Toma de decisiones

El análisis de decisiones llega a la mayoría de edad

Astraed

01 ago. 2014 — 26 min read

A principios de la década de 1970, C. Jackson Grayson, jefe de la Comisión de Salarios y Precios y también autor de uno de los primeros libros sobre análisis de decisiones aplicadas, instó a los analistas a «poner a las personas, el tiempo, el poder, la accesibilidad de los datos y el tiempo de respuesta en modelos y crear soluciones crudas y viables» si querían estar ocupados la gente como él para usarlos.¹

En ese momento, el análisis de decisiones seguía siendo una técnica experimental de gestión, una aplicación bastante sencilla de la teoría estadística de decisiones.² La elección que enfrenta un tomador de decisiones se expresó como una función matemática de la probabilidad y los números de utilidad, que midió las incertidumbres y los juicios de valor de la persona. (La mejor opción fue la que tenía la utilidad más alta esperada). Aunque el análisis de decisiones está bien establecido como una forma de cuantificar lógicamente las consideraciones que entran en cualquier elección entre opciones, acaba de empezar a abandonar las escuelas de negocios y a aplicarlas en la práctica en el mundo empresarial. Sólo un puñado de empresas aportaron conocimientos especializados internos, y rara vez se recurrió a consultores especializados en análisis de decisiones.

Ahora, después de diez años de retroalimentación a veces humillante del mundo real, los analistas han aprendido a ser más flexibles y modestos en cómo hacer que la formulación básica de la teoría de decisiones sea útil para los gerentes. La tecnología se ha mejorado para captar más consideraciones relevantes para la toma de decisiones acertadas, en particular mediante el análisis de utilidades multiatributo y una mejor interacción con el usuario. El análisis de decisiones ha surgido como complemento de técnicas de toma de decisiones más antiguas, como la modelización de sistemas y la investigación de operaciones. Además de la teoría de la decisión estadística, la nueva tecnología se basa en la psicología, la economía y las ciencias sociales.

Lo que se mantiene y es distintivo del enfoque es que los modelos cuantitativos incorporan juicios personales. Para distinguir este enfoque de otras formas de analizar decisiones de uso generalizado (como aquellas que dependen únicamente de insumos «objetivos»), lo llamamos análisis de decisiones personalizado.

Los analistas han aprendido a utilizar los datos y la experiencia que están inmediatamente disponibles para el tomador de decisiones y a reproducir conclusiones al gerente en casi tiempo real. En 1970, un análisis rara vez se completó dentro de tres meses. Ahora, un análisis significativo de un problema puede ser generado en una tarde, y una sucesión de análisis puede ser presentado en intervalos de uno o dos días. Sin perturbar en gran medida su calendario de reuniones o su proceso de reflexión, los administradores pueden ahora responder a estos análisis y proporcionar información para otras rondas.

Aunque este análisis de decisiones no se ha convertido en la disciplina analítica dominante que algunas personas esperaban, su uso ha crecido dramáticamente desde 1970. El análisis personalizado de decisiones se ha convertido en una parte aceptada de los servicios de personal en los que las grandes corporaciones recurren habitualmente, al igual que hacen psicología industrial, análisis de costos, investigación de marketing y análisis económico. Y prácticamente todas las principales áreas del gobierno han adoptado el análisis de decisiones de una forma u otra.

Los estudios de casos que presentamos en este artículo ilustran cómo los gerentes utilizan las tres variantes principales del análisis de decisiones actualmente en uso: análisis de árbol de decisiones, pronóstico probabilístico y análisis de utilidad multiatributo.

Análisis del árbol de decisiones

El análisis del árbol de decisiones es la forma más antigua y ampliamente utilizada de análisis de decisiones. Los gerentes lo han utilizado en la toma de decisiones empresariales en condiciones inciertas desde finales de la década de 1950, y sus técnicas son familiares.³ Sin embargo, en los últimos años se ha ampliado la forma en que las personas llevan a cabo el análisis del árbol de decisiones. El analista de hoy tiene a su disposición no sólo una serie de soportes informáticos que hacen posible una rápida recuperación, sino también la sabiduría acumulada por los analistas en los últimos 20 años. El siguiente caso ilustra algunos de los componentes de un análisis exitoso del árbol de decisiones. Incluyen el uso de pantallas simples, análisis de sensibilidad para guiar los refinamientos y modelos subsidiarios para garantizar la integridad. También son importantes la dirección e integración que el análisis da a las contribuciones de los expertos, así como la participación de los altos directivos.

¿Debería AIL adquirir derechos sobre una nueva patente?

A finales de 1974, a la División AIL de Cutler-Hammer, Inc. (ahora división de Eaton Corporation) se le ofreció la oportunidad de adquirir los derechos del mercado de defensa a una nueva patente del sistema de seguridad de vuelo. El inventor afirmó que tenía una fuerte posición de patente, así como una superioridad técnica, pero el mercado del producto era muy incierto, principalmente debido a la acción legislativa pendiente. Dado que el inventor deseaba hacer una oferta a otras empresas si AIL no estaba interesada, pidió a AIL que tomara la decisión dentro de unas semanas, un período de tiempo claramente inadecuado para resolver cualquier incertidumbre de la que tuviera conocimiento.

