, líneas de producción y áreas de negocio.
Los distintos proyectos compiten por el capital, el personal y las capacidades técnicas.
La optimización matemática de carteras permite analizar qué combinación genera, en estas condiciones, el mayor valor total definido.
13.2 Empresas energéticas
Las empresas energéticas se enfrentan a decisiones de inversión complejas en redes, instalaciones de generación, mantenimiento e infraestructuras.
Para ello, deben tenerse en cuenta las dependencias técnicas, la seguridad del suministro, los recursos y los horizontes de planificación a largo plazo.
13.3 Industria farmacéutica
Las carteras de investigación y desarrollo contienen proyectos con diferentes probabilidades de éxito, estructuras de costes y plazos de desarrollo.
Los modelos de investigación operativa pueden ayudar en la selección y la coordinación temporal de dichas carteras.
13.4 Sector inmobiliario
En el caso de grandes carteras inmobiliarias, las medidas de inversión, rehabilitación y desarrollo pueden competir entre sí.
La combinación óptima depende de las necesidades de capital, la aportación de valor, la planificación temporal y las posibles dependencias.
13.5 Presupuestos públicos
Las decisiones presupuestarias y de inversión del Estado también siguen estructuras matemáticas de asignación.
Sin embargo, las decisiones públicas se diferencian de las decisiones de inversión del sector privado en un aspecto fundamental:
El beneficio social no siempre puede expresarse directamente como rendimiento financiero.
En su lugar, pueden tenerse en cuenta, por ejemplo, la calidad del servicio, el estado de las infraestructuras, el impacto climático, la accesibilidad social u otros indicadores públicos.
Para ello, es necesario desarrollar criterios de utilidad adecuados, ponerlos en práctica y ponderarlos de forma transparente.
Las obligaciones legales, las restricciones de destino de fondos y las competencias políticas de decisión siguen siendo condiciones marco vinculantes.
La optimización matemática puede servir de apoyo a las decisiones públicas, pero no puede sustituir a la legitimación democrática ni a la responsabilidad política.
14. Límites y requisitos previos de la optimización matemática
La investigación operativa es eficaz, pero no constituye una garantía universal de que se tomen las decisiones correctas.
La calidad de los resultados depende de varios factores.
Calidad del modelo
El modelo matemático debe representar con la suficiente precisión las relaciones relevantes para la toma de decisiones.
Calidad de los datos
Los datos incompletos o erróneos pueden dar lugar a resultados inadecuados.
Calidad de la función objetivo
Un procedimiento matemático optimiza la función objetivo definida, independientemente de si esta representa plenamente los objetivos reales de una organización.
Complejidad computacional
Ciertos problemas de optimización son computacionalmente difíciles.
No todos los problemas pueden resolverse de forma globalmente óptima en un tiempo determinado.
Incertidumbre
Los resultados pueden ser muy sensibles a la evolución futura o a parámetros inciertos.
Viabilidad organizativa
Una decisión matemáticamente atractiva puede plantear dificultades prácticas si no se han tenido suficientemente en cuenta las condiciones organizativas, políticas o culturales.
De ello se deduce que:
La optimalidad matemática, la conveniencia económica y la viabilidad organizativa están relacionadas entre sí, pero no son idénticas.
Un proceso de optimización profesional debe tener en cuenta estas tres dimensiones.
15. De la solución matemática a la decisión en la práctica
Los métodos científicos de la investigación operativa se conocen desde hace décadas.
Sin embargo, un reto fundamental radica en su integración práctica en los procesos de gestión.
Tradicionalmente, los modelos de optimización suelen ser desarrollados y calculados por departamentos especializados, para luego ser facilitados como plantillas de decisión.
Las aplicaciones modernas de inteligencia de decisión adoptan un enfoque más interactivo.
Los responsables de la toma de decisiones pueden, por ejemplo:
- modificar los presupuestos o las restricciones de recursos.
- Seleccionar o excluir proyectos de forma vinculante.
- Ajustar las ponderaciones estratégicas.
- Calcular escenarios alternativos.
- Comparar las consecuencias económicas de diferentes combinaciones de cartera.
De este modo, un cálculo de optimización único puede dar lugar a un proceso de toma de decisiones iterativo.
StratePlan como aplicación especializada
StratePlan, la tecnología de inteligencia de decisión de mAInthink GmbH, se centra especialmente en la optimización matemática de carteras de inversión y de proyectos.
La aplicación combina la optimización combinatoria con el análisis interactivo de las dependencias entre presupuestos, recursos y proyectos.
Uno de sus puntos fuertes es la posibilidad de recalcular las decisiones sobre la cartera de forma inmediata en los órganos de gestión y de toma de decisiones.
La clase de problemas subyacente pertenece al ámbito de la investigación operativa, en concreto a la asignación discreta de carteras y recursos.
Por lo tanto, StratePlan debe clasificarse como una aplicación especializada en la optimización matemática de la toma de decisiones, y no automáticamente como un solucionador universal para todos los problemas de investigación operativa.
Las garantías de optimalidad, los tiempos de cálculo y las clases de modelos compatibles dependen de la implementación técnica concreta y de los problemas específicos.
El valor añadido económico radica en la posibilidad de aplicar la optimización matemática a los procesos de toma de decisiones estratégicas reales.
16. Preguntas frecuentes
¿Es la investigación operativa una forma de inteligencia artificial?
No necesariamente. La investigación operativa es una disciplina científica independiente que utiliza métodos matemáticos de optimización, simulación y toma de decisiones. Sin embargo, existen numerosos puntos en común y posibilidades de combinación con la inteligencia artificial.
