La mayoría de las grandes empresas, en Chile y el mundo, han intentado, con distintos niveles de esfuerzo y éxito, incorporar algoritmos para la toma de decisiones complejas: un modelo de planificación de la producción, un modelo predictivo para mantenimiento de activos, un modelo para dimensionar los recursos requeridos para operar un centro de distribución, entre muchos otros modelos desarrollados desde la investigación de operaciones..
Generalmente, la historia comienza con un ejecutivo de la empresa se da cuenta del problema, y sabe que existe un potencial importante. Sin embargo no tiene tiempo para dedicarle ya que los problemas de la operación diaria copan su agenda. Para hacer frente a esto, contrata a un practicante o ingeniero en vías de egreso de ingeniería, para que aborde el problema. El ingeniero, sin conocer la industria ni entender en profundidad el problema, hace lo que puede, intentando molestar lo menos posible al resto de la organización, consumida en el día a día. El resultado es predecible: un primer intento, con varios errores conceptuales, que no soluciona el problema real (que probablemente nunca fue formulado con la precisión requerida). La iniciativa termina con la práctica del estudiante o la reasignación del ingeniero: nadie le da continuidad. Esto, a su vez, genera frustración en la compañía, justificando la opinión de los resistentes al cambio: “Estas cosas no funcionan. Hay que seguir trabajando como lo hemos hecho toda la vida”
Este guión, que probablemente hayan visto más de una vez, ilustra cómo no deben enfocarse estos problemas. Los errores principales de este enfoque, en nuestra experiencia, son varios.
Poca precisión en la definición del problema
La primera definición del problema siempre es incompleta (y, en general, muy amplia), y se va puliendo a partir de una serie de cuestionamientos. Por ejemplo, en jefe de un centro de distribución puede querer optimizar la dotación del centro de distribución, por lo que encarga a un practicante desarrollar un modelo para determinar el número de personas requeridas por turno y por actividad. Sin embargo, al empezar a hurgar dentro del problema, surgen varias preguntas que deben resolverse: ¿Cómo se estima la demanda requerida en cada turno? ¿Un trabajador puede realizar más de una tarea? ¿El requerimiento de personal varía con el layout del centro de distribución? Mucha veces, estas preguntas permiten redefinir y acotar el problema original.
Falta de fuerza dentro de la organización
La mayoría de las veces, estas ideas parten por iniciativa de algún jefe de área. Al no tener un presupuesto específico para estos temas, debe arreglárselas en los tiempos disponibles, con los recursos existentes. El problema es que estos proyectos están destinados al fracaso si no cuentan con fuerza dentro de la organización. Si, se pueden realizar a pequeña escala, pero es fundamental compartimentar recursos, asegurar disponibilidad de tiempo de todos los agentes requeridos, y comunicar la iniciativa dentro de la organización. Para ello, es importante que estos proyectos sean impulsados desde las gerencias respectivas. Al mismo tiempo, es clave incorporar a todos los stakeholders en el proyecto, generando un sentido de pertenencia.
Escala
El tercer problema más recurrente es la mala definición de la escala del problema. La mejor forma de hacerse cargo de problemas complejos es en forma incremental, dividiendo el problema en varios problemas de menor escala. Esto permite enfocar mejor los esfuerzos y demostrar el potencial impacto en tiempos acotados, facilitando el escalamiento del problema, y rompiendo la resistencia al cambio.
El impacto de implementar analítica avanzada en una compañía es gigantesco: permite una operación más eficiente, reducir costos y liberar tiempo para que ejecutivos se dediquen al análisis y no a tareas repetitivas y recurrentes. Sin embargo, es crucial tener cuidado en el proceso de implementación, ya que un fracaso puede desincentivar el proceso de innovación dentro de la organización.