Hispanopedia Wiki
Articulo de referencia

Toma de decisiones sólida

La toma de decisiones robusta ( RDM , por sus siglas en inglés) es un marco iterativo de análisis de decisiones que busca ayudar a identificar estrategias robustas potenciales, ...

Hispanopedia WikiContenido en espanolLectura gratuita

La toma de decisiones robusta ( RDM , por sus siglas en inglés) es un marco iterativo de análisis de decisiones que busca ayudar a identificar estrategias robustas potenciales, caracterizar las vulnerabilidades de dichas estrategias y evaluar las compensaciones entre ellas. [ 1 ] [ 2 ] [ 3 ] La RDM se centra en fundamentar las decisiones en condiciones de lo que se denomina "incertidumbre profunda", es decir, condiciones en las que las partes involucradas en una decisión desconocen o no están de acuerdo con los modelos del sistema que relacionan las acciones con las consecuencias o las distribuciones de probabilidad previas para los parámetros de entrada clave de esos modelos. [ 2 ] : 1011

Historia

Se han desarrollado una amplia variedad de conceptos, métodos y herramientas para abordar los desafíos de decisión que enfrentan un alto grado de incertidumbre. Una fuente del nombre "decisión robusta" fue el campo del diseño robusto popularizado principalmente por Genichi Taguchi en las décadas de 1980 y principios de 1990. [ 4 ] [ 5 ] Jonathan Rosenhead y sus colegas fueron de los primeros en establecer un marco de decisión sistemático para decisiones robustas, en su libro de 1989 Análisis racional para un mundo problemático . [ 6 ] Temas similares han surgido de la literatura sobre planificación de escenarios , control robusto , probabilidad imprecisa y teoría y métodos de decisión de brecha de información . Una revisión temprana de muchos de estos enfoques se encuentra en el Tercer Informe de Evaluación del Panel Intergubernamental sobre el Cambio Climático , publicado en 2001.

Solicitud

La toma de decisiones robusta (RDM, por sus siglas en inglés) es un conjunto particular de métodos y herramientas desarrollados durante la última década, principalmente por investigadores asociados con la RAND Corporation , diseñados para respaldar la toma de decisiones y el análisis de políticas en condiciones de profunda incertidumbre.

Aunque los investigadores suelen utilizarlo para evaluar opciones alternativas, el método de toma de decisiones (RDM) está diseñado y se emplea con frecuencia como método de apoyo a la toma de decisiones , con especial énfasis en ayudar a quienes toman las decisiones a identificar y diseñar nuevas opciones que puedan ser más sólidas que las que habían considerado inicialmente. A menudo, estas opciones más sólidas representan estrategias de decisión adaptativas diseñadas para evolucionar con el tiempo en respuesta a nueva información. Además, el RDM puede utilizarse para facilitar la toma de decisiones en grupo en situaciones conflictivas donde las partes involucradas tienen fuertes desacuerdos sobre supuestos y valores. [ 7 ]

Los enfoques RDM se han aplicado a una amplia gama de diferentes tipos de desafíos de decisión. Un estudio de 1996 abordó estrategias adaptativas para reducir las emisiones de gases de efecto invernadero. [ 8 ] Estudios más recientes incluyen una variedad de aplicaciones a problemas de gestión del agua, [ 9 ] [ 10 ] [ 11 ] evaluación de los impactos de los requisitos propuestos de energía renovable de EE. UU., una comparación de estrategias energéticas a largo plazo para el gobierno de Israel, una evaluación de las políticas de ciencia y tecnología que el gobierno de Corea del Sur podría seguir en respuesta a la creciente competencia económica de China, y un análisis de las opciones del Congreso para reautorizar la Ley de Seguro contra Riesgos de Terrorismo (TRIA).

Diferencias entre el modelo RDM y el análisis tradicional de utilidad esperada.

El método RDM se basa en tres conceptos clave que lo diferencian del marco de decisión tradicional de utilidad esperada subjetiva: múltiples perspectivas del futuro, un criterio de robustez y la inversión del orden del análisis de decisiones tradicional mediante la realización de un proceso iterativo basado en una opción de vulnerabilidad y respuesta en lugar de un marco de decisión de predecir y luego actuar.

