Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Business Analytics
2
Business Analytics
Los modelos predictivos, tales como la regresión lineal, requieren Incertidumbre de las entradas en los modelos
un conjunto de entradas conocidas para predecir un resultado. El desarrollo de un modelo de previsión requiere la realización
No obstante, en muchas aplicaciones reales, las entradas no de ciertas suposiciones. Pueden tratarse de suposiciones
se conocen con certeza y los usuarios están interesados en acerca del retorno de la inversión en un portafolio, el coste
tener en cuenta dicha incertidumbre en sus modelos. Por de un proyecto de construcción o el tiempo que se tardará
ejemplo, cuando dado un modelo de rentabilidad que incluye en realizar cierta tarea. Puesto que son proyecciones, no es
el coste de los materiales como entrada, los usuarios también posible saber con certeza su valor real, pero basándose en
quieren tener en cuenta la incertidumbre en el coste de los datos históricos, la experiencia en el campo o experiencias
materiales y determinar la probabilidad de que la rentabilidad pasadas, es posible estimarlo. Aunque esta estimación resulta
disminuya por debajo de un valor de objetivo. Para afrontar útil para el desarrollo de un modelo, contiene algunas
la incertidumbre en los valores de entrada futuros, los incertidumbres y riesgos inherentes, ya que la estimación es
estadísticos acuden a la simulación. un valor desconocido.
SPSS Statistics incluye un módulo de simulación diseñado Tradicionalmente, las empresas abordan la incertidumbre de
para tener en cuenta la incertidumbre en las entradas de los una de las tres formas siguientes:
modelos predictivos. Este artículo describe la simulación • Estimaciones puntuales utilizan los valores más probables
Monte Carlo, el valor que representa utilizar la simulación de las variables inciertas. Estas estimaciones son las más
Monte Carlo en el análisis de riesgos y cómo SPSS Statistics y fáciles, pero pueden devolver resultados muy equivocados.
su nuevo módulo de simulación ayuda a las empresas a utilizar Por ejemplo, considere lo que sucedería si decide cruzar un
la simulación Monte Carlo en el análisis de riesgos. río porque su profundidad media es de 60 centímetros. O
suponga que, después de haber calculado que se tarda un
promedio de 25 minutos para llegar al aeropuerto, sale
25 minutos antes de que despegue el avión. ¿Con qué
probabilidad lo perderá?
3
Mejorar la toma de decisiones en condiciones de incertidumbre con la simulación Monte-Carlo
• Estimaciones de rango generalmente calculan tres escenarios: Afrontar la incertidumbre con la simulación
el mejor caso, el peor caso y el caso más probable. Estos Una simulación Monte Carlo es un experimento informático
tipos de estimaciones pueden mostrar el rango de resultados, que implica el muestreo aleatorio de distribuciones de probabilidad
pero no la probabilidad de que se produzca alguno de los de las entradas para obtener soluciones aproximadas de los
resultados. Este enfoque también considera solamente unos problemas, especialmente en el caso de una serie de valores en el
pocos resultados discretos, ignorando cientos de miles de otras que cada uno de ellos tiene una probabilidad calculada de ser la
posibilidades. En pocas palabras, da la misma ponderación solución. Cuando los estadísticos utilizan el término “simulación”,
a cada resultado, por lo que no se intenta evaluar la probabilidad habitualmente se refieren a la simulación Monte Carlo.
de cada resultado. La interdependencia entre entradas y el
impacto de las diferentes entradas en relación con los resultados En este enfoque, las entradas inciertas se modelan con
no se toma en consideración, lo cual sobresimplifica el modelo distribuciones de probabilidad (como la distribución triangular) y
y reduce su precisión. se generan valores simulados de dichas entradas extrayéndolos
• Escenarios “what-if” habitualmente se basan en las estimaciones de dichas distribuciones. A continuación, se utilizan los valores
de rango y generalmente exploran el efecto de elementos simulados en un modelo predictivo para generar un resultado.
que puede controlar. ¿Cuál es el peor caso? ¿Qué sucede si El proceso se repite muchas veces (generalmente miles o
las ventas son el mejor caso pero los gastos son el peor caso? decenas de miles de veces), lo cual genera una distribución
¿Qué sucede si las ventas están en el promedio, pero los de resultados que se puede utilizar para responder preguntas
gastos son el mejor caso? ¿Qué sucede si las ventas están en de una naturaleza probabilística con el fin de determinar el
el promedio, los gastos están en el promedio, pero las ventas comportamiento, analizar riesgos, etc.
del próximo mes son planas? Esta forma de análisis puede
consumir mucho tiempo y se traduce en un gran volumen
de datos.