AIL no había utilizado antes un análisis formal de decisiones. Los altos directivos, sin embargo, estaban familiarizados con la teoría y sus aplicaciones típicas a través de la literatura e interesados en probar estas técnicas en una decisión real para evaluar su valor. La decisión sobre la patente parecía ser un buen candidato para tal ensayo.

Un equipo de personal de AIL y analistas externos pasó dos semanas desarrollando un análisis de la idea de la patente. Durante todo el tiempo, el equipo se mantuvo en contacto continuo con la alta dirección.

Análisis de AIL

Los analistas utilizaron técnicas estándar de árbol de decisiones. La prueba I muestra la elección inmediata, para comprar una opción de seis meses sobre los derechos de patente o no, y las principales incertidumbres que afectaron la decisión. El atractivo de cada resultado, o camino a través del árbol, está representado por sus ganancias de valor actual. Estos van desde una pérdida de$ 700.000 a una ganancia de$ 10,5 millones. El valor esperado en cada nodo del árbol se calcula tomando un promedio ponderado por probabilidad de sus ramas. Trabajar estos valores da un valor esperado de$ 100.425. Es decir, AIL podría esperar estar mejor$ 100.425 si compró la opción de seis meses.

Árbol de decisiones de la exposición I AIL

La mecánica del análisis (especificación del árbol, asignación de valores y cálculo de resultados) es sencilla. La utilidad del análisis, sin embargo, depende más de cómo se gestiona el proceso de análisis que de la mecánica. Cinco características que a menudo están ausentes en intentos fallidos de aplicar el análisis de decisiones marcaron esta implementación como un éxito.

Una pantalla sencilla.

El enfoque del análisis fue el árbol simple mostrado en la prueba I. El error más común que comete un principiante en el análisis de decisiones es incluir todo lo que la elección implica en el árbol. Esta es una manera segura de terminar con un desastre, que solo el analista, si alguien, puede entender. Tal árbol es poco probable que influya en la decisión de cualquier gerente.

El truco es diseñar un árbol simple que capte la esencia del problema incluyendo sus elementos más importantes. En este caso, los elementos más importantes que afectaban a las ganancias fueron las probabilidades de ejercer la opción, recibir un contrato inicial y continuar con un segundo contrato.

Refinando los elementos.

Mediante un programa informático interactivo, los analistas determinaron cuán sensibles eran los resultados a los cambios en las entradas al árbol. Posteriormente, el análisis se amplió de manera que respondiera mejor a lo que el tomador de decisiones necesitaba saber.

Uso de modelos subsidiarios.

Los analistas de AIL desarrollaron modelos para refinar las estimaciones de los insumos más sensibles. El uso de un árbol simple no hace que el análisis sea grueso o incompleto; los modelos subsidiarios pueden garantizar cualquier nivel deseado de detalle y sofisticación. En este caso, los analistas utilizaron tres modelos subsidiarios. Utilizaron uno para determinar las ganancias anuales y calcular los valores actuales y otro para evaluar la probabilidad de recibir un contrato.

Este último modelo reflejaba factores importantes como el calendario y las condiciones de un posible mandato legislativo para el sistema, la solidez de los posibles sistemas competitivos y la probabilidad de un accidente o casi accidente de un avión en los próximos meses. Los analistas utilizaron un tercer modelo para evaluar distribuciones probabilísticas de ganancias de los contratos que reflejaban incertidumbres en el número de unidades, el precio por unidad y el margen de beneficio. Cada modelo subsidiario era compacto y podía mostrarse en un solo gráfico, que los analistas utilizaban para responder a las preguntas de los altos directivos sobre cómo se habían determinado las cifras del modelo principal.

Entrada del equipo.

En AIL varias personas estuvieron involucradas con cada aspecto del modelo, para que cada experto pudiera centrarse en el área de su experiencia. Los más conocedores de las posibilidades de ganar el segundo contrato, por ejemplo, abordaron este aspecto del problema pero no consideraron otros aspectos. Las contribuciones combinadas de todos los expertos formaron una imagen unificada para la alta dirección.

Póngase en contacto con la alta dirección.

El factor más importante fue el trabajo estrecho de la alta dirección con el equipo de análisis durante todo el análisis. Esta interacción garantizó que:

1. Las opciones modelizadas son, de hecho, las que se están considerando. (En este caso, como resultado del modelado, los analistas identificaron una nueva opción: esperar y buscar una sublicencia.)

2. Se abordaron todas las preocupaciones importantes. Para AIL, las cuestiones incluyeron el impacto que tienen los factores de decisión distintos de los ingresos directos (en este caso, el rendimiento del capital).

3. El nivel de modelado era correcto. Es decir, algunos aspectos se modelaron formalmente, pero otros se dejaron a un examen oficioso. Por ejemplo, los analistas exploraron la actitud de AIL hacia la toma de riesgos mostrando perfiles de riesgo de las opciones en lugar de evaluar y utilizar una función de utilidad.⁴ (Debido a que responder a las preguntas hipotéticas sobre las preferencias de retornos inciertos que se requieren para establecer una función de utilidad golpea a muchos gerentes como juegos de azar, muchos de ellos son reacios a hacerlo. En este caso, las incertidumbres de la decisión podrían caracterizarse suficientemente en perfiles de riesgo simples.)