En primer lugar, el modelo RDM caracteriza la incertidumbre mediante múltiples perspectivas del futuro . En algunos casos, estas perspectivas se representan mediante múltiples estados futuros del mundo. El modelo RDM también puede incorporar información probabilística, pero rechaza la idea de que una única distribución de probabilidad conjunta represente la mejor descripción de un futuro profundamente incierto. En cambio, el modelo RDM utiliza rangos o, más formalmente, conjuntos de distribuciones de probabilidad plausibles para describir la incertidumbre profunda.

En segundo lugar, RDM utiliza la robustez en lugar de la optimalidad como criterio para evaluar políticas alternativas. El marco tradicional de utilidad subjetiva clasifica las opciones de decisión alternativas en función de las mejores distribuciones de probabilidad estimadas. En general, existe una mejor opción (es decir, la mejor clasificada). Los análisis de RDM han empleado varias definiciones diferentes de robustez. Estas incluyen: intercambiar una pequeña cantidad de rendimiento óptimo por una menor sensibilidad a supuestos incumplidos, un buen rendimiento en comparación con las alternativas en una amplia gama de escenarios plausibles y mantener las opciones abiertas. [ 2 ] Todas incorporan algún tipo de criterio de satisfacción y, a diferencia de los enfoques de utilidad esperada, generalmente describen compensaciones en lugar de proporcionar una clasificación estricta de las opciones alternativas.

En tercer lugar, RDM emplea un marco de análisis de vulnerabilidad y opciones de respuesta para caracterizar la incertidumbre y ayudar a identificar y evaluar estrategias robustas. Esta estructuración del problema de decisión es una característica clave de RDM. El enfoque analítico de decisiones tradicional sigue lo que se ha denominado un enfoque de predicción y acción [ 12 ] que primero caracteriza la incertidumbre sobre el futuro y luego utiliza esta caracterización para clasificar la conveniencia de las opciones de decisión alternativas. Es importante destacar que este enfoque caracteriza la incertidumbre sin referencia a las opciones alternativas. En contraste, RDM caracteriza la incertidumbre en el contexto de una decisión particular. Es decir, el método identifica aquellas combinaciones de incertidumbres más importantes para la elección entre opciones alternativas y describe el conjunto de creencias sobre el estado incierto del mundo que son consistentes con elegir una opción sobre otra. Este ordenamiento proporciona beneficios cognitivos en las aplicaciones de apoyo a la decisión, permitiendo a las partes interesadas comprender los supuestos clave que subyacen a las opciones alternativas antes de comprometerse a creer en esos supuestos. [ 13 ]

Condiciones para una toma de decisiones sólida

Los métodos de decisión robustos parecen más apropiados en tres condiciones: cuando la incertidumbre es profunda en lugar de estar bien caracterizada, cuando existe un amplio conjunto de opciones de decisión y cuando el desafío de la decisión es lo suficientemente complejo como para que quienes toman las decisiones necesiten modelos de simulación para rastrear las posibles consecuencias de sus acciones en muchos escenarios plausibles.

Cuando la incertidumbre está bien caracterizada, los análisis tradicionales de utilidad esperada (predecir y luego actuar) suelen ser los más apropiados. Además, si quienes toman las decisiones carecen de un amplio abanico de opciones, es posible que tengan pocas oportunidades de desarrollar una estrategia sólida y no puedan hacer nada mejor que un análisis de predicción y acción. [ 2 ]

Si la incertidumbre es profunda y se dispone de un amplio abanico de opciones, los métodos tradicionales de análisis de escenarios cualitativos pueden resultar más eficaces si el sistema es lo suficientemente simple o se comprende bien como para que quienes toman las decisiones puedan relacionar con precisión las acciones potenciales con sus consecuencias sin la ayuda de modelos de simulación.

Herramientas analíticas para la toma de decisiones sólidas

RDM no es una serie de pasos analíticos preestablecidos, sino un conjunto de métodos que pueden combinarse de diversas maneras para tomar decisiones específicas e implementar el concepto. A continuación, se describen dos elementos clave de este conjunto de herramientas: el modelado exploratorio y el descubrimiento de escenarios.

