stringtranslate.com

Toma de decisiones sólida

La toma de decisiones sólida ( RDM ) es un marco de análisis de decisiones iterativo que tiene como objetivo ayudar a identificar posibles estrategias sólidas, caracterizar las vulnerabilidades de dichas estrategias y evaluar las compensaciones entre ellas. [1] [2] [3] RDM se centra en informar decisiones en condiciones de lo que se llama "incertidumbre profunda", es decir, condiciones en las que las partes de una decisión no conocen o no están de acuerdo sobre 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 ha desarrollado una amplia variedad de conceptos, métodos y herramientas para abordar desafíos de toma de decisiones 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 los años 1980 y principios de los 1990. [4] [5] Jonathan Rosenhead y sus colegas estuvieron entre los primeros en diseñar un marco de decisión sistemático para decisiones sólidas, en su libro de 1989 Análisis racional para un mundo problemático . [6] Han surgido temas similares en la literatura sobre planificación de escenarios , control robusto , probabilidad imprecisa y teoría y métodos de decisión de brechas de información . Una revisión preliminar 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 sólida (RDM) es un conjunto particular de métodos y herramientas desarrollados durante la última década, principalmente por investigadores asociados con RAND Corporation , diseñados para apoyar la toma de decisiones y el análisis de políticas en condiciones de profunda incertidumbre.

Si bien los investigadores lo utilizan a menudo para evaluar opciones alternativas, el RDM está diseñado y a menudo se emplea como un método para apoyar la toma de decisiones , con un enfoque particular en ayudar a los tomadores de decisiones a identificar y diseñar nuevas opciones de decisión que pueden ser más sólidas que las que habían considerado originalmente. . A menudo, estas opciones más sólidas representan estrategias de decisión adaptativas diseñadas para evolucionar con el tiempo en respuesta a nueva información. Además, RDM se puede utilizar para facilitar la toma de decisiones grupales en situaciones conflictivas donde las partes en la decisión tienen fuertes desacuerdos sobre supuestos y valores. [7]

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

Diferencias entre RDM y el análisis tradicional de utilidad esperada

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

Primero, RDM caracteriza la incertidumbre con múltiples visiones del futuro . En algunos casos, estas múltiples visiones estarán representadas por múltiples estados futuros del mundo. RDM también puede incorporar información probabilística, pero rechaza la opinión de que una única distribución de probabilidad conjunta represente la mejor descripción de un futuro profundamente incierto. Más bien, RDM utiliza rangos o, más formalmente, conjuntos de distribuciones de probabilidad plausibles para describir una incertidumbre profunda.

En segundo lugar, RDM utiliza la solidez en lugar de la optimización como criterio para evaluar políticas alternativas. El marco tradicional de utilidad subjetiva clasifica las opciones de decisión alternativas dependiendo de las distribuciones de probabilidad de mejor estimación. En general, existe la mejor opción (es decir, la mejor clasificada). Los análisis RDM han empleado varias definiciones diferentes de robustez. Estas incluyen: negociar 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] Todos incorporan algún tipo de criterio satisfactorio y, a diferencia de los enfoques de utilidad esperada, todos generalmente describen compensaciones en lugar de proporcionar una clasificación estricta de 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 sólidas. Esta estructuración del problema de decisión es una característica clave de RDM. El enfoque analítico de decisión tradicional sigue lo que se ha llamado un enfoque de predecir y luego actuar [12] que primero caracteriza la incertidumbre sobre el futuro y luego utiliza esta caracterización para clasificar la conveniencia de opciones de decisión alternativas. Es importante destacar que este enfoque caracteriza la incertidumbre sin hacer referencia a las opciones alternativas. Por el contrario, 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 la elección de una opción sobre otra. Este orden proporciona beneficios cognitivos en las aplicaciones de apoyo a la toma de decisiones, 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 bajo tres condiciones: cuando la incertidumbre es profunda en lugar de estar bien caracterizada, cuando hay un rico conjunto de opciones de decisión y el desafío de la toma de decisiones 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 conjunto de opciones de decisión, es posible que tengan pocas oportunidades de desarrollar una estrategia sólida y no puedan hacer nada mejor que un análisis de predecir y actuar. [2]

