Los gerentes de respuesta a emergencias y continuidad del negocio saben que recuperarse de una crisis requiere una planificación proactiva, independientemente de si puede ver que se avecinan problemas o no.

Las lecciones de la pandemia de COVID-19 nos han enseñado a esperar lo inesperado. Los llamados eventos del «cisne negro», denominados así porque se supone que son raros, no son tan inusuales como sugiere el apodo. Considere la caída de las dotcom a principios de la década de 2000, los ataques del 11 de septiembre, la caída del mercado financiero global de 2008 y la votación del Brexit en 2016. Según la sabiduría convencional, nada de esto se esperaba. Sin embargo, un análisis más riguroso de los factores en ese momento habría sugerido su posible ocurrencia.

Los modelos probabilísticos o estocásticos que utilizan simulaciones Monte Carlo son uno de esos análisis. Las simulaciones de Monte Carlo examinan una amplia gama de resultados posibles, de manera objetiva y sin sesgos, con el fin de determinar la probabilidad de que ocurra cada uno. Tal análisis predictivo de datos está dando forma a los negocios hoy en día, incluida la continuidad del negocio. La planificación requiere un rango, no simplemente adivinar un número.

La necesidad de adaptarse rápidamente se validó con demasiada frecuencia durante la pandemia de COVID. Se utilizaron modelos deterministas diseñados para dar una respuesta de un solo número para predecir la demanda de camas de hospital de UCI. Las estimaciones al comienzo de la pandemia a menudo se desviaban por un factor de 10 o más. Las estimaciones están, por naturaleza, enraizadas en la incertidumbre o en variables desconocidas. Las simulaciones de Monte Carlo están diseñadas para abordar variables desconocidas.

Henry Yennie, program manager en el Departamento de Salud y Hospitales de Luisiana, usó simulaciones probabilísticas que predicen y se alinean con mayor precisión con lo que realmente experimentaron los hospitales. Ha apoyado al departamento de salud pública para la planificación y respuesta ante emergencias durante más de 15 años y se especializa en modelos predictivos para la planificación proactiva.

La mayoría de los estados, utilizando modelos deterministas basados ​​en estimaciones de un solo punto, sobreestimaron enormemente los requisitos hospitalarios. Estos modelos impulsaron a muchos estados a desarrollar sitios de atención alternativos que, al final, nunca llegaron a recibir la cantidad de pacientes anticipada. Luisiana no fue diferente. Algunos de los modelos deterministas del estado pronosticaron más de 100.000 muertes. Los modelos probabilísticos basados ​​en simulaciones de Monte Carlo, por otro lado, estimaron un rango de probabilidad del 90% de 2700 a 3800 muertes, lo que ha demostrado estar alineado con lo que estaba experimentando el estado de Luisiana en ese momento.

Yennie ha utilizado simulaciones de Monte Carlo durante décadas para responder a las crisis que podía ver venir a medida que se acercaban los huracanes. Por ejemplo, después de la llegada de un huracán, Yennie utilizó simulaciones para estimar cuándo y dónde se necesitaba combustible para los generadores de centros de salud críticos. La creación de planes de evacuación antes de tocar tierra requiere decisiones perspicaces, considerando que más de la mitad de los hospitales del estado se encuentran dentro de las 60 millas del Golfo de México. La planificación de la evacuación rápida de hasta 40 hospitales y miles de pacientes utilizando aviones militares C130 y ambulancias a reacción requiere estimar muchas variables desconocidas.

Las simulaciones proporcionan una base para decisiones importantes y de alto valor en las que hay vidas en juego. Yennie, un trabajador social de formación, no es, según él mismo admite, una estadística. Sin embargo, los números de modelo de Monte Carlo se conectan directamente a las hojas de cálculo que su personal usa todos los días. Los modelos se han convertido en piezas clave de datos que los planificadores de respuesta de emergencia del estado brindan a los departamentos y líderes estatales. En el mundo de la preparación para emergencias, Yennie dijo que es importante evitar el peligro de caer en la mentalidad de “dame un número”. Un rango de probabilidades y resultados es un mejor lugar para comenzar a planificar.

Una de las primeras aplicaciones de Yennie del modelo de Monte Carlo para la planificación de huracanes se produjo después del huracán Katrina en 2005, cuando se informó de más de 13.000 personas desaparecidas. El análisis ayudó a centrar los esfuerzos del equipo de recuperación en localizar a las personas desaparecidas que probablemente todavía estaban vivas; las estimaciones tuvieron más del 92 % de éxito y ayudaron a salvar vidas.

Después del huracán Gustavo en 2008, que dejó a muchos hospitales sin electricidad durante semanas, se desarrolló un nuevo sistema estatal basado en el análisis de datos de probabilidad para mantener los generadores de los hospitales abastecidos. Durante Gustavo, el departamento de salud recibía llamadas las 24 horas del día. Un hospital dijo que necesitaban combustible en una hora o los niños morirían. Los modelos probabilísticos se usaron nuevamente en 2021 después del huracán Ida, lo que ayudó a equipar al estado para administrar los recursos y priorizar las necesidades de combustible para mantener operativos los hospitales, los hogares de ancianos y las instalaciones de vida asistida.