Anexo II muestra los perfiles de riesgo de las alternativas AIL enfrentadas. La compra de la opción daría un valor actual neto esperado de las ganancias de aproximadamente$ 100.000, un 60% posibilidad de perder alrededor de$ 700.000, un 29% posibilidad de perder alrededor de$ 125.000, y un 11% posibilidad de tener un rendimiento positivo de una distribución con una expectativa de aproximadamente$ 5.25 millones. (Esta imagen corresponde a un análisis más detallado de las ganancias de un contrato de defensa.)

Anexo II Perfiles de riesgo para la distribución por decisión de compra de patentes de AIL de ganancias incrementales descontadas en millones de dólares

La alternativa, esperando y buscando una sublicencia, tendría un 94% posibilidad de producir ninguna ganancia (o pérdida) y un 6% posibilidad de producir una distribución con una expectativa de aproximadamente$ 830.000 y resultaría en un valor esperado de aproximadamente$ 50.000. Esta muestra facilitó una decisión unánime del grupo decisorio (el presidente y sus vicepresidentes de desarrollo de negocios y operaciones) de ir con la estrategia menos arriesgada, aunque ofrecía un valor esperado ligeramente menor.

Experiencias de otras empresas

Las empresas de una amplia gama de industrias están utilizando el análisis del árbol de decisiones para tomar una variedad de decisiones. Por ejemplo:

A través de este tipo de análisis, Ford ha determinado si producir sus propios neumáticos y si dejar de producir convertibles.
La división de sistemas de defensa de Honeywell utiliza el análisis del árbol de decisiones para evaluar el atractivo de nuevos programas de armas. Periódicamente, los directores de programas y el director de planificación elaboran modelos para ayudar a decidir qué programas ejecutar y cómo deben asignar los fondos internos de investigación y desarrollo.
Con el análisis del árbol de decisiones, la división de productos de alimentación de Pillsbury ha evaluado decisiones importantes, como si cambiar de una caja a una bolsa para un determinado producto de comestibles. En este caso, incluso cuando los analistas utilizaron evaluaciones pesimistas expresadas por un gerente que inicialmente recomendó quedarse con la caja, el análisis mostró que la rentabilidad sería mayor con la bolsa. El análisis también mostró que el valor de hacer una prueba de mercado, como instaron algunos ejecutivos, no podía aproximarse remotamente a su costo. La bolsa fue introducida, y las ganancias en el producto subieron.
Frente a la decisión de electrificar parte de su sistema, lo que implicaría gastos de capital de varios cientos de millones de dólares, Southern Railway realizó un análisis que dio a los gerentes una mejor comprensión de las interacciones de las variables que influyen en la decisión.
Muchas de las principales compañías de petróleo y gas, como Union Texas Petroleum, la filial Champlin de petróleo y gas de Union Pacific, y Gulf Oil, aplican regularmente análisis de decisiones para elegir sitios apropiados para la exploración y evaluar la economía del desarrollo de campo.
ITT utiliza el análisis de decisiones en muchos niveles de la compañía, especialmente para las decisiones de inversión de capital.

Previsión probabilística

La sección anterior ilustra cómo el análisis de decisiones personalizado puede capturar todo el pensamiento que entra en una decisión particular. La técnica también tiene otros usos. Los analistas pueden desarrollar ciertos aspectos del análisis de decisiones en herramientas analíticas que se pueden utilizar en una variedad de contextos. Los analistas pueden utilizar los aspectos probabilísticos del análisis de decisiones para desarrollar pronósticos de, por ejemplo, ventas y ganancias futuras, que a su vez pueden utilizarse para apoyar decisiones sobre planificación, inversión y marketing. Es probable que el desarrollo de un único aspecto del análisis de decisiones personalizado para apoyar las decisiones en una variedad de contextos se vuelva muy popular. Debido a que su costo se puede distribuir en muchos usos, una empresa puede permitirse el lujo de utilizar suficiente informatización y tiempo de personal para realizar este tipo de análisis correctamente.

El siguiente ejemplo ilustra cómo se puede utilizar el análisis de decisiones personalizado para la previsión. Por supuesto, este tipo de análisis no es la única manera de llevar a cabo pronósticos cuantitativos. Lo distintivo de la contribución de este enfoque al problema es que, en lugar de limitar una previsión a la extrapolación estadística del pasado, puede combinar evaluaciones de juicio con datos. En los casos en que hay poca o ninguna historia relevante disponible sobre la que basar una previsión y en los que el éxito de cada producto depende de una combinación de eventos sobre los cuales el juicio personal es prácticamente la única fuente de información, esta forma de análisis resulta particularmente útil.

¿Cómo crecerá la División de Defensa de Honeywell?

A finales de 1979, el gerente de planificación para la división de sistemas de defensa de Honeywell, Inc. se enfrentó a la tarea de planificar el crecimiento de la división en los próximos diez años. Una parte importante del trabajo consistió en encontrar cómo mantenerse dentro del presupuesto de I+D y, sin embargo, buscar nuevas oportunidades de productos para aumentar las ventas y los beneficios de la división.

