¿Alguna vez has tenido que planificar un bufé para un número inusual de personas? Muy probablemente te haya ocurrido alguna de las dos siguientes situaciones, o incluso ambas. El primer escenario es que te sobró mucha más comida de la que pensaste. El segundo es que te quedaste sin existencias de algo esencial que estabas convencido de que habría suficiente.
No te sientas mal. En ambos casos operan limitaciones intrínsecas del ser humano que nos dificultan tomar la decisión óptima en cada momento, y que podrían contrarrestarse con algunas técnicas de Inteligencia Artificial y optimización. Con estas, se obtiene información que puede pasar desapercibida para nosotros y se tienen en consideración relaciones complejas entre datos y situaciones que permiten hacer previsiones más precisas y mejorar la toma de decisiones.
Sesgos cognitivos que influyen en la toma de decisiones
En el primer caso nos enfrentamos a una tendencia que tenemos a evitar el riesgo. En el ejemplo que hemos puesto, el riesgo es que los invitados se queden con hambre al terminar la velada. Como anfitrión, vas a hacer todo lo posible para no tener que sufrir este disgusto.
Este fenómeno de aversión al riesgo lo explica maravillosamente el psicólogo y premio Nobel de Economía Daniel Kahneman en su libro Pensar Rápido, Pensar Despacio: si tomamos una misma cantidad, pongamos 100 euros, el valor que percibimos si pensamos que vamos a perder esa cantidad es mayor que el percibido en caso de que fuera una ganancia.
Dicho con otras palabras, nos afectan más las pérdidas que las ganancias. Esto nos lleva a que, en líneas generales, tomemos decisiones más conservadoras de lo necesario cuando nos exponemos a una situación en la que arriesgamos algo. Por ello, vamos a intentar mitigar el riesgo poniendo más medidas de las que serían imprescindibles si tuviéramos en cuenta las posibilidades reales de que ocurra.
En el caso de la fiesta, esto se traduce en que una parte del exceso de pan que compraremos responderá a tener un margen necesario para evitar quedarnos sin pan, pero otra parte se deberá a la necesidad de tranquilizar nuestra ansiedad por la contrariedad que supone tener que ir en mitad de la velada a reponer pan.
El segundo caso es un tanto paradójico respecto al anterior: ¿cómo es posible que nos quedemos sin existencias de algo si hemos dicho que tendemos a sobrestimar las cantidades? Aquí entran en juego otras limitaciones cognitivas que nos pueden conducir a quedarnos cortos en nuestras estimaciones.
Por un lado, manejamos bien las relaciones lineales, esto es, cuando la relación se puede expresar como términos de sumas y multiplicaciones de primer orden. Un caso particular es la socorrida regla de tres: si cuatro comensales comen cinco sándwiches, ocho comensales comerán diez sándwiches.
Pero en vez de una relación lineal, nos podemos encontrar con relaciones más complejas para las que nos va a ser más difícil predecir el resultado final. Por ejemplo, teníamos contemplado cuántos hielos se iban a consumir, pero nuestras estimaciones no tuvieron en cuenta las elevadas temperaturas ni el tamaño distinto de los vasos.
Por otro lado, también nos cuesta predecir relaciones en las que la presencia de algo potencia o inhibe otra cosa. Sabemos cuántas tortillas de patatas con cebolla y tortillas de patatas con chorizo se comerían por separado nuestros comensales, pero al ponerlas juntas resulta que una se agota y la otra sobra.
Y para rematar, está demostrada nuestra tendencia natural a ser inconsistentes con nuestras estimaciones. Para una misma entrada de datos podemos dar distintas salidas. Si un día calculamos que requerimos 250 gr de pasteles para 10 comensales, en la siguiente cena se convierten en 350 gr sin ninguna razón aparente.
Machine Learning y optimización para la gestión de stock
Si trasladamos estos fenómenos al mundo empresarial, encontramos rápidamente múltiples escenarios donde se reflejan casi a diario. Cualquier negocio que tenga que enfrentarse a una gestión de stock, y que la aborde de manera manual, es muy probable que tenga un amplio margen de mejora. Por ejemplo, sería el caso de un gran mayorista de pymes cuya actividad consiste en la venta minorista a tiendas de ropa, de alimentación, ferreterías, etc.
En el Instituto de Ingeniería del Conocimiento (IIC) hemos realizado proyectos de gestión stock en los que incorporar la automatización ha conllevado ahorros de hasta el 14% en los costes derivados del transporte. Las técnicas que se aplican en este tipo de problemas son el aprendizaje automático o Machine Learning y la optimización matemática.
En el caso del Machine Learning es necesario disponer de datos históricos donde se describan situaciones similares –y que no tienen por qué ser identificadas– a las que se quieren predecir. Siguiendo con el ejemplo, se precisarán datos de múltiples bufés que incluyan el número de comensales, la comida que se compró, cuánta sobró e información del contexto, como el día y la hora en que se organizó. Los algoritmos infieren de todas estas situaciones las relaciones complejas que se dan entre los distintos tipos de comida, el número de comensales y el contexto.
En el caso de la optimización matemática, se tiene que realizar un trabajo de modelización para incorporar toda la información anterior. Un algoritmo matemático calcula la combinación óptima de las variables para que sobre el menor número posible de comida.
En ambos casos, se pueden construir algoritmos que realicen predicciones más precisas que el juicio humano, ya que no se ven afectadas por los sesgos anteriores. Como concluye el propio Kahneman, si en una situación podemos sustituir el juicio humano por una fórmula, al menos tenemos que considerarlo.