Pid 00154613-1

Análisis de
problemas para la
toma de decisiones
en entornos
empresariales
Raúl Abril
PID_00157123
© FUOC • PID_00157123 Análisis de problemas para la toma de decisiones en entornos...
Ninguna parte de esta publicación, incluido el diseño general y la cubierta, puede ser copiada,
reproducida, almacenada o transmitida de ninguna forma, ni por ningún medio, sea éste eléctrico,
químico, mecánico, óptico, grabación, fotocopia, o cualquier otro, sin la previa autorización escrita
de los titulares del copyright.
Índice
Introducción............................................................................................... 7
Objetivos....................................................................................................... 11
1. Introducción a la modelización..................................................... 13
1.1. El enfoque de la ciencia de la gestión ........................................ 13
1.2. Análisis de equilibrio. Solución con Excel .................................. 15
1.3. Clasificación de las técnicas de la ciencia de la gestión .............. 17
1.4. Uso empresarial de la ciencia de la gestión ................................ 18
2. Optimización. Programación lineal.............................................. 19

2.1. Programación lineal. Descripción general .................................. 19
2.2. Componentes del modelo .......................................................... 20
2.3. Resumen de los pasos de formulación del modelo ..................... 20
2.4. Soluciones factibles ..................................................................... 21
2.5. Soluciones no factibles ................................................................ 22
2.6. Solución gráfica de los modelos de programación lineal ............ 22
2.7. Formulación del modelo de programación lineal. Un
ejemplo de minimización ........................................................... 23
2.8. Tipos irregulares de problemas de programación lineal ............. 26
2.9. Ejemplos de modelización y resolución de problemas ............... 28
2.9.1. Un ejemplo de product mix............................................. 28
2.9.2. Un ejemplo de dieta (desayuno) ................................... 29
2.9.3. Un ejemplo de inversión ............................................... 31
2.9.4. Un ejemplo de marketing ............................................. 32
2.9.5. Un ejemplo de transporte ............................................. 34
2.9.6. Un ejemplo de mezclas ................................................. 35
2.9.7. Un ejemplo de programación multiperiodo ................. 38
3. Análisis de la sensibilidad............................................................... 40
3.1. Análisis de la sensibilidad. Aplicación al caso de Beaver Creek
Pottery ......................................................................................... 40
3.1.1. Otras formas de análisis de la sensibilidad .................... 42
3.2. El rango de sensibilidad del coeficiente de la función
objetivo ........................................................................................ 45
4. Colas....................................................................................................... 47
4.1. Servidor único de línea de espera ............................................... 49
4.2. Servidor múltiple de línea de espera .......................................... 56
4.3. Otros sistemas de gestión de colas ............................................. 58
5. Técnicas de redes................................................................................ 61
5.1. Los componentes de una red ..................................................... 61
5.2. Determinación de la ruta más corta ........................................... 62
5.2.1. Solución mediante MS Excel ......................................... 66
5.3. Identificación del árbol mínimo de cobertura ............................ 68
5.4. Maximización del flujo en un grafo ........................................... 70
5.4.1. Solución mediante MS Excel ......................................... 72
5.5. Actividades .................................................................................. 74
6. Previsiones............................................................................................ 77
6.1. Los métodos de previsión ........................................................... 78
6.1.1. Métodos basados en series temporales .......................... 78
6.1.2. Métodos basados en regresiones .................................... 83
7. Probabilidades.................................................................................... 88
7.1. Valor esperado ............................................................................. 88
7.2. Aplicación de probabilidades a la toma de decisiones ................ 88
7.2.1. El valor de la información perfecta en la toma de
decisiones ....................................................................... 91
7.2.2. Los árboles decisores ...................................................... 93
8. Gestión de inventarios...................................................................... 98
8.1. Los costes de inventario ............................................................. 99
8.2. Modelo de pedido de cantidad económica ................................. 99
8.2.1. El modelo básico de pedido de cantidad económica ..... 99
8.2.2. Variante del modelo de cantidad económica: no hay
recepción instantánea .................................................... 103
8.2.3. Variante del modelo de cantidad económica: se
permiten las escaseces ................................................... 104
8.3. Descuentos por cantidad ............................................................ 106
8.3.1. Descuentos por cantidad con costes de
almacenamiento constantes .......................................... 106
8.3.2. Descuentos por cantidad con costes de
almacenamiento como porcentaje de precio ................ 107
8.4. Punto de reabastecimiento ......................................................... 108
8.4.1. Determinación de inventarios de seguridad según
los niveles de servicio .................................................... 110
8.5. Sistemas de control de inventario .............................................. 112
9. Gestión de portafolio........................................................................ 115

9.1. Maximización del valor global en un portafolio ........................ 116
9.1.1. Modelos financieros ....................................................... 116
9.1.2. Modelos basados en probabilidades .............................. 118
9.1.3. Modelos basados en comportamiento ........................... 121
9.2. Maximización del equilibrio entre los componentes del
portafolio ..................................................................................... 122
9.3. Alineación del portafolio con la estrategia de la empresa .......... 124
10. Indicadores y cuadros de mando................................................... 125

10.1. Indicadores .................................................................................. 125
10.2. Cuadros de mando ...................................................................... 125
10.2.1. Formato de los cuadros de mando ................................ 125
10.2.2. Análisis factorial de los cuadros de mando ................... 127
11. Segmentación...................................................................................... 130
12. Scoring................................................................................................... 134

12.1. Scoring de atractivo del programa ............................................... 134
12.2. Scoring multicriterio ..................................................................... 137
12.3. Mapas de portafolios con ejes derivados de modelos de scoring.. 138
12.4. Listas de comprobación .............................................................. 140
13. Reglas de negocio............................................................................... 142

13.1. La modelización lógica de datos ................................................. 142
13.2. La modelización de eventos discretos ........................................ 145
13.3. Modelización dinámica de sistemas ........................................... 145
Resumen....................................................................................................... 148
Bibliografía................................................................................................. 151
© FUOC • PID_00157123 7 Análisis de problemas para la toma de decisiones en entornos...
Introducción
Un primer elemento que forma parte del título de este curso es problemas. Es-
te concepto admite distintas interpretaciones, hay abundante literatura al res-
pecto, y ha sido tratado extensamente, tanto en términos de toma de decisio-
nes como de resolución de problemas. Vamos a ver algunos aspectos esencia-
les para comprender de qué estamos hablando cuando utilizamos el término
problemas.
A continuación, debido a que el tratamiento de los problemas los estamos

considerando desde el punto de vista de managers, de gerentes, en entornos
organizativos, vamos a describir muy sucintamente algunas características del
entorno de las organizaciones.
Un elemento fundamental en la resolución de problemas será el concepto mo-

delo. Vamos a tratar los elementos básicos de lo que entendemos por modelos.
Entraremos en la estructura del curso y los capítulos que vamos a tratar y, fi-
nalmente, haremos una referencia al libro de texto que recomendamos para
este curso.
El objetivo primario de este curso es ayudar a gerentes de organizaciones

a tomar mejores decisiones resolviendo problemas más eficientemente.
Los problemas cubrirán diferentes áreas funcionales de una organiza-

ción (por ejemplo, producción/logística, marketing, finanzas).
Aquí cabe hacer una distinción entre dos conceptos importantes: efectividad
y eficiencia.
Por efectividad debemos entender la capacidad de resolver un problema, de

conseguir algo: podemos hacer un cálculo de 2 + 2 + 2 + 2 + 2 simplemente
realizando las 5 sumas, pero también podemos hacer la multiplicación (2 ×
5). Con la segunda opción obtendremos el mismo resultado pero en menor
tiempo: la segunda opción es más eficiente que la primera, aunque ambas son
efectivas.
En resumen, ser efectivo significa conseguir un objetivo, hacer, obtener un

resultado, y ser eficiente significa ser efectivo pero ahorrando en los recursos
consumidos.
El enfoque del curso es eminentemente práctico y orientado a problemas que

se dan de manera cotidiana en organizaciones. Hemos intentado, por tanto,
huir de situaciones raras y se ha puesto el acento en la identificación y estruc-
turación del problema mediante la definición de un modelo que nos sirva pa-
ra resolverlo en la práctica más que en el conocimiento teórico de la técnica
utilizada para lograrlo.
En el contexto de este curso, entendemos por problema la percepción

de un individuo sobre la existencia de una varianza o diferencia entre
lo que está ocurriendo ahora y lo que desearíamos que ocurriese.
Obsérvese que en esta definición hemos introducido el concepto percepción,

es decir, dos observadores distintos ante una determinada situación pueden
tener una distinta percepción: para uno podrá ser más problema que para otro
e incluso habrá algún individuo que considere que no lo es.
Es importante tener presente que los problemas tienen un componente muy

importante de subjetividad. Por tanto, para poder categorizar una situación
como problema, habrá que disponer de algunas referencias sobre las que haya
cierto consenso. Es decir, debe existir un valor objetivo que sirva de referencia,
de manera que, cuando una situación exceda de ese valor en una proporción
que no se considere aceptable, todos estén de acuerdo en categorizarla como
problema.
Si en una empresa se considera que el objetivo de ingresos es de 10 millones al año y

se toma como aceptable una tolerancia de un 5%, cualquier valor por debajo de dicho
porcentaje será clasificado de manera consensuada como un problema.
En teoría, el valor que exceda el objetivo en más de un 5% también debería considerarse

problema, pero, evidentemente, deberemos aplicar el sentido común y entender que un
exceso de beneficio suele ser bienvenido.
La anterior definición también cubre ciertos aspectos que se suelen calificar

como problema, como la dificultad para conseguir algo; es decir, no sólo es un
problema la variación con respecto a un valor objetivo y a una cierta toleran-
cia, sino también la excesiva dificultad (por encima de un cierto valor) para
resolver una situación. Por ejemplo, la falta de recursos para realizar una tarea.
Un elemento importante a la hora de tratar problemas y resolverlos es tener

presente que en sí mismos no se presentan de ninguna manera concreta: no se
presentan de una manera estructurada o muy inestructurada, simple o com-
pleja. Los problemas existen en sí mismos y depende de nosotros, los gerentes,
que los formulemos de una manera estructurada o no, de una manera com-
pleja o no.
Contenido
La formulación adecuada de un problema es crucial, puesto que de ella complementario
dependerá en gran manera su solución: una deficiente formulación del
Existe la paradoja de resolver
problema nos va a conducir con toda seguridad a una solución inade- problemas que no existen. La
mejor manera de evitarlo es
cuada o incluso errónea, de manera que una gran parte del éxito en la elaborar un buen análisis que
resolución de problemas radica en la pericia en esta formulación. nos ayude a formularlo ade-
cuadamente.
Dado que vamos a considerar los problemas en el entorno de una organiza-

ción, es conveniente identificar las características de las organizaciones. La lis-
ta que presentamos no pretende ser exhaustiva aunque sí recoger las caracte-
rísticas más comunes:
• Los entornos organizativos están sometidos a incertidumbre; es decir, no

existe certeza absoluta de que algo va a ocurrir, simplemente hay una pro-
babilidad de que ocurra.
• Los entornos organizativos son dinámicos y el factor tiempo incide en ellos

de una manera muy importante: lo que hoy ocurre de una determinada
manera, mañana puede ser de otra muy distinta. Esto se puede entender
muy fácilmente en entornos macro donde la situación de competitividad,
de crisis, de expansión, etc., está a la orden del día.
• Los objetivos pueden variar, estar pobremente definidos o incluso puede

haber objetivos que sean contradictorios respecto de otros.
• Las acciones requieren cierta corrección, y cierta aproximación y existen

bucles de acción-reacción sobre las mismas. No podemos pretender acertar
siempre a la primera.
• Debemos tener muy en cuenta que se suele trabajar con una limitación de
tiempo importante. En ocasiones no se puede invertir el tiempo necesario
en cada acción y se deben tomar atajos: habrá que convivir con una cierta
presión del factor tiempo, tanto en la definición como en la resolución de
los problemas.
• Se trabaja en un entorno de "alta apuesta" (higger stakes), que se tiende a

frivolizar. Mediante un ejemplo quedará más claro este concepto.
Ejemplo
Si nos dicen que la probabilidad de error que tenemos en la toma de decisiones es del 1%
(un error de cada 100 decisiones), creo que cualquiera firmaría; pero si trasladamos este
margen a otro ámbito, al farmacéutico por ejemplo, la cuestión ya no está tan clara: si nos
dicen que tomemos un medicamento y que la probabilidad de que muramos en el intento
es del 1%, seguramente esta probabilidad sería considerada excesiva e inaceptable. Hay
que tener en cuenta qué es lo que está en juego cuando se define un problema y se toma
una decisión.
• La posibilidad de que pueda haber más de un actor en la definición del

problema y en la toma de decisiones añade complejidad al mismo.
• La definición de un modelo siempre es parcial y en este proceso se suelen

perder aspectos. Cuanto más compleja sea la estructura del modelo más
servirá para comprender el problema, pero una excesiva complejidad del
modelo también puede hacerlo inútil (inviable).
Llegados a éste punto conviene dar nuestra definición sobre el concepto de

modelo:
Un modelo es una abstracción o una simplificación de la realidad, que no es

útil para explicar o comprender la estructura del problema. (Debemos saber
diferenciar lo que es "definir el problema" de lo que es "resolver el problema".)
La utilización de modelos hace más económica la resolución de los problemas. Ejemplo

Además, en ocasiones sería imposible plantearse esta resolución en la práctica
Pensad en los dummies que se
(por resultar caro, difícil o destructivo). utilizan en las fábricas de au-
tomóviles para probar los cin-
turones de seguridad, los air-
bags... ¿Podéis imaginar otro
sistema para probar estos ele-
mentos de seguridad pasiva en
automoción?
Objetivos
A la hora de definir los objetivos de este curso, hemos tenido muy en cuenta
la experiencia profesional de las personas que lo cursarán y el carácter emi-
nentemente práctico que hemos querido dar a sus contenidos. Por tanto, se
pretende que este material os ayude a alcanzar los siguientes objetivos:
1. Capacitar en la identificación y análisis de los problemas, más comunes

en el ámbito de una organización, que requieren tomar decisiones geren-
ciales.
2. Adquisición de aptitudes en el diseño de modelos de decisión en ambien-

tes de incertidumbre.
3. Desmitificar un conjunto de herramientas para la resolución de problemas

mediante la comprensión de sus requerimientos de aplicación.
4. Practicar en un entorno de fácil acceso (por ejemplo, MS Excel).

1. Introducción a la modelización
En este apartado, eminentemente introductorio, encontraréis dos contenidos

complementarios cuya lectura recomendamos encarecidamente, ya que son
sendas aplicaciones prácticas de las técnicas expuestas:
• La obtención del punto de equilibrio.

• Un ejemplo del proceso de ciencias de la gestión: un caso de maximización
de beneficio en una empresa de fabricación de productos de acero.
1.1. El enfoque de la ciencia de la gestión
Resumimos en cuatro puntos la aportación de la ciencia de la gestión al análisis

para la resolución de problemas:
• La ciencia de la gestión usa un enfoque científico para solucionar proble-

mas de gestión: lo que nos permite huir de la intuición y la experiencia
para acogernos a un enfoque de técnicas rigurosamente probadas.
• La ciencia de la gestión se aplica desde hace tiempo en diversas organi-

zaciones para resolver distintos tipos de problemas. Hoy en día está am-
pliamente reconocido que solamente se puede gestionar aquello que se
puede controlar, sobre lo que se puede intervenir. Por tanto, si tenemos
herramientas de gestión que nos ayudan a escoger la solución óptima en
un problema, obtenemos una ventaja competitiva respecto a aquel que no
sea capaz de determinar la mejor manera de hacer las cosas.
• La ciencia de la gestión aplica un enfoque lógico-matemático a la resolu- Nota

ción de problemas.
Recordamos que no vamos a
tratar en este curso de ningu-
• La ciencia de la gestión recibe varios nombres en la literatura (que, dicho na técnica por el gusto de sa-
tisfacer la curiosidad intelec-
sea de paso, es esencialmente anglófona), entre los cuales "investigación tual, sino que nos centraremos
en su aplicación. En resumen,
de operaciones" o "ciencia de las decisiones". se trata de que las conozcáis,
las entendáis y las sepáis apli-
car, sin tener que entrar en los
En este curso vamos a centrarnos en la construcción de modelos y en la reso- detalles de su elaboración.
lución de problemas mediante dichos modelos. Queda fuera del dominio del
curso la observación del entorno, la definición del problema y la aplicación
de dicho modelo y el feedback y la implementación de los ajustes.
Dado que, como hemos remarcado, la ciencia de la gestión sigue un método

científico, su aplicación seguirá, en general, el esquema siguiente:
Veamos con detenimiento los conceptos incluidos en la figura:
• Observación. Se trata de identificar el problema, si es posible antes de

que se presente, lo que nos permitirá actuar de manera proactiva, lque
es más efectivo que actuar reactivamente. La observación del entorno es
fundamental en el análisis de problemas para la toma de decisiones.
• Definición�del�problema. Este paso no es trivial, la definición de un pro-

blema condiciona en gran manera la construcción del modelo y la solu-
ción; dicho en otras palabras: dependiendo de la definición de problemas,
podemos crear un modelo mejor o peor ajustado a la realidad. Esto quiere
decir que dos empresas en una situación de competitividad cada una, ob-
servando el entorno, pueden llegar a definiciones de problema distintas y,
por tanto, elaborar un modelo distinto y llegar a resultados distintos. La
definición del problema tiene que ser clara y consistentemente definida,
mostrando cuáles son los límites y las iteraciones con los objetivos de la
organización.
• Construcción�del�modelo. En este paso es cuando aplicamos las técnicas

matemáticas para describir las relaciones que existen entre las variables
de la decisión, la función objetivo y las restricciones del problema que
tenemos en cuenta. En resumen, acabamos de introducir los elementos
clave del modelo.
• Solución�del�modelo, Aplicamos diferentes técnicas para resolver el mo-

delo que hemos definido.
• Implementación�del�modelo. Éste debe ser usado y aplicado para ayudar

en la toma de decisiones, pues los resultados que se obtienen nos indican
las diferentes modificaciones que habría que efectuar. Como podemos ver
en la figura anterior, existe una retroalimentación, feedback, en función de
los resultados que obtenemos que nos ayudará a ajustar cada uno de los
pasos que hemos visto, asumiendo que la observación que hemos hecho
es precisa para el entorno. Es decir, después de la implementación del uso
de nuestro modelo, quizás deberemos ajustar ya sea la definición del pro-
blema que hemos hecho, los elementos del modelo o la resolución de un
problema.
Ejemplo de proceso de la ciencia de la gestión
• Observación (información y datos)

– Una empresa fabrica y vende un producto de acero
– La producción del producto tiene un coste de 5 $
– El producto se vende a 20 $
– Para fabricar el producto se necesitan 4 libras de acero
– La empresa tiene 100 libras de acero
• Definición del problema de la empresa

– Determinar la cantidad de unidades que debe producir para obtener el máximo
beneficio teniendo en cuenta la limitada cantidad de acero disponible.
• Construcción del modelo

– Variables: X = número de unidades que deben producirse (variable de decisión);
Z = beneficio total (en $)
– Modelo: Z = 20 $X - 5 $X (función objetivo); 4X = 100 lb de acero (restricción

de los recursos)
– Parámetros: 20 $, 5 $, 4 lb, 100 lb (valores conocidos)
– Especificación formal del modelo: maximizar Z = 20 $X - 5 $X sujeta a 4X = 100
• Solución del modelo

– Tener en cuenta la ecuación de la restricción: 4X = 100 (X = 25 unidades)
– Sustituir este valor en la función de beneficios: Z = 20 $ X - 5 $ X = (20)(25) –

(5)(25) = 375 $
Si se producen 25 unidades, se genera un beneficio de 375 $.
1.2. Análisis de equilibrio. Solución con Excel
Vamos a elaborar una aplicación muy elemental de las técnicas de la ciencia

de la gestión a la resolución de un análisis de punto de equilibro. En este caso,
el problema de negocio consiste en determinar cuál es la cantidad de unida-
des de un determinado producto que debemos vender, para que recuperemos
nuestros costes y no obtengamos beneficio; es decir, buscamos el punto de
equilibrio.
Como primer paso, debemos identificar los componentes del modelo:
• La cantidad de unidades que queremos vender: V

• El precio por unidad: price
• El coste fijo de producción de nuestras unidades: fixed cost
• El coste por unidad: variable cost
Aclaración terminológica
Una de las características de un modelo es que está definido en términos de variables, a

las que posteriormente, en la fase de resolución del modelo, se les asigna un valor.
Como primer paso definimos las cuatro variables del modelo y las relaciones que se es-
tablecen entre ellas.
El punto de equilibrio vendrá definido por la siguiente fórmula:
Price * V = Fixed cost + Variable cost * V
Aislando V, obtenemos la siguiente ecuación:
V = Fixed cost / (Price – Variable cost)
Ya hemos definido nuestro modelo (muy simple como vemos). Ahora, me-
diante una herramienta de cálculo, lo resolveremos asignándole valores. En
este curso utilizaremos MS Excel:
Hemos reflejado las variables en las celdas de la columna D y en la fila 4 situamos la variable Fixed cost; la celda D6 la reservamos
para la variable Variable cost de cada una de las unidades, y la celda D8 la reservamos para nuestra variable Price. Finalmente, la
celda D10 la reservamos para calcular el objetivo (V), es decir, el número de unidades que tenemos que producir para alcanzar
el punto de equilibrio.
Una vez computado por MS Excel, obtenemos:
– Coste fijo: 10.000
– Coste variable: 8
– Precio unitario: 23
– Unidades que se deben vender para alcanzar el punto de equilibrio: 666,7
Construcción del modelo para hacer un análisis de equilibrio (Western