Después de haber examinado las nuevas oportunidades de productos de acuerdo con su ajuste con el resto de la división, el gerente necesitaba previsiones de las ventas, beneficios y requisitos de inversión de los productos. El desarrollo exitoso de los productos, la fuerza de la competencia y su éxito final en el mercado eran todos inciertos. Además, las posibilidades de éxito de algunos de los productos estaban interrelacionadas, y varios productos ofrecían la posibilidad de un negocio colateral significativo.

El enfoque que tomaron los analistas fue construir un pronóstico compuesto para la división combinando análisis de árbol de decisiones de productos individuales. Durante el proyecto, los planificadores de Honeywell trabajaron estrechamente con consultores de análisis de decisiones y, cuando terminaron, habían adquirido las habilidades necesarias para llevar a cabo los análisis internamente. Este tipo de análisis es ahora una parte regular de la evaluación, planificación y previsión de proyectos de Honeywell.

Los analistas desarrollaron un modelo para cada producto similar al de AIL. El equipo de análisis trabajó estrechamente con cada director de proyecto y su personal para construir el árbol de decisiones, evaluar probabilidades y valores, y discutir resultados y sensibilidades.

Sin embargo, los dos análisis diferían significativamente de varias maneras. En primer lugar, los resultados del análisis de Honeywell se utilizarían para la predicción, así como para la toma de decisiones. Este uso significaba que los analistas tendrían que modelar factores adicionales y tendrían que hacer que la forma que adoptarían los productos fuera adecuada para la predicción.

En segundo lugar, debido a que el éxito de algunos productos estaba relacionado con el éxito de otros, los analistas tuvieron que incluir en el análisis factores tales como inversiones comunes, oportunidades comerciales colaterales e interacciones de marketing.

En tercer lugar, el problema de Honeywell no presentaba un criterio único claro según el cual la administración pudiera tomar una decisión. Honeywell consideró varios criterios financieros como la tasa interna de rendimiento, el valor actual neto y las corrientes anuales de beneficios, inversiones y rendimiento de la inversión.

Previsiones de Honeywell

Anexo III muestra el pronóstico probabilístico de ventas para un grupo de productos interrelacionados. Esta previsión se basa en análisis del árbol de decisiones de tres productos principales y dos oportunidades de negocio colaterales. Los analistas desarrollaron primero árboles de decisión para cada producto para determinar las distribuciones de ventas en caso de que surgiera y no surgiera un mercado suficiente para apoyar la producción completa. Luego desarrollaron un segundo nivel de análisis para modelar las interdependencias clave entre los productos; específicamente, la probabilidad de que un producto en particular esté en plena producción dependía de qué otros productos también estuvieran en plena producción.

Anexo III Distribución de las ventas de un grupo de productos interrelacionados

El pronóstico muestra que se esperan bajas ventas de los productos durante los primeros siete años. Después de eso, se espera que las ventas para los próximos seis años sean de aproximadamente$ 75 millones al año. Sin embargo, esta cantidad no es segura. La previsión, por ejemplo, muestra un 24% probabilidad de que las ventas estén por debajo$ 25 millones en 1989.

Los análisis de árbol de decisiones de apoyo fueron útiles para explicar la forma de las previsiones de cada año. La prueba IV muestra que, debido a la incertidumbre sobre qué productos tendrían mercados suficientes para apoyar la plena producción en 1988, las previsiones de ventas son «bultos». Las razones de estas incertidumbres se detallan en los análisis del árbol de decisiones.

Anexo IV Previsión detallada de las ventas en 1988

Este análisis ayudó a Honeywell a evaluar las posibilidades de que estos productos cumplieran los objetivos de ventas, las incertidumbres en la evaluación y las razones de las incertidumbres. Al detallar la cadena de eventos que producirían diferentes niveles de ventas, también identificó puntos de apalancamiento: lugares donde Honeywell podría tomar medidas para cambiar las probabilidades y mejorar las ventas.

Los analistas también utilizaron los árboles de decisión para pronosticar los beneficios anuales, los flujos de fondos, los activos, las inversiones en investigación y desarrollo, y las cantidades financieras conexas del valor actual neto, la tasa interna de rendimiento y el rendimiento anual de la inversión. Sus previsiones indicaban que se podía esperar que estos productos superaran los requisitos en todos los factores y que, a menos que Honeywell fuera muy reacio al riesgo, eran atractivos.

Los gerentes de Honeywell compararon las previsiones para decidir qué oportunidades de productos buscar. Estas comparaciones proporcionaron una pantalla adicional ya que algunos productos eran claramente peores que otros en todos factores. Pero debido a que el análisis no mostró la importancia relativa de cada factor, se proyectó que algunos productos funcionarían mejor en ciertos factores (por ejemplo, tasa interna de rendimiento y valor actual neto) y otros productos se proyectaron para obtener un mejor rendimiento en otros factores (por ejemplo, retorno de la inversión), un pedido inequívoco de los productos era imposible. Los gerentes de Honeywell podrían haber tenido tal orden si sus analistas hubieran utilizado algunas de las nuevas técnicas de utilidad multiatributo.