4
Business Analytics
Una de las virtudes de la simulación Monte Carlo es que hace Si existen datos históricos, quizás no desee utilizar la simulación
posible tener en cuenta el riesgo en el análisis cuantitativo y histórica porque la simulación Monte Carlo presenta la ventaja
la toma de decisiones. La simulación histórica (habitualmente de permitir una variedad más amplia de escenarios que los
utilizada en el cálculo del valor en riesgo en escenarios financieros, resultados bastante limitados que pueden proporcionar los
por ejemplo) consiste en la generación de escenarios mediante datos históricos. Por lo tanto, puede ajustar distribuciones
muestras de datos históricos asociados a cada factor de riesgo de probabilidad a los datos y utilizarlos como la base para
incluido en el problema. Este enfoque no requiere suposiciones las distribuciones de entradas de la simulación Monte Carlo.
distribucionales. La simulación que es posible con Por ejemplo, quizás alguien haya recogido datos históricos
IBM WebSphere ILOG es un ejemplo de simulación histórica. del precio de un producto y desee crear una distribución de
posibles precios futuros basada en los datos.
La ejecución de simulaciones a partir de distribuciones conocidas
basadas en datos históricos produce precisión. Por ejemplo, el Una de las razones por las cuales el análisis de riesgos no se
análisis de riesgo estocástico utiliza un modelo y la simulación aplicaba frecuentemente en el pasado es que los equipos no tenían
Monte Carlo para analizar el efecto de varias la entrada o la suficiente potencia para gestionar las exigentes necesidades de la
salida del modelo. Define distribuciones de probabilidad para simulación Monte Carlo. Además, para cada caso, era necesario
expresar la posible variación de las variables de entrada del desarrollar un modelo informático de tasación de proyecto
modelo y utiliza la técnica de simulación Monte Carlo para personalizado que representara la relación entre las variables de
calcular el efecto de la incertidumbre en las principales salidas entrada y salida por medio de una combinación de funciones,
del modelo. El análisis estocástico puede ser una herramienta fórmulas y datos. Ahora, no obstante, muchos de los sistemas y
de toma de decisiones de valor incalculable para la tasación procesadores pueden gestionar el gran volumen de cálculos de la
de inversiones, la planificación estratégica y de negocio, la simulación Monte Carlo.
previsión de marketing y ventas, modelos de precios, junto
con numerosas aplicaciones científicas.
5
Mejorar la toma de decisiones en condiciones de incertidumbre con la simulación Monte-Carlo
El valor de la simulación Monte Carlo para de software cuentan con funciones para el cálculo de un modelo
el análisis de riesgos de riesgo. La codificación personalizada es necesaria si se
Las soluciones de software estadístico y de modelado existentes desea utilizar estas soluciones para la simulación Monte Carlo
cuentan con diferentes métodos para abordar el análisis y el análisis de riesgos de manera conjunta.
del riesgo. Algunas soluciones de modelado trabajan en el El análisis de riesgos puede beneficiarse mucho de la simulación
entorno Microsoft Excel. La ventaja de este enfoque es que las Monte Carlo. Considere un sencillo ejemplo de ventas
empresas pueden incorporar fácilmente la gestión del riesgo mensuales como función de gastos en publicidad, el número
en los procesos diarios en todos los niveles de su organización, de agentes de ventas y el índice de confianza en el consumo
ya que los modelos de hoja de cálculo se han creado para ellas. (llamado “cci” en el modelo) como indicador del estado
Otros productos de software estadístico pueden actuar como general de la economía. Este proceso cuenta con varias etapas:
soluciones autónomas para la gestión del riesgo, pero en su 1.Configurar el modelo e identificar las variables de riesgo
mayoría se han diseñado para bancos y otros tipos de instituciones En la Figura 1 se muestran los datos representados de 5 años
financieras. Proporcionan herramientas de gestión del riesgo de datos de ventas mensuales que se han utilizado para crear
para la gestión y control del riesgo de mercados, riesgo de el modelo de regresión lineal, suponiendo que no existen
crédito, riesgo operacional y riesgo de liquidez, pero no está dinámicas de tiempo en los datos y ninguna correlación en
claro cómo se construye un modelo en su marco. los términos de error.