Clothing Company)
Componentes�del�modelo
• Costes fijos (cf): costes que se mantienen constantes independientemente del número
de unidades producidas.
• Coste variable (cv): coste de producción de una unidad de producto.
• Coste variable total (cvv): función de volumen (v) y coste variable de la unidad.
• Coste total (ct): coste fijo total más coste variable total.
• Beneficio (z): diferencia entre el total de ingresos vp (p = precio de la unidad) y el

coste total, es decir, Z = pv - cf - cvv
Cálculo�del�punto�de�equilibrio
vp - cf – vcv = 0
v = cf/(p - cv)
Aplicamos�valores�a�las�variables
cf = 10.000 $
cv = 8 $ el par
p (precio) = 23 $ el par
El punto de equilibrio es: v = (10.000)/(23 – 8) = 666,7 pares
1.3. Clasificación de las técnicas de la ciencia de la gestión
Las técnicas para el análisis de problemas en la toma de decisiones en entor-

nos empresariales pueden clasificarse a tenor de los fundamentos que usan.
A continuación presentamos una sencilla clasificación a título de referencia,
que os puede servir como ayuda para recordar los criterios de clasificación que
explicaremos con más detenimiento seguidamente:
(1)
• Programación matemática lineal Forzamos a que el resultado sea
entero. Por ejemplo, no podemos
– Modelos de programación lineal
fabricar 1,2 aviones; o fabricamos
– Análisis gráfico 1 o fabricamos 2, pero no 1,2.
– Análisis de sensibilidad
– Transporte, transbordo y asignación
– Programación lineal de enteros1
– Programación por objetivos
• Técnicas probabilísticas
– Probabilidad y estadística
– Análisis de decisiones
– Formación de colas
• Técnicas de red
– Flujo de red
– Gestión de proyectos (CPM/PERT)
• Otras técnicas
– Proceso de jerarquía analítica (AHP, del inglés analythical hierarchy pro-
cess)
– Programación no lineal
– Simulación
– Previsión
– Inventario
Aplicación al curso
En este curso vamos a ver al menos un caso de una técnica por cada uno de estos grupos.
Trabajaremos las técnicas de programación lineal y análisis de la sensibilidad; en el caso
de las técnicas probabilísticas, veremos colas y análisis de decisiones; en el caso de téc-
nicas basadas en redes, veremos flujos, y en el caso de otras técnicas, veremos técnicas
de predicción.
1.4. Uso empresarial de la ciencia de la gestión
Debemos enfatizar la importancia de la aplicación de estas técnicas en el aná-

lisis de problemas para la toma de decisiones. Su dominio de aplicación es in-
menso (planificación de proyectos, presupuestación de capital, análisis del in-
ventario, planificación de la producción, programación, etc.) y debemos real-
zar el factor competitivo de su aplicación, no solamente en el ámbito de la
empresa privada, sino también en el de la gestión pública. Aunque el concepto
de competitividad en el aspecto de la gestión pública pueda parecer extraño,
es evidente que la eficiente gestión de los recursos es también de alto interés
de la gestión pública.
En este curso nos vamos a centrar mucho más en la eficiencia que en la eficacia. Recordad
Es evidente que será más competitivo quien sea más eficiente.
La eficacia consiste en conse-
guir los objetivos y la eficiencia
consiste en ser eficaz minimi-
zando el consumo de recursos.
2. Optimización. Programación lineal
La programación lineal tiene su base en fundamentos científicos y concreta- Recordad

mente en ecuaciones lineales.
Como ya hemos comentado,
sólo nos interesa saber para
La programación lineal tiene una aplicación inmediata en entornos empresa- qué se utilizan y en qué esce-
narios son de aplicación estas
riales, en su optimización de uso de recursos, que puede ser de dos tipos: técnicas, su fundamento mate-
mático no es de nuestro inte-
rés.
• Para maximizar una situación de variables de nuestro problema.
• Para minimizar el consumo de recursos.
Referencias bibliográficas
Bernard�W.�Taylor (2007 III). Introduction to Management Science (Edición internacional,

9.ª ed.). Prentice Hall.
Especialmente los siguientes apartados:
• Ejemplo de solución gráfica de modelo de maximización

• Ejemplo de solución de hoja de cálculo de Excel (función Solver)
• Ejemplo de solución gráfica de modelo de minimización
• Ejemplos de tipos irregulares de problemas de programación lineal
• Variables de poca producción
• Varios ejemplos: mezcla de productos, dieta, inversión, marketing, transporte, finan-
ciación, programación multiperiodo
• Dos tareas
2.1. Programación lineal. Descripción general
La programación lineal intenta resolver problemas que tratan de maximizar

o minimizar el consumo de recursos. El ejemplo más obvio y frecuente de
maximización es el de los beneficios: toda empresa intenta maximizarlos.
Cuando nos referimos a minimización, no debemos pensar sólo en costes mo-

netarios, también nos referimos a horas de producción u horas de transporte.
La programación lineal es una técnica analítica en la cual hay que tener en

cuenta tres elementos:
• Las decisiones de una empresa que serán representadas por relaciones li-
neales algebraicas; de ahí toma el nombre la técnica, programación lineal,
porque todas las relaciones van a ser lineales; es decir, proporcionales.
• El objetivo�de�negocio, que puede consistir en maximizar un beneficio

o reducir un coste.
• Las restricciones�de�recursos. Una empresa no tiene recursos infinitos y

debemos encontrar la manera de modelizar dichas restricciones.
Repasemos cuáles son los pasos�de�aplicación de nuestra técnica de progra-

mación lineal:
• Identificar si el problema se puede solucionar aplicando una técnica de

programación lineal. No debemos aplicar una técnica de programación
lineal a un problema que no puede ser resuelto con ella.
• Formular el modelo matemático del problema. Al hacerlo estamos intro-

duciendo estructura en lo que a priori era un problema que no tenía.
• Resolver el modelo.
• Implementar el modelo.
2.2. Componentes del modelo
Los cuatro componentes de modelo son los siguientes:
• Las variables�de�la�decisión. Símbolos matemáticos que representan los

niveles de actividad de la organización.
• La función�objetivo. Ecuación que describe los objetivos de la empresa en

términos de variables de decisión. Ésta función es la que queremos maxi-
mizar o minimizar.
• Las restricciones. Expresadas en forma de ecuaciones lineales que van a

involucrar las variables de nuestra decisión. Estas restricciones expresan la
limitación de los recursos de que disponemos, por ejemplo: mano de obra,
o capital, o cualquier otro tipo de recurso que esté incluido en nuestra
función objetivo.
• Los parámetros. Coeficientes numéricos y constantes que se usarán en

nuestra función objetivo y en nuestras restricciones.
2.3. Resumen de los pasos de formulación del modelo
• Definición de las variables a tener en cuenta en la decisión. Es decir, iden-

tificarlas (saber cuántas y cuáles son) y definirlas. En general, la progra-
mación lineal requiere que nuestras variables sean números tanto enteros
como decimales.
• Construcción de la función objetivo, que deberá tener la forma de una

ecuación lineal que contendrá una serie de variables con sus coeficientes
relacionadas por operadores a ambos lados del igual.
• Formulación de las restricciones que deben tenerse en cuenta y que afec-

tan a los recursos consumidos en nuestra función objetivo. Generalmente,
estas restricciones se formulan como inecuaciones.
Formulación del modelo LP. Un ejemplo de maximización
Aplicaremos la técnica al caso de una empresa de cerámica, Beaver Creek Pottery, que
tiene un problema de product mix. El problema consiste en saber cuántas tazas y boles
deberían producirse para maximizar los beneficios, teniendo en cuenta dos restricciones:
mano de obra y materiales disponibles.
Necesidades de recursos
Producto Trabajo (h/unidad) Arcilla (lb/unidad) Beneficio ($/unidad)
Bol 1 4 40
Taza 2 3 50
A continuación vamos a identificar el resto de los componentes de nuestro modelo:
• Disponibilidad de recursos: 40 h de trabajo y 120 lb de arcilla al día
• Decisión x1 = número de cuencos que deben producirse al día
• Variables: x2 = número de tazas que deben producirse al día
• Función objetivo: maximizar Z = 40 $x1 + 50 $x2 (Z = beneficio/día)
• Restricciones de recursos: 1 x1 + 2 x2 ≤ 40 horas de trabajo; 4 x1 + 3 x2 ≤ 120 lb de arcilla
• Restricciones de números no negativos: x1 ≥ 0; x2 ≥ 0
Quizás convenga explicar un poco la función objetivo. Queremos conocer el beneficio de

combinado de la producción de boles y tazas y maximizarlo. Como no tenemos recursos
ilimitados, utilizamos dos inecuaciones para expresar la restricción de recursos.
Por lo que respecta a la restricción de no negatividad, es evidente que el número de tazas

y de boles debe ser siempre positivo o cuando menos igual a cero.
El modelo completo de programación lineal quedaría como sigue:
Maximizar Z = 40 $x1 + 50 $x2

sujeta a: 1x1 + 2x2 ≤ 40; 4x1 + 3x2 ≤ 120; x1, x2 ≥ 0
2.4. Soluciones factibles
Una vez formulado el modelo, vamos a por su resolución, que consiste bási- Precisión terminológica
camente en asignar valores a las variables de decisión. Volviendo al ejemplo
Una solución factible no de-
de Beaver Creek Pottery, podríamos tener lo siguiente: be quebrantar ninguna restric-
ción.
Proponemos la producción de 5 boles (x1) y 10 tazas (x2).
En este caso, Z = 40 $ x1 + 50 $ x2 = 700 $
Comprobamos la restricción del trabajo: 1(5) + 2(10) = 25 < 40 horas. Respeta

la restricción.
Comprobamos la restricción de materia prima: 4(5) + 3(10) = 70 < 120 lb.

Respeta la restricción.
2.5. Soluciones no factibles
Probemos ahora a asignar dos valores arbitrarios, por ejemplo, producir dia- Precisión terminológica
riamente 10 boles y 20 tazas. Una primera apreciación inmediata nos muestra
Una solución no factible que-
que el beneficio crece hasta 1.400 $/día. branta por lo menos una res-
tricción.
Con esta solución topamos con las restricciones: no se cumple la de la mano

de obra porque implica una dedicación de 50 horas cuando solamente dispo-
nemos de 40 horas.
2.6. Solución gráfica de los modelos de programación lineal
La utilización de una técnica gráfica para maximizar un modelo tiene ciertas Nota
limitaciones, entre las cuales que el modelo no puede contener más de dos
Evidentemente, se pueden uti-
variables porque la representación es en dos dimensiones. lizar herramientas informáticas
3D, pero su uso es difícil y el
esfuerzo que se debe emplear
en aprender a utilizar la herra-
El uso de herramientas gráficas ofrece una representación visual del ob- mienta no se ve compensado
con los resultados obtenidos.
jetivo y esto para personas que se introducen en el uso de la programa-
ción lineal evidentemente es una gran ventaja.
Veamos la solución gráfica del ejemplo de Beaver Creek Pottery:
Ahora veremos la solución del mismo ejemplo mediante MS Excel. Básicamen-

te, se trata de reflejar en la hoja de cálculo todos los componentes del modelo
(variables, objetivo y restricciones):
Ahora veremos una variante en el uso de MS Excel, utilizaremos la función

solver.
2.7. Formulación del modelo de programación lineal. Un ejemplo

de minimización
Veremos las maneras de resolver la minimización a partir del caso de un agri-

cultor que debe fertilizar un campo. Este agricultor sabe que el campo necesita,
como mínimo, 16 libras de nitrógeno y 24 libras de fosfato y debe elegir entre
dos marcas de fertilizantes: Super-Gro y Crop-quick.
En la tabla constan el precio de los sacos de fertilizante de las dos marcas y

su aportación de nutrientes. El agricultor debe decidir la combinación que
minimice gastos cumpliendo sus requisitos de nutrientes:
Marca Precio ($/saco) Aportación química
Nitrógeno�(lb/saco) Fosfatos�(lb/saco)
Super-Gro 6 2 4
Marca Precio ($/saco) Aportación química
Nitrógeno�(lb/saco) Fosfatos�(lb/saco)
Crop-quick 3 4 3
Este caso de minimización es muy similar, en términos de expresión del mo-

delo, a cualquier modelo de programación lineal: variable para la toma de de-
cisión, una función objetivo, unas restricciones y unos parámetros. La dife-
rencia más evidente respecto de los casos de maximización es que las fórmu-
las serán "simétricas: en la maximización, el espacio de soluciones viables está
a la izquierda de las restricciones, mientras que en la minimización está a la
derecha; además, la mayoría de signos ya no serán "≤", sino "≥".
Ejemplo de minimización
Características de los problemas solucionables mediante

programación lineal
• Un problema de programación lineal requiere una decisión, una

elección entre varias vías de acción alternativas.
• La decisión se representa en el modelo mediante variables�de�de-

cisión.
• El problema engloba un objetivo, que se expresa como una función

objetivo que quiere alcanzar quien toma la decisión.
• Existen restricciones que limitan el alcance del objetivo.
• El objetivo y las restricciones tienen que poder definirse mediante

funciones�matemáticas�lineales.
Variables que afectan a las restricciones
Aplicaremos este tipo de variables a los casos que hemos trabajado en estos apartados
para ver su funcionamiento.
• La variable de escasa productividad (slack variable) suele representar un recurso sin

usar, no aporta nada al valor de la función del objetivo, sirve para sumarla a las res-
tricciones (cuando comportan desigualdades débiles) para transformarlas en igualda-
des. La aplicamos al caso Beaver Creek Pottery (un ejemplo de maximización).
• La variable de excedente (surplus variable) suele representar un exceso respecto del

nivel de una restricción, no aporta nada al valor de la función del objetivo y sirve para
restarla a las restricciones (cuando comportan desigualdades débiles) para transfor-
marlas en igualdades. La aplicamos al caso del agricultor que debe elegir fertilizantes
(un ejemplo de minimización).
Restamos las variables de poca producción a las restricciones:
2x1 + 4x2 - s1 = 16 (nitrógeno)
4x1 + 3x2 - s2 = 24 (fosfato)
Propiedades de los modelos de programación lineal
• Proporcionalidad. La tasa de cambio (pendiente), tanto de la fun-

ción objetivo como de la de las restricciones, es constante.
• Admitividad. Los términos de la función objetivo y de las ecuacio-

nes de las restricciones tienen que ser admisibles.
• Divisibilidad. Las variables de la decisión pueden tomar cualquier

valor (deben ser continuas). En caso de obtener fracciones no ente-
ras, debemos aplicar la técnica de la programación entera.
• Certeza. Tanto las variables como los valores utilizados para definir
el modelo han de tener certeza, no pueden tener una probabilidad
asociada.
2.8. Tipos irregulares de problemas de programación lineal
No todos los problemas pueden solucionarse mediante las técnicas de progra-

mación lineal. A continuación presentamos tres tipos de problemas que refle-
jan esta afirmación. Los ilustramos con ejemplos referidos al caso de la Beaver
Creek Pottery:
• Problemas en los que hay más de una solución adecuada.

• Problemas donde las restricciones hacen que cualquier solución sea invia-
ble.
• Problemas cuya solución es indefinida.

2.9. Ejemplos de modelización y resolución de problemas
2.9.1. Un ejemplo de product mix
Definición�del�problema
Empresa textil que fabrica cuatro productos: camisetas y sudaderas con dos
tipos de estampado: delantero, y delantero y trasero a la vez.
Queremos saber cuántas docenas (cajas) de cada tipo de prenda deben produ-
cirse.
Restricciones
• El plazo de producción es de 72 horas.

• Capacidad del camión: 1.200 cajas de tamaño estándar.
• En cada caja de tamaño estándar caben 12 camisetas.
• Una caja de 12 sudaderas es tres veces más grande que una caja estándar.
• 25.000 $ disponibles para una tirada de producción.
• 500 docenas de camisetas y sudaderas lisas en stock.
Veamos los datos en una tabla:
Producto Tiempo de Coste Beneficio

procesado (h) por docena ($) por docena ($)
por docena
Sudadera - D 0,10 36 90
Sudadera - D/T 0,25 48 125
Camiseta - D 0,08 25 45
Camiseta - D/T 0,21 35 65
Construcción�del�modelo
• Variables de decisión
– x1 = sudaderas, estampado delantero
– x2 = sudaderas, estampado delantero y trasero
– x3 = camisetas, estampado delantero
– x4 = camisetas, estampado delantero y trasero
• Función objetivo: Maximizar Z = 90 $x1 + 125 $x2 + 45 $x3 + 65 $x4
• Restricciones del modelo:

0,10x1 + 0,25x2+ 0,08x3 + 0,21x4 ≤ 72 h.
3x1 + 3x2 + x3 + x4 ≤ 1.200 cajas
36 $x1 + 48 $x2 + 25 $x3 + 35 $x4 ≤ 25.000 $
x1 + x2 ≤ 500 docenas de sudaderas
x3 + x4 ≤ 500 docenas de camisetas
2.9.2. Un ejemplo de dieta (desayuno)
El desayuno debe incluir por lo menos 420 calorías, 5 mg de hierro, 400 mg

de calcio, 20 g de proteínas, 12 g de fibra y no tiene que tener más de 20 g de
grasas y 30 mg de colesterol.
Cal. Grasa Colesterol Hierro Calcio Proteína Fibra Coste

(g) (mg) (mg) (mg) (g) (g) ($)
Cereales�con�fibra�(taza) 90 0 0 6 20 3 5 0,18
Cal. Grasa Colesterol Hierro Calcio Proteína Fibra Coste

(g) (mg) (mg) (mg) (g) (g) ($)
Cereales�secos�(taza) 110 2 0 4 48 4 2 0,22
Copos�de�avena�(taza) 100 2 0 2 12 5 3 0,10
Salvado�+�avena�(taza) 90 2 0 3 8 6 4 0,12
Huevo 75 5 270 1 30 7 0 0,10
Beicon�(loncha) 35 3 8 0 0 2 0 0,09
Naranja 65 0 0 1 52 1 1 0,40
Leche�<�2%�grasa�(taza) 100 4 12 0 250 9 0 0,16
Zumo�naranja�(taza) 120 0 0 0 3 1 0 0,50
Tostada�de�trigo 65 1 0 1 26 3 3 0,07
Resumen�del�modelo
Minimizar Z = 0,18x1 + 0,22x2 + 0,10x3 + 0,12x4 + 0,10x5 + 0,09x6 + 0,40x7 +

0,16x8 + 0,50x9 + 0,07x10
sujeta a:
90x1 + 110x2 + 100x3 + 90x4 + 75x5 + 35x6 + 65x7 + 100x8 + 120x9 + 65x10
≥ 420
2x2 + 2x3 + 2x4 + 5x5 + 3x6 + 4x8 + x10 ≤ 20
270x5 + 8x6 + 12x8 ≤ 30
6x1 + 4x2 + 2x3 + 3x4+ x5 + x7 + x10 ≥ 5
20x1 + 48x2 + 12x3 + 8x4 + 30x5 + 52x7 + 250x8 + 3x9 + 26x10 ≤ 400
3x1 + 4x2 + 5x3 + 6x4 + 7x5 + 2x6 + x7+ 9x8 + x9 + 3x10 ≥ 20
5x1 + 2x2 + 3x3 + 4x4 + x7 + 3x10 ≥ 12
xi ≥ 0, para toda j
Lectura
x1: tazas de cereales con fibra; x2: tazas de cereales secos; x3: tazas de copos de avena;
x4: tazas de salvado y avena; x5: huevos; x6: lonchas de beicon; x7: naranjas; x8: tazas de
leche (< 2% grasa); x9: tazas de zumo de naranja; x10: tostadas de trigo
2.9.3. Un ejemplo de inversión
Maximizar Z = 0,085 $x1 + 0,05x2 + 0,065 x3 + 0,130x4
sujeta a: Lectura
x1: cantidad invertida en bo-

x1 ≤ 14.000 nos municipales ($); x2: canti-
dad invertida en certificados
de depósito ($); x3: cantidad
x2 - x1 - x3- x4 ≤ 0 invertida en letras del Tesoro
($); x4: cantidad invertida en
fondos de acciones de creci-
x2 + x3 ≥ 21.000 miento ($)
-1,2x1 + x2 + x3 - 1,2 x4 ≥ 0
x1 + x2 + x3 + x4 = 70.000
x1, x2, x3, x4 ≥ 0

2.9.4. Un ejemplo de marketing
Exposición (personas/anuncio) Coste ($)
Anuncio�televisivo 20.000 15.000
Anuncio�radiofónico 12.000 6.000
Anuncio�en�prensa 9.000 4.000
Restricciones
• Límite presupuestario de 100.000 $

– Tiempo para 4 anuncios televisivos
– Tiempo para 10 anuncios radiofónicos
– Espacio para 7 anuncios de prensa
• Límite: 15 anuncios
Maximizar Z = 20.000x1 + 12.000x2 + 9.000x3

sujeta a: Lectura
x1: exposición al anuncio te-

15.000x1 + 6.000x2 + 4.000x3 ≤ 100.000 levisivo (personas); x2: expo-
sición al anuncio radiofónico
(personas); x3: exposición al
x1 ≤ 4 anuncio de prensa (personas)
x2 ≤ 10
x3 ≤ 7
x1 + x2 + x3 ≤ 15
x1, x2, x3 ≥ 0
2.9.5. Un ejemplo de transporte
Suministro de televisores Demanda de televisores

desde almacén desde las tiendas
(1) Cincinnati 300 (A) Nueva York 150
(2) Atlanta 200 (B) Dallas 250
(3) Pittsburgh 200 (C) Detroit 200
Total 700 Total 600
Costes de envío por unidad ($)
Desde�el�almacén A�la�tienda
A B C
1 16 18 11
2 14 12 13
3 13 15 17
Minimizar Z = 16 $x1A + 18x1B + 11x1C + 14x2A + 12x2B + 13x2C + 13x3A + 15x3B

+ 17x3C
sujeta a: Lectura de las ecuaciones
x1A: de Cincinnati a Nueva

x1A + x1B+ x1C ≤ 300 York; x1B: de Cincinnati a Da-
llas; x3: de Cincinnati a De-
troit...
x2A+ x2B + x2C ≤ 200
x3A+ x3B + x3C ≤ 200
x1A + x2A + x3A = 150
x1B + x2B + x3B = 250
x1C + x2C + x3C = 200
xij ≥ 0
2.9.6. Un ejemplo de mezclas
Definición�del�problema
A partir de los datos de producción y de los datos de venta, determinad la

mezcla óptima de los tres componentes de cada tipo de aceite de motor para
maximizar el beneficio. La compañía quiere producir un mínimo de 3.000
barriles de cada tipo.
Datos�del�problema
Componente Disponibilidad máxima (barriles/día) Coste ($/barril)
1 4.500 12
2 2.700 10
3 3.500 14
Tipo Composición Precio de venta ($/barril)
Súper ≥ 50% de 1 23
≤ 30% de 2
Premium ≥ 40% de 1 20
≤ 25% de 3
Extra ≥ 60% de 1 18
≥ 10% de 2
Variables�de�decisión
La cantidad de cada uno de los tres componentes usados para cada tipo de
aceite (9 variables de decisión):
xij = barriles de componente i usados en el aceite de motor de grado j / día,

donde i = 1, 2, 3 y j = s (súper), p (premium) y e (extra).
Maximizar Z = 11 x1s + 13x2s + 9x3s + 8x1p + 10x2p + 6x3p + 6x1e + 8x2e + 4x3e
sujeta a:
x1s + x1p + x1e ≤ 4.500
x2s + x2p + x2e ≤ 2.700
x3s + x3p + x3e ≤ 3.500
0,50x1s - 0,50x2s - 0,50x3s ≥ 0
0,70x2s - 0,30x1s - 0,30x3s ≤ 0

0,60x1p - 0,40x2p - 0,40x3p ≥ 0
0,75x3p - 0,25x1p - 0,25x2p ≤ 0
0,40x1e - 0,60x2e - 0,60x3e ≥ 0
0,90x2e - 0,10x1e - 0,10x3e ≥ 0
x1s + x2s + x3s ≥ 3.000
x1p + x2p + x3p ≥ 3.000
x1e + x2e + x3e ≥ 3.000
xij ≥ 0
2.9.7. Un ejemplo de programación multiperiodo
Definición�y�datos�del�problema
• Capacidad�de�producción
– 160 ordenadores por semana
– 50 ordenadores más con horas extras
• Costes de montaje
– 190 $ por ordenador producido en horario estándar
– 260 $ por ordenador producido en horas extras
• Coste de tenencia de inventario: 10 $ / ordenadores por semana
• Programa de pedidos
Semana Pedidos
1 105
2 170
3 230
4 180
5 150
6 250
Variables�de�decisión
rj = producción regular de ordenadores en la semana j (j = 1, 2, ..., 6)
oj = producción de ordenadores en la semana j en horas extra (j = 1, 2, ..., 6)
ij = ordenadores extra transferidos como inventario en la semana j (j = 1, 2,

..., 5)
Minimizar Z = 190 $ (r1 + r2 + r3 + r4 + r5 + r6) + 260 $ (o1 + o2 + o3 + o4 + o5

+o6) + 10 (i1 + i2 + i3 + i4 + i5)
Sujeta a:
rj ≤ 160 (j = 1, 2, 3, 4, 5, 6)
oj ≤ 50 (j = 1, 2, 3, 4, 5, 6)
r1 + o1 - i1 = 105
r2 + o2 + i1 - i2 = 170
r3 + o3 + i2 - i3 = 230
r4 + o4 + i3 - i4 = 180
r5 + o5 + i4 - i5 = 150
r6 + o6 + i5 = 250
rj, oj, ij ≥ 0
3. Análisis de la sensibilidad
3.1. Análisis de la sensibilidad. Aplicación al caso de Beaver

Creek Pottery
El análisis de la sensibilidad en un modelo tiene por objetivo determinar el

impacto en la solución óptima de cambios tanto en los valores de los pará-
metros de la función objetivo, como en las inecuaciones que expresan las res-
tricciones. En general, el análisis de la sensibilidad en un modelo responde a
situaciones de negocio que determinamos mediante la pregunta "¿qué pasa si
se da este tipo de cambio?" (en inglés, what if?).
Estos cambios pueden ser implementaciones en el modelo de reacciones a he-

chos, pero también pueden ser cambios proactivos (podemos predecir que los
costes van a subir en un determinado porcentaje).
Recuperemos aquí el ejemplo de nuestra empresa de cerámica Beaver Creek

Pottery, en el cual teníamos un modelo para maximizar el beneficio de pro-
ducción de boles (x1) y tazas (x2). Esta función objetivo estaba sujeta a dos
restricciones:
• La de mano de obra que debe ser inferior o igual a 40 horas diarias.

