En el artículo anterior, llegamos a una conclusión incómoda pero liberadora: la búsqueda del forecast perfecto es una trampa. Vimos que depender de predicciones basadas en el pasado nos hace increíblemente frágiles ante un futuro que, por naturaleza, es impredecible.

Esto nos llevó a plantear una nueva pregunta, mucho más poderosa: «¿Cuál es la mejor decisión que puedo tomar hoy, sabiendo que pueden ocurrir miles de escenarios diferentes mañana?»

Fantástico. Pero, ¿cómo empezamos a responder a eso? Suena abstracto, casi filosófico. La respuesta es que el primer paso consiste en tratar la incertidumbre no como un enemigo al que temer, sino como una variable que podemos describir, medir y, en definitiva, modelar.

Poniéndole forma a lo desconocido

Piensa en algo tan simple como tu trayecto al trabajo. Si te pregunto cuánto tardas, probablemente no me des un número exacto. Me dirás algo como: «Normalmente, unos 25 minutos, pero si pillo tráfico puede irse a 35, y si tengo suerte y todos los semáforos están en verde, a veces lo hago en 20».

Sin darte cuenta, acabas de describir la incertidumbre de tu trayecto. No me has dado un número, me has dado un comportamiento: un rango de resultados posibles y una idea de su probabilidad. En términos matemáticos, has descrito una distribución de probabilidad.

Este es el primer cambio de mentalidad fundamental. Hacemos exactamente lo mismo con las variables críticas de nuestra fábrica:

• El tiempo de entrega de un proveedor: En lugar de asumir que son siempre 15 días (el número del contrato), modelamos su comportamiento real. Sabemos que el 70% de las veces llega entre 14 y 16 días, el 20% se retrasa hasta 20 días, y un 10% de las veces nos sorprende y llega en 12.
• La demanda de un producto: En lugar de confiar en una media histórica, modelamos sus picos y valles.
• El tiempo de actividad de una máquina: En lugar de asumir que siempre funciona, modelamos su tasa de fallos aleatorios.

Dejamos de trabajar con números falsamente precisos y empezamos a trabajar con rangos de posibilidades mucho más realistas. Ya no le tenemos miedo a lo desconocido, le hemos puesto forma.

Vivir mil futuros en un minuto: la magia de la Simulación de Monte Carlo

Vale, ahora que hemos descrito cada una de nuestras incertidumbres por separado, ¿cómo las combinamos para ver su efecto conjunto en nuestra operación?

Imagina que quieres saber las probabilidades en un juego de dados. Podrías estudiar la teoría de la probabilidad o podrías hacer algo mucho más intuitivo: lanzar los dados 10.000 veces y anotar los resultados. Este segundo enfoque, simple pero increíblemente potente, es la esencia de la Simulación de Monte Carlo.

Con la potencia de los ordenadores actuales, podemos «lanzar los dados» de toda nuestra fábrica miles, o incluso millones, de veces en cuestión de minutos. En cada simulación, el ordenador toma un valor aleatorio de las distribuciones de probabilidad que hemos definido:

• Simulación 1: El proveedor A se retrasa 3 días, la demanda del producto X es un 10% más alta, y la máquina CNC 2 sufre una microparada.
• Simulación 2: El proveedor A llega antes, la demanda es baja, pero la máquina CNC 1 tiene una avería grave.
• Simulación 3: Todo funciona perfectamente según lo previsto.
• …y así hasta la Simulación 1.000.000.

Al final de este proceso, no tenemos una única respuesta. Tenemos algo mucho más valioso: un mapa completo de los posibles futuros y la probabilidad de que ocurran. Podemos responder a preguntas de negocio increíblemente complejas como: «¿Cuál es la probabilidad de que suframos una rotura de stock en los próximos tres meses?» o «¿En qué porcentaje de los escenarios nuestro nivel de servicio al cliente cae por debajo del 95%?».

De los datos a la decisión: ¿Y ahora qué hacemos con todo esto?

Este mapa de futuros posibles es la materia prima para tomar decisiones verdaderamente robustas.

En lugar de evaluar una decisión (por ejemplo, una nueva política de inventario) contra un único forecast falso, ahora podemos evaluarla contra un millón de futuros realistas. Podemos comparar la Política A con la Política B y ver cuál de ellas ofrece el mejor resultado en promedio, cuál nos protege mejor contra los peores escenarios y cuál nos ofrece el mejor equilibrio entre coste y riesgo.

Ya no tomamos decisiones a ciegas, con los dedos cruzados. Las tomamos con un conocimiento profundo de su posible impacto en un universo de posibilidades.

Hemos dado el primer paso para construir nuestro GPS. Ya sabemos cómo dibujar todos los caminos posibles en el mapa. Pero, ¿cómo encontramos la ruta óptima entre esos billones de combinaciones? Eso requiere un motor de optimización muy especial, uno diseñado para navegar en la complejidad.

Y de ese motor es, precisamente, de lo que hablaremos en nuestro próximo artículo.