Modelos de decisión multi-criterio en entornos con incertidumbreEstudio comparativa y aplicación

Resumen

Diariamente se plantean situaciones en las que las directivas de organizaciones o proyectos tienen que tomar decisiones. Las personas responsables de afrontar el proceso de tomar decisiones, están sometidas a grandes tensiones, tanto profesionales como emocionales. Estas decisiones se caracterizan por observar intereses contrapuestos, tener elementos de vaguedad o imprecisión, involucrar distintas personas en la decisión o bien poseer elementos difícilmente valorables. En la mayoría de los casos, tomar una decisión puede generar a los profesionales que asumen esta responsabilidad, tensión emocional, o incluso tensión psicológica, ya que se pueden generar tanto pérdidas materiales como pérdida de su prestigio y/o autoestima. Además de estos motivos, también hay que considerar la dificultad que conlleva el proceso de toma de decisión, que puede deberse a diferentes causas. Por ejemplo, una podría ser que la cantidad de datos a evaluar sea demasiado elevada, pudiendo llegar a ser miles de datos. Otras causas podrían ser que la comparación entre las alternativas sea compleja, que la diferencia entre las alternativas apenas sea notable, que se considere más de un criterio para su evaluación, etc. Por ello, en estas situaciones se hace imprescindible el uso de los Métodos de Decisión Multi-Criterio (MDMC). Un individuo o colectivo se encuentra ante un problema de decisión multi-criterio cuando necesita seleccionar una alternativa de entre un conjunto bien definido de ellas. Para poder hacer esta elección, las alternativas se evalúan conforme a unos determinados atributos o criterios que pueden estar en conflicto; además un criterio puede ser más relevante que otro, y por ello, se les asocia un peso o nivel de importancia para poder hacer esta distinción. En estas situaciones en las que no es trivial determinar la mejor alternativa, los MDMC ayudan a solventar el problema de forma sistemática y ordenada, facilitan la búsqueda del consenso y ayudan a racionalizar el problema, ya que devuelven un orden o ranking de las alternativas. Como ejemplos de métodos relevantes podemos mencionar el modelo jerárquico AHP, métodos basados en las distancias a las soluciones ideales, como TOPSIS y VIKOR o aquellos que tienen en cuenta preferencias, como ELECTRE o PROMETHEE, etc. En la actualidad, estas técnicas se emplean en multitud de escenarios: evaluación de calidad, en el área de las energías renovables, medicina o ingeniería en la localización de empresas, predicciones financieras , etc. Además, la toma de decisiones y los MDMC están recogidos en distintos proyectos de la Unión Europea, como en el proyecto FP7-MEDIATION (Seventh Framework Program -- Methodology for Effective Decision-making on Impacts and AdaptaTION) o en el Programa Horizonte 2020. En este contexto podemos identificar dos situaciones o problemáticas de interés. En primer lugar, dado un problema de decisión, no es trivial seleccionar a priori el método más apropiado para resolverlo. Además, cada método podría generar un ranking diferente para un mismo problema. Por tanto, parece razonable aplicar diferentes métodos, obtener los rankings y analizar los resultados obtenidos para estudiar las similitudes o discrepancias que pueda haber entre ellos, llegando así a una situación que permita la elección de la mejor alternativa, es decir, si una alternativa aparece en el primer lugar en la mayoría de los rankings, quedaría claro que la alternativa pertenecerá al conjunto de las mejores. En segundo lugar, existe un fenómeno que puede surgir en estos métodos, conocido como el Orden Inverso. Este fenómeno consiste en la alteración del ranking original cuando se ha realizado alguna modificación en el conjunto de alternativas, por ejemplo, considerar una nueva o eliminar una que deje de ser factible. Este fenómeno es consecuencia de los cálculos que realizan los métodos y/o la poca distinción que haya entre las alternativas. En ocasiones este fenómeno es inevitable, pero puede ser una situación no deseada porque restaría fiabilidad al resultado. Por ello, se hace necesario realizar un análisis de este fenómeno que determine su comportamiento, sabiendo así cómo actuar ante él. Otro aspecto relevante a considerar es la naturaleza de la información disponible de las alternativas. Aunque existen problemas de decisión donde los datos suelen estar definidos de forma precisa, se puede dar el caso de que ésto no suceda. Es decir, que se trabaje en escenarios donde los datos sean imprecisos, vagos o se identifiquen con términos lingüísticos. Por ejemplo, cuando se consideran cuestiones como la demanda a futuro, el potencial de venta, o valoraciones subjetivas respecto a alguna cualidad de la alternativa. Para modelar esta situación, se pueden utilizar técnicas de Soft Computing, o más concretamente, con los Conjuntos Difusos. De entre toda la variedad que hay en la literatura, nosotros nos centraremos en los métodos TOPSIS, VIKOR, RIM, MULTIMOORA y WASPAS. El motivo por el que hemos seleccionado estos métodos es que comparten la información que necesitan como entrada, además del procedimiento por el que evalúan a las alternativas: 1) Normalización y ponderación, 2) Cálculo de índices y 3) Construcción del ranking. Teniendo en cuenta la relevancia de los problemas de decisión multi-criterio, las problemáticas asociadas a los métodos MDMC, y la necesidad de considerar la naturaleza de la información disponible para la toma de decisiones, nuestro objetivo es: Analizar y comparar un conjunto de MDMC, con énfasis en la comparación de los rankings generados y en el análisis del fenómeno del Orden Inverso. Ambos aspectos se estudiarán considerando tanto entornos bien definidos, así como entornos que presenten vaguedad o imprecisión. Para ello, se han desarrollado dos paquetes en R, MCDM y FuzzyMCDM, que integran los métodos analizados en esta tesis, que nos han facilitado el trabajo. Para poder abordar la comparativa de los rankings y el análisis empírico del Orden Inverso, hemos trabajado sobre dos conjuntos de datos de prueba, uno de ellos con datos precisos, y el otro considerando imprecisión/vaguedad en los datos. A estos conjuntos les hemos aplicado los métodos por medio de los paquetes MCDM y FuzzyMCDM, los cuales están a libre disposición en el repositorio CRAN de R. Con este trabajo, hemos podido analizar las similitudes y discrepancias de los métodos, y centrarnos en su comportamiento frente al Orden Inverso. En ambos casos, considerando tanto escenarios precisos, como escenarios con imprecisión/vaguedad. De esta forma, se puede adelantar información al decisor sobre el comportamiento de estos métodos, y así, sabrá que esperar de ellos antes de aplicarlos, resolviendo el problema de decisión más eficientemente.