Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Análisis de datos
Conjunto de modelos
clientes con pedidos
Modelo de optimización diferentes. Si obtenemos el
Mètodos de solución coste de asignar cada uno de
Resultados e interpretación
los camiones a cada uno de
Simulación los clientes, tendríamos que
escoger una entre 70!1
Solución y análisis
formas posibles de
Escenarios permutación de las
asignaciones que minimice
el coste total. Cómo que 70!
es aproximadamente igual a
100
10 , necesitaríamos un ordenador que ejecutase 1.000.000 de operaciones por segundo
durante aproximadamente 1087 años (muchas veces la vida proyectada del universo)
para examinar todas las permutaciones. Problemas de decisión como éste son muy
comunes y se tienen que desarrollar modelos de programación matemática, métodos
matemáticos para obtener soluciones a los modelos, y algoritmos de ordenador
(procedimientos paso a paso) muy eficientes. Este caso concreto se resuelve en cuestión
de minutos con un modelo de optimización matemática en un ordenador normal de
sobremesa.
Por ejemplo, en 1993, Procter & Gample empezó un proyecto interno llamado
“Reforzando la Efectividad Global” (REG) para flexibilizar y facilitiar los flujos de
trabajo, detectar costes innecesarios, y eliminar la duplicación. Dentro del proyecto, se
examinó y reconstruyó con detalle todo el sistema de distribución para sus operaciones
en Norteamérica. La metodología desarrollada estaba basada en la IO y en los sistemas
de información, que juntaban programación entera, optimización de redes y sistemas de
información geográfica. Como resultado del estudio, la empresa está reduciendo en un
20% el número de fábricas, ahorrando más de US$200 millones en costes anuales.2
La IO tiene como punto de partida las operaciones militares realizadas durante la
segunda guerra mundial. Efectivamente, investigadores de diferentes universidades
1
Factorial de setenta: 70! = 70x69x68x67x66...
2
J.D. Camm et al.: “Blending OR/MS , judgment, and GIS: Restructuring P&G’s Supply Chain”.
Interfaces, enero 1997.
colaboraron con los militares para desarrollar herramientas cuantitativas que ayudasen a
tomar decisiones estratégicas y logísticas en el frente bélico, cada vez más complejos y
sofisticados en términos de equipos, armas y suministros. Una vez acabada la guerra,
estos científicos se reincorporaron a sus centros y universidades y empezaron a
implementar las herramientas desarrolladas durante la guerra en la gestión,
administración y toma de decisiones en entornos complejos y a desarrollar nuevos
modelos. Desde entonces, se han realizado grandes avances en el campo de la
modelización y de los algoritmos de optimización, pero que desgraciadamente aún no
han tenido el impacto esperado (o deseado) en las decisiones para diseñar y optimizar la
gestión de la cadena logística. Por ejemplo, algunas técnicas de optimización son poco
prácticas porque no están pensadas y preparadas para dar respuestas y solucionar
problemas logísticos complejos en un tiempo razonable de toma de decisiones. Por otro
lado, algunas técnicas de obtención de soluciones son totalmente dependientes del
problema y requieren unos conocimientos técnicos muy elevados. Estos factores
implican dificultades en la implementación de los DDS, que se contradicen con la
creciente necesidad de tener sistemas de respuesta rápida en un entorno cada vez más
cambiante. De hecho, algunos programas informáticos muy populares utilizan métodos
heurísticos o simples aproximaciones muy básicas (“rules of thumb”). Por un lado,
existe la necesidad de tener sistemas sofisticados de DDS logísticos para permitir a las
organizaciones tener una respuesta rápida a los crecientes problemas dentro de la SCM,
y por otra tener métodos de solución muy eficientes, tanto en la obtención de soluciones
óptimas o cuasi-óptimas, como en la velocidad de ejecución. De ahí que las técnicas
heurísticas para encontrar soluciones, y concretamente las meta-heurísticas, muchas
veces con nombres exóticos (“tabu search, ant colonies, grasp, neural systems,” etc.),
está siendo hoy en día y desde los años 90 una área de investigación cada vez más
intensa.
Otro ejemplo de integración entre la IO y los DSS y el uso de algoritmos es el sistema
de información geográfica de “scheduling” y de ruteo de vehículos que utiliza Sears
para gestionar su flota de distribución. Si bien los problemas a resolver pueden en
teoría modelizarse como un problema clásico de ruteo con ventanas de tiempo, el
tamaño de los problemas a resolver en este caso lo hace inviable. Sears desarrolló una
serie de algoritmos para construir la matriz de origen-destino, para asignar recursos, y
para mejorar el ruteo y la secuenciación de las tareas. Según Sears, este sistema mejoró
sustancialmente el soporte técnico y el negocio de entregas a domicilio; con un ahorro
de US$42 millones anuales.3
Y, ¿cómo está la situación de la IO aplicada a la logística en España? Pues bien, como
en muchas otras áreas de investigación, estamos en el furgón de cola. Esto se debe
básicamente a dos factores estrechamente relacionados: (1) la poca o nula presencia de
asignaturas de logística e IO tanto en los planes de estudio de carreras como Economía,
Administración de Empresas e Ingenierías como en la formación de postgrado de
ejecutivos y directivos de empresas (MBAs), y (2), cuando éstas existen (sobre todo en
las carreras) el contenido tiende a ser muy teórico y matemático, sin mostrar al alumno
el potencial de aplicaciones de las herramientas en la toma de decisiones. Seguramente
aquellos lectores que estén leyendo este artículo y que cursaron alguna asignatura de IO
el único recuerdo que tengan de ella es una extraña operación aritmética que hacían en
el “tableau” del método Simplex, multiplicando el elemento pivot por noseque columna
y noseque fila repetidamente. ¿O no?
3
D. Weigel: “Applying GIS and OR Techniques to Solve Sears Technician-Dispatching and Home-
Delivery Problems”. Interfaces, enero 1999