El Método Monte Carlo utilizado para predecir los resultados de los proyectos es lo que nos gustaría discutir contigo hoy. Veamos qué es.
Casi todos los gerentes de proyectos han experimentado, al menos una vez en su carrera, un plazo incumplido para un proyecto.
CONTENIDO
Las razones más comunes que llevan al incumplimiento de los plazos son una estimación de costos errónea o una estimación incorrecta de la duración de una o más actividades.
La mayoría de los gerentes tratan las estimaciones, tanto de costos como de duración de las actividades, como deterministas, sin reconocer que estos valores son realmente probabilísticos.
Se utilizan estimaciones inequívocas con la falsa idea de que el futuro se puede predecir con precisión.
Aquí es donde resulta útil predecir los resultados de un proyecto utilizando el método Monte Carlo para realizar un análisis cuantitativo de los riesgos del proyecto.
¿Qué es el método o simulación Monte Carlo?
La simulación Monte Carlo es una técnica matemática desarrollada por John Von Neumann y Stanislaw Ulam en 1940 para el Proyecto Manhattan. Su nombre deriva del casino de Monte Carlo, donde el tío de Stanislaw Ulam solía jugar a menudo.
Esta técnica de análisis cuantitativo de riesgos se utiliza para identificar el nivel de riesgo en el logro de los objetivos, determinando el impacto de los riesgos identificados mediante la ejecución de múltiples simulaciones y encontrando un rango de resultados.
Es posible ejecutar esta simulación para analizar el impacto de los riesgos en los costos de las actividades, la estimación de la duración, etc.
Cada decisión tiene un cierto grado de incertidumbre y la simulación Monte Carlo ayuda en tales situaciones, evitando sorpresas desagradables más adelante.
Esta técnica ofrece un rango de posibles resultados y las probabilidades con las que ocurrirán para cualquier elección de acción.
Según el número de incertidumbres e intervalos especificados, una simulación Monte Carlo puede implicar innumerables recalculos antes de completarse, por lo que es una técnica muy compleja.
Ejemplo de cómo funciona el método Monte Carlo
Digamos que estamos en el casino de Monte Carlo y estamos jugando al Blackjack.
Si quisiéramos encontrar las probabilidades de obtener un Blackjack, podríamos simplemente contar el número de manos posibles en este caso y dividir por el número total de combinaciones de cartas posibles para obtener la probabilidad, que es aproximadamente 1/21.
Ahora, imaginemos que nuestro espacio muestral es mucho más difícil de calcular, por ejemplo, considerando que nuestra baraja contiene miles de cartas en lugar de solo las 52 clásicas, o, aún más difícil, ni siquiera sabemos cuántas cartas hay.
Hay otra forma de encontrar esta probabilidad.
Podríamos jugar cien partidas y registrar los resultados mientras jugamos; podríamos obtener un Blackjack 20, 40 o incluso 50 veces y asignar la probabilidad utilizando uno de estos valores; todo es posible, pero estas son ciertamente técnicas poco prácticas.
Si pensamos en jugar un número total de veces, la Ley de los Grandes Números establece:
«A medida que aumenta el número de variables generadas aleatoriamente e idénticamente distribuidas, su promedio muestral se acerca a su promedio teórico.»
Además de ser fácilmente una de las leyes más importantes de la estadística, esta es la base de la simulación Monte Carlo que te permite construir un modelo estocástico con el método de pruebas estadísticas.
Simulación Monte Carlo en la planificación de proyectos
Supongamos que tenemos tres activos con las siguientes estimaciones (en meses):
| Actividades | Optimista | Más probable | Pesimista | Estimación PERT |
| A | 5 | 4 | 6 | 4.5 |
| B | 5 | 6 | 7 | 6 |
| C | 6 | 7 | 8 | 7 |
| Total | 16 | 17 | 21 | 17.5 |
De la tabla anterior se puede concluir que, según la estimación PERT, estas tres actividades podrían completarse en 17.5 meses.