Modelado exploratorio

Muchos análisis RDM utilizan un enfoque de modelado exploratorio , [ 14 ] con simulaciones por computadora empleadas no como un dispositivo de predicción, sino más bien como un medio para relacionar un conjunto de supuestos con sus consecuencias implícitas. El analista obtiene información útil de dichas simulaciones ejecutándolas muchas veces utilizando un diseño experimental apropiado sobre los parámetros de entrada inciertos del modelo o modelos, recopilando las ejecuciones en una gran base de datos de casos y analizando esta base de datos para determinar qué afirmaciones relevantes para las políticas pueden respaldarse. RDM representa una implementación particular de este concepto. Un análisis RDM generalmente crea una gran base de datos de resultados de modelos de simulación y luego utiliza esta base de datos para identificar vulnerabilidades de las estrategias propuestas y las compensaciones entre las posibles respuestas. Este proceso analítico proporciona varias ventajas prácticas:

  • La base de datos de casos proporciona una representación concreta del concepto de multiplicidad de futuros plausibles.
  • Ejecutar una simulación varias veces en sentido directo puede simplificar el desafío analítico de representar estrategias adaptativas en muchas aplicaciones prácticas, ya que separa la ejecución de la simulación del análisis necesario para evaluar opciones de decisión alternativas utilizando la simulación. En cambio, algunos métodos de optimización dificultan la inclusión de muchos tipos de retroalimentación en una simulación.
  • El concepto de modelado exploratorio permite utilizar una amplia variedad de enfoques de decisión mediante diversos tipos de modelos de simulación dentro de un marco analítico común (según lo que parezca más apropiado para una aplicación de decisión particular). Dentro de este marco común, los análisis de RDM han utilizado enfoques de decisión secuenciales tradicionales, descripciones basadas en reglas de estrategias adaptativas, representaciones de opciones reales, modelos complejos de crecimiento económico óptimo, modelos de hojas de cálculo, modelos basados ​​en agentes y conjuntos de modelos de simulación existentes en las organizaciones, como el utilizado por el gobierno de EE. UU. para pronosticar el estado futuro del fondo fiduciario de la seguridad social.
  • La base de datos de casos simplifica la comparación de marcos de decisión alternativos, ya que estos marcos se pueden aplicar a un conjunto idéntico de resultados del modelo. Por ejemplo, se puede colocar una distribución de probabilidad conjunta en todos los casos de la base de datos, realizar un análisis de utilidad esperada y comparar los resultados con un análisis RDM utilizando la misma base de datos.

Descubrimiento de escenarios

Los análisis RDM suelen emplear un proceso denominado descubrimiento de escenarios para facilitar la identificación de vulnerabilidades en las estrategias propuestas. [ 13 ] [ 15 ] El proceso comienza especificando alguna métrica de rendimiento, como el coste total de una política o su desviación de la optimalidad (arrepentimiento), que puede utilizarse para distinguir en la base de datos de resultados aquellos casos en los que la estrategia se considera exitosa de aquellos en los que se considera fallida. Se aplican algoritmos estadísticos o de minería de datos a la base de datos para generar descripciones sencillas de regiones en el espacio de parámetros de entrada inciertos del modelo que mejor describen los casos en los que la estrategia no tiene éxito. Es decir, el algoritmo para describir estos casos se ajusta para optimizar tanto la predictibilidad como la interpretabilidad por parte de los responsables de la toma de decisiones. Los clústeres resultantes tienen muchas características de escenarios y pueden utilizarse para ayudar a los responsables de la toma de decisiones a comprender las vulnerabilidades de las políticas propuestas y las posibles opciones de respuesta. Una revisión realizada por la Agencia Europea de Medio Ambiente de la escasa literatura que evalúa el desempeño práctico de los escenarios cuando las organizaciones los utilizan para fundamentar decisiones identificó varias debilidades clave de los enfoques tradicionales basados ​​en escenarios. Los métodos de descubrimiento de escenarios están diseñados para abordar estas debilidades. [ 13 ] Además, el descubrimiento de escenarios permite analizar múltiples factores de estrés porque caracteriza las vulnerabilidades como combinaciones de parámetros inciertos de muy diferentes tipos (por ejemplo, climáticos, económicos, capacidades organizativas, etc.).