Las soluciones de simulación Monte Carlo proporcionan
funciones para simular todas las distribuciones de probabilidad
estándares u ofrecen simulaciones Monte Carlo de dos
dimensiones. Están disponibles herramientas econométricas
para el análisis del rendimiento y del riesgo, y otras aplicaciones
6
Business Analytics
7
Mejorar la toma de decisiones en condiciones de incertidumbre con la simulación Monte-Carlo
3.Ejecutar simulaciones
El modelo se procesa y se repite hasta que se recogen
suficientes resultados para formar una muestra representativa
del número casi infinito de posibles combinaciones. Durante
una simulación, los valores de las variables de riesgo se
generen aleatoriamente en función de las distribuciones de
probabilidad especificadas. En el ejemplo, el objetivo de la
simulación era ver la probabilidad de alcanzar un objetivo
de ventas mensuales de 7 millones de dólares. Se calcula el
resultado de cada iteración del modelo (las “ventas mensuales”
del ejemplo) y se guardan para el análisis estadístico (la
etapa final del proceso de análisis de riesgos). En la Figura 4
Figura 4: Función de distribución acumulada de ventas mensuales
se muestra la función de distribución acumulada de ventas
mensuales (en base a 100.000 registros de datos simulados)
en la que se observa que la probabilidad de alcanzar el objetivo El ejemplo también sirve para ver el efecto que causa la
de ventas mensual de 7 millones de dólares es del 62%. variación del número de agentes de ventas en tres valores fijos:
110, 100 y 90, para analizar el efecto que causa la reducción
de personal de ventas en las ventas mensuales. La variación de
una entrada a lo largo de un conjunto de valores fijos, como
se realiza en este caso para el número de agentes de ventas,
recibe el nombre de “análisis de sensibilidad”. En la Figura 5 se
muestra el análisis de sensibilidad de la variación del número de
agentes de ventas en relación a las ventas mensuales.
8
Business Analytics
9
Mejorar la toma de decisiones en condiciones de incertidumbre con la simulación Monte-Carlo
¿Cómo funciona? Éstos son dos ejemplos. Modelo del consumo de energía teniendo en cuenta la
incertidumbre de la temperatura
Modelo del impacto en los beneficios debido
Puede ser problemático modelar o predecir las necesidades
a la incertidumbre del coste de los materiales
de consumo energético de una empresa de suministros que
Pablo es un analista en una gran empresa de fabricación y
compra energía de otros proveedores, cuando la demanda
es responsable del modelado y previsión financiera. Como
supera la capacidad de producción interna. Por ejemplo
consecuencia de la actual inestabilidad de los mercados, los
Paula, que es responsable de dicha tarea en su empresa de
directores de Pablo le pidieron que incluyera el riesgo en el
suministros. Ella modela las necesidades energéticas con un
coste de los materiales en su modelo de rentabilidad. Para
modelo de regresión que ha construido en SPSS Statistics.
este escenario, muchos estadísticos utilizan un modelo de
Paula ha guardado el modelo en un archivo XML, lo cual le
rentabilidad relativamente sencillo: estimaciones del valor
permite aplicar rápidamente el modelo en un conjunto dado
máximo, mínimo y más probable del coste de los materiales.
de entradas – algo que hace cada día.
Este modelo presenta las limitaciones descritas anteriormente
para las estimaciones de rango. Una de las principales fuentes de incertidumbre en el modelo
de Paula es la temperatura. Aunque puede utilizar fácilmente
Por medio del nuevo diálogo de simulación de SPSS Statistics,
un análisis “what-if” para obtener estimaciones puntuales de
Pablo se dirige a su modelo de rentabilidad, entra en el constructor
necesidades energéticas para temperaturas concretas, ella está
de expresiones y especifica “coste de materiales” (uno de los
más interesada en la probabilidad de que las necesidades de
predictores del modelo) como predictor simulado. Pablo solamente
energía superen la capacidad de producción en un día dado,
tiene estimaciones del coste máximo, mínimo y más probable, por
lo cual obliga a comprar energía adicional a un proveedor
lo que elige una distribución triangular para modelar su variable de
externo. Paula tiene acceso a datos históricos de temperatura
coste. Puesto que existe cierta incertidumbre en sus estimaciones
que piensa utilizar para modelar la incertidumbre de la
del coste máximo, mínimo y más probable, Pablo piensa ejecutar
temperatura diaria, por lo que arranca SPSS Statistics y carga
esta simulación varias veces, variando los parámetros de la
dichos datos.
distribución de costes en cada simulación. Puede guardar sus
especificaciones en un plan de simulación para que este análisis Ella abre el diálogo de simulación, carga su modelo de regresión
de escenario no tenga que realizarse en una sesión, y puede variar y especifica que la temperatura es un predictor simulado. A
los parámetros de esta distribución triangular más fácilmente tras continuación selecciona el ajuste automático (autofit) de la
recargar el plan de la simulación. distribución de temperaturas a partir de los datos históricos.
Puesto que también cuenta con las predicciones de temperatura
para la fecha actual, puede personalizar los parámetros de
la distribución autofit si lo desea. Especifica valores para los
predictores fijos y obtiene una distribución del consumo de
energía, a partir de la cual puede determinar fácilmente la
probabilidad de que las necesidades de energía superen la
capacidad de producción interna en una cantidad dada.
10
Business Analytics
11
IBM España, S.A.
Tel.: 902 022 002
C/Santa Hortensia, 26-28
28002 Madrid
Please
Por favor, Recycle
recicle
YTW03231-ESES-00