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

Herramientas analíticas para una toma de decisiones sólida

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

Modelado exploratorio

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

Descubrimiento de escenarios

Los análisis RDM suelen emplear un proceso llamado descubrimiento de escenarios para facilitar la identificación de vulnerabilidades de las estrategias propuestas. [13] [15] El proceso comienza especificando alguna métrica de desempeño, como el costo total de una política o su desviación de la optimización (arrepentimiento), que puede usarse para distinguir aquellos casos en la base de datos de resultados donde la estrategia se considera exitosa. de aquellos en los que se considera infructuoso. Se aplican algoritmos estadísticos o de minería de datos a la base de datos para generar descripciones simples de regiones en el espacio de parámetros de entrada inciertos al modelo que mejor describe los casos en los que la estrategia no tiene éxito. Es decir, el algoritmo para describir estos casos está ajustado para optimizar tanto la previsibilidad como la interpretabilidad por parte de quienes toman las decisiones. Los grupos resultantes tienen muchas características de escenarios y pueden usarse para ayudar a los tomadores 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 cómo se comportan realmente los escenarios en la práctica cuando las organizaciones los utilizan para informar decisiones identificó varias debilidades clave de los enfoques de escenarios tradicionales. [ cita necesaria ] Los métodos de descubrimiento de escenarios están diseñados para abordar estas debilidades. [13] Además, el descubrimiento de escenarios respalda el análisis de múltiples factores estresantes porque caracteriza las vulnerabilidades como combinaciones de tipos muy diferentes de parámetros inciertos (por ejemplo, capacidades climáticas, económicas, organizativas, etc.).

Soporte de software

Hay varios programas disponibles para realizar análisis RDM. RAND Corporation ha desarrollado CARS para modelado exploratorio y el paquete sdtoolkit R para 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 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 ​​tanto en el arrepentimiento (por ejemplo, minimizar la desviación en el rendimiento) como en la satisfacción (por ejemplo, satisfacer las restricciones de rendimiento). Rhodium es un paquete Python de código abierto que admite funcionalidades similares a 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]