Soporte de software

Existen varios programas informáticos disponibles para realizar análisis RDM. RAND Corporation ha desarrollado CARS para el modelado exploratorio y el paquete sdtoolkit de R para el descubrimiento de escenarios. EMA Workbench, desarrollado en la Universidad Tecnológica de Delft , proporciona amplias capacidades de modelado exploratorio y descubrimiento de escenarios en Python . [ 16 ] OpenMORDM es un paquete de R de código abierto para RDM que incluye soporte para definir más de un objetivo de rendimiento. [ 17 ] OpenMORDM facilita la exploración del impacto de diferentes criterios de robustez, incluidos criterios basados ​​en el arrepentimiento (por ejemplo, minimizar la desviación en el rendimiento) y criterios basados ​​en la satisfacción (por ejemplo, satisfacer las restricciones de rendimiento). Rhodium es un paquete de Python de código abierto que admite una funcionalidad similar a la de EMA Workbench y OpenMORDM, pero también permite su aplicación en modelos escritos en C, C++, Fortran, R y Excel, así como el uso de varios algoritmos evolutivos multiobjetivo. [ 18 ]

Véase también

Referencias

  1. ↑ Mahmoudi, Amin; Abbasi, Mehdi; Deng, Xiaopeng (2022). "Un nuevo marco de selección de cartera de proyectos para la resiliencia organizacional: Enfoque de prioridad ordinal robusta" . Expert Systems with Applications . 188 116067. doi : 10.1016/j.eswa.2021.116067 . ISSN 0957-4174 . PMC 9928571. PMID 36818824 .   
  2. 1 2 3 4 Lempert, Robert J.; Collins, Myles T. (agosto de 2007). "Gestión del riesgo de respuestas umbral inciertas: comparación de enfoques robustos, óptimos y precautorios". Risk Analysis . 27 (4): 1009– 1026. Bibcode : 2007RiskA..27.1009L . doi : 10.1111/j.1539-6924.2007.00940.x . PMID 17958508. S2CID 1722147. La toma de decisiones robusta describe una variedad de enfoques que difieren del análisis tradicional de utilidad esperada óptima en que caracterizan la incertidumbre con múltiples representaciones del futuro en lugar de un único conjunto de distribuciones de probabilidad y utilizan la robustez, en lugar de la optimalidad, como criterio de decisión. (1011-1012)  
  3. ↑ Croskerry, Pat (agosto de 2009). "Un modelo universal de razonamiento diagnóstico" . Academic Medicine . 84 (8): 1022–1028 . doi : 10.1097/ACM.0b013e3181ace703 . PMID 19638766. La toma de decisiones robusta es más analítica que intuitiva . Adopta un enfoque sistemático para eliminar la incertidumbre dentro de los recursos disponibles para tomar decisiones seguras y efectivas. (1023) 
  4. ↑ Phadke, Madhav Shridhar (1989). Ingeniería de calidad mediante diseño robusto . Englewood Cliffs, NJ: Prentice Hall . ISBN 978-0137451678. OCLC 19455232 . 
  5. ↑ Ullman, David G. (2006). Making robust decisions: decision management for technical, business, and service teams . Victoria, BC: Trafford Publishing . p. 35. ISBN  9781425109561OCLC 81600845​​ 
  6. ↑ Mingers, John; Rosenhead, Jonathan, eds. (2001) [1989]. Análisis racional para un mundo problemático revisitado: métodos de estructuración de problemas para la complejidad, la incertidumbre y el conflicto (2.ª ed.). Chichester, Reino Unido; Nueva York: John Wiley & Sons . ISBN  978-0471495239OCLC 46601256​​ 
  7. ↑ Lempert, Robert J.; Popper, Steven W. (2005). «Gobierno de alto rendimiento en un mundo incierto» . En Klitgaard, Robert E.; Light, Paul C. (eds.). Gobierno de alto rendimiento: estructura, liderazgo, incentivos . Santa Mónica, CA: RAND Corporation . pp. 113–138 . ISBN  978-0833037404OCLC 57344300​​ 
