ABC de la gestión de proyectos: M de simulación de Montecarlo

Comprender mejor los riesgos, gestionar las incertidumbres y tomar decisiones bien fundamentadas con la ayuda de la simulación de Montecarlo

¿Qué es la simulación de Montecarlo?

La simulación de Montecarlo es un método matemático que se utiliza para analizar las incertidumbres en los modelos mediante muestreos aleatorios. Para ello, se generan repetidamente valores aleatorios dentro de distribuciones de probabilidad definidas para determinadas variables, con el fin de simular una gran variedad de resultados posibles. Al analizar estos resultados simulados, se puede determinar la probabilidad de que se den los distintos resultados, incluso cuando hay muchas incertidumbres. En la gestión de proyectos, por ejemplo, se simulan posibles resultados del proyecto con variables como el tiempo, los costes o los riesgos. Así que este método resulta especialmente útil en situaciones en las que hay muchas incógnitas o variables cuyo valor exacto es difícil de predecir.
La simulación de Montecarlo se desarrolló en la década de 1940 para resolver problemas complejos en la investigación nuclear. En concreto, el científico húngaro-estadounidense Stanislaw Ulam y el físico estadounidense John von Neumann contribuyeron de forma decisiva al desarrollo del método mientras trabajaban en el Proyecto Manhattan, un proyecto de investigación para desarrollar la bomba atómica. El nombre «Montecarlo» viene del famoso casino del Principado de Mónaco, ya que el método usa procesos aleatorios similares a los de los juegos de azar para simular resultados.

Cómo funciona la simulación de Montecarlo

En primer lugar, se establecen rangos o probabilidades realistas para las variables inciertas (por ejemplo, la duración del proyecto o los costes). Es decir, para cada variable incierta debería haber al menos una estimación del valor mejor, peor y más probable. Por ejemplo, la duración de una tarea podría oscilar entre 5 y 10 días, siendo la duración más probable de 7 días. Además, hay que determinar qué distribución de probabilidad es la adecuada para cada variable. Así, por ejemplo, la probabilidad puede seguir la distribución normal de la curva de campana de Gauss. Esto significa que la mayoría de los valores están cerca de la media, y que los valores son cada vez menos probables cuanto más te alejas de la media. Sin embargo, sobre todo si no tienes ninguna idea de qué valores son más probables, también puedes definir una distribución uniforme, lo que significa que todos los valores dentro del rango establecido tienen la misma probabilidad.
A continuación, mediante la simulación de Monte Carlo y procesos aleatorios, se generan muchas combinaciones diferentes de estas variables para crear distintos escenarios y conseguir una buena distribución de los resultados. Así que, en lugar de tener una sola estimación, el método genera cientos o miles de resultados posibles. Es decir, tras la simulación se obtiene una distribución de los resultados posibles. En la gestión de proyectos, esto puede ser, por ejemplo, una lista de duraciones de proyectos que muestra cuánto tiempo podría durar un proyecto en diferentes condiciones. Si lo representas gráficamente, puedes ver claramente con qué frecuencia se da un resultado concreto. Por ejemplo, en el caso anterior, la duración de la tarea podría ser de siete días en el 30 % de los casos. Estos resultados se pueden interpretar después y servir de base para tomar decisiones y evitar riesgos.

Aplicación de la simulación Monte Carlo en la gestión de proyectos

En la gestión de proyectos se utiliza la simulación de Montecarlo para gestionar mejor las incertidumbres a la hora de planificar y ejecutar proyectos. Como muchos proyectos implican factores impredecibles, como el tiempo, los costes y los recursos, este método ayuda a evaluar los riesgos y a tomar decisiones bien fundamentadas. Por ejemplo, en las siguientes áreas:

• Planificación del tiempo: un proyecto se compone de muchas tareas cuya duración exacta es difícil de predecir. La simulación de Montecarlo ayuda a tener en cuenta estas incertidumbres, ya que calcula para cada tarea una estimación del plazo más corto, más largo y más probable. Al simular muchos calendarios posibles, puedes averiguar qué probabilidades hay de que el proyecto se termine dentro de un plazo determinado. Esto permite a los responsables del proyecto calcular márgenes de tiempo y fijar plazos realistas.
• Gestión de costes: Al igual que con la planificación del tiempo, los costes también pueden ser difíciles de predecir. La simulación de Monte Carlo ayuda a simular distintos escenarios de costes, ya que recoge los distintos costes posibles para cada elemento de coste (materiales, personal, etc.). Gracias a la simulación, te haces una idea más clara de los costes totales del proyecto y puedes tomar decisiones presupuestarias bien fundamentadas. Así, por ejemplo, puedes calcular qué probabilidades hay de que se supere un presupuesto concreto.
• Gestión de riesgos: En todos los proyectos hay riesgos, pero la simulación de Montecarlo te puede ayudar a evaluar mejor sus consecuencias. Si se producen ciertos riesgos, la simulación puede mostrar cómo podrían afectar a los plazos, los costes o la calidad del proyecto. Esto te permite evaluar con mayor precisión los riesgos y sus posibles consecuencias. De este modo, los responsables de proyecto pueden tomar medidas para minimizar estos riesgos y entender qué estrategias de gestión de riesgos son las más eficaces.

Ventajas de la simulación Monte Carlo

Mejor comprensión de las incertidumbres: con la simulación de Monte Carlo se pueden tener en cuenta fácilmente las incertidumbres de los proyectos, ya que la simulación genera un rango de posibles resultados con sus respectivas probabilidades de ocurrencia. Esto ayuda a detectar posibles problemas desde el principio.

• Toma de decisiones sólidas: A partir de los escenarios y las probabilidades, se pueden tomar decisiones bien fundadas para lograr el mejor resultado posible del proyecto.
• Transparencia y comunicación: También se facilita la comunicación con todas las partes interesadas, sobre todo a la hora de visualizar relaciones complejas. Los gráficos y las distribuciones de probabilidad ayudan a entender mejor los riesgos, las previsiones y las decisiones.
• Flexibilidad ante distintos escenarios: Analizar distintos escenarios ayuda a desarrollar estrategias y planes de acción alternativos, incluso antes de que el proyecto se ponga en marcha. Así, los responsables del proyecto siempre van sobre seguro durante la ejecución del mismo.
• Mejora en la gestión de riesgos: además, la simulación ayuda a poner de manifiesto con claridad las probabilidades y las consecuencias de los posibles riesgos. Así se pueden evaluar mejor los riesgos y adoptar las medidas de precaución necesarias.

Los retos de la simulación Monte Carlo

• Complejidad del método: La simulación de Monte Carlo es bastante compleja y, por eso, no siempre es fácil de aplicar. La simulación requiere una buena comprensión de las probabilidades y las distribuciones, así como estimaciones lo más precisas posible, pero no todos los equipos de proyecto cuentan con los expertos necesarios para ello.
• Dependencia de datos precisos: La calidad de la simulación depende en gran medida de los datos de entrada. Las estimaciones imprecisas o las suposiciones erróneas sobre las distribuciones de probabilidad dan lugar a resultados erróneos. Por eso es importante usar datos realistas y bien fundamentados, algo que en la práctica suele resultar complicado.
• Dificultad a la hora de interpretar los resultados: Aunque la simulación ofrece mucha información útil, puede resultar complicado interpretar y comunicar los resultados correctamente. Es importante explicar bien cómo se presentan las probabilidades y los riesgos para que todos los implicados los entiendan y puedan tomar las decisiones adecuadas basándose en ellos.
• Tiempo y recursos necesarios: Aunque este método ofrece información muy valiosa, suele llevar bastante tiempo. Recopilar los datos necesarios, hacer la simulación y analizar los resultados requiere tiempo y recursos adicionales, lo que supone un reto en muchos proyectos.

Conclusión

La simulación de Montecarlo ofrece ventajas claras y puede ayudar a reducir las incertidumbres y los riesgos, sobre todo en proyectos grandes y complejos. Permite una planificación más precisa y basada en datos, y mejora la toma de decisiones. Sin embargo, hay que sopesar los beneficios potenciales frente al gran esfuerzo que supone y a los retos que plantea, como la complejidad y la necesidad de datos precisos.

Más información sobre el software de gestión de proyectos y carteras myPARM:

¿Quieres conocer myPARM en una demostración? Entonces, ¡concierta ahora una cita con nosotros!