Análisis de utilidad multiatributo

Al tratar de determinar dónde colocar su filial europea, la alta dirección de una empresa ignoró completamente un análisis de árbol de decisiones que mostró una cuidadosa consideración de las implicaciones financieras de posibles ubicaciones. Cuando se le pidió una explicación, la alta dirección confió que la elección estaba dominada por el hecho de que el personal clave quería estar cerca de la Escuela Internacional de Ginebra. De alguna manera, esa consideración parecía demasiado no económica y no racional para ser incluida en el análisis, pero sí dominó la decisión. En el momento en que se tomó la decisión, la tecnología de análisis de decisiones estaba mal equipada para manejar las compensaciones entre los efectos financieros y los intangibles. Una nueva técnica, el análisis de utilidad multiatributo, hace posible este modelado especificando con precisión los factores que afectan la elección, haciendo concesiones entre los factores y eligiendo la alternativa que ofrece el mejor equilibrio.

El análisis de utilidad multiatributo evolucionó a partir del análisis de decisiones que respaldaron las decisiones gubernamentales, en el que la necesidad de equilibrar múltiples objetivos es más obvia. Sin embargo, como muestra el caso de la empresa que decide dónde colocar su planta, su utilidad para la toma de decisiones empresariales es evidente. Por ejemplo, los sitios de las plantas suelen diferir en intangibles tales como la habilidad de la fuerza de trabajo local, la capacidad de gestión local y los problemas de gestión de las plantas en los lugares considerados. Estos son factores importantes a tener en cuenta en la decisión de dónde ubicar la planta, sin embargo, es prácticamente imposible especificar con precisión su impacto en el beneficio.

También surgen muchos factores en las decisiones estratégicas. Por ejemplo, Michael E. Porter ha argumentado que, al considerar las decisiones estratégicas de integración vertical, ampliación importante de la capacidad y entrada en nuevos negocios, los gerentes deben ir más allá de los análisis de costos e inversiones para considerar grandes cuestiones estratégicas y problemas administrativos desconcertantes y que estos son muy difíciles de cuantificar.⁵ El análisis de utilidad multiatributo, que se ilustra en el siguiente caso, proporciona una manera de cuantificar y negociar dichos factores.

¿Qué sistema de detección de bombas debe elegir la FAA?

En los últimos años, la Administración Federal de Aviación ha estado apoyando la investigación y el desarrollo de un sistema para detectar bombas en el equipaje de los aviones. A principios de 1980, el director del programa de este proyecto tuvo que decidir cuál de los varios sistemas candidatos seguir financiando. Los candidatos diferían mucho en su rendimiento potencial y sus características técnicas. Dado que ninguno era claramente superior en todos los aspectos, el director del programa buscó un método para sopesar las diversas características a fin de llegar a una medida del valor global.

Un equipo de analistas externos trabajó estrechamente con el director del programa y otro personal de la FAA para desarrollar un modelo integral del valor de cada sistema. Para determinar una asignación eficiente de los fondos presupuestados, combinaron estos valores con evaluaciones de las probabilidades de éxito y costos de desarrollo.

Análisis de la FAA

El objetivo principal de los analistas fue desarrollar un modelo integral de evaluación y comparación de candidatos. Este desarrollo involucró cuatro actividades: definir atributos de valor, evaluar el rendimiento de los candidatos en cada atributo, determinar compensaciones entre atributos y calcular valores generales.⁶

Definición de atributos de preferencias.

Los analistas buscaron definir atributos con cuatro características. Los atributos debían ser lo suficientemente completos como para dar cuenta de la mayor parte de lo que es importante en la evaluación de los candidatos, para resaltar las diferencias entre los candidatos, para reflejar valores separados y no solapados para evitar el doble conteo, y para ser independientes unos de otros.

Cuando los analistas habían identificado atributos que cumplían estos cuatro requisitos, entonces ordenaron los atributos en una jerarquía que mostraba las relaciones lógicas entre atributos. Esto se muestra en la prueba V.

Anexo V Jerarquía de Atributos en el Análisis de la FAA en pesos de preferencia

El primer atributo principal es la efectividad del dispositivo en la detección de bombas. Esto se subdivide en el tipo de explosivo, el tamaño de la bomba y la relación detección-falsa alarma.

El segundo atributo principal, consideraciones de desarrollo, se divide en cuatro subcategorías: tiempo para desarrollar un prototipo, tiempo de producción, tamaño operativo (que determinaría la ubicación de un sistema en un aeropuerto) y transportabilidad.

El coste de emplear el sistema en un aeropuerto, el tercer atributo principal, se divide en costes iniciales y costes recurrentes. Los costes iniciales reflejan una estimación de costes básicos basada en consideraciones técnicas y una estimación de los efectos de la competencia. Los costos recurrentes incluyen mantenimiento, personal operativo y material consumido durante la operación.

El cuarto atributo principal es la aceptabilidad del sistema para los pasajeros.

Evaluar el desempeño de los candidatos en cada atributo.

