Uso de la simulación de Monte Carlo en la gestión de riesgos

La simulación de Montecarlo

Hay una historia interesante sobre cómo se llamó la simulación de Monte Carlo. En la Segunda Guerra Mundial, Estados Unidos estaba intentando desarrollar una bomba atómica que pudiera poner fin a la guerra. Todo lo relacionado con este esfuerzo era de alto secreto y su nombre en clave era Proyecto Manhattan . La ciencia detrás de esta nueva arma se basó en la física teórica, y una de las partes más importantes fue su modelo de pronóstico de cuánta energía produciría la bomba.

Stanislaw Ulam fue uno de los científicos que desarrolló un método de simulación de probabilidad para probar los conceptos antes de explotar una bomba atómica. Su trabajo recibió el nombre en código de Monte Carlo ya que tenía un tío que pedía dinero prestado a miembros de su familia para apostar en juegos de azar en los casinos de Monte Carlo.

Calcular el riesgo y pronosticar eventos futuros puede ser importante para los jugadores, pero es aún más importante para los gerentes de proyectos que utilizan la simulación Monte Carlo para comprender y gestionar mejor las incertidumbres y los riesgos relacionados con las estimaciones de costos y las contingencias relacionadas con estas incertidumbres y riesgos.

Mitigar el riesgo del proyecto

Uno de los elementos importantes en la planificación de un proyecto es identificar, evaluar y mitigar los riesgos. Al hacerlo, los equipos del proyecto deben hacer suposiciones sobre la frecuencia y gravedad de la incidencia, los impactos de los costos y las estimaciones de tiempo. Dado que se desconoce el futuro, estimar un valor esperado es parte de las mejores prácticas de gestión.

Sin embargo, estimar no es óptimo. Incluso cuando estas estimaciones se basan en experiencias pasadas o datos históricos, las previsiones basadas en estimaciones conllevan riesgos, ya que se basan en estimaciones de valores desconocidos.

Esto tiene sentido, pero ¿qué debe hacer cuando se enfrenta a un problema del mundo real? Los jugadores de baloncesto a veces se enfrentan a una decisión en una fracción de segundo cuando su equipo está a tres puntos de distancia en los últimos momentos del juego. ¿Debería el jugador intentar un tiro de tres puntos, o debería intentar un tiro de dos puntos de mayor porcentaje y luego cometer una falta a un oponente para recuperar la pelota? Hay muchas permutaciones potenciales de resultados, que pueden afectar el resultado de un juego de baloncesto o el calendario, presupuesto, asignación de recursos y otros elementos de su proyecto. Aquí es donde una simulación de Monte Carlo proporciona un valor tremendo para la gestión de riesgos al proporcionar análisis de sensibilidad.

El análisis de sensibilidad evalúa los impactos de varios cálculos y suposiciones sobre el resultado final de un proyecto. Esto también intenta predecir resultados alternativos basados ​​en la probabilidad de que ocurran diferentes supuestos. Tomado en su conjunto, esto brinda la oportunidad de reducir la incertidumbre al identificar los elementos del proyecto que contribuyen al mayor riesgo. Por el contrario, este análisis muestra el rango de resultados mínimos y máximos.

La simulación de Monte Carlo es la forma más utilizada de análisis de sensibilidad y proporciona una hoja de ruta para un resultado óptimo de un proyecto para el equipo del proyecto. Las simulaciones de Monte Carlo son populares entre los equipos de proyectos, ya que estas simulaciones pueden indicarle la probabilidad de que ocurran los resultados potenciales. Estas probabilidades se basan en los rangos de estimaciones creadas por el equipo del proyecto.

Cómo funciona

En las simulaciones de Monte Carlo, se asignan valores aleatorios a cada tarea del proyecto y se basan en el rango de resultados para la estimación de cada tarea. Luego se construye un modelo y luego se basa en estos valores aleatorios. Se ejecuta el modelo y se registran los resultados. Este proceso se repite cientos o incluso miles de veces dependiendo de la complejidad del proyecto. Cada ejecución del modelo es diferente porque utiliza variables seleccionadas al azar. Cuando finalizan todas las simulaciones, se agregan los resultados. A menudo, estos resultados difieren de las estimaciones preliminares del proyecto.

En baloncesto, los rebotes de tiros de tres puntos errantes rebotan más lejos de la canasta, por lo que el equipo del tirador tiene una mejor oportunidad de retener la posesión después de una falla e intentar anotar nuevamente. Este resultado previamente imprevisto afecta la decisión de riesgo versus recompensa que enfrentan los jugadores de baloncesto.

Valor de la simulación de Monte Carlo

Dado que las estimaciones originales pueden diferir de las proporcionadas por la simulación de Monte Carlo, esto proporciona una oportunidad de bajo riesgo y bajo costo para probar sus estimaciones antes de iniciar un proyecto e incurrir en posibles costos no planificados y retrasos en el cronograma. Las simulaciones de Monte Carlo proporcionan un nivel de comodidad de que su estimación general tiene una buena probabilidad de éxito o incomodidad si los resultados potenciales difieren mucho de las estimaciones originales. Las diferencias entre las estimaciones originales y la simulación de Monte Carlo pueden ser valiosas ya que pueden señalar áreas de mayor riesgo e incertidumbre o variables cruciales que se pueden cambiar para aumentar la probabilidad de éxito del proyecto y un uso más óptimo de los recursos.

Entonces, ¿qué debe hacer un jugador de baloncesto? Las simulaciones de Monte Carlo mostrarán que intentar un tiro de tres puntos ofrece una mayor posibilidad de empatar el juego en comparación con la alternativa. Aunque la posibilidad de hacer un tiro de tres puntos es menor, el riesgo es secundario a la recompensa de sumar un punto adicional y empatar el juego. Cuanto mejor entiendan los equipos del proyecto sobre la incertidumbre y el riesgo del proyecto al comienzo del proyecto, el equipo podrá mejorar el plan del proyecto. Lo mismo ocurre con el baloncesto.

Resumen de la lección

Durante la Segunda Guerra Mundial, la simulación de Monte Carlo ayudó a los científicos del Proyecto Manhattan a predecir resultados. En la actualidad, la simulación de Monte Carlo es el método de análisis de sensibilidad más utilizado por los gerentes de proyectos para validar sus estimaciones de tareas y la probabilidad de resultados a fin de administrar mejor el riesgo y la incertidumbre. Los gerentes de proyecto pueden usar este agregado de resultados de simulación de cientos o miles de ejecuciones de simulación para revisar y posiblemente cambiar variables cruciales.

Rodrigo Ricardo Editor y fundador