¿Cuál es la diferencia entre la investigación operativa y la optimización matemática?
La optimización matemática es una subdisciplina metodológica fundamental de la investigación operativa. Además, la investigación operativa abarca, por ejemplo, la simulación, la teoría de colas, la modelización estocástica y otros métodos de análisis de la toma de decisiones.
¿Qué es la optimización combinatoria?
La optimización combinatoria estudia la selección o disposición de alternativas discretas bajo condiciones definidas. Algunos ejemplos típicos son la selección de carteras de proyectos, la planificación de rutas, los problemas de asignación y determinados problemas de programación.
¿Puede la Investigación Operativa calcular un óptimo global?
Sí, para modelos matemáticos adecuados y con los métodos de resolución correspondientes, se puede demostrar la optimalidad global. Sin embargo, esto no está garantizado para todas las clases de problemas ni para cualquier tiempo de cálculo dado.
¿Por qué la priorización clásica de proyectos no siempre es suficiente?
Una clasificación evalúa proyectos individuales. La optimización de carteras, por el contrario, analiza el efecto global de las combinaciones de proyectos admisibles. La mejor combinación no tiene por qué estar compuesta necesariamente por los proyectos individuales mejor clasificados.
¿Cuál es la diferencia entre simulación y optimización?
Una simulación analiza qué resultados pueden producirse bajo determinadas hipótesis y decisiones.
La optimización busca, dentro de un espacio de decisión definido, soluciones que satisfagan de la mejor manera posible una función objetivo.
Ambos enfoques pueden combinarse.
¿Qué significa «NP-difícil»?
«NP-difícil» se refiere a una clase de problemas computacionalmente difíciles, entre los que se incluyen numerosos problemas de optimización combinatoria.
Para estos problemas no se conoce ningún algoritmo general que resuelva de forma óptima todas las instancias en tiempo polinomial. Sin embargo, esto no implica que todas las instancias prácticas tengan que ser difíciles.
¿Pueden las empresas utilizar la investigación operativa sin disponer de un departamento de matemáticas propio?
Sí. El software especializado y las aplicaciones de inteligencia de decisión pueden poner el modelado matemático y la optimización al alcance de los usuarios no especialistas.
Lo fundamental sigue siendo la formulación correcta del problema, unos datos de entrada fiables y la validación técnica de los resultados.
¿Es StratePlan una aplicación de investigación operativa?
Sí. La optimización matemática de carteras de inversión y de proyectos forma parte de la investigación operativa.
StratePlan aborda, en particular, problemas combinatorios de selección y asignación bajo restricciones definidas.
17. Conclusión: la investigación operativa como base científica para tomar mejores decisiones
La investigación operativa demuestra que las decisiones complejas no tienen por qué basarse exclusivamente en la experiencia, la intuición o valoraciones aisladas.
Muchos problemas de toma de decisiones económicos, técnicos y públicos pueden modelizarse matemáticamente y optimizarse de forma sistemática.
Este enfoque cobra especial relevancia cuando existen numerosas alternativas que compiten entre sí, los recursos son limitados y hay que tener en cuenta las interdependencias.
La conclusión fundamental es la siguiente:
La calidad de los proyectos individuales no determina necesariamente la calidad de toda la cartera. Lo decisivo es la combinación que, dadas las restricciones reales, genere el mayor valor total definido.
La investigación operativa proporciona los métodos científicos para analizar estas relaciones.
Los procedimientos matemáticos de optimización permiten buscar soluciones de alta calidad y, en condiciones adecuadas, soluciones que se ha demostrado que son óptimas a nivel global.
La inteligencia decisional puede plasmar estos resultados en procesos de toma de decisiones comprensibles e interactivos.
De este modo, se establece un vínculo entre décadas de investigación matemática y las exigencias prácticas de la gestión empresarial moderna.
La investigación operativa permite analizar matemáticamente problemas de decisión complejos. La inteligencia de decisión hace que los resultados sean útiles para los responsables de la toma de decisiones.
Fuentes científicas complementarias
Asociaciones profesionales y fundamentos
- INFORMS – Investigación Operativa y Analítica: https://www.informs.org/Explore/Operations-Research-Analytics
- EURO – Asociación de Sociedades Europeas de Investigación Operativa: https://www.euro-online.org/
- Sociedad Alemana de Investigación Operativa (GOR): https://www.gor-ev.de/
Obras de referencia científica
- Hillier, F. S. y Lieberman, G. J.: Introduction to Operations Research.
- Bertsimas, D. y Tsitsiklis, J. N.: Introducción a la optimización lineal.
- Nemhauser, G. L. y Wolsey, L. A.: Optimización entera y combinatoria.
- Ehrgott, M.: Optimización multicriterio.
- Birge, J. R. y Louveaux, F.: Introducción a la programación estocástica.
Profundización técnica
- Gurobi – Programación mixta entera: https://www.gurobi.com/resources/blog/mixed-integer-programming-an-introduction-to-the-basics
- Gurobi – Optimalidad demostrable: https://www.gurobi.com/resources/blog/provable-optimality
Experimenta la investigación operativa en la práctica
La optimización matemática no tiene por qué limitarse a los modelos científicos.
Descubre cómo StratePlan pone al alcance de las decisiones de gestión reales la optimización de carteras complejas de inversiones y proyectos.
Optimizar matemáticamente la cartera →
StratePlan | La investigación operativa se une a la inteligencia decisional.
Los mismos proyectos. El mismo presupuesto. Mejores combinaciones. Mejores decisiones.