Para evaluar las preferencias, los analistas requerían escalas para todos los atributos. Utilizaron dos tipos de medidas: escalas con unidades estándar naturales (incluidos dólares para costos, meses u horas para tiempo y porcentajes para tasas de detección) y escalas relativas. Siempre que fue posible, el desempeño de un candidato se evaluó por primera vez en unidades naturales. Estas evaluaciones se transformaron luego en escalas de 0 a 100 puntos para la normalización. El candidato con el mejor desempeño (el costo más bajo, por ejemplo) recibió una puntuación de 100; el que tuvo el peor desempeño (el costo más alto, por ejemplo) recibió una puntuación de 0; y los demás obtuvieron puntuaciones intermedias.

Cuando no existía ninguna medida natural (por ejemplo, para la «aceptación pública»), el rendimiento se evaluó directamente en una escala de 0 a 100 puntos. Una vez más, se asignó una puntuación de 100 al candidato con el mejor rendimiento, 0 al peor rendimiento,.

En el cuadro VI se muestran, por ejemplo, las puntuaciones de los seis candidatos en cada consideración de desarrollo. Se determinó que el candidato A tenía el mejor «momento para desarrollarse», ya que estaba plenamente desarrollado en el momento del análisis. Se le asignó un valor de 100. El candidato C tardaría más tiempo en desarrollarse: cuatro años. Recibió un valor de 0. Otros candidatos tardarían un tiempo intermedio en desarrollarse y, por lo tanto, recibían puntuaciones intermedias.

Exposición VI Desempeño de los candidatos a la detección de bombas de la FAA en consideraciones de desarrollo en una escala de 0 a 100

Determinación de compensaciones entre atributos.

Al evaluar un conjunto de pesos para representar el juicio del tomador de decisiones sobre la importancia relativa de mejorar el rendimiento del peor al mejor nivel para cada atributo, los analistas podrían determinar las compensaciones entre atributos. Los analistas evaluaron los pesos haciendo referencia al rango de desempeño que las escalas reflejaban en lugar de a nociones abstractas de importancia.

Consideremos, por ejemplo, las ponderaciones de las consideraciones de desarrollo que figuran en el Anexo V. Para estos atributos, se consideraron más importantes los rangos de posible variación en el «plazo de producción» (18 meses) y en el «tamaño de funcionamiento». Se consideró que la variación del «tiempo de desarrollo» (4 años) era la mitad de importante (tan importante como una variación de 9 meses en el «plazo de producción»). Por último, se estimó que la variación de la «transportabilidad» (32 horas) era una décima parte tan importante como el «tiempo de desarrollo» (o aproximadamente tan importante como 5 meses de tiempo de desarrollo). Estas evaluaciones están representadas por pesos que están en las proporciones de. 5:1:1: .05 para el tiempo de desarrollo, el tiempo de producción, el tamaño de operación y la transportabilidad. Para la estandarización se utilizaron pesos normalizados de .20: .39: .02 (que retienen estas proporciones).

Los analistas evaluaron los pesos tanto directamente, como explicamos anteriormente, como indirectamente. Utilizaron un método indirecto para evaluar la ponderación entre los costes iniciales y los costes recurrentes. Este método determinó los pesos que eran consistentes con un 10% tasa de descuento y un horizonte operativo de diez años.

Calcular los valores generales.

La cuarta actividad de modelado fue calcular una puntuación promedio ponderada para cada candidato trabajando a través de la jerarquía. Por lo tanto, utilizando los valores de la prueba VI y las ponderaciones de la prueba V, los analistas calcularon el valor del candidato A en «consideraciones de desarrollo» de la siguiente manera:

Cálculos similares produjeron los valores para los candidatos en cada atributo principal que se muestran en la prueba VII. Los analistas calcularon a continuación el valor global de cada candidato tomando un promedio ponderado de estas puntuaciones. Por ejemplo, el valor global del candidato A es:

Muestra VII Valor general de los candidatos en una escala de 0 a 100

El valor global es una medida del atractivo de cada candidato que se puede comparar con las medidas para otros candidatos. El resultado del análisis muestra que el candidato B ofrece el mejor equilibrio de características, que C y D son casi tan atractivos y que los candidatos E y F ofrecen los peores saldos.

El valor del análisis

El uso principal del análisis por parte de la FAA fue cuantificar el valor de cada candidato de una manera que permitiera la comparación. Para determinar una asignación eficiente de los fondos de I+D, los analistas combinaron estas evaluaciones con estimaciones de la probabilidad de éxito y el costo de desarrollo de cada candidato.

El análisis de la FAA también facilitó varios aspectos del proceso de toma de decisiones. En primer lugar, ayudó a resolver los desacuerdos. El desglose de los elementos de la decisión aclaró la fuente de un desacuerdo: ¿se trataba de hechos (por ejemplo, el costo de un sistema) o de una diferencia de criterio (por ejemplo, la importancia relativa del costo en comparación con el rendimiento de la detección)? Una vez que los desacuerdos fueran claros, los administradores podían ocuparse de ellos, por ejemplo, reuniendo información adicional de apoyo. Si persiste el desacuerdo, el modelo podría determinar su importancia. Para cada entrada, el modelo podría mostrar si el desacuerdo afectó significativamente a la evaluación general. Incluso si un desacuerdo era significativo, el modelo al menos aisló su causa. Esta aclaración permitió al último responsable de la toma de decisiones tomar un mejor juicio.