• La de materia prima, cuyo límite está en 120 libras de arcilla al día.
En el diagrama recordamos cuál era la solución óptima:

Imaginemos ahora que realizamos un cambio en el beneficio deseado por cada

bol y lo hacemos pasar de 40 a 100 dólares. Así, la función objetivo quedaría
de la siguiente manera:
Z = $100 x1 + $50 x2.
En el diagrama presentamos la solución óptima:
Obsérvese que la nueva solución implica producir únicamente boles. Es im-

portante resaltar que la solución óptima desde un punto de vista matemático
no necesariamente lo es desde el punto de vista del negocio: razones estraté-
gicas (necesidad de estar presente en el mercado con diversos productos, por
ejemplo) justifican esta no coincidencia.
Imaginemos ahora que realizamos un cambio en el beneficio deseado por cada

taza y lo hacemos pasar de 50 a 100 dólares. Así, la función objetivo quedaría
de la siguiente manera:
Z = $40 x1 + $100 x2.
En el diagrama presentamos la solución óptima:

3.1.1. Otras formas de análisis de la sensibilidad
• Cambios en el alcance de la sensibilidad de los valores de cantidad de res-

tricción. El alcance de la sensibilidad de un valor situado hacia la derecha
es el alcance de los valores con el que puede modificarse la cantidad sin
cambiar la mezcla de variables de la solución, incluida la de poca produc-
ción.
Veamos qué pasa cuando se hace crecer el valor de la restricción de trabajo:
Maximizar Z = 40 $x1 + 50 $x2
sujeta a:
1x1 + 2x2 ≤ 40
4x2 + 3x2 ≤ 120
x1, x2 ≥ 0
• Cambios en un parámetro de restricción
• Agregación de una nueva restricción. Veremos esta forma de análisis de

la sensibilidad aplicada al caso que nos ocupa. Supongamos que añadi-
mos una nueva restricción referida a los tiempos de empaquetado: 0,20x1+
0,10x2 ≤ 5 horas para embalaje (recordemos que la solución original era
de 24 boles y 8 tazas, lo que proporcionaba 1.360 $ de beneficio).
• Agregación de una nueva variable. Volviendo al caso que nos ocupa, aña-
diremos un tercer producto a su catálogo: tazones.
Maximizar Z = 40 $x1 + 50 $x2 + 30 $x2
sujeta a:
1x1 + 2x2 + 1,2x3 ≤ 40
4x2 + 3x2 + 2x3 ≤ 120
x1, x2, x3 ≥ 0
Al resolver el modelo, se demuestra que el cambio no afecta a la solución

original (es decir, el modelo no es sensible a este cambio).
• Precios sombra (valores variables duales). Los precios sombra se definen

como el valor marginal de una unidad adicional del recurso. El alcance de
la sensibilidad de un valor de cantidad de restricción también es el alcance
de validez del precio sombra.
Veamos cómo se resuelve este caso en Excel:
3.2. El rango de sensibilidad del coeficiente de la función

objetivo
El rango de sensibilidad de un coeficiente en la función objetivo es el

rango de valores, para el cual la solución óptima continúa siéndolo.
A efectos de notación, el rango de sensibilidad de una variable de nuestra fun-

ción objetivo Xi, lo designaremos como C i.
A continuación veremos cómo se puede calcular manualmente el rango de

sensibilidad para el coeficiente de la variable x1; es decir, el número de boles
que podemos producir sin variar la solución optima.
La manera de proceder es determinar el límite superior e inferior de dicho

rango.
2

(2)
4. Colas
Las líneas de espera o colas se producen en múltiples situaciones en el entor-

no empresarial. El ejemplo más elemental es el de un mostrador con personas
haciendo cola físicamente para ser servidos, pero podemos pensar en las lla-
madas en espera en un call center o en las colas en los peajes de las autopistas...
Podríamos encontrar múltiples ejemplos de líneas de espera y todos ellos ten-
drían en común que afectan a la atención de los clientes o usuarios.
En general, las líneas de espera comportan una significativa cantidad de tiem-

po perdido por todas las partes, lo que implica que las organizaciones que ges-
tionan más eficazmente las líneas de espera adquieren ventaja competitiva en
su entorno.
Cualquier gestor debe encontrar el umbral entre el coste de mejorar el servicio

y el coste asociado al tiempo que se tiene a los clientes en la línea de espera.
Los análisis de colas, la teoría de colas, es una técnica que utiliza cálculos pro-
babilísticos: las líneas de espera se forman porque las personas, o cosas, even-
tos (en general, "clientes"), llegan a la cola requiriendo un servicio a un ritmo
superior del que se ofrece. Ello se debe a que la configuración de los servicios
suele hacerse a partir de cálculos a largo plazo que aseguren la capacidad de
atender a los clientes que se espera recibir, pero los clientes no llegan a una
velocidad constante ni los servicios que requieren pueden ser siempre sumi-
nistrados en el mismo tiempo, por ello es frecuente que las líneas de espera
no tengan una longitud constante a lo largo de un período significativo de
tiempo. Por este motivo se gestionan a partir de promedios tomados del largo
plazo y no de picos (los casos especiales se tratan de manera especial).
Entre los factores a considerar en el análisis de colas, cabe destacar los siguien-
tes:
• ¿Cuál es el comportamiento de la cola? Por comportamiento de cola en-

tendemos el orden en el cual los clientes que están esperando en la cola
son servidos.
• ¿Cuál es la población que nutre a los demandantes de servicios? La pobla-

ción demandante del servicio puede considerarse infinita o finita.
Población finita de entrada
Veamos las características operativas del sistema que admite un número limitado de clien-
tes potenciales.
Definición�de�parámetros
• λ = velocidad de llegada (promedio de llegadas por periodo de tiempo)
• μ = velocidad de servicio (promedio de servicios por periodo de tiempo) por servidor

(canal)
• Po: probabilidad de que la cola esté vacía
• Pn: probabilidad de que la cola esté llena
• L: número promedio de clientes en la cola
• Lq: número promedio de clientes que esperan a ser servidos
• W: tiempo promedio que un cliente está en la cola
• Wq: tiempo promedio que un cliente está esperando a ser servido
El ratio de llegada se describe mediante una distribución de Poisson y el tiempo de ser-

vicio, mediante una distribución potencial:
(N es el tamaño de la población y n, 1, 2, ..., N)
Apliquemos las fórmulas a un caso concreto. Wheelco Manufacturing Company desea

saber si su servicio de mantenimiento es adecuado.
La compañía cuenta con 20 máquinas, que funcionan un promedio de 200 horas antes
de estropearse (la velocidad de llegada se describe mediante una distribución de Poisson).
El promedio del tiempo de reparación es de 3,6 horas (el tiempo de servicio se describe
mediante una distribución exponencial).
Datos
• λ = 1/200 hora = 0,005 por hora

• μ = 1/3,6 hora = 0,2778 por hora
• N = 20 máquinas
El sistema parece inadecuado
Solución�mediante�MS�Excel
• ¿Cuál es el ratio de llegada? Este ratio, que mide la frecuencia de las llega-
das y su distribución en el tiempo, suele describirlo una distribución de
Poisson.
• ¿Cuál es el ratio de servicio? Este ratio considera el número de clientes

que quedan servidos durante un tiempo determinado y a menudo suele
describirlo una distribución exponencial negativa.
4.1. Servidor único de línea de espera
Las características de la configuración de líneas de espera conocida como ser-

vidor único de línea de espera son las siguientes:
• Se considera que la población demandante de servicio es infinita.
• La cola se sirve con el criterio "el primero que llega es el primero en ser
servido". El ratio de llegadas (λ) sigue una distribución de Poisson, y el de
servicio (μ), una distribución exponencial y se intenta que μ sea siempre
mayor que λ para evitar la constitución de una cola infinita.
Tiempos de servicio definidos y población infinita
Veamos a continuación una serie de fórmulas que, como gestores, nos van a ser útiles en el
análisis de este tipo de colas, también de servidor único, en las que los tiempos de servicio
están definidos siguiendo una distribución de probabilidad exponencial negativa:
• Fórmula que describe la probabilidad de que la cola esté vacía; es decir, sin clientes
que estén siendo servidos ni clientes esperando a ser servidos:
• Fórmula que describe la probabilidad de que haya un número determinado de clien-

tes (n) en la cola:
• Fórmula que describe el número promedio de clientes que están en la cola:
• Fórmula que describe el número promedio de clientes que esperan a ser servidos:
• Fórmula que describe el tiempo promedio que un cliente está en la cola:
• Fórmula que describe el tiempo promedio que un cliente está esperando a ser servido:
• Fórmula que describe la probabilidad de que el servidor esté ocupado (el factor de
utilización):
• Fórmula que describe la probabilidad de que el servidor no esté dando servicio a

nadie:
Análisis�de�colas�en�un�comercio�de�comida�rápida
• λ: llegan 24 clientes por hora a la caja

• μ: la caja puede atender a 30 clientes por hora
Tiempos de servicio no definidos y constantes
Los tiempos de servicio constantes son propios de los servicios ofrecidos por maquinaria
o equipos automatizados. Son un caso especial del modelo de un único servidor con
tiempos de servicio no definidos.

(canal)
• U: probabilidad de que el servidor esté ocupado
Fórmulas
Veamos un ejemplo referido a un fax en una oficina.
En una oficina hay un único fax que atiende a unos 20 usuarios por hora (distribución
de Poisson) con un tiempo promedio de servicio de 2 minutos por usuario (desviación
estándar, 4 minutos).
Características operativas del sistema
En el modelo de tiempo de servicio constante no hay variabilidad en los tiempos de

servicio (σ = 0), por lo que deberemos substituir σ por su valor en las siguientes ecuaciones,
ya que el resto de fórmulas no se ven alteradas por el hecho de que el tiempo de servicio
sea constante:
Veamos ahora otro ejemplo, éste referido a un tren de lavado de coches.
El tren de lavado atiende un coche cada 4,5 min y la velocidad de llegada de los coches
es de 10 por hora (distribución de Poisson). Se pide determinar la longitud promedio de
la cola de espera y el tiempo de espera.
Datos
• μ = 60/4,5 = 13,3 coches por hora

• λ = 10 coches por hora
Veamos cuáles son algunos de los efectos que puede tener en nuestro sistema el cambio
del nivel de servicio. Dos son los costes que debemos observar:
• Coste del servicio, que está asociado a los servidores. Podemos incrementar el número
de servidores (el coste se incrementará, como se refleja en la curva), pero seguiremos
estando ante un sistema con un servidor único, aunque al tener más de un servidor,
habrá más de una cola, pero cada cola estará atendida por un servidor.
• Coste de espera (el coste que comporta tener clientes en la línea de espera). Este coste
decrecerá a medida que se incremente el servicio de mantenimiento.
La visión de ambas curvas de coste nos da el coste total del sistema, en el que observamos
un punto de inflexión, el coste mínimo, en el que deberíamos mantenernos el máximo
tiempo posible.
Dos�alternativas�de�solución
Se proponen dos alternativas para reducir el tiempo de espera de los clientes:
Incorporar�a�otro�empleado�para�envolver�las�compras
• Aumenta la velocidad del servicio: pasa de μ = 30 a μ = 40.
• Cuesta 150 $/semana.
• Evita la pérdida de 75 $/semana por cada minuto de reducción del tiempo de espera
del cliente.
• Características operativas del sistema con parámetros nuevos:

– Po = 0,40
– L = 1,50
– Lq = 0,90
– W = 0,063
– Wq = 0,038
– U = 0,60
• El promedio del tiempo de espera del cliente se reduce de 8 a 2,25 minutos, lo que
significa 431,25 $/semana.
Poner�una�caja�más
• λ = 24/2 = 12 clientes por hora y por caja.
• μ = 30 clientes por hora en cada caja.
• Cuesta 6.000 $ más 200 $/semana para el cajero adicional.
• Características operativas del sistema con parámetros nuevos:

– Po = 0,60
– L = 0,67
– Lq = 0,27
– W = 0,055
– Wq = 0,022
– U = 0,40
• El ahorro obtenido gracias a la reducción del tiempo de espera es de 500 $/semana. Si

restamos el gasto del cajero (200 $), queda un ahorro neto de 300 $/semana. Después
de recuperar los 6.000 $, esta opción proporcionaría 300 $ – 281,25 $ = 18,75 $ más
de ahorro por semana.
Tabla resumen
Sistema actual Opción A Opción B
L 4,00 clientes 1,50 clientes 0,67 clientes
Lq 3,20 clientes 0,00 clientes 0,27 clientes
W 10,00 minutos 3,75 minutos 3,33 minutos
Wq 8,00 minutos 2,25 minutos 1,33 minutos
U 0,80 0,60 0,40
Longitud finita de una cola
Una variación del modelo único de linea de espera es cuando la longitud de la cola está
limitada. Veamos cómo calcular la longitud de una cola finita.
A continuación, presentamos las características operativas del sistema teniendo en cuenta

que M es el número máximo de elementos en la cola:
Apliquemos estas fórmulas a un caso concreto
Servicio de una sola entrada de Metro Quick Lube; espacio para un vehículo recibiendo
el servicio y tres esperando; promedio de tiempo entre llegadas de clientes en 3 minutos;
el promedio de tiempo de servicio es de 2 minutos; tanto los tiempos entre llegadas
como los tiempos de servicio se distribuyen de forma exponencial; el número máximo
de vehículos en el sistema es de 4.
Datos
• μ = 30
• λ = 20
• M=4

(canal)
• PM: probabilidad de que la cola esté llena
Solución
Cálculo�de�los�promedios�de�la�longitud�de�la�cola�y�de�los�tiempos�de�espera
4.2. Servidor múltiple de línea de espera
En los modelos de varios servidores, dos o más servidores independientes en

paralelo sirven a una única cola de espera siguiendo el principio de que el
primero que llega es el primero en ser atendido.
• Presupuestos
– Disciplina de cola: el primero que llega es el primero en ser atendido.
– El ratio de llegada se define mediante una distribución de Poisson.
– El ratio de tiempo de servicio se describe mediante una distribución

exponencial.
– La población de entrada es infinita.
• Definiciones de parámetros
– λ = velocidad de llegada (promedio de llegadas por periodo de tiempo).
– μ = velocidad de servicio (promedio de servicios por periodo de tiem-

po) por servidor (canal).
– c = número de servidores.
– c μ = promedio de velocidad de servicio efectivo del sistema (debe su-

perar la velocidad de llegada).
• Fórmulas
–
Po =
–
Pn =
–
Pn =
–
L=
–
W=
–
Lq =
–
Wq =
–
Pw =
Biggs
Solución�del�caso�mediante�MS�Excel
4.3. Otros sistemas de gestión de colas
Podemos citar otros sistemas de gestión de colas como los siguientes:
• Una cola única atendida por un servidor (hay varios servidores en secuen-
cia).
• Una cola única atendida por un servidor (hay varios servidores en diferen-
tes secuencias).
• Sistemas en los que los clientes se niegan a entrar o abandonan la cola
(renuncian).
• Servidores que no prestan el servicio al primero que llega, sino de otro
modo.
• Tiempos de servicio que no tienen una distribución exponencial o que son
no definidos o constantes.
• Velocidades de llegada que no tienen una distribución de Poisson.
• Sistemas donde los clientes deciden moverse de una cola a otra.
Estudio de caso: Citizens Northern Savings Bank
Se estudia la posible optimización de las entrevistas a clientes por parte del agente de
préstamos del banco.
Los datos de partida son los siguientes:
• La velocidad de llegada de los clientes es de cuatro clientes por hora (siguiendo una
distribución de Poisson).
• El tiempo de servicio de las entrevistas es de 12 minutos por cliente.
Determinad las características operativas de este sistema y las características de un sistema

a partir de la incorporación de un agente adicional que permitiría generar dos canales.
• Características operativas del sistema de un único servidor:

– λ = llegan 4 clientes por hora.
– μ = se atiende a 5 clientes por hora.
– Po = (1 - λ / μ) = (1 – 4 / 5) = 0,20 probabilidades de no haber clientes en el sistema
– L = λ / (μ - λ) = 4 / (5 - 4) = 4 clientes de promedio en un sistema de cola
– Lq = λ2 / μ (μ - λ) = 42 / 5 (5 - 4) = 3,2 clientes de promedio en la cola de espera
– W = 1 / (μ - λ) = 1 / (5 - 4) = 1 hora de promedio en el sistema
– Wq = λ / μ (u - λ) = 4 / 5 (5 - 4) = 0,80 horas (48 min) promedio de tiempo en

la cola de espera
– Pw = λ / μ = 4 / 5 = 0,80 Probabilidad de que el agente de cuentas nuevas esté

ocupado y un cliente deba esperar
• Características operativas del sistema con varios servidores:

– λ = llegan 4 clientes por hora
– μ = se atiende a 5 clientes por hora
– c = 2 servidores
–
–
5. Técnicas de redes
Las técnicas de redes suelen aplicarse en el análisis de toma de decisiones en

entornos empresariales, en tres ámbitos que podemos identificar con tres tipos
de problemas:
• Identificación de la ruta más corta.

• Identificación del árbol mínimo de cobertura (minimal spaning tree).
• Maximización del flujo en un grafo.
A diferencia de las técnicas que hemos presentado en los apartados anteriores,

las técnicas de redes se basan en la teoría de los grafos. Recordemos que las
técnicas presentadas hasta ahora se basaban en la programación lineal o en el
cálculo de probabilidades.
5.1. Los componentes de una red
Una red como diagrama no es más que un grafo y se dibuja, habitualmente,

a partir de dos elementos:
• Nodos. Círculos que representan puntos de partida o de llegada o ubica-

ciones en los tramos de la red.
• Tramos. Líneas que conectan nodos y representan un flujo.
Los grafos pueden ser de dos tipos:
• Orientados. Grafo que tiene un sentido; es decir, que siempre hay que
recorrerlo en un sentido determinado.
• No orientado. Grafo que puede ser recorrido en los dos sentidos.
Un ejemplo de red
La red presentada tiene cuatro nodos y cuatro tramos. El nodo 1 (Atlanta) es el nodo
origen y el resto son nodos destino.
Los tramos se identifican mediante su nodo origen y su nodo destino (por ejemplo, ha-
blaremos del tramo 1, 3 para referirnos al tramo Atlanta-Memphis). Los valores asignados
a cada tramo pueden corresponder a distancia, tiempo, costes...
5.2. Determinación de la ruta más corta
Cuando hablamos de ruta más corta, nos referimos a la ruta que minimiza el
coste o el tiempo asociado a cada uno de sus tramos.
Veremos paso a paso la resolución de un problema con esta técnica.
• Paso�1. Identificamos el nodo más cercano al origen (dicho de otro modo,

la ruta más corta entre el nodo de origen y otro nodo) y establecemos esta
ruta como "conjunto permanente".
Observad el uso de la intensidad del color
Conjunto permanente Rama Tiempo
{1} 1-2 16
1-4 35
1-3 9
• Paso�2. Identificamos los nodos conectados directamente con el conjunto

permanente.
{1,3} 1-2 16
1-4 35
3-4 24
3-6 31
• Paso�3. Redefinimos el conjunto permanente seleccionando el nodo más

cercano a dicho conjunto.
{1,2,3} 1-4 35
2-4 28
2-5 41
3-4 24
3-6 31
• Paso�4. Volvemos a definir el conjunto permanente seleccionando el nodo

más cercano a dicho conjunto.
{1,2,3,4} 2-5 41
3-6 31
4-5 38
4-7 43
4-6 41

{1,2,3,4,6} 2-5 41
4-5 38
4-7 43
6-7 45

{1,2,3,4,5,6} 4-7 43
6-7 45
5-7 46
• Solución�óptima. Se obtiene una vez hemos reunido todos los nodos en

el conjunto permanente. En este caso, obtenemos las rutas óptimas entre
Los Ángeles y los diferentes destinos.
Itinerario Ruta Tiempo total (horas)
Origen Destino
Los Ángeles (1) Salt Lake City (2) 1-2 16
Los Ángeles (1) Phoenix (3) 1-3 9
Los Ángeles (1) Denver (4) 1-3-4 24
Los Ángeles (1) Des Moines (5) 1-3-4-5 38

Itinerario Ruta Tiempo total (horas)
Origen Destino
Los Ángeles (1) Dallas (6) 1-3-6 31
Los Ángeles (1) Saint Louis (7) 1-3-4-7 43
5.2.1. Solución mediante MS Excel
La formulación como problema de programación lineal entero 0 - 1.
xij = 0 si la rama i-j no está seleccionada como parte de la ruta más corta y 1
en caso de sí estarlo (xij = 0 o 1).
Minimizar Z = 16x12 + 9x13 + 35x14 + 12x24 + 25x25 + 15x34 + 22x36 + 14x45 +

17x46 + 19x47 + 8x57 + 14x67
sujeta a:
x12 + x13 + x14= 1
x12 - x24 - x25 = 0
x13 - x34 - x36 = 0
x14 + x24 + x34 - x45 - x46 - x47 = 0
x25 + x45 - x57 = 0
x36 + x46 - x67 = 0
x47 + x57 + x67 = 1

5.3. Identificación del árbol mínimo de cobertura
El problema de la definición del árbol mínimo de cobertura consiste en deter-

minar cuáles son las rutas que cubren todos los nodos de un grafo minimizan-
do el coste asociado a cada tramo.
Sobre la imagen, vemos que se puede llegar al nodo 4 por diversas rutas, se
trata de escoger la que minimice el coste.
Veremos paso a paso la resolución de un problema con esta técnica. Suponga-

mos que debemos trazar una red de televisión por cable que alcance las diver-
sas ciudades representadas en el plano.
• Paso�1. Empezamos en cualquier nodo (generalmente, se empieza por el

nodo 1) y buscamos el nodo más cercano para ir formando el árbol de
cobertura.
• Paso�2. Seleccionamos el nodo más cercano al último elegido que aún no

forme parte del árbol de cobertura.