Ver también

Referencias

  1. ^ Mahmoudi, Amin; Abbasi, Mehdi; Deng, Xiaopeng (2022). "Un nuevo marco de selección de cartera de proyectos hacia la resiliencia organizacional: enfoque sólido de prioridad ordinal". Sistemas Expertos con Aplicaciones . 188 : 116067. doi : 10.1016/j.eswa.2021.116067. ISSN  0957-4174. PMC  9928571 . PMID  36818824.
  2. ^ abcd Lempert, Robert J.; Collins, Myles T. (agosto de 2007). "Gestión del riesgo de respuestas de umbral inciertas: comparación de enfoques sólidos, óptimos y preventivos". Análisis de riesgo . 27 (4): 1009–1026. doi :10.1111/j.1539-6924.2007.00940.x. PMID  17958508. S2CID  1722147. La toma de decisiones sólida describe una variedad de enfoques que difieren del análisis de utilidad esperada óptima tradicional 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 optimización, como un criterio de decisión. (1011-1012)
  3. ^ Croskerry, Pat (agosto de 2009). "Un modelo universal de razonamiento diagnóstico". Medicina Académica . 84 (8): 1022–1028. doi : 10.1097/ACM.0b013e3181ace703 . PMID  19638766. La toma de decisiones sólida 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 utilizando un diseño robusto . Englewood Cliffs, Nueva Jersey: Prentice Hall . ISBN 978-0137451678. OCLC  19455232.
  5. ^ Ullman, David G. (2006). Toma de decisiones sólidas: gestión de decisiones para equipos técnicos, comerciales y de servicio . Victoria, BC: Trafford Publishing . pag. 35.ISBN _ 9781425109561. OCLC  81600845.
  6. ^ Mingers, John; Rosenhead, Jonathan, eds. (2001) [1989]. Revisión del análisis racional para un mundo problemático: métodos de estructuración de problemas para la complejidad, la incertidumbre y el conflicto (2ª ed.). Chichester, Reino Unido; Nueva York: John Wiley & Sons . ISBN 978-0471495239. OCLC  46601256.
  7. ^ Lempert, Robert J.; Popper, Steven W. (2005). "Gobierno de alto desempeño en un mundo incierto". En Klitgaard, Robert E.; Luz, Paul C. (eds.). Gobierno de alto desempeño: estructura, liderazgo, incentivos . Santa Mónica, CA: RAND Corporation . págs. 113-138. ISBN 978-0833037404. OCLC  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 abatir el cambio climático". Cambio climático . 33 (2): 235–274. Código Bib :1996ClCh...33..235L. CiteSeerX 10.1.1.20.9055 . doi :10.1007/BF00140248. S2CID  7945822. 
  9. ^ Arboledas, David G.; Davis, Marta; Wilkinson, Robert; Lempert, Robert J. (2008). "Planificación del cambio climático en Inland Empire, sur de California" (PDF) . IMPACTO de los recursos hídricos . 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". Cambio ambiental global . 17 (1): 59–72. doi :10.1016/j.gloenvcha.2006.11.005.
  11. ^ Tejedor, Christopher P.; Lempert, Robert J.; Marrón, Casey; Salón, John A.; Revell, David; Sarewitz, Daniel (enero de 2013). "Mejorar la contribución de la información de los modelos climáticos a la toma de decisiones: el valor y las demandas de marcos de decisión sólidos" (PDF) . Reseñas interdisciplinarias de Wiley: cambio climático . 4 (1): 39–60. 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 tomadores de decisiones: un ensayo editorial". Cambio climático . 65 (1–2): 1–9. doi :10.1023/B:CLIM.0000037561.75281.b3. S2CID  153473117.
  13. ^ abc Bryant, Benjamín P.; Lempert, Robert J. (enero de 2010). "Pensar dentro de la caja: un enfoque participativo asistido por computadora para el descubrimiento de escenarios". Previsión Tecnológica y Cambio Social . 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". La investigación de operaciones . 41 (3): 435–449. doi : 10.1287/opre.41.3.435 . JSTOR  171847.
  15. ^ Arboledas, David G.; Lempert, Robert J. (febrero de 2007). "Un nuevo método analítico para encontrar escenarios relevantes para las políticas". Cambio ambiental global . 17 (1): 73–85. doi :10.1016/j.gloenvcha.2006.11.006. S2CID  510560.
  16. ^ Kwakkel, enero H.; Pruyt, Erik (marzo de 2013). "Análisis y modelado exploratorio, un enfoque para la previsión basada en modelos en condiciones de profunda incertidumbre". Previsión Tecnológica y Cambio Social . 80 (3): 419–431. doi : 10.1016/j.techfore.2012.10.005.
  17. ^ Hadka, David; Herman, Jonathan; Caña, Patricio; Keller, Klaus (diciembre de 2015). "Un marco de código abierto para una toma de decisiones sólida con muchos objetivos". Software y modelado ambiental . 74 : 114-129. doi : 10.1016/j.envsoft.2015.07.014 .
  18. ^ Hadjimichael, Antonia; Oro, David; Hadka, David; Reed, Patrick (9 de junio de 2020). "Rhodium: biblioteca de Python para la toma de decisiones sólida con muchos objetivos y el modelado exploratorio". Revista de software de investigación abierta . 8 : 12. doi : 10.5334/jors.293 .

enlaces externos