El desglose también permitió al analista realizar un análisis exhaustivo de los candidatos. El equipo podría investigar minuciosamente cada atributo y mantener su contribución a la evaluación general en perspectiva. Este arreglo impidió que los analistas malgastaran la atención en cuestiones poco importantes.

Para dar una imagen equilibrada del conjunto, el análisis multiatributo sintetizó las diversas piezas de la evaluación. Los analistas consideraron el impacto de todos los factores importantes antes de llegar a una recomendación.

Uso empresarial del análisis de utilidades multiatributo

El análisis de utilidad multiatributo se ha utilizado ampliamente para ayudar a los responsables de la toma de decisiones gubernamentales. Por ejemplo, se ha utilizado para seleccionar sistemas militares, establecer políticas de abastecimiento de agua, instalar instalaciones nucleares, asignar recursos de inspección nuclear, determinar operaciones de bomberos, evaluar programas de prevención del delito y preparar negociadores internacionales.

Su uso como ayuda en la toma de decisiones empresariales no ha sido tan generalizado, pero en los próximos años debería verse un aumento dramático. El análisis multiatributo es útil para cualquier decisión en la que múltiples factores son importantes, ninguna alternativa es claramente la mejor en todos los factores, y algunos factores son difíciles de cuantificar. Varias decisiones comerciales tienen estas características:

Dónde poner una planta

Los sitios a menudo difieren en muchos aspectos importantes. Algunos factores, como las diferencias en los costos de capital (tierra, planta y equipo) y en los ingresos y gastos operativos (acceso a los mercados, tarifas laborales, beneficios fiscales, costos de envío), se reducen fácilmente a términos financieros. Otros factores que pueden ser cruciales para la decisión son más difíciles de reducir a dólares. Estos incluyen la disponibilidad y la capacidad de mano de obra local, el grado de sindicalización, la dificultad de administrar unidades geográficamente dispersas y las restricciones legales a las operaciones. El análisis multiatributo puede resaltar las fuentes de las diferencias y permitir a los administradores hacer concesiones cuantitativas entre los factores financieros y los «intangibles».

Si se debe integrar verticalmente

Una decisión de integrar o no una operación requiere que la dirección tenga en cuenta una multitud de factores, muchos de los cuales son difíciles de cuantificar con técnicas financieras estándar: acceso a nueva información, acceso a nuevas tecnologías, capacidad para controlar especificaciones de productos o materias primas, economías de las operaciones combinadas, la dificultad para equilibrar las unidades «ascendentes» y «descendentes» y el aumento de los costos fijos de la actividad comercial.

Si y cómo entrar en un nuevo negocio

Esta decisión puede incluir consideraciones que a menudo se pasan por alto en la presupuestación de capital:

La producción o marketing «encajan» entre empresas o tecnologías nuevas y existentes.

Habilidades especiales o tecnologías necesarias para operar el nuevo negocio.

«Ajuste cultural» entre empresas nuevas y antiguas (especialmente importante si la entrada es por adquisición).

Las fortalezas relativas de los competidores en el nuevo negocio.

Mediante el uso de análisis de utilidad multiatributo, los administradores pueden equilibrar estos factores con consideraciones financieras para derivar una evaluación completa de las alternativas.

¿Qué y si negociar

Muchas negociaciones (mano de obra, bienes raíces y ventas, por ejemplo) pueden involucrar varios problemas. Una negociación laboral podría incluir temas de tasas salariales, duración del acuerdo, procedimientos de queja, reglas de trabajo, antigüedad, seguridad laboral, seguridad sindical, vacaciones, beneficios marginales y contribuciones al fondo de pensiones. Las posiciones de apertura de ambas partes sobre las cuestiones suelen ser claras, pero no lo es la forma en que ven las compensaciones entre las cuestiones. Utilizando análisis de múltiples atributos de sus propias preferencias y compensaciones y de los de la otra parte, los negociadores pueden descubrir oportunidades de otorgar una pequeña concesión a cambio de un gran beneficio.⁷

Cómo asignar los presupuestos de investigación y desarrollo

Los proyectos de investigación y desarrollo a menudo presentan una variedad de características de rendimiento que los administradores pueden necesitar equilibrar para determinar el mejor proyecto. El análisis de utilidad multiatributo puede ayudarles a hacer esto. También pueden combinar dicho análisis con un análisis de árbol de decisiones para abordar las incertidumbres y los riesgos.

El pronóstico para el análisis de decisiones

Si las tendencias de la última década continúan a su ritmo actual, entonces en la próxima década podemos esperar que el análisis personalizado de decisiones se propague y se establezca firmemente como una función del personal en toda la industria. Prácticamente todas las empresas de cualquier sustancia tendrán personal interno o consultores externos para analizar las decisiones e informar los resultados a la alta dirección.

La gran pregunta es, sin embargo, si el análisis de decisiones se convertirá en una parte integral de la toma de decisiones de la dirección. Como C. Jackson Grayson ha argumentado persuasivamente, la integración requiere que se colme la brecha cultural entre los científicos de gestión y los gerentes. Sin el puente, el análisis personalizado de decisiones, como la investigación de operaciones y otras técnicas analíticas, puede no ser más que una ayuda opcional, aunque interesante.