• Solución� óptima. Se obtiene una vez hemos conseguido que todos los
nodos formen parte del árbol de cobertura.
5.4. Maximización del flujo en un grafo
Mediante esta técnica se pretende conocer la cantidad máxima de ítems que

pueden fluir entre un nodo de origen y uno de destino en una red.
Como vemos en la figura, cada tramo tiene dos valores asignados. El que está
inmediatamente a la derecha del nodo en un tramo corresponde a la disponi-
bilidad del valor acordado en origen (vagones de tren, camiones, etc.) para ser
llevados hasta el nodo siguiente en la ruta. El valor que está a la izquierda de
un nodo representa que tiene el mismo valor, pero en sentido contrario.
En el ejemplo presentado vemos que hay 6 vagones preparados para salir de

Omaha al nodo 2 y ninguno para salir del nodo 2 en dirección a Omaha.
Veremos ahora paso a paso cómo resolver estas situaciones a partir del ejem-
plo presentado: hemos de maximizar los vagones que parten de Omaha en
dirección a Saint Louis, de manera que el número de vagones anotados a la
izquierda del nodo de origen coincida con el número de vagones anotado a la
derecha del nodo de destino utilizando toda la red.
• Paso�1. Escogemos arbitrariamente cualquier ruta desde el origen hasta el

destino y enviamos todo lo que podemos por ella.
• Paso� 2. Recalculamos el flujo de la rama en ambas direcciones y luego

seleccionamos arbitrariamente otras rutas, determinamos el flujo máximo
que puede circular por ellas.
• Paso�3. Repetimos el paso anterior con otra ruta.
• Paso�4. Repetimos el paso anterior con otra ruta. En este caso, acabamos
aquí, la norma general es repetir el paso tres hasta agotar las posibles rutas.
• Solución�óptima. Se obtiene una vez hemos explorado el flujo máximo

de todas las rutas.
5.4.1. Solución mediante MS Excel
xij = flujo por la ruta i-j
Maximizar Z = x61
sujeta a:
x61 - x12 - x13 - x14 = 0
x12 - x24 - x25 = 0
x13 - x34 - x36 = 0
x14 + x24 + x34 - x46 = 0
x25 - x56 = 0
x36 + x46 + x56 - x61 = 0
x12 ≤ 6; x24 ≤ 3; x34 ≤ 2; x13 ≤ 7; x25 ≤ 8; x36 ≤ 6; x14 ≤ 4

x46 ≤ 5; x56 ≤ 4; x61 ≤ 17
xij ≤ 0 y enteros
5.5. Actividades
• Determinad la ruta más corta desde Atlanta (Nodo 1) a cada uno de los
otros cinco nodos. En cada tramo se indica la duración del trayecto entre
los otros nodo que lo delimitan.
El problema de flujo máximo. Declaración y datos del problema
Solución
Paso 1 (parte A): determinar la solución de la ruta más corta
1. Conjunto permanente Rama Tiempo
{1} 1-2 [5]
1-3 5
1-4 7
2. {1,2} 1-3 [5]
1-4 7
2-5 11
3. {1,2,3} 1-4 [7]

2-5 11
3-4 7
4. {1,2,3,4} 4-5 10
4-6 [9]
5. {1,2,3,4,6} 4-5 [10]
6-5 13
6. {1,2,3,4,5,6}
Solución de la ruta más corta
• Se presupone que las ramas muestran la distancia (en vez de la duración

del viaje) entre nodos, desarrollad un árbol de mínima expansión.
El problema de flujo máximo. Declaración y datos del problema
Solución
• El nodo sin conectar más cercano al nodo 1 es el nodo 2.
• El más cercano a 1 y 2 es el nodo 3.
• El más cercano a 1, 2 y 3 es el nodo 4.
• El más cercano a 1, 2, 3 y 4 es el nodo 6.

• El más cercano a 1, 2, 3, 4 y 6 es el nodo 5.
La distancia total más corta son 17 millas.
Árbol de mínima expansión (2 de 2)

6. Previsiones
Hay una variedad de métodos de previsión dependiendo del marco temporal

de la predicción y de la capacidad que se tenga de detectar patrones de com-
portamiento.
Por lo que respecta al marco temporal, las predicciones pueden ser fundamen-
talmente de tres tipos, aunque debemos aclarar que en el contexto de compe-
titividad actual, los plazos para las predicciones se han reducido mucho:
• De corto plazo (entre uno y dos meses). Campañas de marketing

• De medio plazo (entre dos meses y dos años).
Las campañas de marketing se
• De largo plazo (más de dos años). establecen en el plazo de se-
manas, como reacción a otras
campañas de marketing, y hoy
Por lo que respecta a los patrones de comportamiento, podemos identificar en día es impensable esperar
una campaña de marketing a
los siguientes: largo plazo.
Comentarios de las
gráficas
En la gráfica que ilustra la ten-

dencia, observamos que la va-
riable demanda evoluciona en
el tiempo con una cierta ten-
dencia creciente. No obstante,
podemos ver algunos puntos
en que la variable muestra una
variación aleatoria.
6.1. Los métodos de previsión
Los métodos de previsión se pueden clasificar en tres grandes grupos: Ved también
Volveremos con más detalle

• Métodos cualitativos. Usan fundamentalmente el juicio de expertos y de sobre los métodos basados en
personas que, basándose en su experiencia y conocimiento sobre el tema, series temporales y los basados
en regresiones en los siguien-
realizan sus estimaciones y sus predicciones. tes subapartados.
Métodos cualitativos
Los métodos cualitativos son los más utilizados en la planificación estratégica a largo
plazo. Se fundamentan en la validez que se otorga a los juicios de los expertos, en oca-
siones ayudados por asesores y otros expertos, elegidos.
Generalmente, las predicciones establecidas sobre métodos cualitativos afectan a funcio-

nes especializadas, como marketing, ingeniería, compras, etc., en las que las personas
tienen experiencia y conocimientos.
Entre las técnicas de apoyo de este método encontramos el método Delphi, el estudio de
mercado, las encuestas, etc.
• Métodos basados en series temporales. Las series temporales son técnicas

basadas en estadística que observan los datos históricos para predecir el
comportamiento futuro de una variable.
• Métodos basados en regresiones. Se desarrolla una relación matemática

entre la variable que se intenta predecir y ciertos factores que se cree que
están asociados con dicha variable.
6.1.1. Métodos basados en series temporales
Para poder hacer previsiones sobre series temporales es imprescindible, como

su propio nombre indica, disponer de de datos históricos relevantes. Evidente-
mente, este tipo de previsiones asume un apriori que conviene tener en cuen-
ta: se da por sentado que lo que ha ocurrido en el pasado continuará ocurrien-
do en el futuro. Además debemos saber que este tipo de previsiones se basan
en un único factor: el tiempo.
Métodos de cálculo basados en series temporales para la previsión de variables:
La media móvil
La media móvil usa valores del pasado reciente para desarrollar predicciones.
La elección de datos del pasado reciente sirve para anular o suavizar los au-
mentos y descensos aleatorios. Cuanto más largo es el periodo utilizado para
elaborar la media móvil, más lentamente reaccionan a los cambios en la de-
manda. Saber cuál es la longitud del periodo cuya información va a ser útil
suele requerir experiencia.
Esta técnica es útil para prever en el corto plazo elementos relativamente es-
tables que no muestran ninguna tendencia ni patrón estacional, puesto que la
media móvil no reacciona bien a los cambios. Como contrapartida tenemos
que su cálculo es fácil y no es caro.
La fórmula que calcula la media móvil es la siguiente:
Lectura de la fórmula
n es el número de periodos
que se consideran en la media
móvil.
La documentación anexa que se adjunta tiene una detallada explicación con Di son los datos en el periodo
i.
ejemplos de cómo se calcula el promedio móvil. Recomendamos acceder a ella.
Pronóstico de la compañía Instant Paper Clip Supply de los pedidos del

próximo mes
Media móvil de los últimos tres meses:
Media móvil de los últimos cinco meses:
Mes Pedidos Media móvil Media móvil

por mes de tres meses de cinco meses
Enero 120
Febrero 90
Marzo 100
Abril 75 103,3
Mayo 110 88,3
Junio 50 95,0 99,0
Julio 75 78,3 85,0
Agosto 130 78,3 82,0
Septiembre 110 85,0 88,0
Octubre 90 105,0 95,0
Noviembre 110,0 91,0

La media móvil ponderada
Esta técnica añade ponderación a la media móvil y la ponderación se consigue

añadiendo peso a los datos más recientes (el peso se asigna entre 0 y 100, y la
suma de todos los pesos debe ser igual a 100).
Pronóstico de la compañía Instant Paper Clip Supply de los pedidos del

próximo mes
La compañía ha decidido dar un peso del 50% a los datos de octubre, del 33% a los de
septiembre y del 17% a los de agosto:
Wi es el peso del periodo i.
Evidentemente, la correcta asignación de pesos requerirá experiencia.
La modulación exponencial
La técnica de la modulación exponencial sigue prácticamente los mismos prin-

cipios que la media móvil ponderada, pero asigna los pesos mediante una cur-
va exponencial. Hay dos métodos de aplicación de pesos, la modulación ex-
ponencial simple y la modulación exponencial ajustada.
La modulación exponencial simple se calcula a partir de la siguiente fórmula:

Ft + 1 = α Dt + (1 - α)Ft Lectura de la fórmula
Ft + 1 = la previsión del si-

La constante de modulación (α) toma normalmente unos valores de entre un guiente período
10% y un 50%. Por supuesto, que su determinación, como en los casos ante- Dt = demanda actual en el pe-
ríodo presente
riores, depende de la experiencia.
Ft = previsión determinada con
anterioridad para el período
Un caso de modulación exponencial simple presente
α = factor de ponderaciσn
Imaginemos que hemos seleccionado una constante de modulación de 0,30 y pretende- (constante de modulación)
mos estimar la demanda del mes de marzo. Veamos la tabla de datos y luego pasaremos
al cálculo de la estimación:
Periodo Mes Demanda Previsión (Ft + 1)
α�=�0,30 α�=�0,50
1 Enero 37
2 Febrero 40 37,00 37,00
3 Marzo 41 37,90 38,50
4 Abril 37 38,83 39,75
5 Mayo 45 38,28 38,37
6 Junio 50 40,29 41,68
7 Julio 43 43,20 45,84
8 Agosto 47 43,14 44,42
9 Septiembre 56 44,30 45,71
10 Octubre 52 47,81 50,85
11 Noviembre 55 49,06 51,42
12 Diciembre 54 50,84 53,12
13 Enero 51,79 53,61
Cálculo�de�la�estimación
La demanda del período anterior (40) multiplicada por el factor de modulación, más el
complementario de dicho factor (0,70) multiplicado por la estimación que se hizo para
dicho periodo (37,0). Eso nos da como resultado que la estimación para marzo, con el
factor de modulación 0.30, es de 37,90:
Previsión del período 2 (febrero):
P2 = α D1 + (1 - α )P1 = (0,30)(0,37) + (0,70)(0,37) = 37 unidades
Previsión del período 3 (marzo):
P3 = α D2 + (1 - α )P2 = (0,30)(0,40) + (0,70)(37) = 37,90 unidades
Gráficamente
Mirando la gráfica, podemos deducir lo siguiente:
• La previsión que usa la constante de suavización más elevada (0,50) reacciona más
lentamente a los cambios en la demanda que la previsión con la constante más ba-
ja (0,30): las constantes de suavización bajas son adecuadas para datos estables sin
tendencia, mientras que las constantes más altas son apropiadas para los datos con
tendencias.
• Ambos pronósticos tienden a ser sistemáticamente más bajos que la demanda real.
Por lo que respecta a la modulación exponencial ajustada, podemos decir que

se diferencia de la simple en que se añade un factor de ajuste de tendencia
(determinado subjetivamente) que refleja el mayor valor que se otorga a los
datos de tendencia más recientes.
La modulación exponencial ajustada se calcula a partir de la siguiente fórmula:
AFt + 1 = Ft + 1 + Tt + 1 Lectura de la fórmula
T = factor de tendencia suavi-

Evidentemente, podemos hacer todos estos cálculos mediante MS Excel3 zada exponencialmente
Tt + 1 = β(Pt + 1 - Pt) + (1 -
β)Tt
Tt = el factor de tendencia del
último período
β = suavización constante pa-
ra la tendencia (un valor entre
cero y uno)
(3)
6.1.2. Métodos basados en regresiones
Las regresiones lineales requieren tener unos datos históricos que, observados
por ejemplo en un diagrama, muestran una tendencia en la cual la dispersión
de los puntos entendemos que se pueden aproximar a una línea recta; de ahí
el término de regresión lineal.
Veamos las fórmulas que se aplican al cálculo de las regresiones lineales. Nota
Las fórmulas que vamos a ver

provienen del álgebra y de la
geometría elementales, pero
como siempre, no vamos a pe-
dir que las memoricéis.
y = a + bx (la fórmula básica de la recta) Lectura de las fórmulas
y = demanda que se debe pro-

veer
x = cada uno de los períodos
de tiempo
b = pendiente de la recta
a = el origen de la recta; es de-
cir, cuando el valor de la de-
manda es cero
n = número de periodos
Ajuste estacional
Recordemos que un patrón estacional es un movimiento repetitivo ascendente

y descendente con una periodicidad conocida.
Las previsiones de ajustes estacionales se obtienen simplemente multiplican-

do la previsión normal por el factor estacional que se consigue dividiendo la
demanda actual de cada periodo por el total anual de demanda:
Por lo tanto, el factor estacional es una cifra entre cero y uno y representa la
porción de la demanda total asignada a cada periodo estacional.
Si multiplicamos los factores estacionales por la demanda anual conseguire-

mos previsiones ajustadas para cada trimestre.
Año 1.
er
trimestre 2.º trimestre er
3. trimestre 4.º trimestre Total
1998 12,6 8,6 6,3 17,5 45,0
1999 14,1 10,3 7,5 18,2 50,1

Año 1.
er
trimestre 2.º trimestre er
3. trimestre 4.º trimestre Total
2000 15,3 10,6 8,1 19,6 53,6
Total 42,0 29,5 21,9 55,3 148,7
Previsión para todo el año (línea de tendencia para los datos):
y = 40,97 + 4,30x = 40,97 + 4,30(4) = 58,17
Previsiones ajustadas estacionalmente:
SF1 = (S1)(F5) = (0,28)(58,17) = 16,28
SF2 = (S2)(F5) = (0,20)(58,17) = 11,63
SF3 = (S3)(F5) = (0,15)(58,17) = 8,73
SF4 = (S4)(F5) = (0,37)(58,17) = 21,53
Coeficiente de determinación
Cuando tenemos unos datos históricos siempre podemos aplicar una regresión
lineal y obtener una recta. El problema es si la recta obtenida nos va a aportar
alguna cosa: cuanto más lejos (dispersos) estén los puntos respecto de la recta
formada, la predicción que hagamos a partir de ella tendrá menos valor.
El coeficiente de determinación (R2) es una medida descriptiva estadística que

indica la bondad del modelo de regresión lineal:
• Valores próximos a cero indican que los puntos están muy alejados de la
recta y que, por tanto, el modelo predice muy mal.
• Valores próximos a uno indican que existe una gran relación lineal entre
los puntos y que, por tanto, el modelo predice con gran precisión la va-
riable.
Resolución de regresiones múltiples mediante MS Excel
La regresión múltiple relaciona la demanda con dos o más variables indepen-

dientes. La fórmula de resolución es similar a la de la regresión lineal simple,
pero añadiendo nuevos sumandos para cada una de las variables. Además, se
multiplica cada una de las variables por su coeficiente de regresión:
y = β0 + β1 x1 + β2 x2 + ... + βk xk Lectura de la fórmula
β0 = punto de intersección
En la imagen se representa gráficamente la previsión de tarjetas de crédito que
β1... βk = coeficientes de regre-
puede tener una persona. La variable dependiente es dicho número, y entre las sión que representan la con-
tribución de las variables inde-
variables independientes hallaremos su nivel de ingresos o su nivel educativo. pendientes
x1... xk = variables indepen-
dientes pendientes de la recta
2
Ya sabemos qué indica el coeficiente R , pero veamos su lectura concreta para el caso de las
regresiones múltiples:
– Un coeficiente de determinación próximo a cero indica que la variable dependiente tiene
un solapamiento pobre con la combinación lineal de las variables independientes que se
estiman para la demanda.
– Un coeficiente de determinación próximo a uno indica que la variable dependiente tiene
un solapamiento adecuado con la combinación lineal de las variables independientes que se
estiman para la demanda, por lo tanto, el modelo será bueno.
Asistencia a los partidos de fútbol de un equipo universitario
La universidad ha recogido datos históricos que relacionan una variable dependiente

(asistencia a los partidos) con el número de partidos ganados y los gastos de promoción
efectuados. Hemos recogido estos datos en la siguiente tabla:
Partidos ganados Gastos de promoción ($) Asistencia
4 29.500 36.300
6 55.700 40.100
6 71.300 41.200
8 87.000 53.000
Partidos ganados Gastos de promoción ($) Asistencia
6 75.000 44.000
7 72.000 45.600
5 55.300 39.000
7 81.600 47.500
Con los datos presentados de esta manera no podemos establecer ningún tipo de relación
entre las variables. Si queremos establecer una regresión múltiple, podemos acudir a MS
Excel, ir a "Herramientas" e indicar a MS Excel que queremos utilizar una regresión y, para
ello, iremos a "Herramientas de análisis" y seleccionaremos "Regresión" y comenzamos a
introducir el rango de las variables.
MS Excel proporcionará los resultados de su aplicación de modelo de multirregresión

lineal como se muestra a continuación:
El coeficiente R2 es 0,90, lo que nos da una idea de que el modelo tiene fiabilidad. A
partir de los datos que figuran en la parte inferior de la imagen (coeficientes de regresión
y punto de intersección), podríamos predecir, por ejemplo, que en una temporada con
siete partidos ganados y una inversión en promoción de 60.000 $ podríamos tener una
asistencia estimada de 46.229 personas.
7. Probabilidades
7.1. Valor esperado
El tema del valor esperado lo trataremos a partir de un ejemplo, lo que nos fa-
cilitará la comprensión del método. Recordemos que no facilitamos, por mo-
tivos pedagógicos, los fundamentos matemáticos de las fórmulas utilizadas.
Previamente, presentamos una definición del concepto.
Por valor esperado de una variable aleatoria entendemos la suma de los posi-
bles valores ponderadas según su probabilidad.
Las máquinas se averían entre 0 y 4 veces al mes y la experiencia nos indica que la fre-
cuencia relativa de averías (una distribución de la probabilidad de averías) es como sigue:
Variable aleatoria × (Número de averías) P(x)
0 0,10
1 0,20
2 0,30
3 0,25
4 0,15
La suma de las probabilidades [P(x)] debe ser 1
7.2. Aplicación de probabilidades a la toma de decisiones
Apliquemos ahora el concepto de valor esperado al análisis para la toma de

decisiones en el entorno empresarial. Lo haremos, también, a partir de un
ejemplo. Imaginemos que un decisor, en este caso un inversor inmobiliario,
debe decidir entre las siguientes tres opciones:
• Comprar un edificio de apartamentos

• Comprar un edificio de oficinas
• Comprar un almacén
Tras hacer las consultas pertinentes, el decisor ha identificado los siguientes

escenarios de futuro con diferentes niveles de certidumbre:
• Escenario optimista, con una probabilidad del 60%

• Escenario pesimista, con una probabilidad del 40%
En el escenario optimista se estiman las siguientes rentabilidades:
• Si compra el edificio de oficinas: 50.000 $

• Si compra el almacén: 30.000 $
En el escenario pesimista se estiman las siguientes rentabilidades:

