Supongamos que gestionas el inventario de una cadena minorista que está a punto de lanzar su colección de invierno. La previsión indica que venderás 75000 abrigos. Parece sencillo. Excepto que, en el fondo, sabes que la previsión del año pasado te dejó los almacenes llenos de stock sin vender. El año anterior, se agotó a mediados de diciembre. No puedes controlar el clima, la economía ni los precios de tus competidores. Pero aún así tienes que tomar una decisión. ¿Cuántos abrigos pides este año?

Esa es precisamente la situación en la que destaca la simulación de Monte Carlo. La simulación de Monte Carlo no puede decirte si tu previsión es correcta o incorrecta, pero puede ayudarte a comprender lo que podría suceder si no lo es. Cuando el futuro es incierto, Monte Carlo te muestra toda la gama de resultados posibles para que puedas tomar decisiones con una visión más clara del riesgo que conllevan.

¿Qué hace realmente una simulación de Monte Carlo?

En su forma más simple, la simulación de Monte Carlo consiste en realizar un experimento muchas, muchas veces utilizando muestreos aleatorios para determinar la probabilidad de diferentes resultados en un proceso incierto. Se introduce la incertidumbre que ya existe en el proceso: variación en el tiempo de ciclo, tiempo de inactividad de la máquina, tasas de defectos, demanda de los clientes. A continuación, se deja que la simulación lance los dados miles de veces.

El resultado no es una única previsión. Es una distribución que le indica las probabilidades: tal vez haya un 60% de posibilidades de que venda entre 70000 y 80000 abrigos, un 25% de posibilidades de que la demanda supere los 90000 y un 15% de posibilidades de que caiga por debajo de los 65000. Es una conversación muy diferente a decir «esperamos vender 75000 abrigos». Te da visibilidad sobre otros resultados posibles y la confianza para planificarlos.

Cómo lo están utilizando otros

Profesionales de todos los sectores están incorporando la simulación de Monte Carlo a su trabajo de mejora. En el proyecto de mejora de la calidad de un hospital, un equipo utilizó Monte Carlo para ayudar a priorizar qué intervención tendría mayor impacto en el tiempo de recuperación. Analizaron varios factores potenciales que podían prolongar la estancia postoperatoria en la unidad de cuidados postanestésicos (PACU) y descubrieron que, aunque las náuseas y los vómitos postoperatorios estaban muy relacionados con los retrasos, eliminar el uso moderado de opioides ofrecía la mayor reducción prevista en el tiempo total de recuperación. En lugar de adivinar qué iniciativa tendría mayor impacto, utilizaron la simulación para dejar que las probabilidades decidieran y luego centraron los recursos donde obtendrían el mejor rendimiento.

Los equipos de fabricación están aplicando la misma lógica a las decisiones operativas. Una planta de herramientas de corte, por ejemplo, combinó las tasas de producción históricas con los datos de tiempo de inactividad y utilizó la simulación de Monte Carlo para generar predicciones de plazos de entrega más realistas. Pasaron de promesas vagas a una imagen cuantificada del riesgo de entrega, lo que les ayudó a reducir los pedidos pendientes.

Incluso los equipos de software ágil lo han adoptado. Un equipo comenzó a utilizar la simulación de Monte Carlo sobre datos de rendimiento anteriores para pronosticar entregas futuras con intervalos de confianza. En lugar de prometer que un lanzamiento «probablemente» estará listo para el final del trimestre, pueden decir que hay un 85 % de posibilidades de que esté terminado para la semana once y un 95 % para la semana doce.

Incluso en casos de negocio relacionados con la mejora de procesos, los investigadores han combinado la simulación de Monte Carlo con redes bayesianas para estimar el retorno de la inversión. En lugar de afirmar que «este proyecto ahorrará 500000 dólares», los equipos pueden decir que «estamos seguros al 80% de que el ahorro se situará entre 450000 y 520000 dólares». Ese matiz es muy importante. Es ese tipo de conversación probabilística la que genera confianza.

Por qué la simulación de Monte Carlo debe formar parte de cualquier conjunto de herramientas de mejora continua

Un aspecto importante de la mejora continua es reducir la variación no deseada. Los gráficos SPC, el diseño de experimentos (DOE) y la regresión son formas de ver y reducir la variación. La simulación de Monte Carlo se suma a ellos, ya que toma la variación que ya se ha medido y proyecta cómo se desarrolla en los resultados.