Para que la integración se lleve a cabo, los administradores tendrán que ser más capacitados para utilizar el análisis de decisiones y sus profesionales más eficaces de lo que son ahora. En otras palabras, los analistas y los futuros gerentes deben recibir una amplia capacitación en la integración del análisis de decisiones con los procesos de decisión organizativos y personales existentes. (Esta formación iría mucho más allá de la enseñanza de técnicas particulares, que es hasta ahora la mayoría de las escuelas de negocios.) La integración también puede requerir cambios organizacionales en las estructuras de control y recompensa en las empresas.

En la actualidad, ni el director ni el analista especializado en la toma de decisiones tienen acceso a una formación profesional adecuada. Lo que se necesita es un curso de estudio (y apoyo a la investigación) que integre los aspectos lógicos, psicológicos y organizativos del análisis de decisión subjetiva aplicada. Esto probablemente no estará disponible hasta que haya al menos un instituto de investigación y enseñanza dedicado a todos los aspectos de la tecnología de ayuda a la toma de decisiones (incluido el análisis personalizado) y a su integración.

Esta capacitación requeriría superar las rigideces institucionales asociadas a la división de universidades en líneas departamentales tradicionales como ingeniería, psicología, negocios y estadística. Incluso dentro de departamentos individuales, como los negocios, las disciplinas secundarias (comportamiento organizacional, matemáticas aplicadas, finanzas, política empresarial y marketing) generalmente se mantienen celosamente separadas. Si estos pueden sintetizarse adecuadamente, la ciencia de la gestión en general, y el análisis personalizado de decisiones en particular, pueden por fin lograr una asimilación completa en el negocio cotidiano de la gestión.

Las mesas giradas

¡Arriba! ¡Arriba! amigo mío, y deja tus libros,/O seguramente crecerás el doble:/¡Arriba! ¡Arriba! amigo mío, y limpia tus miradas;/¿Por qué tanto trabajo y problemas?

El sol, por encima de la cabeza de la montaña,/Un brillo refrescante suave/A través de todos los largos campos verdes se ha extendido,/Su primera dulce noche amarilla.

¡Libros! Es una lucha aburrida e interminable:/Ven, escucha el linnet del bosque,/¡Qué dulce es su música! en mi vida/Hay más sabiduría en ella.

¡Y oIe! ¡Qué blíel canta la golpina! /Él, también, quiere decir predicador:/Sal a la luz de las cosas,/Deja que la naturaleza sea tu maestra.

Ella tiene un mundo de riqueza preparada,/Nuestras mentes y corazones para bendecir—/Sabiduría espontánea respirada por la salud,/Verdad respirada por la alegría.

Un impulso de un bosque vernal puede enseñarte más del hombre, del mal moral y del bien, de lo que todos los sabios pueden.

Dulce es la tradición que trae la Naturaleza;/Nuestro intelecto entrometido/Desforma las bellas formas de las cosas: —/Asesinamos para diseccionar.

¡Basta de ciencia y arte! /Cierra esas hojas estériles;/Ven y trae contigo un corazón/Que mira y recibe.

William Wordsworth, 1798

Referencias

1. Véase C. Jackson Grayson, Decisiones en situación de incertidumbre (Boston: Division of Research, Harvard University Graduate School of Business Administration, 1960) y «Management Science and Business Practice», HBR julio-agosto de 1973, pág. 41.

2. Véase Rex V. Brown, «¿Los gerentes encuentran útil la teoría de la decisión?» HBR mayo—junio de 1970,. 78, y Howard Raiffa y Robert O. Schlaifer, Teoría de la decisión estadística aplicada (Boston: División de Investigación, Facultad de Administración de Empresas de la Universidad de Harvard, 1962).

3. Véase, por ejemplo, John F. Magee, «Decision Trees for Decision Making», HBR julio-agosto de 1964,. 126, o el artículo más reciente de Samuel E. Bodily, «When Debt You Go to Court?» HBR mayo—junio de 1981,. 103.

4. Véase David B. Hertz, «Risk Analysis in Capital Investment», HBR Enero—February 1964,. 95, y John S. Hammond III, «Better Decisions with Preference Theory», HBR Noviembre-December 1967, p. 123, para descripciones de perfiles de riesgo y funciones de utilidad, respectivamente.

5. Michael E. Porter, Estrategia Competitiva (Nueva York: The Free Press, 1980), págs. 299 a 357.

6. Ralph L. Keeney y Howard Raiffa proporcionan un tratamiento integral del análisis de utilidad multiatributo en Decisiones con múltiples objetivos: preferencias y ventajas de valor (Nueva York: Wiley, 1976). Nuestro ejemplo ilustra solo las ideas básicas del método y la forma más simple de análisis, lineal y aditivo.

7. El arte y la ciencia de la negociación, un próximo libro de Howard Raiffa (Cambridge: Belknap Press of Harvard University Press) contendrá un amplio tratamiento de este tema. La tesis doctoral de Jacob W. Ulvila, «Decisiones con objetivos múltiples en la negociación integrativa» (Harvard Business School, 1979), también aborda este tema.

A version of this article appeared in the September 1982 issue of Harvard Business Review. — Jacob W. Ulvila Rex V. Brown Via HBR.org