• Si compra el edificio de oficinas: -40.000 $
• Si compra el almacén: 10.000 $
Por lo tanto, el valor previsto de las distintas inversiones sería el siguiente:
• Si compra el edificio de oficinas: 50.000 (0,6) + 30.000 (0,4) = 42.000 $ Lectura de las operaciones
• Si compra el edificio de oficinas: 100.000 (0,6) - 40.000 (0,4) = 44.000 $
Recordad que el valor previsto
• Si compra el almacén: 30.000 (0,6) + 10.000 (0,4) = 22.000 $ de la inversión se obtiene me-
diante la suma ponderada de
los valores de la inversión, por
A la vista de los datos, ¿cuál es la decisión correcta? Desde un punto de vista ello multiplicamos las rentabili-
dades del escenario optimista
racional, y dado que queremos maximizar el beneficio de la decisión, optaría- por 0,6 y las que se obtendrían
mos por comprar el edificio de oficinas, porque es donde obtenemos el mayor del pesimista por 0,4.
valor esperado, 44.000 $.
Pero analicemos un poco más la decisión. En un escenario optimista la renta-

bilidad sería de 100.000 $, pero el escenario pesimista, que tiene una probabi-
lidad nada despreciable del 40%, lleva asociada una pérdida de 40.000 $.
La compra del edificio de viviendas, por su parte, tiene unas ganancias aso-
ciadas de 50.000 $ (escenario optimista) y 30.000 $ (escenario pesimista) y el
valor esperado es de 42.000 $, sólo 2.000 $ menos que la mejor opción...
Evidentemente, la decisión dependerá de la capacidad de riesgo del decisor

y aquí interviene otro factor que debemos tener en cuenta, la del coste� de
oportunidad, que es el valor previsto del error; es decir, de haberse equivocado
al escoger.
Veámoslo en cifras:
Decisión (compra) Escenario optimista (0,60) Escenario pesimista (0,40)
Edificio de viviendas 50.000 $ 0$
Edificio de oficinas 0$ 70.000 $
Almacén 70.000 $ 20.000 $
Elaboración de la tabla
Recordemos que la mayor rentabilidad en el escenario optimista se obtenía por la com-

pra del edificio de oficinas (100.000 $). Tomando este dato como referencia, le vamos
sustrayendo la rentabilidad del resto de alternativas y obtenemos los datos que veis en
la columna del escenario optimista.
Hacemos lo mismo para el otro escenario.
Por lo tanto, el coste de oportunidad de las distintas inversiones sería el si-

guiente:
• Si compra el edificio de oficinas: 50.000 (0,6) + 0 (0,4) = 30.000 $

• Si compra el edificio de oficinas: 0 (0,6) + 70.000 (0,4) = 28.000 $
• Si compra el almacén: 70.000 (0,6) + 20.000 (0,4) = 50.000 $
Se intenta minimizar el coste esperado de la oportunidad perdida y, en este

caso, el menor coste es de 28.000 $, que se corresponde con la decisión que
tenía asociado el valor esperado mayor.
Utilidad
Entendemos por utilidad la medida de la satisfacción personal derivada de un gasto.
Veamos cómo influye la utilidad en la toma de decisiones a partir del caso de la contra-
tación de un seguro de accidente.
Decisión Escenario (probabilidad)
No�accidente�(0,992) Accidente�(0,008)
Contratar un seguro 500 $ 500 $
No contratar un seguro 0$ 10.000 $
En la tabla se refleja el precio de cada decisión según los dos escenarios posibles.
Coste previsto contratando el seguro: 0,992 (500 $) + 0,008 (500) = 500 $
Coste previsto sin contratar el seguro: 0,992 (0 $) + 0,008 (10.000) = 80 $
La decisión racional sería no contratar el seguro de accidente, pero la experiencia nos

demuestra que el común de la población los contrata. En esta decisión tiene un papel
importantísimo la utilidad:
• Las personas alérgicas al riesgo renuncian a un valor previsto alto para evitar un de-
sastre de baja probabilidad.
• Las personas que corren riesgos ven una oportunidad en obviar un acontecimiento
con pocas probabilidades de suceder.
Podemos resolver los cálculos asociados a la toma de decisiones a partir de

probabilidades mediante MS Excel:
7.2.1. El valor de la información perfecta en la toma de

decisiones
¿Cuánto estaríamos dispuestos a pagar por información que nos añadiese cer-
tidumbre en nuestras decisiones?
Retomemos el ejemplo del decisor en el negocio inmobiliario. Si tuviésemos

información perfecta no trabajaríamos con diferentes escenarios asociados a
diferentes probabilidades de certidumbre: ya sabríamos con certeza cómo ha-
brían de suceder las cosas.
De momento de lo que tenemos absoluta certeza es de que en el escenario op-

timista ganaríamos como máximo 100.000 $, con una probabilidad asociada
del 60% y que en el escenario pesimista la rentabilidad máxima que podemos
tener es de 30.000 $, con una probabilidad del 40%. Por lo que la máxima ren-
tabilidad que podemos obtener ponderada por sus respectivas probabilidades
de ocurrencia es de 72.000 $, tal como expresa la fórmula:
100.000 $ (0,60) + 30.000(0,40) = 72.000 $
El resultado de la decisión con información perfecta es la suma de las proba-

bilidades de obtener resultados máximos:
Edificio de viviendas 50.000 $ 30.000�$
Edificio de oficinas 100.000�$ -40.000 $
Almacén 30.000 $ 10.000 $
El valor previsto de información perfecta es la cantidad máxima que pa-

garía quien toma la decisión por una información perfecta y se obtiene
restando a lo que se obtendría en caso de tomar la decisión contando
con la información perfecta el valor previsto de la decisión tomada; por
tanto, el valor previsto de información perfecta es igual a la pérdida de
oportunidad prevista de la decisión.
Imaginemos ahora que una vez tomada la decisión a la luz de las probabilida-
des de los dos escenarios previstos, una persona se nos acerca y nos pregunta:
"¿Cuánto me pagarías si te diese información adicional para reducir la incer-
tidumbre?".
(4)
Podemos calcular el valor de dicha información restando a la ganancia que Error
podríamos obtener tomando la decisión con el apoyo de dicha información el
valor previsto de la decisión tomada; por tanto, el valor previsto de informa-
ción perfecta es igual a la pérdida de oportunidad prevista de la decisión.
El análisis bayesiano
El análisis bayesiano emplea información adicional para alterar la probabilidad marginal

de que ocurra un acontecimiento.
En el ejemplo de la inversión inmobiliaria, usando el criterio del mejor valor previsto, la

mejor decisión sería comprar un edificio de oficinas con un valor previsto de 44.000 $ y
un valor esperado de información perfecta de 28.000 $.
Edificio de viviendas 50.000 $ 30.000 $
Edificio de oficinas 100.000 $ -40.000 $
Almacén 30.000 $ 10.000 $
Supongamos que un analista económico, después de estudiar las condiciones económi-

cas, nos ofrece un informe con datos que nos van ayudar a tomar la decisión adecuada:
Una probabilidad condicional es la probabilidad de que se produzca un acontecimiento

teniendo en cuenta que ya se ha producido otro. Tomemos las siguientes probabilidades
condicionales:
P(P | b) = 0,80 P(N | b) = 0,204
P(P | m) = 0,104 P(N | m) = 0,90
Una probabilidad�previa es la probabilidad incondicional de un acontecimiento basado

en el historial/estimaciones (es decir, en ausencia de información adicional). Suponga-
mos las siguientes probabilidades previas para condiciones económicas buenas o malas
en una decisión inmobiliaria:
P(b) = 0,60; P(m) = 0,40
Una probabilidad�posterior es la probabilidad condicional de un acontecimiento basado

en información adicional. Probabilidades posteriores según la regla de Bayes:
P(b | P) = P(P | B)P(b)/[P(P | b)P(b) + P(P | m)P(m)] =

= (0,80)(0,60)/[(0,80)(0,60) + (0,10)(0,40)] = 0,923
Probabilidades posteriores (revisadas) para la decisión:
P(b | N) = 0,250 P(m | P) = 0,077 P(m | N) = 0,750
A partir de estas probabilidades posteriores revisadas, podemos construir un árbol deci-

sor. Veremos este árbol en el subapartado siguiente, una vez presentados los principales
conceptos de los árboles.
Este concepto se conoce como valor�esperado�de�información�perfecta.
Retomemos el ejemplo del decisor en el negocio inmobiliario.
Supongamos que el decisor que nos ocupa ha tomado la mejor decisión a la luz de los
escenarios y las probabilidades que ya conocemos:
Valor esperado del edificio de oficinas: 100.000 $ (0,60) - 40.000 (0,40) = 44.000 $.
Dado que el valor previsto de información perfecta (resultado de la decisión teniendo

en cuenta la información perfecta menos el valor esperado) sería: 72.000 $ - 44.000 =
28.000 $.
(Recordemos que el valor previsto de información perfecta coincide con el valor de la

pérdida de oportunidad prevista: 0 $ (0,60) + 70.000 (0,40) = 28.000 $.)
Por lo tanto, el decisor podría pagar hasta 28.000 $ por esa información perfecta.
7.2.2. Los árboles decisores
Un árbol decisor es un diagrama formado por nodos de decisión (representa-

dos por cuadrados), nodos de probabilidades (representados por círculos) y al-
ternativas de decisión (representados por las líneas que unen nodos).
Los árboles decisores son una alternativa gráfica a los cálculos presentados en
este apartado. Veremos su uso retomando el ejemplo que nos ocupa.
Edificio de viviendas 50.000 $ 30.000 $
Edificio de oficinas 100.000 $ -40.000 $
Almacén 30.000 $ 10.000 $
Veamos el árbol decisor que representa estos datos:
El árbol decisor construido a partir de probabilidades posteriores difiere del

presentado en este apartado en los siguientes puntos:
• Encontramos dos ramas al inicio del árbol que representan probabilidades

de información adicional.
• Las probabilidades de cada escenario son probabilidades posteriores de la

regla de Bayes.
Escenario (1) Probabilidad previa (2) Probabilidad (2) * (3) (4) / Σ(4)
condicional (3)
Optimista P (o) = 0,60 P (P | o) = 0,80 P (Po) = 0,48 P (o | P) = 0,48 / 0,52 = 0,923
Pesimista P (p) = 0,40 P (P | p) = 0,10 P (Pp) = 0,40 P (p | P) = 0,40 / 0,52 = 0,77

Σ = P (P) = 0,52
Valor previsto (edificio de viviendas) = 50.000 $ (0,923) + 30.000 (0,077) =

48.460 $
Valor previsto (estrategia) = 89.220 $ (0,52) + 35.000 (0,48) = 63.194 $
Finalizamos este ejemplo de árbol de decisión con el cálculo de los valores

esperados para cada una de las alternativas de decisión.
Una recomendación es la de desplazarnos por el árbol de derecha a izquierda.

Empezamos con cada una de las rentabilidades que multiplicamos por su pro-
babilidad asociada para conseguir el valor esperado de cada unas de las posi-
bles decisiones. La decisión final será, evidentemente, la que se encuentre en
la rama del árbol cuyo valor esperado sea el máximo.
• Valor esperado nodo 2 = 0,60 (50.000 $) + 0,40 (30.000) = 42.000 $

• Valor esperado nodo 3 = 0,60 (100.000 $) + 0,40 (-40.000) = 44.000 $
• Valor esperado nodo 4 = 0,60 (30.000 $) + 0,40 (10.000) = 22.000 $
Ejemplo de inversión en bienes inmuebles
Se usa un árbol de decisiones secuenciales para ilustrar una situación que requiere una
serie de decisiones (aunque las tablas de resultados se limitan a una sola decisión). Se ha
modificado el árbol para englobar un período de diez años:
La primera decisión a tomar es comprar terreno; el valor previsto neto más alto es de
1.160.000 $.
La segunda decisión dependerá del crecimiento de la población: si hay crecimiento, de-

beríamos construir pisos, de lo contrario, desarrollar el terreno comercialmente.
8. Gestión de inventarios
(5)
El inventario es un stock de objetos disponibles para satisfacer la demanda pre- No necesariamente nos referi-
mos a producto acabado ("se han
vista de los clientes. Hemos utilizado el término objetos expresamente: inven-
producido más coches de la cuen-
tario está relacionado con el elemento tangible que puede ser almacenado, por ta, tenemos 10 coches en el alma-
cén"), también hablamos de inven-
ello, inventario se relaciona con producción5 y con logística. tario de producto intermedio, o de
piezas, o de materias primas.
Dado que la demanda es fundamental a la hora de establecer y gestionar in-

Ved también
ventarios, los gerentes de la organización deberán hacer lo posible para pre-
verla. Nosotros vamos a suponer en este capítulo que ya está estimada. Sobre la previsión de la de-
manda, podéis consultar el
apartado "Previsiones" de este
Evidentemente, no siempre se conoce con certeza la demanda de los clientes, material.
se trabaja con probabilidades, con aproximaciones, por ello también podre-

mos definir inventario como el "colchón" que permite amortiguar los desfa-
ses puntuales entre producción y demanda. Debemos entender aquí deman-
da en sentido laxo; es decir, que nos referimos tanto a la demanda�externa
o independiente (de clientes externos a la organización, sobre los cuales la
organización no tiene ningún tipo de control), como a la demanda�interna
o dependiente (de las diferentes fases de la producción).
En ocasiones, la demanda está sometida a ciclos, por lo que es interesante

anticipar la producción a los picos de demanda previstos.
También podemos encontrar causas�especulativas en la existencia de inven-

tarios: puede interesar aprovechar ventajas de precios en un momento (o con-
seguir precios ventajosos por compra masiva) para poder vender con más mar-
gen en un futuro. El apartado "Descuentos de cantidad" se dedica precisamen-
te a este tipo de inventario.
Otra razón posible para mantener un inventario es evitar lo que se conoce

como ruptura�de�stocks; es decir, una interrupción de la demanda por impo-
sibilidad de abastecerla.
De todas maneras, debemos tener presente que el mantenimiento de un in-

ventario lleva asociados unos gastos, por lo que cada día más se intenta llegar
a una producción continua, donde, una vez que el material ha salido de una
determinada estación de trabajo, pasa directamente a la siguiente. En esta lí-
nea está la técnica de producción conocida como just in time management.
8.1. Los costes de inventario
Ya hemos comentado que los inventarios llevan asociados unos costes (evi-
dentemente, una de las preocupaciones de los gerentes será minimizarlos).
Podemos clasificar estos costes de la siguiente manera:
• Costes�de�almacenamiento. Costes debidos al mantenimiento de los pro-

ductos en los almacenes (y al mantenimiento de los propios almacenes y
de los recursos necesarios para gestionar el inventario). Estos costes varían
con el nivel de inventario y están ligados, fundamentalmente, al tiempo.
En general, los costes de almacenamiento se asignan por unidad, por pe-
riodo de tiempo, o como un porcentaje promedio del valor del stock (por
ejemplo, podemos asignarles un 20%).
• Costes�de�pedido. Costes debidos a los trámites administrativos ligados a

pedir el stock. Suelen expresarse en dinero y dependen de la cantidad de
pedidos y no de su tamaño. Incluyen las compras, el almacenamiento, la
manipulación, la inspección, etc.
• Costes�de�ruptura. Costes asociados a la falta de abastecimiento que se

miden fundamentalmente en función de los retrasos que se producen en
la cadena de producción.
8.2. Modelo de pedido de cantidad económica
El modelo de pedido de cantidad económica de gestión de inventarios preten-

de identificar el tamaño óptimo del pedido por lo que respecta a la minimiza-
ción de costes. El modelo consta de dos elementos fundamentales:
• La cantidad a la cual hace referencia el pedido.

• El momento en el cual se realiza el pedido.
A continuación veremos detalladamente las tres variantes básicas del modelo.
8.2.1. El modelo básico de pedido de cantidad económica
El modelo básico de pedido de cantidad económica trata de proporcionar una

fórmula para determinar la cantidad de pedido óptima que va a minimizar la
suma de los costes de almacenamiento y de pedido.
En este modelo se dan varias premisas previas:
• No va a haber ruptura de stocks.

• La demanda es conocida y relativamente constante en el tiempo.
• Los pedidos se reciben de una sola vez con una periodificación conocida
y constante.
En la figura se aprecia la forma de diente de sierra propia de esta variante del

modelo y nos ilustra las premisas que asume:
• La demanda permanece constante, es una línea que va decreciendo.
• En los momentos de aprovisionamiento (que se repiten con una caden-

cia constante) el nivel de inventario crece inmediatamente hasta su nivel
máximo.
• El momento de realizar los pedidos viene dado por la línea reorder point
que marca el stock mínimo que aconseja realizar el pedido, y se anticipa,
por tanto, a los momentos de inventario cero, que es cuando se recibe el
pedido.
De los dos costes que se contemplan en esta variante del modelo, vamos a
tratar en esta figura los costes�de�almacenamiento. Como hemos introducido
anteriormente, estos costes de almacenamiento se expresan generalmente en
dinero por unidad y por periodo de tiempo, tradicionalmente un año.
La figura también nos permite ver gráficamente el nivel de stock�medio en

un período de tiempo que, dadas las suposiciones del modelo (demanda de-
creciente constante, recepción de pedidos a ritmo constante), será Q/2 (la de-
manda crece hasta Q y decrece hasta 0 a un ritmo constante). Por tanto, el
coste de almacenamiento será la multiplicación del coste unitario de cada ele-
mento en stock por el stock promedio.
Por lo que respecta a los costes�de�pedido. Dado que la demanda (D) es cons-
tante y el tamaño del pedido también (Q), es fácil determinar el número de
pedidos anuales necesarios (D/Q). Si conocemos el coste de cada pedido (C0),
con una simple multiplicación obtendremos su coste anual. Evidentemente,
el coste de los pedidos dependerá de la cantidad (Q) de cada pedido: cuanto
mayores sean los pedidos, menos frecuentes serán y, por tanto, se incurrirá en
menos gastos de pedido.
El coste anual total del inventario es la suma del coste de pedidos y del
de almacenamiento.
La gráfica muestra la evolución de los dos costes comentados. Vemos que los
costes de almacenamiento crecen linealmente mientras que los costes de pe-
dido decrecen asintóticamente. La conjugación de ambas funciones da lugar
a la línea que representa los costes totales de inventario que tiene una carac-
terística forma de "U". El punto de esta curva, cuya pendiente es cero, corres-
ponde a la cantidad óptima de pedido que minimiza los costes de inventario.
Resolución matemática
El modelo básico de pedido de cantidad económica debe su robustez

al hecho de que Q es una raíz cuadrada, lo que reduce los errores de
estimación de D, Cc y C0.
Super Shag I-75 Carpet Discount Store
Teniendo en cuenta la información que se presenta a continuación, calcularemos el nú-

mero de pedidos que deben hacerse anualmente, y el intervalo entre ellos, sabiendo que
la tienda abre todos los días menos los domingos, el día de Acción de Gracias y el día
de Navidad.
Parámetros�del�modelo
Cc: 0,75 $
Co: 150 $
D: 10.000 yd
Tamaño�óptimo�de�pedido
Coste�total�anual�de�inventario
Número�de�pedidos�anuales
Intervalo�entre�pedidos (días en tienda)
Debemos tener en cuenta que para cualquier unidad de tiempo que se considere, el CEP
será el mismo.
Parámetros�del�modelo
Cc: 0,0625 por yd y mes
C0: 150 $ por pedido
D: 833,3 yd mensuales
Tamaño�óptimo�de�pedido
Coste�total�mensual�de�inventario
Coste�total�anual�de�inventario
125 * 12 = 1.500 $
8.2.2. Variante del modelo de cantidad económica: no hay

recepción instantánea
En el modelo de recepción no instantánea, el supuesto de que todos los pedi-

dos se reciben a la vez no es tan estricto, se supone que el pedido se recibe
de forma gradual a lo largo de un período de tiempo y se van extrayendo ele-
mentos del inventario a medida que se van necesitando.
Formulación del modelo:
• Nivel máximo de inventario
• Promedio de nivel de inventario
• Coste total de almacenamiento
• Coste total del inventario anual
(en el punto más bajo de la curva de coste total)
• Tamaño óptimo del pedido
p: ratio diario en el cual se re-

Centro de producción de alfombras Super Shag cibe el pedido
d: ratio diario en el cual se de-
manda inventario
Datos
C0: 150 $
Cc: 0,75 $/unidad
d: 10.000 yd/año; 10.000/311 = 32,2 yd/día
p: 150 yd/día
Tamaño�óptimo�del�pedido
Coste�total�del�inventario�mínimo�anual
Duración�de�la�tirada�de�producción
Número�de�pedidos�anuales�(tiradas�de�producción)
D/Q = 10.000/2.265,8 = 4,43
Nivel�de�inventario�máximo
Resolución�con�MS�Excel
8.2.3. Variante del modelo de cantidad económica: se permiten

las escaseces
En este modelo se presupone que la demanda no satisfecha puede acabar sa-

tisfaciéndose mediante pedidos pendientes.
Formulación�del�modelo
Coste total de la ruptura de stock:

Coste total de almacenamiento:
Coste total del pedido:
Coste total de inventario:
Cantidad óptima de pedido:
Nivel de ruptura de stock:
Problema resuelto
El almacén de alfombras I-75 Discount permite períodos de ruptura de stock.
Datos
Cs: 2 $/yd
Co: 150 $
Cc: 0,75 $/unidad
d: 10.000 yd/año
Cantidad óptima de pedido:
Nivel de ruptura de stock:
Coste total de inventario:
Número de pedidos anuales:
Nivel de inventario máximo: Q – S = 2.345,2 – 639,6 = 1.705,6 yd
Intervalo entre pedidos (t):

Período en que el inventario está disponible (t1):
Período de ruptura de stock (t2):
8.3. Descuentos por cantidad
Los descuentos por cantidad, como su nombre indica, se suelen ofrecer cuando
se hacen pedidos muy grandes. Estros descuentos modifican la fórmula de
cálculo del coste total de inventarios que ahora quedará como sigue:
P = Precio por unidad del ele-

Los descuentos por cantidad se suelen representar en una tabla, en la cual, para mento
D = Demanda anual
cada rango de cantidades, aparece un precio. Generalmente, la proporción
unitaria trata de inducir a comprar la mayor cantidad posible para obtener el
precio unitario más barato.
A partir de los datos de la tabla se determina el descuento de cantidad más

adecuado. Para hacerlo, se debe aplicar la fórmula que acabamos de ver al lote
económico conocido, sustituyendo P por el precio que corresponda según la
tabla, que será el precio de referencia para calcular el coste óptimo. A conti-
nuación, cualquier descuento por cantidad con el que obtengamos un precio
inferior será conveniente.
Hay que decir que los descuentos por cantidad, generalmente, se evalúan bajo
dos tipos de escenarios:
• Bajo costes constantes de almacenamiento.