Sin embargo, en el mejor de los casos, según la estimación más optimista, se completarán en 16 meses y, en el peor de los casos, en 21 meses.
Si ejecutamos la simulación Monte Carlo para estas actividades quinientas veces, obtendremos los siguientes resultados:
| Duración (meses) | Probabilidad de finalización |
| 16 | 4% |
| 17 | 8% |
| 18 | 60% |
| 19 | 75% |
| 20 | 95% |
| 21 | 100% |
De la tabla anterior podemos ver que hay una:
- 4% de probabilidad de completar el proyecto dentro de 16 meses
- 8% de probabilidad de completar el proyecto dentro de 17 meses
- 60% de probabilidad de completar el proyecto dentro de 18 meses
- 75% de probabilidad de completar el proyecto dentro de 19 meses
- 95% de probabilidad de completar el proyecto dentro de 20 meses
- 100% de probabilidad de completar el proyecto dentro de 21 meses
El método Monte Carlo proporciona, por lo tanto, un análisis más profundo de los datos y ayuda a tomar una decisión más informada.
Modelado de la incertidumbre y el riesgo con el método Monte Carlo
En resumen, las siguientes afirmaciones se aplican a la simulación Monte Carlo:
- Si el activo está libre de riesgos, se puede confiar en una estimación puntual única basada en el juicio de expertos. Entonces, el cronograma de la actividad y del proyecto se puede modelar según la estimación más probable.
- Si el activo conlleva un bajo riesgo, la estimación es bastante precisa, excepto por cambios imprevistos debido a factores aleatorios. Por lo tanto, se puede utilizar una distribución Beta o triangular.
- Si la actividad conlleva un riesgo conocido, las causas de la varianza son conocidas y el equipo del proyecto sabe que la actividad será antes o después si ocurren estos riesgos. Por lo tanto, es aconsejable utilizar una distribución Beta o triangular.
- Si la tarea presenta un riesgo desconocido y, por lo tanto, el gerente de proyecto no tiene la experiencia adecuada para producir una estimación confiable, se puede establecer un rango de valores posibles y modelar la tarea según una distribución continua uniforme.
- Si la actividad cae dentro de la llamada «teoría del cisne negro«, en la que puede ocurrir un evento inesperado importante con grandes consecuencias, es posible gestionar estos riesgos como una hipótesis y, según la estrategia Monte Carlo, modelarlo todo como una actividad libre de riesgos.
Para tener en cuenta el riesgo, los activos suelen basarse en tres puntos (como se ve en la tabla anterior): optimista, pesimista y más probable.
Para elegir el tipo de distribución estadística, vale la pena considerar el análisis cualitativo de riesgos para la actividad:
- Triangular simétrica o Beta si la actividad tiene una baja probabilidad,
- Triangular asimétrica o Beta si la actividad tiene una probabilidad media,
- Uniforme si la actividad tiene una alta probabilidad.
Las ventajas de usar el análisis Monte Carlo en los proyectos son muchas:
- Ayuda a evaluar el riesgo del proyecto.
- Convierte los riesgos en números.
- Proporciona una identificación temprana de las probabilidades.
- Crea un presupuesto y un programa más realistas.
- Ayuda a predecir la probabilidad de fallo o de exceder el tiempo y el costo.
- Cuantifica los riesgos para estimar mejor los impactos.
- Proporciona datos objetivos para la toma de decisiones.
- Ayuda a obtener el apoyo de la gestión para la gestión de riesgos.
- Ayuda en el proceso de toma de decisiones con evidencia objetiva.
- Ayuda a encontrar oportunidades para lograr los objetivos del proyecto o los hitos.
En conclusión, la simulación Monte Carlo es una técnica clave en el análisis de riesgos que permite tomar decisiones bajo condiciones de incertidumbre.
Aunque esta técnica no se utiliza comúnmente en los proyectos, cuando se tiene en cuenta, aumenta significativamente las posibilidades de lograr un proyecto exitoso dentro de las líneas base aprobadas.
