O porqué la optimización matemática es una herramienta indispensable para cualquier científico de datos que merezca ese nombre
La frontera que suele pasar desapercibida
En el universo de los artículos que puedes encontrar en Internet, y que tratan de arrojar algo de luz a las diferencias y solapes entre las tecnologías de Inteligencia Artificial, Machine Learning o Data Science, suele pasarse por alto una frontera crucial; un matiz importantísimo para seleccionar las herramientas que un científico de datos debe manejar con solvencia, las que le permiten sacar el máximo partido a los datos que tiene disponibles para resolver problemas reales de negocio.
Esa frontera es la que se crea entre la capacidad de predecir aquel aspecto de la realidad con el que trabajan nuestros modelos, y la necesidad que tenemos de influir en esa misma realidad, de actuar sobre ella. En muchos proyectos, todo el aparato tecnológico desplegado acaba concentrado en iluminar incertidumbres: ¿qué probabilidad tenemos de que un cliente cancele la suscripción con mi compañía? ¿Qué evolución preveo para los precios de los productos que compro o vendo, o la propia demanda de mis clientes?
Clientes, pedidos, recursos o productos son algunas de esas realidades de las que depende nuestro negocio, y saber qué va a ser de ellas es siempre crucial. Lo que olvidan muchas de las soluciones en las que se está invirtiendo hoy día es que, sobre esas realidades, tenemos que tomar decisiones.
Predicciones vs. decisiones
En otras palabras, los científicos de datos nos dejan solos ante el peligro cuando tenemos que abandonar el cómodo papel de espectadores, cuando nos toca pasar a la acción y los churns, los precios o las demandas que hemos predecido tienen que convertirse en planificaciones de la producción, configuraciones de carteras o asignaciones de recursos en una red de telecomunicaciones (el universo de los escenarios donde tienen lugar decisiones complejas es casi infinito).
A veces, en la propia predicción está la decisión implícita (p.ej. si tengo presupuesto limitado para una campaña de marketing de retención, la dirigiré a los que tienen más probabilidad de causar baja); pero eso no es lo habitual. En esas otras ocasiones cobra fuerza una reflexión que esperamos sea de interés para aquellos que toman decisiones importantes en sus compañías; una reflexión que también tiene relevancia práctica para aquellos departamentos de IT que tienen que darles servicio, y que no se están dando cuenta de que les están dejando a medias.
La naturaleza de tus decisiones
No hay decisión importante, ni gestión que merezca ese nombre cuando no hay riesgo, cuando no hay escasez. Gestionamos siempre desde la escasez porque así es como esa labor del que decide, ese que define objetivos, asigna recursos, prioriza o retrasa tareas, puede ser distinguida como excelente o desastrosa.
Nunca hay equipo infinito, ni materiales, ni clientes para todos los competidores, ni capacidad productiva, y si como gestor analizas la realidad de tu propia escasez, y solo si empiezas a identificar los recursos que la condicionan, podrás empezar a descubrir la naturaleza de las decisiones que recaen sobre tus espaldas (e intuir que tenemos que pedirle más a las soluciones que nos ofrecen los científicos de datos).
Como siguiente paso de esta deconstrucción, te serán útiles algunas preguntas que solo tú puedes responder con pleno conocimiento de causa:
- ¿En qué parte de la cadena de valor de tu empresa estás influyendo? ¿Es una decisión de largo alcance (estratégica) o del día a día (operativa)?
- ¿Cómo tomas esa decisión, a pecho descubierto o soportado por herramientas?
- ¿Con qué nivel de incertidumbre estás tomando las decisiones?
- ¿Cuántas opciones tienes disponibles en cada una de las decisiones clave?
- ¿Hay limitaciones encima de la mesa, o conexiones relevantes entre los elementos implicados en tu decisión?
- ¿Tienes los instrumentos necesarios para determinar con precisión el resultado previsible que supondría optar por cada una de ellas? Es decir, ¿puedes compararlas con precisión?
Las iniciales son más sencillas, casi una descripción de tu puesto de trabajo; las finales no lo son tanto, y son esenciales para la reflexión que queremos inducir con este artículo.
Variabilidad
A riesgo de ponernos simplistas, si la decisión que tenemos que tomar es cómo encajar un puzzle de dos piezas, por grande que sea el impacto que pueda tener lo que decidamos, la variabilidad es mínima. El proceso de toma de decisión puede incluso plantearse todas las opciones, evaluar sus implicaciones y valorarlas con calma antes de ejecutar.
Por el contrario, en muchos escenarios reales la explosión combinatoria hace inmanejable el abanico de posibilidades a barajar. ¿Cuántas opciones tenemos para seleccionar una cartera de valores que cumpla unos criterios concretos, si tenemos un menú de 5 opciones? No parecen demasiadas, pero… ¿y si tienes que componer una cartera con 10 valores a partir de las compañías del S&P 500? ¿O cuántas localizaciones tengo que analizar para ubicar celdas de una operadora 5G, o molinos de un parque eólico, cuando cada localización elegida influye en las demás? Es evidente que en estos casos un decisor no puede barajarlas todas, y mucho menos valorar la rentabilidad o el riesgo de cada una de esas posibilidades.