  8. ↑ Lempert, Robert J.; Schlesinger, Michael E.; Bankes, Steve C. (junio de 1996). "Cuando no conocemos los costos ni los beneficios: estrategias adaptativas para mitigar el cambio climático". Cambio Climático . 33 (2): 235– 274. Bibcode : 1996ClCh...33..235L . CiteSeerX 10.1.1.20.9055 . doi : 10.1007/BF00140248 . S2CID 7945822 .  
  9. ↑ Groves, David G.; Davis, Martha; Wilkinson, Robert; Lempert, Robert J. (2008). "Planificación para el cambio climático en Inland Empire, sur de California" (PDF) . Water Resources IMPACT . 10 (4): 14–17 .
  10. ↑ Dessai, Suraje; Hulme, Mike (febrero de 2007). "Evaluación de la solidez de las decisiones de adaptación a las incertidumbres del cambio climático: un estudio de caso sobre la gestión de los recursos hídricos en el este de Inglaterra". Global Environmental Change . 17 (1): 59– 72. Bibcode : 2007GEC....17...59D . doi : 10.1016/j.gloenvcha.2006.11.005 .
  11. ↑ Weaver, Christopher P.; Lempert, Robert J.; Brown, Casey; Hall, John A.; Revell, David; Sarewitz, Daniel (enero de 2013). "Mejorando la contribución de la información de los modelos climáticos a la toma de decisiones: el valor y las exigencias de los marcos de decisión robustos" (PDF) . Wiley Interdisciplinary Reviews: Climate Change . 4 (1): 39– 60. Bibcode : 2013WIRCC...4...39W . doi : 10.1002/wcc.202 . S2CID 53679056 . 
  12. ↑ Lempert, Robert J.; Nakicenovic, Nebojsa; Sarewitz, Daniel; Schlesinger, Michael (julio de 2004). "Caracterización de las incertidumbres del cambio climático para los responsables de la toma de decisiones: un ensayo editorial". Cambio Climático . 65 ( 1–2 ): 1–9 . Bibcode : 2004ClCh...65....1L . doi : 10.1023/B:CLIM.0000037561.75281.b3 . S2CID 153473117 . 
  13. 1 2 3 Bryant, Benjamin P.; Lempert, Robert J. (enero de 2010). "Pensar dentro de la caja: un enfoque participativo asistido por computadora para el descubrimiento de escenarios". Technological Forecasting and Social Change . 77 (1): 34– 49. doi : 10.1016/j.techfore.2009.08.002 .
  14. ↑ Bankes, Steve (junio de 1993). "Modelado exploratorio para el análisis de políticas" . Operations Research . 41 (3): 435– 449. doi : 10.1287/opre.41.3.435 . JSTOR 171847 . 
  15. ↑ Groves, David G.; Lempert, Robert J. (febrero de 2007). "Un nuevo método analítico para encontrar escenarios relevantes para las políticas". Global Environmental Change . 17 (1): 73– 85. Bibcode : 2007GEC....17...73G . doi : 10.1016/j.gloenvcha.2006.11.006 . S2CID 510560 . 
  16. ↑ Kwakkel, Jan H.; Pruyt, Erik (marzo de 2013). "Modelado y análisis exploratorio, un enfoque para la prospectiva basada en modelos bajo profunda incertidumbre". Technological Forecasting and Social Change . 80 (3): 419– 431. doi : 10.1016/j.techfore.2012.10.005 .
  17. ↑ Hadka, David; Herman, Jonathan; Reed, Patrick; Keller, Klaus (diciembre de 2015). "Un marco de código abierto para la toma de decisiones robustas con múltiples objetivos" . Environmental Modelling & Software . 74 : 114–129 . Bibcode : 2015EnvMS..74..114H . doi : 10.1016/j.envsoft.2015.07.014 .
  18. ↑ Hadjimichael, Antonia; Gold, David; Hadka, David; Reed, Patrick (9 de junio de 2020). "Rhodium: Biblioteca de Python para la toma de decisiones robusta multiobjetivo y el modelado exploratorio" . Journal of Open Research Software . 8 : 12. doi : 10.5334/jors.293 .
  • EMA workbench , un "banco de trabajo de modelado exploratorio" de la Universidad Tecnológica de Delft.
  • OpenMORDM , un paquete de R para la toma de decisiones robustas multiobjetivo.
  • sdtoolkit , kit de herramientas para el descubrimiento de escenarios para la toma de decisiones sólidas.
Obtenido de " https://en.wikipedia.org/w/index.php?title=Robust_decision-making&oldid=1305643317 "