Los métodos analíticos para apoyar la toma de decisiones deben lograr al menos lo siguiente. Por ejemplo, en compañías que venden productos, tener una buena estimación de qué pedidos se recibirán dentro de las próximas pocas horas y definir cómo y por dónde despachar los vehículos que deben entregar esos pedidos.
El primer problema nos lleva a uno de los temas más activos hoy en día: el uso masivo de datos para apoyar decisiones. Tradicionalmente, los pronósticos que se hacían en gestión de operaciones eran sobre plazos de semanas o meses. Ahora queremos un pronóstico para las próximas pocas horas. Necesitamos una buena predicción del comportamiento, ya no de un grupo de clientes, sino de un cliente individual.
Aquí es donde las modernas técnicas de ciencias de datos muestran un gran potencial. Compañías como Amazon y otras están aplicando desde hace tiempo sofisticados métodos estadísticos y de Big Data, incluyendo Machine Learning, que permiten, si hay suficiente información, hacer buenas predicciones, clasificar bien a los clientes, entregarles recomendaciones para nuevas compras, etc. Esto se puede hacer si hay suficiente información, y eso es precisamente lo que tienen compañías como Amazon.
Sin embargo, aquí hay que levantar una alerta de precaución: no siempre hay suficiente información y aun así algunas personas insisten en aplicar técnicas de este tipo. Esto, simplemente, va a entregar malos resultados y, para peor, estos son usados para apoyar decisiones. En el mundo actual, en el que hay gran efervescencia por las técnicas de ciencias de datos, debe tenerse especial cuidado con la validez de los resultados y los impactos que estos tengan.
Herramientas de optimización
Asimismo, no basta con tener buenas predicciones del comportamiento de los consumidores si al final, cuando este haga un pedido, no somos capaces de entregarlo en el momento prometido. Es aquí donde entran en juego las herramientas analíticas de optimización que se usan en gestión de operaciones y logística.
En el caso de entregas en el mismo día, la empresa ejecuta modelos de optimización que permiten, por ejemplo, decidir si un camión se despacha ya con pedidos, o espera 15 minutos porque hay una alta probabilidad (con base en las predicciones anteriores) de un nuevo pedido cerca de su ruta. Esto permite balancear el uso eficiente de los vehículos de despacho con el cumplimiento de entregas y atención a clientes. Las matemáticas aplicadas, especialmente la disciplina conocida como investigación operacional, han hecho grandes contribuciones en estos problemas.
