Es toda técnica matemática que nos ayuda en la optimización y en toma de decisiones. El big data podría considerarse como parte de la investigación de operaciones, aunque ésta no es un proceso exclusivamente computacional, ni tampoco basada sólo en los datos históricos, aunque estos sean muy relevantes en la creación de modelos y estadísticas.

Lo más relevante de la investigación de operaciones es, más allá del análisis de los datos o de su proyección futura, la modelización matemática del problema y el análisis resultante anterior y posterior al proceso optimizador (análisis preóptimo y postóptimo)

Y eso es lo que hace de una decisión un proceso realizado racionalmente, no obstante, la intuición, la sabiduría o el “feeling” que da la experiencia no siempre es fácilmente incorporable a este proceso racionalizador de la toma de decisiones de la investigación operativa. Es lo que podemos denominar como optimización no cuantitativa

Ahora bien, siempre es interesante y hasta imprescindible, el contar con la optimización cuantitativa de la decisión, sea o no este de la racionalización cuantitativa el criterio a adoptar, porque el o los decisiores deben de contar con lo que es una decisión cuantitativamente racionalizada y las otras que no lo estarán, con las consecuencias que éllo puede tener.

Normalmente será la combinación de las técnicas de optimización cuantitativa con la experiencia la que nos haga llegar a una decisión acertada, aunque pueda ser no óptima o subóptima, necesarias muchas veces cuando hacemos una optimización parcial de un determinado sistema o realidad. Y esto es así porque la optimización de las partes no tiene porque necesariamente conllevar la optimización del todo. Este último punto de la posible suboptimización de las partes de un sistema para conseguir la optimización del conjunto es un resultado conocido en investigación de operaciones, así como la necesidad muchas veces de que el sistema funcione en puntos subóptimos tras un análisis más detallado de todas las consecuencias de llevarlo a un punto óptimo, que puede ser no necesario o no deseable por las condiciones del mercado. De ahí que el enfoque de la investigación operativa deba de ser multidisciplinar y de 360 grados.

Un ejemplo muy tipico de optimización lineal es el siguiente. Sean An los costes de producción de un producto, Xn sus cantidades, el modelo lineal se formula de la siguiente manera:

Optimizar (Maximizar o minimizar) A1X1+A2X2+A3X3+…

sujeto a las restricciones de fabricación, personal y presupuesto

Este tipo de problemas fueron resueltos en su momento por matemáticos insignes como George Dantzig, que no fueron sólo excelentes y eminentes matemáticos teóricos sino que en el caso de Dantzig aplicaron sus modelos y algoritmos a problemas concretos de la USAF, como el problema de la dieta, que es la distribución optima de alimentos a un ejército cumpliendo con las cantidades minimas requeridas nutricionalmente, o el de asignación de recursos. Es más, estos problemas fueron modelizados teóricamente de problemas prácticos concretos, lo que hace que aun requiriendo un aparato teórico muy desarrollado, sean problemas de una aplicación práctica inmediata, más si se tiene en cuenta que estos algoritmos están implementados en programas y paquetes informáticos . Para grandes cantidades de datos existen paquetes informáticos y lenguajes de programación que leen de ficheros extensos toda la información requerida por el modelo

Carlos Martínez

www.proyectoarete.org

¿Puedes dejarnos un comentario, por favor?