Para el profesional, cambia la calidad de la conversación. En lugar de defender una única previsión, puede establecer un rango y hablar de probabilidades. Eso genera credibilidad ante los responsables financieros, los directores de operaciones y los clientes. También le ayuda a comparar ideas de mejora ejecutando escenarios en paralelo para ver cuál tiene más posibilidades de alcanzar su objetivo.

Y es más accesible que nunca. Con las herramientas adecuadas, no es necesario tener un título en estadística ni un código personalizado para empezar. Los motores de simulación, como la herramienta de análisis Monte Carlo de EngineRoom®, se encargan del trabajo pesado. Su trabajo, entonces, consiste simplemente en definir las incertidumbres con honestidad, ya sea a través del conocimiento del proceso o de los datos recopilados, y luego interpretar la historia que cuentan los resultados.

Por dónde empezar con la simulación de Monte Carlo

Si eres nuevo en la simulación de Monte Carlo, empieza poco a poco. Elige una decisión que tomes actualmente con un promedio: plazo de entrega, tasa de defectos o ahorro de costes. Recopila algunos datos históricos sobre variaciones, introdúcelos en una simulación sencilla y observa cómo es la distribución de los resultados.

Una vez que se sienta cómodo con las simulaciones sencillas, dé un paso más e integre Monte Carlo con los modelos que ya ha creado mediante DOE. Informar de un promedio en los nuevos ajustes objetivo no garantiza que todas las ejecuciones futuras se mantengan dentro de las especificaciones. El resultado de su proceso sigue teniendo ruido aleatorio y sus variables de entrada también presentan variaciones.

Con la simulación de Monte Carlo, puede combinar su modelo DOE, los nuevos ajustes de entrada objetivo y la variación de las variables de entrada para generar una distribución más realista de los resultados del proceso. El resultado es una imagen mucho más precisa del rendimiento que se obtendrá cuando su proceso se ejecute en condiciones reales.

Para obtener una guía paso a paso, consulte nuestro tutorial de análisis de Monte Carlo.

Seminario web práctico: Realice su primera simulación de Monte Carlo

Porque creemos que todos los profesionales de la mejora continua deberían contar con esta herramienta en su kit, vamos a organizar un seminario web práctico dedicado a la simulación de Monte Carlo. Repasaremos:

• Cómo configurar una simulación de Monte Carlo.
• Cómo interpretar los resultados.
• Cómo utilizar los resultados para orientar decisiones reales.

También compartiremos ejemplos reales extraídos de proyectos de mejora reales para que pueda ver su impacto práctico.

Reflexión final

Los promedios son fáciles, pero pueden ser peligrosos. Ocultar las colas de la distribución de los retrasos, los excesos y los defectos que alejan a los clientes. La simulación de Monte Carlo vuelve a poner esas colas a la vista. Le permite ver más allá, prepararse con honestidad para la incertidumbre y hablar el lenguaje de la probabilidad que los líderes y los clientes respetan.

Si está listo para hacer mejores promesas y respaldarlas con datos, la simulación de Monte Carlo es un excelente punto de partida. Únase a nosotros en el seminario web y descubra cómo puede cambiar su forma de planificar, decidir y cumplir.

---

Sobre la autora:

Lindsay Van Dyne

Vice President of Marketing • MoreSteam.com LLC

Lindsay Van Dyne se incorporó al equipo de MoreSteam en 2014. Es responsable de desarrollar y ejecutar la estrategia de marketing de la empresa. Su experiencia en marketing incluye aspectos técnicos de optimización de motores de búsqueda (SEO), estrategias de marketing de contenidos digitales, generación de clientes potenciales, desarrollo de sitios web, gestión de eventos y relaciones con socios. Antes de pasar al equipo de marketing, Lindsay trabajó durante varios años como directora de productos de aprendizaje electrónico de MoreSteam. Durante ese tiempo, dirigió al equipo de aprendizaje electrónico a través de una transformación completa de la interfaz de usuario, desarrollando una nueva interfaz de usuario para la formación, ampliando significativamente la oferta de idiomas y añadiendo funciones como notas y resaltado, así como un panel de control para el usuario con estadísticas de formación. El dinamismo y la personalidad picante de Lindsay aportan una perspectiva fresca a los equipos de liderazgo y marketing, animando a los demás a pensar de forma creativa.

Lindsay es licenciada en Ingeniería Química por la Universidad de Notre Dame y en Física Computacional y Matemáticas por el Bethel College.

Blackberry & Cross es aliado oficial de Moresteam para América Latina.