Restricciones
En el ejemplo del puzzle, el decisor tiene las manos libres para explorar su minúsculo espacio de decisiones, puede buscar el encaje de las piezas con libertad. Sin embargo, la vida real incorpora siempre restricciones. Algunas son férreas e internas, propias de la naturaleza de nuestro negocio; otras son impuestas por entidades regulatorias, o residen en aspectos organizativos, laborales o culturales de la propia compañía. Todas tienen impacto en la decisión, y pueden ser muchas y muy diferentes.
Alguna de esas restricciones puede comprometer la viabilidad de la decisión (p.ej. si un vehículo de tu flota acaba su viaje hoy en Huelva no puede estar mañana a primera hora en Madrid), otras acarrean alguna consecuencia, pero no comprometen la posibilidad de ir adelante con la decisión (p.ej. extender la capacidad productiva de una línea puede implicar sobrecostes, pero será factible si así lo decidimos). Hay escenarios tan encorsetados por la realidad en los que incluso alcanzar una decisión posible (o sea, que respete todas las restricciones) puede ser tarea titánica.
Evaluando nuestras decisiones
Si las decisiones son importantes es porque están relacionadas con un KPI de negocio que tenemos que mimar (nos pagan por ello). Si planificamos la producción de una fábrica, impactamos en la producción real, en ingresos y beneficios, en la entrega a tiempo o en penalizaciones por incumplimientos. Así que estamos obligados a preguntarnos cuál de las decisiones factibles es la que tiene mejor rendimiento. Pero la forma en que la decisión impacta en ese KPI o KPIs, que a veces no es solo uno (p.ej. necesitamos ahorrar costes de producción, pero también minimizar los retrasos en las entregas comprometidas) no siempre es trivial, y eso es esencial para descartar una alternativa u otra.
Decisor-explorador
Por todo esto, buscar la mejor decisión es muy similar a explorar un territorio desconocido, y para eso necesitamos ayuda. Si modelamos el problema, las matemáticas pueden ser nuestro mejor aliado: para elegir qué camino seguir en la prospección del enorme espacio de posibilidades, que opciones evaluar y cuáles no, cómo comparar unas con otras. En definitiva, para acercarse a ese óptimo que buscamos y que sabemos que está ahí, en algún lugar perdido de nuestra selva particular.
Tienes un martillo, pero no todo son clavos
Todo lo que explicado anteriormente me permite concluir con una llamada a la acción.
El enorme hype que están recibiendo hoy día las tecnologías de Inteligencia Artificial está más que justificado por la capacidad de transformación de cualquier sector económico, pero hay un dicho muy conocido que ilustra muy bien lo que está pasando: a aquel que solo tiene un martillo, todos los problemas le parecen clavos.
Si está claro que la predicción es solo parte del problema, ¿por qué nos conformamos con maravillosas soluciones que predicen datos futuros, y nada más? Muchos son los escenarios en los que, si dejamos solo al decisor con nuestras predicciones, la soledad se acabará manifestando en decisiones incorrectas que es posible cuantificar en términos reales: menores ventas, costes disparados. Ir un paso más en esos proyectos genera ROIs brutales.
La optimización matemática o investigación operativa es una disciplina madura y que encaja como un guante en la caja de herramientas de todo científico de datos. Existen en el mercado (ojo, no en cualquier sitio, y mucho menos en las consultoras generalistas) técnicas matemáticas y lenguajes de modelado, expertos capaces de construir estos modelos y afinarlos para cada problema, solvers potentes para ejecutar esas búsquedas de lo óptimo en tiempos apropiados.
Si estás leyendo esto como científico de datos, ¿te sientes cómodo cuando el resultado de tus predicciones no ha aliviado el desamparo de tus decisores? Si eres un decisor, ¿te has sentido identificado con la soledad que hemos descrito más arriba?
Numens
Numens tiene como objetivo ayudar a las empresas a solventar este gap. Nuestra oferta de servicios y opciones formativas va dirigida a ambos perfiles, a decisores que ven carencias en el soporte que reciben para decisiones clave; que intuyen que hay relaciones matemáticas entre sus decisiones y los resultados, y que convenientemente analizadas podrían ayudarles a hacer mejor su trabajo. Pero también va dirigida a esos departamentos de IT, oficinas del dato, CDOs o departamentos de transformación digital que han detectado esta carencia y buscan formas de resolverla, bien formando a su propio personal o bien buscando apoyo experto que les permita complementar lo que saben hacer bien.
No todos son clavos, ni es posible saber de todo, pero es absurdo no pedir ayuda cuando sabemos que estamos empezando a explorar terrenos desconocidos.
¿Necesitas nuestra ayuda?