• Bajo costes de almacenamiento expresados como porcentaje del precio.
8.3.1. Descuentos por cantidad con costes de almacenamiento

constantes
Presentaremos estos contenidos a partir de un caso resuelto. Una librería uni-

versitaria se plantea aprovechar los descuentos que le ofrece un mayorista. A
la vista de los datos, ¿debe el gerente plantearse aprovechar estos descuentos,
o hacer los pedidos según el tamaño del CEP básico?
Oferta del mayorista
Cantidad Precio ($)
<49 1.400
50-89 1.100
>90 900
Hagamos los cálculos pertinentes:
Se calcula el coste total a un precio con un descuento aceptable (1.100 $):
Comparad el coste total con un pedido de, por ejemplo, 90 unidades (a un

precio, según la oferta, de 900 $).
El precio conseguido con el descuento máximo es inferior, por lo tanto, se

deberán ajustar los pedidos a las condiciones de la oferta.
8.3.2. Descuentos por cantidad con costes de almacenamiento

como porcentaje de precio
Presentaremos estos contenidos como complemento al caso anterior. En este

caso, se debe encontrar el pedido mínimo adecuado a cada descuento.
El tamaño óptimo de pedido y el coste total se determinan mediante un mo-

delo CEP básico y se comparan con el coste de diferentes tamaños de pedido
(con, consecuentemente, diferentes descuentos) para identificar el pedido de
coste mínimo. Este dato debe compararse después con el tamaño óptimo de
pedido obtenido por el CEP para algunos descuentos específicos.
Datos: C0 2.500 $
D: 200 computadores anuales
Oferta del mayorista
Cantidad Precio ($) Coste de almacenamiento ($)
<49 1.400 1.400 × 0,15 = 210
50-89 1.100 1.100 × 0,15 = 165
>90 900 900 × 0,15 = 135
Calculad el tamaño de pedido óptimo de un precio de compra sin descuento

y con Cc = 210 $:
Calculad el nuevo tamaño de pedido:

Calculad el coste total mínimo:
Comparad con el coste, sobre un precio de descuento de 900 $, un pedido de

90 unidades:
El tamaño óptimo de pedido se calcula como sigue:
Dado que el tamaño del pedido obtenido es menor de 90 unidades, no es

factible, por lo que el pedido óptimo se sitúa en 90 unidades.
8.4. Punto de reabastecimiento
Hemos visto cómo calcular cuánto pedir, ahora veremos cómo calcular cuán- Nota
do pedir, cuál es el momento idóneo para hacer pedidos. En la literatura, este
Una premisa del modelo bási-
momento recibe varias denominaciones: punto de pedido, punto de reabas- co que estamos utilizando es
tecimiento o punto de suministro. Evidentemente, el punto de abastecimien- que todas las piezas del pedido
llegan al mismo tiempo.
to dependerá del nivel de stock, pero se debe tener en cuenta otro factor: el
tiempo de espera.
Si la demanda es constante y se conoce el tiempo de espera, es inmediato

determinar el punto de nivel de stock en que se debe realizar un pedido:
Se multiplica el consumo diario (ya que la demanda es constante, el consumo

diario será igual al stock dividido por el número de días que tarda en agotarse)
por los días de espera.
R = dL Lectura de la fórmula
R: punto de reabastecimiento
d: consumo diario
L: días de espera
El caso anterior es una simplificación. La realidad nos dice que la demanda no

es estable y que un descenso súbito de la demanda puede hacer que, aplicando
la fórmula anterior, el reabastecimiento se produzca antes de llegar a stock cero
o, lo que sería más grave, que un aumento súbito de la demanda provocase
una ruptura de stocks.
Para prevenir estas situaciones existe el stock�de�seguridad, que no es más que

un "colchón" que amortigua estas situaciones.
Evidentemente, el stock de seguridad comporta unos costes asociados y todo

gerente debe preguntarse si este gasto le compensa. Ésta es una situación simi-
lar al cálculo de riesgos a la hora de contratar un seguro (tema que ya hemos
tratado).
8.4.1. Determinación de inventarios de seguridad según los

niveles de servicio
El nivel de servicio es la probabilidad de que la cantidad de inventario dispo- Ejemplo

nible sea suficiente para satisfacer la demanda durante el plazo de entrega;
Un nivel de servicio del 90%
es decir, la probabilidad de no sufrir una ruptura de stock. Por tanto, cuanto significa que hay un 90% de
mayor sea el inventario disponible, más posibilidades habrá de satisfacer la probabilidades de que se sa-
tisfaga la demanda durante el
demanda de los clientes. plazo de entrega y un 10% de
probabilidades de sufrir ruptu-
ra de stock.
Conocer el nivel de stock va a servir para poder calcular el punto de reabas-
tecimiento, y su cálculo dependerá, como siempre, de las condiciones de la
demanda.
En primer lugar, veremos cómo calcular el punto de reabastecimiento contan-

do con una demanda variable.
La fórmula de cálculo es la siguiente:
R: punto de reabastecimiento
Gráficamente:
: media de demanda diaria
L: plazo de entrega
: Desviación estándar de la
demanda diaria
Z: número de desviaciones es-
tándar correspondientes a la
probabilidad de nivel de servi-
cio
: stock de seguridad
Teniendo en cuenta la información que se presenta a continuación, determinad el punto

de reabastecimiento y el stock de seguridad necesarios para tener un nivel de servicio del
95%. Sólo se considera la demanda variable.
Datos
: 30 yd diarias
L: 10 días
: 5 yd diarias
Z: 1,65
Cálculo
El stock de seguridad es el segundo sumando: 26,1 yd.
Evidentemente, este cálculo se puede efectuar con MS Excel:
La segunda variable que influye en el punto de reabastecimiento es el plazo

de entrega. Vamos a ver a continuación cómo calcular el punto de reabasteci-
miento contando con un plazo de entrega variable.
Super Shag I-75 Carpet Discount Store R: punto de reabastecimiento

: media de demanda diaria
Teniendo en cuenta la información que se presenta a continuación, determinad el punto : plazo de entrega medio
: desviación estándar del
95%. Sólo se considera el plazo de entrega variable. plazo de entrega
Datos : desviación estándar de la

demanda durante el plazo de
entrega
: 30 yd diarias
: 10 días
: 3 días
Z: 1,65
Cálculo
Vamos a ver a continuación cómo calcular el punto de reabastecimiento con-

tando con que tanto la demanda como el plazo de entrega son variables.
En esta fórmula, la desviación estándar de la demanda durante el plazo de

entrega viene representada por:
El stock de seguridad viene representado por:
Teniendo en cuenta la información que se presenta a continuación, determinad el punto

95%. Se considera que tanto la demanda como el plazo de entrega son variables.
Datos
: 30 yd diarias
: 5 yd diarias
: 10 días
: 3 días
Z: 1,65
Cálculo
8.5. Sistemas de control de inventario
Un sistema de control de inventario controla el nivel de inventario determi-

nando cuando es preciso realizar un pedido y la cantidad de pedido que se
debe hacer (nivel de abastecimiento).
Podemos identificar dos tipos básicos de sistemas de control de inventario:
• Sistemas�continuos. Se hace un pedido por una cantidad constante cuan-

do el inventario disminuye hasta un nivel predeterminado. Esta cantidad
fija recibe el nombre de pedido�económico y la cantidad se establece con
el objetivo de reducir al mínimo el total de los costes de almacenamiento,
realización de pedidos y ruptura de stock.
Este sistema exige mantener un registro continuo del nivel de inventario,
con lo que la dirección está siempre al día del estado del nivel de inventario
y de las partes críticas; pero este sistema es relativamente caro de mantener.
• Sistemas�periódicos. Se hace un pedido cada cierto tiempo (un período

fijo) de una cantidad variable para aumentar el inventario hasta un nivel
predeterminado.
Dado que el inventario no se supervisa entre recuentos, cuesta menos se-
guir su desarrollo, lo que se traduce en un control menos directo de la di-
rección. Este sistema se utiliza sobre todo en establecimientos al por me-
nor.
A continuación, presentamos la fórmula que ayuda a calcular la cantidad de

pedido en un sistema periódico:
Corner Drugstore : promedio de tasa de de-

manda
Corner Drugstore trabaja con un sistema de control periódico de inventario. tb: tiempo fijo entre pedidos
L: plazo de entrega
Datos σd: desviación estándar de la
demanda
i = 8 botellas de stock
Z: número de las desviaciones
estándar correspondientes a la
: 6 botellas/día probabilidad de nivel de servi-
cio
tb: 60 días
L: 5 días I: inventario en stock
σd: 1,2 botellas
Z: 1,65 para un 95% de nivel de servicio
Cálculo
(6) (60 + 5) (1,65) (1,2) √60 + 5 – 8 = 398 botellas
También se podría haber trabajado con MS Excel:
Problemas resueltos
1) Electronic Village Store trabaja con un sistema de control periódico de inventario. A

partir de los siguientes datos se pide que determinéis la cantidad de pedido óptima y el
coste total mínimo del inventario. Presuponed un coste de ruptura de stock de 600 $ por
unidad y año.
Paso�1.�Determinad�la�cantidad�de�pedido�óptima
D: 1.200 ordenadores personales
Cc: 170 $
Co: 450 $
Dichos ordenadores tendrán un coste de:

Paso�2.�Calculad�el�coste�total�mínimo�de�inventario�con�escaseces
Cs: 600 $
Coste total:
2) Un almacén de productos informáticos vende monitores con un promedio de deman-

da diaria de 1,6 monitores y una desviación estándar de 0,4 monitores. El plazo de entre-
ga del proveedor es de 15 días. Determinad el punto de pedido para conseguir un nivel
de servicio del 98%.
Paso�1.�Identificación�de�los�parámetros
: 1,6 monitores diarios
L: 15 días
σd: 0,4 monitores diarios
Z: 2,05 para un 98% de nivel de servicio
Paso�2.�Resolved�R
9. Gestión de portafolio
La gestión de portafolio, también conocida como gestión de carteras, no sola-

mente debe entenderse en su acepción probablemente más popular en el área
de finanzas, es también un término muy común en, por ejemplo, investiga-
ción y desarrollo, donde tenemos un conjunto de proyectos de desarrollo que
tiene que ser conceptualizados, desarrollados, ejecutados y lanzados al merca-
do.
Para poder abordar este tema, es importante entender un mínimo: en cual-

quier organización podemos encontrar dos tipos de estructuras: la estructura
permanente y la estructura temporal.
• La estructura permanente es invariable en el tiempo. En general, compren- Nota

de tres niveles:
En el caso de que exista una
a) Nivel de empresa. El objetivo del nivel de empresa es escoger aquellas unidad de negocio única, los
líneas estratégicas que la compañía quiere desarrollar. niveles de empresa y de uni-
dad de negocio se confunden.
b) Nivel de unidad de negocio. El objetivo del nivel de negocio será defi-

nir aquellos productos/servicios y mercados que se desea atacar.
c) Nivel de operaciones. El objetivo del nivel de operaciones será la ejecu-

ción de todas las acciones implementando los productos y/o servicios
que se desea lanzar al mercado elegido y hacerlo de manera eficiente.
(6)
• La estructura temporal está limitada a unos objetivos y, por lo tanto, se Se busca la rentabilidad máxi-
ma del conjunto de productos del
desmonta una vez que dichos objetivos se han alcanzado. Podemos iden-
portafolio. Evidentemente, debere-
tificar tres niveles en esta estructura alineados con los niveles vistos en la mos combinar esta pretensión con
la minimización del riesgo y otras
estructura permanente: consideraciones que veremos en el
a) A nivel de portafolio, se trata de buscar la mayor eficiencia posible de apartado correspondiente.
todos los programas desde uno de los siguientes puntos de vista: maxi-
(7)
Lo que no quiere decir que deba
mización del valor global del portafolio6, maximización del equilibrio pretenderse la uniformidad, más
bien se trata de conseguir un mix
de los programas del portafolio7 o alineamiento del portafolio con la de programas de diversas dimen-
estrategia de la empresa8. Evidentemente, la tentación de un gerente siones.
sería maximizar la eficiencia desde todos los puntos de vista. Está bien
(8)
El portafolio debe ser un instru-
tender a este objetivo, pero parece preferible priorizar alguno de ellos. mento adecuado para implemen-
tar la estrategia de la empresa.
b) En cuanto a los programas (entendemos por programa un conjunto

de proyectos), se trata de optimizar el uso de los recursos favoreciendo
las sinergias entre proyectos.
c) En cuanto a los proyectos, se trata de manejarlos aisladamente estu-

diando su aportación a las operaciones.
9.1. Maximización del valor global en un portafolio
El enfoque de maximización del valor global en un portafolio puede ser aco-

metido utilizando distintos modelos:
• Modelos financieros o de tipo económico. Nota

• Modelos basados en scoring y en lista de chequeo (check list).
En este apartado vamos a tra-
• Modelos basados en probabilidades. tar con profundidad los mo-
• Modelos basados en comportamiento. delos financieros. Los modelos
basados en probabilidades y
en comportamiento se verán
de forma somera.
9.1.1. Modelos financieros
Los modelos basados en sco-
ring se verán con detenimiento
en el apartado "scoring" de es-
Los modelos financieros o económicos tienen como elemento común la eva- te mismo material.
luación de cada unos de los componentes del portafolio como si fuera una
decisión de inversión independiente mediante alguna de las técnicas finan-
cieras más comunes, entre las que cabe destacar las siguientes: el periodo de
retorno de la inversión (payback period), el análisis del punto muerto (breaking
in analysis), el retorno de la inversión (return of investment) y el flujo de caja
descontado (discounted cash flow) que incluye el valor neto actual (net present
value) y la tasa interna de retorno (internal rate of return). Estas técnicas se usan,
generalmente, de dos maneras:
• Se determina�una�métrica�para�cada�proyecto y se valora la viabilidad de

cada proyecto en función de una nota de corte que sirve para decidir si se
sigue adelante con un proyecto, si se rechaza o si se pone en suspenso. Esta
decisión permite incrementar el valor económico global del portafolio en
aquellos proyectos que se ha decidido que siguen adelante.
• Se elabora�una�lista�ordenada según el baremo que nos ha proporcionado

la técnica usada para valorar cada uno de los proyectos. Posteriormente,
se dibuja una línea de corte según el criterio establecido y se decide seguir
adelante con los proyectos que están sobre la línea de corte, y hacer caer
o dejar en suspenso los que quedan por debajo.
Uno de los riesgos asociados a este tipo de modelos estriba en la disponibilidad

de datos fiables. Debemos tener en cuenta que algunos de los proyectos sobre
los que se deberá decidir pueden estar en marcha, por lo que la decisión debería
estar basada en datos de calidad.
Uso de un modelo económico
Supongamos el siguiente portafolio y recordemos que se está buscando la maximización

del valor global del proyecto (la tabla con todas las columnas la veremos a continuación,
en esta primera tabla sólo presentamos la información relevante en este momento):
Nombre del Valor neto actual (M$) Recursos de financiación Necesidades de recursos
proyecto necesarios (M$) (trimestre siguiente)
Instant Oven Fresh 52,00 9,50 3,20
New Tidalwave 30,00 3,10 0,30
Dishwasher Soap 8,60 2,10 1,40
Bathtub Supreme Care 42,00 3,80 2,50
Counter Top Finish 48,50 7,00 1,30
Improved Kitchen Cleaner 43,80 5,00 1,50
Wrench Soap for Men 37,50 8,30 3,80
Better Air Freshener 3,00 1,00 0,70
Car Wash with Lemon 9,50 2,50 0,50
Spray & Rinse Car Wash 6,20 0,80 0,80
Fresh House 4,50 1,40 1,20
Oven Fresh with Ammonia 55,00 5,00 5,00
En la columna 2 tenemos la valoración del valor actual neto del proyecto. En la columna 3, los recursos de financiación necesarios para finalizar el proyecto. En la siguiente co-
lumna, los recursos de financiación necesarios a corto plazo (en el siguiente trimestre) del proyecto.
Por ejemplo, el proyecto Instant Oven Fresh tiene un valor neto actual de 52 M$, requiere 9,5 M$ para ser finalizado, 3,2 de los cuales se necesitarán el próximo trimestre.
A partir de estos datos vemos, por ejemplo, que el proyecto Spray & Rinse Cars Wash
acabará el próximo trimestre (las dos últimas columnas tienen el mismo valor) y que el
proyecto Oven Fresh with Ammonia es el de mayor valor neto actual.
Una consideración muy importante a tener en cuenta (es un error lamentablemente muy
común en este tipo de decisión) es que no se deben considerar los� gastos� incurridos
en un proyecto. Este dato, muy importante en economía, no tiene utilidad a la hora
de decidir cuáles son los proyectos que deben sobrevivir y, en todo caso, distorsiona la
decisión y no aporta información sobre la rentabilidad futura del proyecto.
Ahora veremos la tabla completa ya ordenada según la primera columna que hemos
insertado: el índice resultado de dividir el valor neto actual de un proyecto entre los
recursos de financiación necesarios para finalizarlo. La última columna nos indica las
necesidades de financiación restantes de cada proyecto y establecemos la línea de corte
en 15 M$ (esta línea se establece a partir del cálculo de recursos disponibles):
Necesidad de financiación
Recursos de financiación
Valor neto actual (M$)
inmediata acumulada
Nombre del proyecto
(trimestre siguiente)
Índice calidad-precio
necesarios (M$)
Bathtub�Supreme�Care 42,00 3,80 11,1 2,50 2,5
Oven�Fresh�with�Ammonia 55,00 5,00 11,0 5,00 7,5
New�Tidalwave 30,00 3,10 9,7 0,30 7,8
Hemos sombreado los proyectos que superan la línea de corte; es decir, los que en principio seguirían en el portafolio.
Necesidad de financiación
Recursos de financiación
Valor neto actual (M$)
inmediata acumulada
Nombre del proyecto
(trimestre siguiente)
Índice calidad-precio
necesarios (M$)
Improved�Kitchen�Cleaner 43,80 5,00 8,8 1,50 9,3
Spray�&�Rinse�Car�Wash 6,20 0,80 7,8 0,80 10,1
Counter�Top�Finish 48,50 7,00 6,9 1,30 11,4
Instant�Oven�Fresh 52,00 9,50 5,5 3,20 14,6
Wrench�Soap�for�Men 37,50 8,30 4,5 3,80 18,4
Dishwasher Soap 8,60 2,10 4,1 1,40 19,8
Car Wash with Lemon 9,50 2,50 3,8 0,50 20,3
Fresh House 4,50 1,40 3,2 1,20 21,5
Better Air Freshener 3,00 1,00 3,0 0,70 22,2
Hemos sombreado los proyectos que superan la línea de corte; es decir, los que en principio seguirían en el portafolio.
Antes de decidir dejar caer un proyecto, se debe tener en cuenta una consideración adi-
cional, pudiera ser que el valor neto actual fuese negativo o menor que un valor determi-
nado y que la tasa interna de retorno fuese mayor que un valor considerado como límite.
9.1.2. Modelos basados en probabilidades
Explicaremos brevemente la aplicación de los métodos probabilísticos para

maximizar el valor global de un portafolio a partir de un ejemplo. Evaluaremos
un proyecto teniendo en cuenta el riesgo (y la incertidumbre) que comporta.
Lo haremos a partir de dos métodos:
• Simulación�de�Montecarlo. Se generan múltiples casos hipotéticos que

reflejan los posibles resultados financieros de un proyecto.
El usuario introduce varias previsiones de cada variable (una previsión pe-
simista, una optimista y una que sea la más probable) y la distribución de
probabilidades de cada variable.
Los datos se introducen en un modelo informático de algoritmo, como
por ejemplo @Risk, que mediante una simulación de números aleatorios
genera varios casos hipotéticos de lo que podría llegar a pasar con este
proyecto.
A partir de estos casos, se genera una distribución de resultados financie-
ros.
• Análisis� del� árbol� de� decisiones. Se reduce el proyecto a una serie de Ved también
decisiones, actividades y resultados en un formato de diagrama.
Hemos visto este método en el
apartado "Probabilidades".
Nom- Valor Coste de desarrollo Coste de comercialización

bre del actual
proyecto neto
Alpha 30,00 3 5,0
Beta 63,75 5 2,0
Gamma 8,62 2 1,0
Delta 3,00 1 0,5
Echo 50,00 5 3,0
Foxtrot 66,25 10 2,0
El flujo de fondos de 22 M$ de Alfa (valor actual neto menos coste de comer-

cialización y coste de desarrollo), ¿está ayudando a determinar el valor comer-
cial futuro/esperado?
Cada probabilidad de éxito debe estimarse. A continuación hay un ejemplo

de como calcular Pds cuando una checklist con pesos en cada item. Consiste
en una estimación basada en la experiencia.
Disponibilidad de despliegue (ventas y entrega)
Atributo (empieza en el valor 0,0) Pds
Cliente designado definido adecuadamente en el segmento de mercado (sí =

+0,1)
Disponibilidad de un modelo de impacto de negocio relacionado (sí = +0,1)
Competencia atrincherada en el mercado / sitios de clientes clave (sí = +0,1)
Disponibilidad de canal (y ausencia de conflicto) (sí = +0,1)
Despliegue de disponibilidad colateral (sí = +0,1)
Experiencia en la entrega y apoyo de ofertas parecidas (sí = +0,1)
Planes operacionales de impuesto sobre bienes y servicios (GST) y sobre venta

al por menor (RST) entrelazados (sí = +0,1)
Servicios de ventas y profesionales adecuados dedicados y disponibles para

apoyar el programa (sí = +0,1)
Cualquier herramienta y/o proceso necesario para apoyar la colocación del

despliegue de la oferta (sí = +0,1)
Total
Nombre del Valor actual Coste de desarrollo Coste de Valor

proyecto neto restante comercialización previsto
restante
Alpha 30,00 3 5,0 5,0
Beta 63,75 5 2,0 19,5
Gamma 8,62 2 1,0 2,1
Delta 3,00 1 0,5 1,5
Echo 50,00 5 3,0 15,7
Foxtrot 66,25 10 2,0 15,5
El flujo de fondos de 22 M$ de Alfa se convierte en un valor previsto de 5 M$.
Nombre del Valor Coste de Valor previsto Suma de

proyecto previsto desarrollo Coste de los costes
desarrollo de desarrollo
Beta 19,5 5 3,90 5
Echo 15,7 5 3,14 10
Alpha 5,0 3 1,67 13
Foxtrot 15,5 10 1,55 23
Delta 1,5 1 1,50 24
Gamma 2,1 2 1,05 26
Se han tramado los productos que pasan el corte.

El criterio de corte es la tasa de lo que se está tratando de conseguir dividido por el recurso de restricción (ofrece la máxima re-
lación calidad-precio).
Valor previsto ajustado al recurso de restricción (p. ej., I + D).
9.1.3. Modelos basados en comportamiento
Por lo que respecta a los métodos basados en comportamiento para maximizar

el valor global de un portafolio, nos limitaremos a presentar las técnicas más
usuales:
• Método�Delphi�modificado. Se basa en la toma de decisiones en grupo.

Es un proceso de comportamiento facilitado, por el que un grupo de en-
cargados de tomar decisiones adopta un debate abierto para pasar más
adelante a tomar decisiones individualmente.
Tras cada ronda, las decisiones o suposiciones de cada participante se
muestran a todo el grupo, lo que genera una nueva discusión grupal tras
la que se vuelve a tomar decisiones individualmente.
Normalmente, tras una serie de rondas se llega a un consenso.
• Método�ordenamiento�rápido (Q-sort). Se basa en la ordenación de ran-

gos.
Cada participante recibe una baraja de cartas, cada una de las cuales des-
cribe un proyecto.
Tras un debate sobre todos los proyectos, cada miembro ordena y reordena
la baraja en cinco categorías, desde un grupo "alto" hasta un grupo "bajo",
evaluando cada proyecto según un criterio específico.
Los resultados se apuntan de forma anónima en una tabla y se muestran
a todo el grupo.
Se repite el mismo procedimiento, y hacia la tercera ronda, el grupo suele
alcanzar el consenso en la clasificación de los proyectos.
• Modelos de comparación emparejada.
• Métodos de PJA.
9.2. Maximización del equilibrio entre los componentes del

portafolio
En este caso, la preocupación será obtener un portafolio equilibrado, lo que

requerirá la definición a priori de una serie de parámetros que sirvan para po-
der "medir" los proyectos: duración de los proyectos, riesgo asociado, merca-
dos en los que podrán tener presencia, tecnologías que utilizan, innovación
o ajustes, etc.
Las características que vamos a evaluar en cada proyecto vendrán en forma de

umbrales, de porcentajes o en forma de ratios.
La técnica más utilizada para llevar a cabo estos análisis es la elaboración de

diagramas, fundamentalmente de dos dimensiones, que representan cada uno
de los proyectos dimensionados según las características elegidas, de manera
que ofrecen una visión inmediata y global del portafolio.
En la figura se ha representado un portafolio que va a ser evaluado de acuerdo

a dos variables:
• En el eje de abscisas, el valor neto actual.