El departamento utiliza los resultados de los modelos de Monte Carlo para ayudar a determinar los plazos de respuesta, trabajando con un concepto llamado hora H. Para las tormentas, H-0 es el momento en el que se esperan vientos con fuerza de tormenta tropical en tierra, lo que genera condiciones de viaje peligrosas para los socorristas. Los preparativos están respaldados hasta H-menos 72, tres días antes de que golpee una tormenta y cuando se activan las evaluaciones de riesgo. Por ejemplo, en H-menos 60, el departamento decide si los hospitales necesitan refugiarse en el lugar o evacuar a los pacientes.

El análisis predictivo proporciona información de negocio en muchas industrias.

Además de la planificación de la respuesta a emergencias, un enfoque dinámico de gestión de riesgos respaldado por análisis y modelos permite a las empresas liderar desde el frente, evitando obstáculos y aprovechando oportunidades. Además, la tecnología de escritorio de fácil acceso puede equipar a todos en una organización para ser administradores de riesgos.

La tecnología para respaldar la gestión de riesgos debe ser adaptable y accesible. La realización de negocios durante la pandemia ha demostrado claramente que los modelos y los datos evolucionan en tiempo real, y todos en una organización tienen un papel en la gestión del riesgo. Las empresas ya no pueden darse el lujo de ver la gestión de riesgos como una función aislada y de verificación de casillas.

El método moderno de cálculo Monte Carlo fue creado por el científico y matemático polaco-estadounidense Stanislaw Ulum, que trabajaba a fines de la década de 1940 como parte del Proyecto Manhattan. Desarrolló el método de aplicar métodos estadísticos a funciones sin respuestas conocidas. Los avances tecnológicos han hecho de la simulación Monte Carlo un enfoque estándar para muchos desafíos en manos de profesionales sin títulos en matemáticas.

Las simulaciones implican «tirar los dados» miles de veces (o más) para evaluar los riesgos y producir información para explorar las implicaciones del negocio. La simulación de Monte Carlo proporciona una visión más completa de lo que puede suceder y la probabilidad de que suceda de lo que es posible con las estimaciones de un solo punto.

Otro ejemplo de la aplicación de la simulación de Monte Carlo se puede encontrar en el cuidado de la salud. La industria se centra en una mejor gestión de los recursos y en mejorar el rendimiento clínico. Antes de la pandemia de COVID, un equipo del Centro Johns Hopkins para la Seguridad de la Salud y representantes de la Clínica Mayo utilizaron simulaciones de Monte Carlo para calcular las necesidades de suministros para la pandemia en función de las consideraciones operativas en los hospitales.

La simulación de Monte Carlo se usa ampliamente, y cada vez más, en muchos otros sectores industriales. Por ejemplo, el sector bancario y financiero está utilizando la simulación para gestionar riesgos y mejorar procesos. Las empresas minoristas aprovechan los conocimientos para comprender mejor las cadenas de suministro, las compras de los consumidores y administrar la mercancía de manera efectiva. Las empresas de construcción emplean la simulación Monte Carlo para estimar costos y cronogramas inciertos en grandes proyectos de infraestructura.

También existe un amplio espectro de casos de uso de negocios, independientemente del sector industrial específico. La previsión financiera, la gestión de riesgos, la gestión de proyectos, la optimización de carteras, la fijación de precios basada en riesgos, el inventario y la optimización de la cadena de suministro son solo algunos ejemplos. Los profesionales incluyen analistas estratégicos, financieros y de riesgo, ingenieros, gerentes de proyectos y programas, gerentes de línea y muchos otros no estadísticos.

En los campos científico y técnico, la simulación de Monte Carlo se usa en muchos procesos que van desde la física computacional hasta el diseño y modelos aerodinámicos para el pronóstico del tiempo. La Guardia Costera de EE. UU. incluso utiliza simulaciones Monte Carlo para calcular las ubicaciones probables de las víctimas durante las operaciones de búsqueda y rescate. En el campo de la ingeniería, los usos van desde la fabricación de microelectrónica hasta el diseño de redes inalámbricas, robótica autónoma y sistemas de inteligencia artificial.

Navegar por el riesgo es el núcleo de cualquier plan de respuesta ante desastres y continuidad del negocio. La navegación exitosa se basa en el uso de análisis y datos, la identificación de factores para impulsar el riesgo y la simulación de muchos factores para dar forma a la estrategia. Cuando aparecen, no si aparecen, cisnes negros, la simulación de Monte Carlo puede desempeñar un papel clave para aumentar la calidad de la toma de decisiones y ayudar a los equipos de proyectos a pensar con claridad, actuar con decisión y alcanzar resultados exitosos.