• En el eje de ordenadas, la variable "probabilidad de éxito debido a la tec-
nología".
Estos dos ejes proporcionan cuatro cuadrantes que, en este caso, se han eti-
quetado como sigue:
• Inferior derecha: White elephants. Proyectos de baja probabilidad de éxito

debido a la tecnología y un no muy alto valor neto actual.
• Superior derecha: Bread and butter. Proyectos que no requieren una gran
complejidad tecnológica, por lo que su probabilidad de éxito debido a la
tecnología es alta, pero de los que no se puede esperar demasiada renta-
bilidad.
• Superior izquierda: Pearls. En este cuadrante están los proyectos con valor
neto actual medio/alto y media/alta probabilidad de éxito debido a la tec-
nología.
• Inferior izquierda: Oysters. Proyectos con valor neto actual medio/alto y

baja probabilidad de éxito debido a la tecnología; es decir, proyectos arries-
gados.
A partir de los datos representados en el diagrama, podemos plantearnos una

serie de preguntas:
• ¿Hay demasiados proyectos pequeños en el portafolio −modificaciones,

actualizaciones y arreglos− para sostener el crecimiento de la compañía?
Miramos el tamaño de los círculos y podemos calcular un ratio "porcentaje
de valor neto actual con respecto al valor total de los proyectos" y estable-
cer una línea de corte.
• ¿Hay demasiados proyectos arriesgados en el portafolio?

Miramos dónde tenemos colocados la mayoría de los círculos (o los mayo-
res) y podemos calcular un ratio "porcentaje de proyectos con respecto al
volumen de recursos utilizados agregado" y establecer una línea de corte.
• ¿Hay líneas de producto en el portafolio que reciben una cantidad despro-

porcionada de los recursos?
Miramos el sombreado de los círculos y establecemos un ratio "porcentaje
de productos de una línea con respecto al volumen de recursos utilizados
agregado" y establecemos una línea de corte que vendrá definida por la
estrategia de la compañía.
9.3. Alineación del portafolio con la estrategia de la empresa
En este caso lo que se pretende es que, con independencia de cualquier otra

consideración, el portafolio sea un instrumento para la implementación de
la estrategia de la empresa, y podremos calibrar la alineación de aquéllos con
la mencionada estrategia a través de diagramas como los presentados en el
apartado anterior o mediante modelos de scoring que veremos más adelante.
10. Indicadores y cuadros de mando
10.1. Indicadores
Un aforismo del ámbito de la gestión dice que se puede gestionar aquello que
se puede medir. Los indicadores proporcionan una medida de su objeto, por
lo que son clave en las tareas de gestión, podemos encontrar indicadores en
multitud de campos: producción, logística, marketing, macroeconomía, etc.
Por indicador nos referimos a lo que en la literatura de gestión se conoce por

key performance indicator (indicadores clave del rendimiento), o índices. Un
indicador puede ser una medida simple (los ingresos, por ejemplo), o agregada,
es decir, un instrumento estadístico que se obtiene a partir de la combinación
de distintas medidas simples (la imagen de un producto, por ejemplo).
(9)
Los indicadores, al proporcionar medidas, permiten hacer análisis, prediccio- Por ciclo de negocio entende-
9 mos las fluctuaciones que se pro-
nes, comparaciones, así como percibir cambios en los ciclos de negocio . ducen en un negocio a lo largo
del tiempo. En el apartado "Predic-
ciones" hemos visto que los ciclos
Los indicadores fueron popularizados en el análisis de las gráficas de la eva- pueden ser vistos como patrones,
por lo tanto, los ciclos serán muy
luación del precio del stock de productos. útiles en las predicciones.
10.2. Cuadros de mando Áreas que suele cubrir un

cuadro de mando
Los cuadros de mando son un conjunto de indicadores que tratan el negocio

• Finanzas
de forma integral o parcial. Son por lo tanto una herramienta de control de • Cliente/Competidores
• Eficacia y eficiencia de los
gestión del rendimiento de una organización y se usan fundamentalmente procesos internos
• Capacidad de innovación
para hacer un seguimiento de las operaciones de una operación y de su alinea- • Uso de la tecnología
miento con la estrategia de la empresa. • Gestión del conocimiento
Dado que el cuadro de mando se utiliza para monitorizar la gestión

de la empresa, es importante que sea completo y que no incurra en
redundancias.
10.2.1. Formato de los cuadros de mando
El formato de tabla fue uno de los primeros que se popularizó para mostrar
cuadros de mando. En la figura vemos uno que hace referencia al desarrollo
de una organización, y que perfectamente pudiera formar parte de recursos
humanos:
Lectura�de�la�tabla Uso de los colores
Para facilitar la lectura del cua-

• Primera columna. Las distintas variables, indicadores dro de mando, se evalúa el
cumplimiento de los objetivos
mediante colores siguiendo el
• Segunda columna. El componente de la estrategia empresarial al que afecta código de los semáforos.
la métrica de la primera columna
• Tercera columna. El objetivo anual (en este caso, del año 2008)
• Cuarta columna. El resultado actual en ese indicador (en este caso, en el

segundo semestre)
La presentación mediante tablas evolucionó a un formato más gráfico, pues

se ha demostrado que la representación gráfica de los datos facilita enorme-
mente su comprensión. Cualquier presentación de cuadro de mando que se
aleje de la tabla recibe el nombre genérico de visualización� de� datos (data
visualization). Este tipo de presentaciones pueden llegar a ser muy sofisticadas,
en todo caso, conviene saber que por simples que parezcan a simple vista se
elaboran informáticamente, pues manejan multitud de variables a la vez.
La gráfica presentada hace referencia a dos indicadores: rentabilidad a la iz-

quierda y crecimiento a la derecha, y va mostrando como afectan a las distin-
tas áreas de la empresa: financiera, clientes, procesos internos y gestión del
conocimiento, innovación y tecnología.
Los indicadores, en el nivel más alto, son apoyados por los de nivel inferior, y
los colores indican el grado de ejecución de los objetivos alcanzados.
10.2.2. Análisis factorial de los cuadros de mando
A la hora de diseñar un cuadro de mando, se plantea la pregunta de cuántas

variables debemos incluir en él, y la tentación es responder "cuantas más, me-
jor". La respuesta correcta sería "las mínimas necesarias para obtener una in-
formación completa".
Pensemos en un piloto de avión en la cabina. Cuantos más relojes indicadores tenga,

más inputs de información tendrá y más conocerá la realidad de la situación de la nave,
pero al mismo tiempo, se distraerá intentando obtener información de cada uno de ellos
y procesándola, lo que le impedirá pilotar.
Para obtener ese número reducido pero suficiente de variables, se utiliza una
técnica que se conoce como análisis�factorial. Se trata de tomar un número
de variables y agregarlas de manera que se obtenga la misma información. Las
nuevas variables agregadas reciben el nombre de factores.
En la imagen tenemos seis variables que, mediante un análisis factorial, com-

binamos en dos factores. El coeficiente de determinación (R2) avala la bondad
de la operación.
Una empresa proporciona un sistema de ayuda a la toma de decisiones para gerentes

de bancos por Internet. Para evaluar la opinión de los clientes respecto del producto, la
empresa ha elaborado un cuestionario, cuyas preguntas se presentan en la parte derecha
de la siguiente figura, donde se pedía valorar de 1 a 10 una serie de atributos:
Las respuestas se valoraron mediante software (entre diversas soluciones de software ade-
cuadas, podemos citar SPSS o SAS) para, mediante un análisis factorial, reducir el número
de variables:
Se obtuvieron tres factores: implementación del sistema, efectividad del sistema y bene-
ficios añadidos (en la figura se muestran las variables que combina cada factor). La tabla
generada contiene unos factores�de�carga que nos informan del peso de cada variable
en los factores. Es importante que una de las variables obtenga valores del factor de carga
cercanos a uno.
11. Segmentación
La segmentación es muy popular en el área de marketing para realizar segmen-

tos de mercado, aunque también se puede utilizar en otras aplicaciones. Por
ello vamos a introducir el concepto desde esta área.
Hace décadas que los profesionales del marketing defienden que los produc-
tos/servicios deben adecuarse a las necesidades de los clientes y que los mer-
cados están formados por clientes que se diferencian por sus necesidades (de
ahí nace el concepto de segmento).
Por segmentación en marketing se entiende el proceso de agrupar los

clientes de un mercado por sus características comunes.
Con el análisis de segmentos se pretende definirlos, por lo tanto, interesará

identificar sobre todo las características que los diferencien. Es decir, los seg-
mentos estarán mejor definidos cuanto menos solapamiento exista entre ellos.
Al conjunto de características que definen los elementos de un segmento (y

los diferencian de los de otro segmento) se le denomina perfil.
Identificación de segmentos (10)

Entre diversas soluciones de
software adecuadas podemos citar
Se realiza un estudio para segmentar el mercado respecto al uso de restaurantes de comida SPSS o SAS.
rápida con dos preguntas:
• ¿Con qué frecuencia come fuera?

• ¿Con qué frecuencia utiliza restaurantes de comida rápida?
Se han representado las respuestas a estas preguntas en la siguiente gráfica:

Esta representación no permite ninguna deducción, sólo saber cuántos usuarios tienen
los restaurantes de comida rápida (contando los puntos). A un gerente le interesa saber si
los posibles clientes de los restaurantes son homogéneos o están agrupados en distintos
perfiles. En este caso, suponiendo que hubiese tres perfiles (es una suposición porque
aún no se ha hecho el análisis de segmentos), lo que interesaría sería obtener tres perfiles
bien diferenciados entre ellos, de manera que los elementos de cada segmento tuvieran
muchas similitudes entre ellos y la máxima diferenciación posible respecto de los de otros
segmentos:
Mediante el software10 adecuado, se hace el análisis de segmentos. Se puede pedir que

el software trabaje con un horizonte de dos segmentos, en cuyo caso se obtendría lo
siguiente:
La parte de la izquierda sobre la línea está ocupada por sujetos (puntos rojos) que visitan
restaurantes de comida rápida con una frecuencia baja-media, pero comen fuera con una
frecuencia media-alta.
La parte derecha bajo la línea está ocupada por sujetos (puntos amarillos) que visitan
restaurantes de comida rápida con una frecuencia media-alta, pero comen fuera con una
frecuencia baja-media.
Algunos puntos han quedado "fuera de su sitio", por lo que la división en dos segmentos
no parece satisfactoria. Se puede pedir al software que busque una solución de tres seg-
mentos y se obtendría una segmentación como la siguiente:
• Segmento 1. Sujetos que visitan restaurantes de comida rápida con una frecuencia
baja, pero comen fuera con una frecuencia media.
media, pero comen fuera con una frecuencia baja.
media-alta y comen fuera con una frecuencia media-alta.
Esta solución parece más satisfactoria, porque hay mayor diferenciación entre los com-
ponentes de cada segmento.
Segmentación en una empresa de alimentación
Tomemos el caso de una empresa de alimentación que produce multitud de productos y

desea segmentar los clientes de dichos productos. Para ello establece tres variables:
• Clientes que han comprado recientemente productos de la marca (R).

• Frecuencia de compra de los clientes (F).

• Gasto de los clientes en productos de la marca (M).
Estos tres criterios diferencian tres segmentos en la clientela y, habitualmente, en mar-

keting se acostumbra a etiquetar los perfiles que forman cada uno de los segmentos. En
este caso se han etiquetado como "no consumidores o de bajo consumo" (segmento 1),
"usuarios moderados" (segmento 2) y "grandes consumidores" (segmento 3):
12. Scoring
Los modelos de scoring o puntuación fueron introducidos para analizar pro-

blemas en la gestión de portafolios cuando la estrategia consiste en maximizar
el valor, aunque se pueden utilizar para situaciones en las que se dispone de
varios componentes y se pretende evaluarlos.
Las valoraciones en que se fundamenta el scoring en la gestión de por-

tafolios son subjetivas, proporcionadas por personas cuya experiencia
y conocimiento los avalan: la cualificación de estos informadores es el
gran riesgo de los métodos de scoring.
La evaluación del proyecto se hace sobre variables latentes (no observadas di-
rectamente) tales como el encaje con los objetivos corporativos, la ventaja
competitiva o el atractivo de mercado.
Como ya vimos sucintamente en el apartado dedicado a la gestión de porta-

folio, los modelos de scoring pueden ser utilizados de dos maneras:
• Se evalúan los proyectos individualmente y se compara la puntuación ob-

tenida con un valor de referencia para, después, por ejemplo, poder decidir
su viabilidad. Mediante esta técnica se pretende aumentar el valor global
de los proyectos del portafolio.
• Se evalúan los proyectos individualmente y se establece un ranking. Luego

se define una línea de corte a partir de la cual los proyectos se consideran
viables.
12.1. Scoring de atractivo del programa
Veremos este modelo de scoring, que evalúa a partir de un ejemplo una de las
variables intangibles a las que hacíamos referencia.
Factor 1. Adecuación a la estrategia comercial
Factores clave Escala de adecuación Puntuación Comentarios
1 4 7 10
Congruencia Adecuación mínima Adecuación mode- Buena adecuación Adecuación perfec-

con las estrategias rada, aunque no con un elemento ta con varios ele-
comerciales con un elemento clave de la estrate- mentos clave de la
clave de la estrategia estrategia
gia
1 4 7 10
Impacto Impacto mínimo; Impacto financiero Impacto importan- El futuro de la uni-

no pasa nada desta- competitivo mode- te; difícil recupera- dad comercial de-
cable si se cancela rado ción si el programa pende de este pro-
el programa fracasa o se cancela grama
Factor 2. Aprovechamiento estratégico
Factores clave Escala de aprovechamiento Puntuación Comentarios
1 4 7 10
Posición�patrimo- Fácilmente copia- Tiene protección, Fuertemente prote- Posición protegida

nial ble pero no es disuaso- gido con secretos (ascendente y des-
ria comerciales, paten- cendente) a través
tes; sirve al cliente de una combina-
cautivo ción de patentes,
secretos comercia-
les, acceso a mate-
rias primas, etc.
Plataforma�para Callejón sin salida / Otras oportunida- Potencial para di- Abre nuevos cam-
el�crecimiento cualidad única des para extensión versificación pos técnicos y co-
comercial merciales
Durabilidad�(téc- Ninguna ventaja Puede conseguir Ciclo vital modera- Ciclo vital largo
nica�y�de�merca- destacada; se pue- varios años de ga- do (4-6 años) pe- con oportunidad
do) de "saltar como nancias ro poca oportuni- para mejoras incre-
una rana" rápida- dad de mejora in- mentales
mente cremental
Sinergia�con Limitado a una sola Con esfuerzo, po- Podría adoptarse Podría aplicarse
otras�operacio- unidad comercial dría aplicarse a otra o tener una aplica- ampliamente a to-
nes�de�la�corpo- unidad estratégica ción entre varias da la empresa
ración de negocios UEN
Factor 3. Probabilidad de éxito técnico
1 4 7 10
"Brecha"�técnica Gran distancia en- Cambio de "orden Cambio cercano a Mejora incremental;
tre práctica actual de magnitud" pro- "orden de magni- más ingeniería con-
y objetivo; hay que puesto tud" centrada
inventar una nueva
ciencia
Complejidad�del Difícil de definir; Fácil de definir; mu- Es un reto, pero es Sencillo

programa mucha rentabilidad cha rentabilidad mí- factible
mínima nima
Base�de�conoci- Tecnología nueva Cierta experiencia Practicada selectiva- Ampliamente prac-

mientos�tecnoló- en la empresa; prác- en I+D pero proba- mente en la empre- ticada en toda la
gicos ticamente no hay blemente insuficien- sa empresa
conocimientos te
Disponibilidad No se tiene el per- Escasez reconocida Recursos disponi- Personal/infraes-

de�personal�e�in- sonal/infraestructu- en áreas clave bles, pero en de- tructura disponible
fraestructura ra adecuado; hay manda; hay que inmediatamente
que contratar/cons- planificar por ade-
truir lantado
Factor 4. Probabilidad de éxito comercial
1 4 7 10
Necesidad�del Amplio desarrollo Al cliente debe re- Clara relación en- El producto respon-
mercado del mercado nece- saltársele la necesi- tre producto y ne- de inmediatamente
sario: no hay necesidad; adaptación del cesidad; substitu- a la necesidad del
dad evidente producto necesaria ción uno por uno cliente; sustituto di-
del producto de la recto de un produc-
competencia to existente de la
compañía
Madurez�del En declive Madura/embriónica Crecimiento modes- Crecimiento rápido

mercado to
Intensidad�de�la Alta Moderada/alta Moderada/baja Baja

competencia
Aplicaciones�co- Debe desarrollarse; Debe desarrollarse Debe adaptarse al Ya está aplicado

merciales�y�con. nuevo para la com- más allá del uso li- programa propues-
de�desarrollo pañía mitado actual to
Presupuestos�co- Baja probabilidad / Baja predictibilidad Alta probabilidad / Alta predictibilidad

merciales bajo impacto / bajo impacto alto impacto / alto impacto
Impacto�regula- Negativo Neutral Algo favorable (p. Impacto positivo en

torio/sociopolíti- ej. minimización de problemas de perfil
co residuos, reducir los alto (p. ej., reciclaje
materiales peligro- de plásticos)
sos en el proceso)
Factor 5. Recompensa
1 4 7 10
Contribución�absoluta�a�la�rentabilidad�(flujo�de�efectivo 10 M$ 50 M$ 150 M$ 250 M$

acumulativo�de�5�años�a�partir�del�inicio�comercial)
Amortización�de�la�tecnología >10 años 7 años 5 años <3 años
Tiempo�hasta�inicio�comercial >7 años 5 años 3 años <1 año
En este ejemplo se consideran 19 variables, separadas en 5 factores que se pun-

túan de 1 a 10.
Para ayudar a los informantes se le proporciona unas pistas que le facilitan

la valoración de los proyectos. Concretamente, se indica el criterio correspon-
diente a los valores 1, 4, 7 y 10 de la escala. Cada informante establecerá un
ranking y se prevé un espacio para que pueda hacer comentarios. Dado que
no todos los ranking serán iguales, es deseables que el ranking final se obtenga
de la media de los proporcionados por los diferentes informantes.
Puede ser que los gerentes consideren que 19 son demasiadas variables y que
pidan que se reduzca el número para que puedan controlar toda la informa-
ción con más facilidad.
Para poder presentar una tabla más compacta, podemos acudir al análisis fac-
torial. En este caso, se elabora una nueva tabla con cinco entradas que corres-
ponden a los cinco factores que teníamos. Por lo tanto, la puntuación global
será de 50 puntos y se establece la línea de corte en 25.
Puntuación de nivel de atractivo del programa: resumen de puntuaciones en los cinco factores
Factores clave Escala de aprovechamiento Puntuación Comentarios
1 4 7 10
Probabilidad�de <20% de probabili- 40% de probabili- 70% de probabili- >90% de probabili-

éxito�técnico dades dades dades dades
Probabilidad�de <25% de probabili- 50% de probabili- 75% de probabili- >90% de probabili-

éxito�comercial dades dades dades dades
Recompensa Pequeña/equilibra- Amortización > 7 Amortización = 5 Amortización < 3

da años años años
Adecuación�a�la Programa de I+D es Apoya un poco a la Apoya la unidad es- Apoya mucho las
estrategia�co- independiente de unidad estratégica tratégica de nego- unidades estraté-
mercial la estrategia comer- de negocios; impac- cios; impacto mo- gicas de negocios;
cial; también tiene to moderado derado impacto elevado
un impacto bajo en
la unidad estratégi-
ca de negocios
Aprovecha- Carácter único/ca- Varias oportunida- Oportunidades para Amplia gama de

miento�estraté- llejón sin salida des para extensio- transferir a otra uni- oportunidades de
gico nes de negocio dad estratégica de patente
negocios
12.2. Scoring multicriterio
Vamos a ver, a partir de un ejemplo, cómo podemos tratar, utilizando mode-

los de scoring, casos de evaluación de problemas con más de un criterio de
evaluación.
(11)
Nombre del 11 VAN Importancia Probabilidad de La tasa de rentabilidad mínima
TIR
proyecto (millones de $) 12 éxito técnico es de 10% TIR.
estratégica
Alfa 20 10,00 5 80% (12)

La escala de importancia estra-
tégica va de 1 a 5, donde 5 = de
Beta 15 2,00 2 70% suma importancia.
Gamma 10 5,00 3 90%
Delta 17 12,00 2 65%
Epsilon 12 20,00 4 90%
Omega 22 6,00 1 85%
En la tabla se presentan seis proyectos y diversos criterios de evaluación. Para

identificar el proyecto más valioso, se deben evaluar y clasificar los proyectos
(como se ha hecho hasta ahora), pero al contar con más de un criterio de
evaluación, la cosa se complica: se deben combinar criterios.
En este caso, se pondera la tasa interna de retorno y el valor neto actual con
la probabilidad de éxito de la tecnología:
Nombre del TIR × Probabilidad VAN × Probabili- Importancia Ranking

proyecto de éxito técnico dad de éxito técnico estratégica
Alfa 16,00 (2) 8,00 (2) 5 (1) 1,67
Epsilon 10,80 (4) 18,00 (1) 4 (2) 2,33
Delta 11,10 (3) 7,80 (3) 2 (4) 3,33
Omega 18,70 (1) 5,10 (4) 1 (5) 3,67
Gamma 9,00 (6) 4,50 (5) 3 (3) 4,67
Beta 10,50 (5) 1,40 (6) 2 (4) 5,00
Se ha colocado entre paréntesis la posición en el ranking que ocuparía cada proyecto según cada criterio.
La tasa de rentabilidad mínima es de 10% TIR.
Criterios de la compañía
• La compañía considera el valor actual neto un objetivo importante, ya que se remar-

ca el hecho de que un proyecto sobrepase la tasa de rentabilidad mínima aceptable.
El VAN incorpora probabilidades de éxito comercial. Se considera como VAN las ga-
nancias futuras menos los gastos extraordinarios.
• La tasa interna de retorno también es un criterio muy importante pues refleja el uso
eficaz del capital.
• La importancia estratégica del proyecto, su alineación con la estrategia comercial, es

un criterio clave para la compañía.
• La probabilidad de éxito técnico también es una consideración importante, dado que

algunos proyectos son muy especulativos a nivel técnico.
Para establecer la evaluación global (se consideran tres criterios), se debe hacer
la media de las posiciones de cada proyecto según cada criterio.
12.3. Mapas de portafolios con ejes derivados de modelos de

scoring
Veremos cómo evaluar gráficamente un portafolio a partir de un ejemplo con

dos variables. Utilizaremos el scoring para definir los ejes del gráfico:
• En el eje de abcisas situamos la facilidad de implementación

• En el eje de coordenadas situamos el atractivo del mercado
Confeccionamos una tabla para cada una de las variables con diversos criterios
que facilitarán su evaluación, diferentes preguntas referidas a cada criterio y
unos valores de ponderación de cada uno de los criterios respecto de la varia-
ble, de esta manera se facilita la tarea de los informadores:
Atractivo del mercado
Factor Ponderación Escala (1-5)
Intención�de�compra 5 1. Bastante por debajo de la media

2. Ligeramente por debajo de la media
3. Igual a la media
4. Ligeramente por encima de la media
5. Bastante por encima de la media
Ventaja�sobre�lo�que�hay�disponible 5 1. Bastante por debajo de la media

2. Ligeramente por debajo de la media
3. Igual a la media
4. Ligeramente por encima de la media
5. Bastante por encima de la media
Rendimiento�en�uso 5 1. Pocas expectativas de ventaja de rendimiento

2. Perspectivas dudosas de ventaja de rendimiento
3. Algunas perspectivas de ligera ventaja
4. Algunas perspectivas de ventajas importantes de producto
5. Buenas perspectivas de ventajas importantes de producto
Mejora�de�posición�competitiva 2,5 1. Ayuda a modernizar la marca pero no mejora la franquicia a

largo plazo
2. Contribuye al plan estratégico de la marca y ayuda a hacer la
franquicia más actual
3. Contribuye al plan estratégico de la marca y mantiene la
franquicia actual
4. Contribuye a largo plazo a la marca y a la franquicia
5. Contribuye significativamente a largo plazo a la marca y a la
franquicia
Sostenibilidad�de�ventaja�competitiva 2,5 1. <6 meses

2. 6-12 meses
3. 1-2 años
4. 2-5 años
5. >5 años
Panorama�geográfico 2,5 1. Proyecto local: mercado desarrollado

2. Proyecto local: mercado en desarrollo
3. Proyecto regional: mercado desarrollado
4. Proyecto regional: mercado en desarrollo
5. Proyecto multirregional
Facilidad de implementación
Potencia�competitiva�técnica 4,5 1. Débil

2. Sostenible
3. Favorable
4. Fuerte
5. Dominante
Madurez�técnica 9 1. Embrionario
2. Crecimiento
3. Maduro
4. Experimentado
Registro/Prueba�clínica 4,5 1. Se esperan grandes problemas en la mayoría de mercados.

2. Se esperan grandes problemas en algunos mercado.
3. Se esperan pequeños problemas.
4. No se esperan problemas.
5. No es necesario registro o prueba clínica.
Componentes�de�embalaje 3 1. Necesita avances básicos en tecnología de embalaje.

2. Algunos componentes nuevos necesitan desarrollarse.
3. Un componente nuevo necesita desarrollarse.
4. Necesita modificaciones en los componentes existentes.
5. Usa los componentes existentes.
Manufactura 3 1. Necesita avances básicos en tecnología de manufacturación.

2. Necesita nuevo equipo de manufacturación (>100.000).
3. Necesita modificaciones importantes (<100.000) o el uso de una empa-
cadora.
4. Necesita pequeñas modificaciones (<25.000).
5. Usa equipo de manufacturación existente.
Ventas�y�distribución 3 1. Se necesitan nuevos conocimientos de ventas/compradores en el nuevo

canal de distribución.
2. Conocimientos de ventas existentes en el nuevo canal de distribución.
3. Nuevos conocimientos necesarios tanto por personal de ventas como
compradores.
4. Se necesitan algunos conocimientos nuevos.
5. No es necesario ningún cambio al proceso de ventas existente.
12.4. Listas de comprobación
Las listas de comprobación (check lists) son un instrumento del aseguramiento

de la calidad y deben ser exhaustivas pues su propósito es asegurar que no se
olvida nada.
Las listas de chequeo constan de una serie de preguntas en una columna y un

espacio para responderlas en una columna paralela. Generalmente la respuesta
es binaria ("sí/no"), aunque en algunos casos, pocos, se admite una escala de
respuestas.
Veremos a continuación un ejemplo de lista de comprobación cuyas preguntas

responden a criterios tan críticos que una sola respuesta negativa comportaría
la caída del proyecto del portafolio:
• Adecuación�estratégica. El proyecto planteado está alineado con la estra-

tegia y la misión de la compañía.
• Factibilidad�técnica. Existe una posibilidad razonable de factibilidad téc-

nica; es decir, de que pueda desarrollarse y fabricar el producto, a la vis-
ta de la magnitud de los beneficios (sin motivos obvios que indiquen lo
contrario).
• Razones�competitivas. Existe una razón competitiva para iniciar el pro-

yecto. Puede que sea un producto defensivo o estratégico necesario o que
el producto tenga una ventaja competitiva importante (como ser un pro-
ducto único y superior o tener la mejor relación calidad-precio).
• Nivel�de�atractivo�del�mercado. El mercado es grande y creciente; la ne-

cesidad del producto es importante; la competencia es vulnerable.
• Ventaja�competitiva�sostenible. El producto tiene una ventaja que puede

protegerse o crea barreras para impedir la entrada a la competencia.
• Sinergias. El proyecto refuerza nuestras competencias (o una parte de

ellas) o puntos fuertes básicos (marketing, técnica, fabricación).
• Atractivo�comercial. Dado el tamaño del mercado, las unidades y las pro-

yecciones de precio, hay muchas probabilidades de que podamos obtener
buenos beneficios.
• Elementos�extraordinarios. Por el momento no hay elementos extraor-

dinarios evidentes ni "variables asesinas" potenciales.
13. Reglas de negocio
Las reglas de negocio describen las políticas, normas, operaciones, definiciones

y restricciones presentes en una organización y son de vital importancia para
alcanzar los objetivos. Explican la manera de implementar la estrategia de la
empresa, lo que se debe hacer.
En los últimos años se viene observando una tendencia a gestionarlas de forma

sistemática y centralizada, de manera que sea fácil, entenderlas y utilizarlas.
Una manera de gestionarlas es mediante un software que a partir de su defini-
ción pueda derivar tareas y responsabilidades a los puestos correspondientes
de la organización. Sea como sea, las decisiones que se deben tomar en este
campo hacen que las reglas de negocio sean objeto de estudio de este curso.
Además, dado que hasta ahora se han presentado únicamente métodos analí-
ticos de resolución de problemas (métodos que ponen el foco en la eficiencia,
en la optimización del uso de recursos), veremos en este apartado los métodos
relacionales que tienen un enfoque holístico; es decir, analizan el problema
en su conjunto.
Se pueden identificar tres tipos fundamentales de enfoques relacionales, a los

que dedicaremos los siguientes apartados:
• La modelización�lógica�de�datos. Se centra en la estructura de los datos

y los estudia mediante la representación tanto de los datos como de las
relaciones que se establecen entre ellos.
• La modelización�de�eventos�discretos. Se centra en la incidencia de los

eventos en el problema; es decir, estudia cómo cambia la estructura del
problema con el paso del tiempo, con la incidencia de los diferentes even-
tos que le afectan: qué pasa cuando se produce un evento y qué debería
pasar.
• La modelización�dinámica�de�sistemas. Se centra en estudiar cómo im-

pacta el tiempo en los componentes del problema, cómo evolucionan es-
tos componentes y cómo, con su evolución, hacen cambiar al conjunto
del problema.
13.1. La modelización lógica de datos
La modelización lógica de datos es muy útil para identificar requerimientos

para el diseño de sistemas de información (bases de datos o almacenes de da-
tos). La técnica, que es fundamentalmente gráfica, requiere localizar las enti-
dades que van a formar parte de la representación del problema e identificar-

las mediante una clave y unos atributos que se estructuran con unas reglas
formales que no vamos a ver en este material.
Las relaciones entre cada una de estas entidades también se capturan en len-
guaje natural y se modelan y se traducen a grafismos de acuerdo a unos están-
dares que tampoco abordaremos en este material.
La modelización lógica de datos, además de servir para representar la estruc-

tura de los datos y sus relaciones, también se utiliza para saber de antemano
si se va a poder responder a una determinada pregunta.
Ejemplo
Una pregunta típica en las entidades financieras es "¿cuántos clientes tenemos?".
Con un modelo lógico de datos se puede determinar si se puede responder a esta pre-
gunta. En resumen, se plantearían dos preguntas previas: "¿Se puede responder esta pre-
gunta con los datos disponibles?" y ¿qué tipo de datos se necesitan para responder esta
pregunta?".
Veamos en la práctica el funcionamiento de este modelo. Presentaremos cua-

tro reglas de negocio de una empresa de finanzas, que se han capturado a par-
tir de entrevistas en lenguaje natural, y después de describirlas, las representa-
remos gráficamente como un modelo lógico de datos constituido por cuatro
entidades.
• Primera regla de negocio. Una estrategia de campaña es un esfuerzo para

retener, adquirir o consolidar clientes o construir una imagen de empresa.
A esta regla se le asigna un identificador, una descripción, una fecha de ini-
cio, una fecha estimada de finalización y unos costes e ingresos estimados.
Como las campañas estratégicas pueden estar compuestas por otras cam-
pañas, se genera una estructura jerárquica que se representa gráficamente
por un bucle.
• Segunda regla de negocio. El tipo de canal es una agrupación de posibles

canales, como el correo, los quioscos, Internet, los cajeros automáticos o el
contacto directo. A esta regla se le asigna un identificador, una descripción,
una fecha de inicio y una fecha estimada de finalización.
• Tercera regla de negocio. Cada estrategia está asociada a un canal (o a más

de uno).
• Cuarta regla de negocio. Un canal es un vehículo por el cual un cliente

obtiene información sobre los usos o productos de la organización. Cada
canal tendrá un identificador en un tipo de canal, por lo que puede darse
el caso de que más de un tipo de canal tenga el mismo identificador (re-
cordemos que un tipo de canal agrupa varios canales). Además del iden-
tificador, a cada canal se le asigna una descripción, una fecha de inicio y

una fecha estimada de finalización.
Utilicemos el modelo lógico de datos para analizar distintos problemas. Vea-

mos si volcando el modelo en una base de datos se puede responder, por ejem-
plo, la siguiente consulta:
"¿Cómo se llaman las estrategias de campaña efectuadas sobre una identifica-

ción de canal determinada?".
La respuesta a la pregunta la obtenemos siguiendo las flechas que hemos in-

cluido en el gráfico:
13.2. La modelización de eventos discretos
Los eventos discretos desencadenan cambios, acciones. Podemos establecer Ejemplo

una regla de negocio del tipo if-then que relacione eventos discretos y las ac-
Si se estropea una máquina
ciones que estos eventos desencadenan: "si ocurre el evento, debe realizarse (evento discreto), debe repa-
esta acción (esta cadena de acciones)". rarse.
Un agente (humano o automático) explora el entorno buscando eventos para

incorporarlos a la cola y otro agente (humano o automático) monitoriza la cola
para identificar los eventos nuevos y ejecutar las acciones correspondientes
según las reglas de negocio que tenga asociadas cada evento.
Este tipo de modelización discreta de eventos se usa muy frecuentemente para Ved también
la toma de decisiones en las que hay un umbral a partir del cual debe realizarse
En el apartado "Gestión de
una acción. portafolio" se han expuesto
una serie de criterios para la
toma de decisiones que pue-
La manera práctica de plasmar los datos que van a ayudar a tomar decisiones de de ser conveniente refrescar en
este momento del curso.
este tipo es elaborar una tabla�de�decisiones. Presentamos un ejemplo tomado
del apartado "Gestión del portafolio":
13.3. Modelización dinámica de sistemas
En este enfoque se entiende la organización como un sistema; es decir, un

conjunto de componentes, las relaciones que se establecen entre ellos y su fi-
nalidad u objetivo. Considerar la organización como sistema, comporta asu-
mir una serie de complejidades que vienen dadas por los siguientes factores:
• Las estructuras de relaciones causales entre los distintos componentes.
• La atribución dinámica: se da un cambio continuo en la organización (lo

que influye sobre el factor anterior: las relaciones causa-efecto no seguirán
funciones de tipo lineal).
• Los efectos no siguen inmediatamente a las causas.
La complejidad de las relaciones causa-efecto entre los componentes de un

sistema derivan de su no inmediatez (y no sólo temporalmente): algunas re-
laciones causa-efecto se establecen a partir de la experiencia de los gerentes
de las organizaciones que son capaces de identificar relaciones causa-efecto en
eventos aparentemente desconectados.
Para comprobar la relación causal entre componentes de un sistema, se pueden Ved también
manipular las causas. A este ejercicio se le suele denominar por su nombre en
En el apartado "Optimización.
inglés: What if? Programación lineal" se ha vis-
to un ejercicio como el comen-
tado pero evidentemente no
Otra manera de comprobarlas sería comprimiendo el tiempo necesario para referido a modelos dinámicos.
que llegue el efecto que se pretende asignar a una causa.
Finalmente, se puede retroceder en el tiempo para intentar localizar las causas

de eventos presentes.
Se debe tener en cuenta que las relaciones causalidad no tienen por qué ser
directas, pueden tener signo. Veamos:
Puede darse una relación de causalidad en la que, cuando crece una caracte-
rística en la causa, también crece en el efecto (relación directa, signo positivo),
pero también puede darse una relación inversa (signo negativo): cuando crece
una característica en la causa, decrece en el efecto o viceversa.
Para acabar, veamos las características principales que permiten identificar las
relaciones causa-efecto:
• Una entidad no puede ser causa de otra si no la precede en el tiempo. En

caso de simultaneidad, debe haber comenzado antes.
• No se puede establecer una relación causa efecto entre dos entidades si no

existe un cuerpo teórico que apoye dicha afirmación.
• No se puede establecer una relación causa efecto entre dos entidades si no

hay evidencia constatada y repetida de dicha relación.
No se debe confundir causalidad con correlación. Siempre que hay cau-

salidad hay correlación, pero no a la inversa. Se dice que existe corre-
lación entre dos variables si las dos varían en el tiempo de la misma
manera. La correlación es necesaria, pero no suficiente, para hablar de
causalidad.
Ejemplo
No se puede establecer una relación de causalidad entre el aumento de la temperatura

y el aumento de la delincuencia. Ambas variables crecen a la vez, podemos ver que hay
correlación entre ellas, pero no causalidad. Quizá falta ver otro factor que afecta a ambas
variables por igual: el aumento de la temperatura. Ahora sí que se podría lanzar una hi-
pótesis sobre la relación causa efecto entre estas tres entidades, que se debería corroborar
en la práctica (en diversos casos) y en la teoría (buscando estudios que la confirmasen).
Causalidad tiene un signo que puede ser positivo o negativo. El signo positivo
indica que, a medida que crece el efecto o la variable A, crecerá también la
variable B. El efecto negativo implica una dirección en sentido contrario, es
decir, que cuando crece la causa A decrece la causa B, o bien en el sentido
contrario, que cuando decrece la causa A, crece el efecto B.
Ejemplo de modelo parcial de dinámica de sistema del sector de

producción básico
Craig Kirkwood, college of business, Arizona State University

Resumen
Hemos repasado a lo largo de este material diferentes aspectos que han de ser-
vir para acercaros al análisis de la toma de decisiones en el ámbito empresa-
rial. Se ha hecho hincapié en que las ciencias de la gestión siguen un proceso
científico, con unos pasos claramente identificados:
• Observación. Se trata de identificar el problema (actual o previsible), lo

que permitirá actuar reactiva o proactivamente, siendo preferible la segun-
da opción. En todo caso, debe quedar claro que la observación del entorno
es fundamental en el análisis de problemas para la toma de decisiones.
• Definición�del�problema. Este paso no es trivial dado que está estudiado

que la definición de un problema condiciona en gran manera la construc-
ción del modelo y la solución. La definición del problema tiene que ser
clara y consistentemente definida, mostrando cuáles son sus límites, y sus
iteraciones con los objetivos de la organización.
• Construcción�del�modelo. Se aplican técnicas matemáticas para descri-

bir las relaciones entre las variables de la decisión, la función objetivo y
las restricciones del problema. Todo ello constituye lo que denominamos
modelo.
• Solución�del�modelo. Se utilizan distintas técnicas para resolver el modelo

que hemos definido anteriormente.
• Implementación. El modelo debe ser usado y aplicado en la toma de deci-

siones. Existe una retroalimentación en función de los resultados obteni-
dos: van a servir para ajustar los pasos de cara a otras situaciones similares.
En este curso nos hemos centrado en la construcción, definición y resolución

de modelos.
Se ha intentado presentar problemas que abarcasen distintas áreas funcionales

de la empresa (producción, logística y transporte y gestión de inventarios) des-
de los diferentes temas que se han tratado. Todo ello con diferentes enfoques:
unos más analíticos (optimización, análisis de la sensibilidad, colas y redes) y
otros más prácticos, empatizando con la gerencia (scoring, reglas de negocios,
gestión de portafolios, indicadores y cuadros de mando).
Se ha insistido en la utilidad de los modelos por activa (explicándolo en su

momento) y por pasiva (utilizándolos como método de trabajo). Resumamos
sus principales utilidades:
Los modelos añaden estructura a la definición�del�problema, puesto que los

problemas suelen plantearse desestructurados y es tarea de las personas estruc-
turarlos para poderlos definir. Además, debemos recordar que la buena defini-
ción de un problema es un primer paso muy importante para su resolución.
Los modelos facilitan la comprensión de los problemas: el esfuerzo por definir

algo ayuda enormemente a comprenderlo.
Los modelos son un interesante instrumento�de�comunicación. Dado que

cada uno tiene su visión particular de cada situación, confrontar/compartir
interpretaciones beneficia a todas las partes.
Los modelos�finales ayudan a resolver los problemas.
Una vez resumida la utilidad de los modelos, podemos recopilar las diferentes
categorías de modelos presentados en binomios polares:
• Determinísticos-estocásticos. En los modelos determinísticos no hay in-

certidumbre con respecto a sus componentes o a las relaciones que existen
entre ellos. Se han presentado modelos determinísticos en optimización y
en gestión de inventarios.
En los modelos estocásticos hay incertidumbre o riesgo, tanto en sus com-
ponentes como en las relaciones que se establecen entre ellos. Se han pre-
sentado modelos estocásticos en el cálculo del valor esperado y en los ár-
boles de decisión.
• Discretos-dinámicos. En los modelos discretos o estáticos, la solución es Nota

independiente del tiempo. Excepto los modelos basados en dinámica de
Los modelos presentados de
sistemas, todos los modelos utilizados en el material son discretos. previsiones en que había series
En los modelos dinámicos el tiempo tiene un papel fundamental y forma temporales, también son está-
ticos.
parte de la función; es decir, existe un cambio que, generalmente, es con-
tinuo e impacta en todos los elementos del modelo.
• Analíticos-algorítmicos. En los modelos analíticos la solución se alcanza

a través de funciones que, en general, son independientes del tiempo. Ex-
cepto los modelos basados en algoritmos (como los de redes y los de colas),
todos los modelos utilizados en el material son analíticos.
En los modelos algorítmicos se requiere una aproximación incremental,
no se puede llegar a la solución de entrada. Se han presentado modelos
algorítmicos en nertworking y de scoring.
Bibliografía
Taylor III; Bernard W. (2007). Introduction to Management Science. Upper Saddle River, HJ:
Prentice Hall.
Este libro lleva 9 ediciones, lo que no hace más que aumentar su interés. Es un libro con
una clara vocación práctica que hemos utilizado para elaborar gran parte del contenido de
nuestro curso.
El libro se vende con un CD que incluye herramientas que no hemos utilizado en este curso.
Cooper, Robert G.; Edgett, Scott J.; Kleinschmidt, Elko J. (2001). Portfolio Manage-
ment for New Products. Jackson, TN: Perseus Books.

Pid 00154613-1

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Pid 00154613-1

Încărcat de

Drepturi de autor:

Formate disponibile

Análisis de

2. Optimización. Programación lineal.............................................. 19

9. Gestión de portafolio........................................................................ 115

10. Indicadores y cuadros de mando................................................... 125

11. Segmentación...................................................................................... 130

12. Scoring................................................................................................... 134

13. Reglas de negocio............................................................................... 142

A continuación, debido a que el tratamiento de los problemas los estamos

Un elemento fundamental en la resolución de problemas será el concepto mo-

El objetivo primario de este curso es ayudar a gerentes de organizaciones

Los problemas cubrirán diferentes áreas funcionales de una organiza-

Por efectividad debemos entender la capacidad de resolver un problema, de

En resumen, ser efectivo significa conseguir un objetivo, hacer, obtener un

El enfoque del curso es eminentemente práctico y orientado a problemas que

En el contexto de este curso, entendemos por problema la percepción

Obsérvese que en esta definición hemos introducido el concepto percepción,

Es importante tener presente que los problemas tienen un componente muy

Si en una empresa se considera que el objetivo de ingresos es de 10 millones al año y

En teoría, el valor que exceda el objetivo en más de un 5% también debería considerarse

La anterior definición también cubre ciertos aspectos que se suelen calificar

Un elemento importante a la hora de tratar problemas y resolverlos es tener

Dado que vamos a considerar los problemas en el entorno de una organiza-

• Los entornos organizativos están sometidos a incertidumbre; es decir, no

• Los entornos organizativos son dinámicos y el factor tiempo incide en ellos

• Los objetivos pueden variar, estar pobremente definidos o incluso puede

• Las acciones requieren cierta corrección, y cierta aproximación y existen

• Se trabaja en un entorno de "alta apuesta" (higger stakes), que se tiende a

• La posibilidad de que pueda haber más de un actor en la definición del

• La definición de un modelo siempre es parcial y en este proceso se suelen

Llegados a éste punto conviene dar nuestra definición sobre el concepto de

Un modelo es una abstracción o una simplificación de la realidad, que no es

La utilización de modelos hace más económica la resolución de los problemas. Ejemplo

1. Capacitar en la identificación y análisis de los problemas, más comunes

2. Adquisición de aptitudes en el diseño de modelos de decisión en ambien-

3. Desmitificar un conjunto de herramientas para la resolución de problemas

4. Practicar en un entorno de fácil acceso (por ejemplo, MS Excel).

En este apartado, eminentemente introductorio, encontraréis dos contenidos

• La obtención del punto de equilibrio.

1.1. El enfoque de la ciencia de la gestión

Resumimos en cuatro puntos la aportación de la ciencia de la gestión al análisis

• La ciencia de la gestión usa un enfoque científico para solucionar proble-

• La ciencia de la gestión se aplica desde hace tiempo en diversas organi-

• La ciencia de la gestión aplica un enfoque lógico-matemático a la resolu- Nota

Dado que, como hemos remarcado, la ciencia de la gestión sigue un método

Veamos con detenimiento los conceptos incluidos en la figura:

• Observación. Se trata de identificar el problema, si es posible antes de

• Definición�del�problema. Este paso no es trivial, la definición de un pro-

• Construcción�del�modelo. En este paso es cuando aplicamos las técnicas

• Solución�del�modelo, Aplicamos diferentes técnicas para resolver el mo-

• Implementación�del�modelo. Éste debe ser usado y aplicado para ayudar

Ejemplo de proceso de la ciencia de la gestión

• Observación (información y datos)

• Definición del problema de la empresa

• Construcción del modelo

– Modelo: Z = 20 $X - 5 $X (función objetivo); 4X = 100 lb de acero (restricción

– Parámetros: 20 $, 5 $, 4 lb, 100 lb (valores conocidos)

– Especificación formal del modelo: maximizar Z = 20 $X - 5 $X sujeta a 4X = 100

• Solución del modelo

– Sustituir este valor en la función de beneficios: Z = 20 $ X - 5 $ X = (20)(25) –

Si se producen 25 unidades, se genera un beneficio de 375 $.

1.2. Análisis de equilibrio. Solución con Excel

Vamos a elaborar una aplicación muy elemental de las técnicas de la ciencia

Como primer paso, debemos identificar los componentes del modelo: