Marta Álvarez Baños
Francisco Javier Martínez de Pisón Ascacíbar y Andrés Sanz García
Escuela Técnica Superior de Ingeniería Industrial
Master interuniversitario en Dirección de Proyectos
2013-2014
Título
Director/es
Facultad
Titulación
Departamento
TRABAJO FIN DE ESTUDIOS
Curso Académico
Estado del arte en el desarrollo de sistemas de apoyo a latoma de decisiones en la gestión de proyectos
Autor/es
© El autor© Universidad de La Rioja, Servicio de Publicaciones, 2014
publicaciones.unirioja.esE-mail: [email protected]
Estado del arte en el desarrollo de sistemas de apoyo a la toma de decisiones en la gestión de proyectos, trabajo fin de estudios
de Marta Álvarez Baños, dirigido por Francisco Javier Martínez de Pisón Ascacíbar yAndrés Sanz García (publicado por la Universidad de La Rioja), se difunde bajo una
LicenciaCreative Commons Reconocimiento-NoComercial-SinObraDerivada 3.0 Unported.
Permisos que vayan más allá de lo cubierto por esta licencia pueden solicitarse a los titulares del copyright.
MÁSTER UNIVERSITARIO EN DIRECCIÓN DE PROYECTOS
TRABAJO FIN DE MÁSTER
ESTADO DEL ARTE EN EL DESARROLLO
DE SISTEMAS DE APOYO A LA TOMA DE
DECISIONES EN LA GESTIÓN DE
PROYECTOS
Autora: Álvarez Baños, Marta
Logroño, septiembre de 2014
Director: Francisco Javier Martínez de Pisón Ascacíbar
Co-director: Andrés Sanz García
D. Francisco Javier Martínez de Pisón Ascacíbar, profesor titular del Departamento de
Ingeniería Mecánica de la Universidad de La Rioja
CERTIFICA: La presente memoria titulada Estado del Arte en el Desarrollo de Sistemas de Apoyo a la
Toma de Decisiones en la Gestión de Proyectos, ha sido realizada por Marta Álvarez Baños bajo mi
dirección en el citado departamento en cumplimiento de los requisitos para la presentación del
Trabajo Fin de Máster en la Universidad de La Rioja.
Logroño, 1 de septiembre de 2014
Dr. Fco. Javier Martínez de Pisón Ascacíbar Marta Álvarez Baños
(Director) (Autor)
A mis abuelos, Irene e Ismael
GLOSARIO
ACWP Actual Cost of Work Performed
BAC Budget At Completion
BCWS Budget Cost of Work Scheduled
BDWP Budget Cost of Work Performed
BOT Build-Operate-Transfer
CPI Cost Performance Indicator
CV Cost Variance
DDS Dynamic Data-base System
DLS Data Linkage System
DSS Decision Support Systems
EACC Estimate At Completion – Cost
EACT Estimate At Completion – Time
EDP Estructura de Descomposición del Proyecto
EDR Estructura de Descomposición del Riesgo
EIS Executive Information Systems
FIRMS Fully Integrated Risk Management System for International Construction
GSBN Ground Settlement Bayesian Networks
GSS Group Support Systems
IDSS Intelligent Decision Support Systems
IF-ISPRP Integrative Framework for Intelligent Software Project Risk Planning
INSPIRER Interactive Successful Project Implementation with Reduction Risk Events in Russia
ISS Intelligent Scheduling System
KBDSS Knowledge-Based Decision Support Systems
MCDA Multicriteria Decision Analysis
MMAKD Many-to-Many Actionable Knowledge Discovery
MMW Mann - Whitney – Wilcoxon
NDSM N-Dimensional Project Scheduling and Management System
NSS Negotiation Support Systems
OLAP On-Line Analysis Processing
PCA Principal Component Analysis
PDA Portfolio Decision Analysis
PDSS Personal Decision Support Systems
PIS Probability-Impact Significance
PRI Performance Reduction Index
PROBE Portfolio Robustness Evaluation
REV Risk Expansion Value
RRV Risk Reduction Value
SCHEMDA Scheduling Exhibitions for Museums of Art
SE Source Event
SM Sensivity Measure
SPI Schedule Performance Indicator
SV Schedule Variance
TAC Time At Completion
TOPSIS Technique for Order of Preference by Similarity to Ideal Solution
UEN Unidad Estratégica de Negocio
ÍNDICE
CAPÍTULO 1. INTRODUCCIÓN 1
CAPÍTULO 2. OBJETIVOS 3
CAPÍTULO 3. ESTUDIO DE CASOS 4
3.1 RIESGOS 4
3.1.1 CASO 1: PROYECTO DE TRANSFERENCIA DE AGUA SUR-NORTE 4
3.1.2 CASO 2: CONSTRUCCIÓN DE UN CANAL DE METRO EN CHINA 6
3.1.3 CASO 3: ORGANIZACIÓN DE UN ESPECTÁCULO MUSICAL 9
3.1.4 CASO 4: CREACIÓN DE UNA RED SOCIAL 12
3.1.5 CASO 5: CONSTRUCCIÓN DE UN OLEODUCTO 14
3.1.6 CASO 6: CONSTRUCCIÓN DE TRES PROYECTOS INTERNACIONALES 17
3.1.7 CASO 7: CONSTRUCCIÓN DE UNA ESTACIÓN METEOROLÓGICA 19
3.1.8 CASO 8: CONSTRUCCIÓN DE UN SATÉLITE 22
3.1.9 CASO 9: CONSTRUCCIÓN DE VIVIENDAS PARA TROPAS RUSAS 25
3.1.10 CASO 10: GESTIÓN DE MODIFICACIONES EN PROYECTOS DE CONSTRUCCIÓN 28
3.2 SELECCIÓN DE PROYECTOS 30
3.2.1 CASO 11: SELECCIÓN DE PROYECTOS EN LA INDUSTRIA ALIMENTARIA 30
3.2.2 CASO 12: SELECCIÓN DE PROYECTOS MULTIOBJETIVO 32
3.2.3 CASO 13: SELECCIÓN DE PROYECTOS DE SALUD 34
3.3 PLANIFICACIÓN 35
3.3.1 CASO 14: PLANIFICACIÓN DE EXPOSICIONES EN UN MUSEO DE ARTE 35
3.3.2 CASO 15: PLANIFICACIÓN DE LA IRRIGACIÓN EN DOS ÁREAS AGRÍCOLAS 37
3.3.3 CASO 16: PRIORIZACIÓN DE ACTIVIDADES 40
3.3.4 CASO 17: PLANIFICACIÓN EN PROYECTOS DE CONSTRUCCIÓN 42
3.4 RECURSOS HUMANOS 45
3.4.1 CASO 18: CREACIÓN DE UN SPOT PUBLICITARIO 45
3.4.2 CASO 19: DISTRIBUCIÓN DE PERSONAL EN PROYECTOS 47
3.4.3 CASO 20: SELECCIÓN DE UN DIRECTOR DE PROYECTOS 50
3.4.4 CASO 21: ASIGNACIÓN DE UN NUEVO PROYECTO 51
3.5 MONITORIZACIÓN Y CONTROL 53
3.5.1 CASO 22: PROYECTO E-MARKT 53
3.5.2 CASO 23: PROYECTO DE DESARROLLO DE SAP 55
3.6 OTROS 56
3.6.1 CASO 24: DOCUMENTACIÓN EN PROYECTOS DE CONSTRUCCIÓN 56
3.6.2 CASO 25: DETERMINACIÓN DE LA DURACIÓN DEL PERIODO DE CONCESIÓN DE UN
PROYECTO BAJO UN CONTRATO BOT 58
CAPÍTULO 4. RESULTADOS 60
CAPÍTULO 5. CONCLUSIONES 64
CAPÍTULO 6. REFERENCIAS 65
ÍNDICE DE FIGURAS
Fig. 1. Evolución en el campo de Sistemas de Apoyo a la Toma de Decisiones 1
Fig. 2. Red bayesiana de los riesgos del Proyecto de Transferencia de Agua Sur-Norte 5
Fig. 3. Red bayesiana re-evaluada de los riesgos del Proyecto de Transferencia de Agua Sur-
Norte 5
Fig. 4. Red bayesiana de los riesgos en construcción de túneles 6
Fig. 5. Grado de importancia del valor de riesgo (Xi) en el control de seguridad del asentamiento
de tierra 7
Fig. 6. Diagnóstico del fallo en el control de seguridad del asentamiento de tierras 8
Fig. 7. Matriz de riesgos del proyecto 9
Fig. 8. Comparación de los efectos en el riesgo global del proyecto según diferentes acciones de
mitigación 11
Fig. 9. Planificación inicial del proyecto 19
Fig. 10. Escenario de riesgos 21
Fig. 11. Selección de la estrategia de tratamiento más adecuada 21
Fig. 12. Relación entre la EDR y la EDP 25
Fig. 13. Relación entre la EDR y el ciclo de vida del proyecto 26
Fig. 14. Ranking de riesgos 27
Fig. 15. Factores de fortaleza del negocio y de atractivo de la industria 30
Fig. 16. Clasificación de los planes estratégicos 31
Fig. 17. Curva beneficio-coste para el caso de estudio 34
Fig. 18. Sistema de irrigación de la compañía “Abraham Irrigation” 37
Fig. 19. Red de actividades del proyecto 44
Fig. 20. Índice de reducción de rendimiento en función de la tasa de aprendizaje 55
Fig. 21. Comparación de estimaciones de la duración del proyecto en t* = 2 meses 56
Fig. 22. Cubos de datos para el control de calidad del hincado de pilotes 57
Fig. 23. Valor Actual Neto del proyecto según el periodo de concesión para la empresa privada 59
Fig. 24. Distribución de artículos según el área de Dirección de Proyectos 60
Fig. 25. Distribución de artículos según el área de Dirección de Proyectos 61
Fig. 26. Sector de aplicación de los Sistemas de Apoyo a la Toma de Decisiones en función del
ámbito en Dirección de Proyectos 61
Fig. 27. Técnicas de Gestión del Conocimiento empleadas en los artículos 62
Fig. 28. Evolución de los Sistemas de Apoyo a la Toma de Decisiones 63
ÍNDICE DE TABLAS
Tabla 1. Lista de riesgos del proyecto y comparación de resultados del método clásico con la
simulación 10
Tabla 2. Efectos de diferentes acciones de mitigación sobre riesgos particulares 11
Tabla 3. Evaluación de riesgos del proyecto “Guangzhou Wireless City” 12
Tabla 4. Acciones de control seleccionadas por el panel de expertos 13
Tabla 5. Vínculo entre los riesgos y las acciones de control y coste de ejecución de éstas 13
Tabla 6. Conjunto de acciones de coste mínimo 13
Tabla 7. Probabilidad de los riesgos del proyecto de construcción del oleoducto 15
Tabla 8. Coste (M$) de acciones de mitigación de riesgos para cada paquete de trabajo 16
Tabla 9. Acciones de mitigación de riesgos seleccionadas para cada paquete de trabajo 16
Tabla 10. Condiciones de los tres proyectos internacionales 17
Tabla 11. Resultados del módulo de licitación para los tres proyectos 17
Tabla 12. Resultados del módulo de predicción del beneficio 18
Tabla 13. Resultados del módulo de análisis de riesgos 18
Tabla 14. Escenarios del proyecto sin estrategias de tratamiento 19
Tabla 15. Escenarios del proyecto sin estrategias de tratamiento 20
Tabla 16. Fases del proyecto de construcción del satélite 22
Tabla 17. Riesgos asociados al proyecto 22
Tabla 18. Estrategias de tratamiento 23
Tabla 19. Estrategias de tratamiento 23
Tabla 20. Resultados del modelo 24
Tabla 21. Características del proyecto 28
Tabla 22. Estrategias de control para la minimización de las variaciones del proyecto 29
Tabla 23. Rendimiento de la inversión según el modelo de programación basado en la lógica
difusa 32
Tabla 24. Presupuesto de los proyecto según el periodo 32
Tabla 25. Recursos disponibles 33
Tabla 26. Recursos requeridos 33
Tabla 27. Resultados del Sistema de Apoyo a la Toma de Decisiones 33
Tabla 28. Galerías del Museo de Bellas Artes de Taipei 36
Tabla 29. Planificación de las exhibiciones propuesta por SCHEMA 36
Tabla 30. Comparación de resultados de planificación de SCHEMA y del experto 37
Tabla 31. Características de las áreas de estudio 38
Tabla 32. Resultados estacionales 38
Tabla 33. Resultados del algoritmo genético con un tamaño de población de 50, probabilidad de
cruce de 0,6 y probabilidad de mutación de 0,02 39
Tabla 34. Actividades del proyecto de construcción de la subestación eléctrica y criterios 41
Tabla 35. Actividades del proyecto de construcción de la subestación eléctrica y criterios 41
Tabla 36. Resultados de ELECTRE TRI 42
Tabla 37. Duración de actividades, recursos necesarios para cada actividad y límites diarios de
recursos. 43
Tabla 38. Porcentaje de utilización de cada recurso 44
Tabla 39. Tareas del proyecto 45
Tabla 40. Empleados disponibles para el proyecto 46
Tabla 41. Grados de compatibilidad de los candidatos para la primera fase 46
Tabla 42. Resultados del modelo 47
Tabla 43. Factores de escala 48
Tabla 44. Multiplicadores de esfuerzo 48
Tabla 45. Valores de entrada de tamaño, factores de escala y multiplicadores de esfuerzo para
los proyectos 48
Tabla 46. Esfuerzo estimado para cada proyecto con COCOMO II 48
Tabla 47. Ranking de candidatos para cada proyecto 49
Tabla 48. Resultados finales de distribución de personal y duración de cada proyecto 49
Tabla 49. Puntuación de los proyectos según directores 50
Tabla 50. Niveles de significación del test MMW 50
Tabla 51. Características de los directores de proyecto y de los proyectos a asignar 51
Tabla 52. Priorización de proyectos 51
Tabla 53. Matriz de correspondencia 52
Tabla 54. Resultados del modelo 52
Tabla 55. Indicadores del Método del Valor Ganado 53
Tabla 56. Planificación inicial del proyecto E-MARK 54
Tabla 57. Indicadores del método del Valor Ganado para diferentes puntos de control 54
Tabla 58. Detalles del proyecto 58
Tabla 59. Utilización de las técnicas de Gestión del Conocimiento en los periodos de estudio 62
1
CAPÍTULO 1 INTRODUCCIÓN
El término “Sistema de Apoyo a la Toma de Decisiones”, en inglés DSS (“Decision Support
System”) fue acuñado por primera vez en 1971 por Gorry y Scott-Morton para designar un
sistema informático interactivo que ayuda al responsable de la toma de decisiones a resolver
problemas no estructurados o identificar oportunidades utilizando datos y modelos (Gorry y
Scott-Morton, 1971).
Los elementos que constituyen los Sistemas de Apoyo a la Toma de Decisiones presentan
generalmente las siguientes características: gran capacidad de manejo de bases de datos con
acceso a datos internos y externos, información y conocimiento, funciones de modelado potentes
e interfaces con preguntas interactivas, funciones gráficas y funciones para generar informes
(Shim et al., 2002).
Las características que debe reunir un Sistema de Apoyo a la Toma de Decisiones son las
siguientes (Turban et al., 2014):
Proporcionar apoyo a los responsables de la toma de decisiones, principalmente en
problemas no estructurados, por medio de la combinación del juicio humano y la
información computarizada. Además, estos sistemas deben dar apoyo a todos los niveles
de la gestión, tanto a individuos como a grupos, en todas las fases y en cualquier tipo de
proceso de decisión.
Ser flexibles para que los usuarios puedan combinar, añadir, eliminar o cambiar sus
elementos básicos y que puedan modificarse para solucionar problemas de diferentes
características.
Ser fáciles de usar.
Suponer una mejora de la efectividad en la toma de decisiones en cuanto a precisión,
calidad y fechas límite para reducir el coste de este proceso.
Deben apoyar pero no sustituir al responsable de la toma de decisiones.
Proporcionar acceso a gran variedad de fuentes de datos, formatos, datos orientados a
objetos y material multimedia.
Deben poder ser empleados como una herramienta independiente por un usuario
individual o distribuidos a través de una organización o diversas organizaciones a lo largo
de la cadena de suministro.
Ser integrables con otros Sistemas de Apoyo a la Toma de Decisiones o aplicaciones.
1. Introducción
1
El campo de los Sistemas de Apoyo a la Toma de Decisiones es muy extenso debido a la gran
variedad de herramientas existentes, que suponen diferentes filosofías de soporte, nivel de
inversión e impacto organizativo potencial y han experimentado distintos periodos de
popularidad, tal y como refleja la Fig. 1. La evolución de cada Sistema de Apoyo a la Toma de
Decisiones se ha producido en general coincidiendo con el desarrollo de nuevas tecnologías de la
información (Arnott y Pervan, 2005).
Fig. 1. Evolución en el campo de Sistemas de Apoyo a la Toma de Decisiones
Los PDSS (“Personal Decision Support Systems”) son sistemas a pequeña escala desarrollados
para dar soporte a una sola persona o a un número reducido de individuos en una única tarea de
decisión (Arnott y Pervan, 2005). Fueron concebidos con el objeto de democratizar el proceso de
la toma de decisiones. Su desarrollo fue posible gracias a la aparición de las mini-computadoras y
algunos software de uso sencillo, como bases de datos y modelos financieros. A mediados de los
80, la aparición del ordenador y el desarrollo de las hojas de cálculo redujeron considerablemente
el coste tecnológico, lo que conllevó la dispersión de los PDSS a todos los niveles del proceso de
toma de decisiones. Los PDSS modernos permiten extraer información de bases de datos y
realizar modelados en el campo de la Investigación de Operaciones y las Ciencias de la Gestión.
En un GSS (“Group Support System”) existe un amplio grupo de personas que participa y
comparte la responsabilidad en el proceso de toma de decisiones. Mediante este sistema, se
facilita la comunicación y coordinación de las actividades de los miembros de un equipo ya que
permite al grupo compartir sus opiniones a través del ordenador. Así, se trata de promover una
1. Introducción
2
interacción más efectiva entre los miembros del grupo que conlleve a aumentar el rendimiento en
la toma de decisiones en una organización (Arnott y Pervan, 2005).
Los NSS (“Negotiation Support Systems”) también operan dentro de un contexto grupal pero, tal y
como su nombre sugiere, implican el uso de tecnologías de la información para facilitar los
procesos de negociación (Rangaswamy y Shell, 1997). La base de estos sistemas es el Análisis de
Negociación, que integra el Análisis de Decisión y la Teoría de Juegos proporcionando un apoyo
metodológico en la toma de decisiones.
Los IDSS (“Intelligent Decision Support Systems”) surgieron a partir del desarrollo de la
inteligencia artificial y su objetivo es ayudar al responsable de la toma de decisiones recolectando
y analizando la información disponible, identificando problemas y proponiendo y evaluando
posibles acciones emulando las capacidades del ser humano (Turban et al., 2005). Existen dos
generaciones de IDSS. La primera se basa en Sistemas Expertos, que simulan el conocimiento de
un experto en un campo concreto. La segunda generación se compone de sistemas capaces de
llevar a cabo tareas cognitivas complejas sin necesidad de la intervención humana. Dichos
sistemas utilizan técnicas como redes neuronales, algoritmos genéticos y lógica difusa.
Los EIS (“Executive Information Systems”) son sistemas orientados a datos que permiten
monitorizar el estado de las variables del área de una organización a partir de información interna
o externa a la misma (Fitzgerald, 1992). La finalidad principal de los EIS es que el responsable de
un departamento o compañía tenga acceso, de manera instantánea, al estado de los indicadores
de negocio que le afectan, con la posibilidad de estudiar con detalle aquellos aspectos que no
estén cumpliendo con los objetivos establecidos en su plan estratégico u operativo, y así
determinar las medidas de contingencia más adecuadas.
Debido al desarrollo de EIS a gran escala surgió la necesidad de obtener datos continuos de alta
calidad de las operaciones de una organización. En este contexto se desarrollaron los DW (“Data
Warehousing”) que no son más que un conjunto de bases de datos que suponen una fuente de
información para los responsables de la toma de decisiones (Cooper et al., 2000).
Por último, los KBDSS (“Knowldedge-Based Decision Support Systems”) son sistemas con
capacidad de almacenamiento, recuperación, transferencia y aplicación del conocimiento para
apoyar la toma de decisiones tanto a nivel individual como organizativo.
3
CAPÍTULO 2 OBJETIVOS
La Toma de Decisiones es un proceso fundamental en toda organización ya que puede tener un
impacto significativo en su rendimiento. La calidad de una decisión depende de la manera en que
ésta se adecúa a la información disponible, así como de la calidad de la información disponible, el
número de opciones y la idoneidad del modelo aplicado. Una manera de optimizar el proceso de
decisión es emplear los Sistemas de Apoyo a la Toma de Decisiones, que proporcionan la
oportunidad de mejorar la recopilación de datos y analizar procesos complejos asociados a la
toma de decisiones que implican varias alternativas.
Los Sistemas de Apoyo a la Toma de Decisiones han experimentado una notable evolución desde
su aparición en la década de los 70, impulsada en gran medida por los avances tecnológicos.
Debido a la gran importancia de estas herramientas en el ámbito de la Dirección de Proyectos, se
hace necesario realizar un estudio del Estado del Arte en Sistemas de Apoyo a la Toma de
Decisiones que refleje su progreso y su aplicación en distintos campos a lo largo de los años.
El punto de partida de este estudio será la revisión bibliográfica de los Sistemas de Apoyo a la
Toma de Decisiones empleados en Dirección de Proyectos en los 15 últimos años (2000 – 2014)
con el objetivo de determinar los siguientes aspectos:
Áreas de aplicación específicas de estos sistemas.
Técnicas de Gestión del Conocimiento más utilizadas en estos sistemas.
Evolución y grado de utilización.
4
CAPÍTULO 3 ESTUDIO DE CASOS
El estudio de casos se ha realizado mediante la selección de 25 artículos de revistas de relevancia
internacional en el área de Dirección de Proyectos en los últimos 15 años. Dichos casos se han
agrupado según su ámbito de aplicación: riesgos, selección de proyectos, planificación, recursos
humanos y monitorización y control.
3.1 RIESGOS
La gestión de riesgos en Dirección de Proyectos es un elemento crucial e indispensable que
determina el éxito de un proyecto. Existen numerosos factores que pueden incrementar el nivel
de riesgo del mismo, como el nivel de innovación, limitaciones del entorno o cambios en la
legislación. Actualmente, los proyectos están cada vez más expuestos a riesgos adversos, por lo
que es de gran importancia realizar una gestión de riesgos eficiente que garantice el éxito del
proyecto y el bienestar de los stakeholders (Fang y Marle, 2012).
3.1.1 CASO 1: PROYECTO DE TRANSFERENCIA DE AGUA SUR-NORTE
Debido al desarrollo social y económico, China lleva a cabo un gran número de proyectos
hidráulicos, como la Presa de las Tres Gargantas, que están suponiendo un gran crecimiento de la
economía nacional (Xiaocong y Ling, 2010).
El Proyecto de Transferencia de Agua Sur-Norte constituye una estrategia para solucionar el
problema de escasez de agua en el área norte de China y es uno de los proyectos hidráulicos más
grandes del mundo. El proyecto pretende recolectar agua del río Yangtsé y transferirla a Pekín y
Tianjín por medio de un conducto de 1.156 km que puede transportar 15 billones de metros
cúbicos de agua al año.
Para analizar los posibles riesgos del proyecto, se ha construido una red bayesiana en la que cada
riesgo se descompone en unidades elementales simples, probabilísticas, independientes y
fácilmente reconocibles. Una vez identificados, los riesgos se conectan por medio de un diagrama
acíclico de acuerdo a las relaciones causa-efecto entre ellos y se les asigna una probabilidad de
ocurrencia.
En el caso de estudio, las unidades elementales de riesgo son las inundaciones, terremotos, la
capacidad de suministro de agua, precipitaciones, demanda de agua y contaminación. Los riesgos
de seguridad, retorno económico, daño ecológico y deterioro de agua se han considerado riesgos
secundarios. La red bayesiana permite calcular el riesgo integrado del proyecto, que en este caso
se evalúa como normal. También indica que hay que prestar más atención a los riesgos de daño
ecológico y deterioro de agua ya que su probabilidad de ocurrencia es mayor respecto a otros
riesgos.
3. Estudio de casos
5
Fig. 2. Red bayesiana de los riesgos del Proyecto de Transferencia de Agua Sur-Norte
Si Pekín y Tianjín tuvieran una nueva fuente de agua, la demanda de la misma disminuiría y el
riesgo de retorno económico se incrementaría desde el 18% hasta el 62%, con lo que el riesgo
integrado del proyecto sería alto. Por tanto, es importante prestar especial atención a esta
variable ya que condiciona en gran medida el éxito del proyecto.
Fig. 3. Red bayesiana re-evaluada de los riesgos del Proyecto de Transferencia de Agua Sur-Norte
3. Estudio de casos
6
3.1.2 CASO 2: CONSTRUCCIÓN DE UN CANAL DE METRO EN CHINA
El caso de estudio es el proyecto de construcción del primer túnel de metro que cruza el río
Yangsté conectando las ciudades de Wuhan y Hankou. Se trata de un túnel de dos tramos con
una longitud total de 2.183 metros. La construcción de este túnel comenzó en abril de 2008 y se
completó en septiembre de 2011 (Zhang et al., 2013).
El estudio de los riesgos del proyecto se lleva a cabo mediante el modelo GSBN (“Ground
Settlement Bayesian Networks”), que predice el valor del asentamiento de tierra en la zona en la
que se construye el túnel.
En primer lugar, se recogen y analizan hasta 1.286 factores que influyen en el asentamiento de
tierras procedentes de diversos proyectos de construcción de túneles, lo que permite construir
una red bayesiana de riesgos:
Fig. 4. Red bayesiana de los riesgos en construcción de túneles
Dos indicadores, sesgo y precisión, confirman la validez del modelo. Para calcular el sesgo, se
establece una ecuación de regresión que evalúa la correspondencia entre los datos
experimentales del asentamiento de tierra y los predichos por el modelo. La línea de ajuste
obtenida tiene una pendiente de 0,96, lo que indica una alta correspondencia entre las
predicciones y los valores reales. En cuanto a la precisión, se determina tanto el error porcentual
medio como el cuadrado medio del error de predicción. El análisis de estos dos parámetros de
error indica que la incertidumbre del modelo no difiere significativamente con respecto a la
variabilidad en las observaciones.
Una vez comprobada su validez, el modelo puede aplicarse al control de seguridad del proyecto
completo de construcción del túnel: control previo de accidentes, control continuo durante la
3. Estudio de casos
7
construcción y control posterior. En concreto, el estudio se centra en Jiangbei Levee, una línea de
vida para el control de inundaciones en Wuhan, que afecta cerca de 10 millones de vidas.
3.1.2.1 CONTROL PREVIO DE ACCIDENTES
El control previo de accidentes pretende estimar la distribución de probabilidad del máximo
asentamiento de tierra en la zona del túnel anterior al cruce con los cimientos de Jiangbei Levee.
En esta fase no se tiene un conocimiento suficiente de los riesgos pero, de acuerdo a la red
bayesiana de la Fig. 4, se puede calcular su probabilidad, observándose que es elevada.
El modelo permite seleccionar el emplazamiento del túnel más conveniente, que es aquel donde
el asentamiento de tierra es menor, y determinar el diseño más adecuado del túnel.
3.1.2.2 CONTROL CONTINUO DURANTE LA CONSTRUCCIÓN
En esta fase se determinan los factores de riesgo que tienen un mayor impacto en la construcción
del túnel por medio de tres indicadores: REV (“Risk Expansion Value”), RRV (“Risk Reduction
Value”) y SM (“Sensivity Measure”). En la etapa anterior, se han escogido como parámetros el
emplazamiento del túnel, que conlleva unas determinadas condiciones geológicas, y su diseño (X1
– X7). Introduciendo estos datos en el modelo, se calculan los indicadores de riesgo comentados:
Fig. 5. Grado de importancia del valor de riesgo (Xi) en el control de seguridad del asentamiento de tierra
Según esta gráfica, la presión de inyección, cantidad y velocidad de la lechada (X11, X12 y X13
respectivamente) son muy sensibles al asentamiento de tierra. Por tanto se deberían destinar más
medidas de control a estos tres factores.
3.1.2.3 CONTROL POSTERIOR DE ACCIDENTES
Mediante este control se identifican las causas directas más probables una vez que se ha
producido el accidente. Se considera que tiene lugar un accidente (T=t4) en Jiangbei Levee
durante la fase de explotación del túnel. Se calcula la probabilidad posterior de los riesgos X8 –
X14. Según la Fig. 6(a), los factores X8 = Alto (con una probabilidad del 50%) y X11 = Medio (con
probabilidad del 60%) son los más probables. Considerando que estas probabilidades fuesen del
100%, se pueden reevaluar los riesgos, observándose mediante la Fig. 6(b) que otros factores
importantes son X10 = Alto y X12 = Alto. Repitiendo la operación, se deduce que, el accidente se ha
3. Estudio de casos
8
originado por los riesgos X8 y X11, que han desencadenado los riesgos X10 y X12, provocando a su
vez los riesgos X9 y X14.
Fig. 6. Diagnóstico del fallo en el control de seguridad del asentamiento de tierras
3. Estudio de casos
9
3.1.3 CASO 3: ORGANIZACIÓN DE UN ESPECTÁCULO MUSICAL
El proyecto consiste en la organización de un espectáculo musical en París, incluyendo aspectos
como vestuario, diseño de iluminación y sonido, dirección del casting, dirección de ensayos y
recaudación de fondos (Fang y Marle, 2012). La duración del proyecto es de 15 meses y el equipo
está constituido por 18 personas, además de los actores. Para analizar los riesgos, se propone un
modelo que contiene tres módulos: identificación y evaluación de riesgos, análisis de riesgos y
plan de respuesta a riesgos.
3.1.3.1 IDENTIFICACIÓN Y EVALUACIÓN DE RIESGOS
Las personas implicadas directamente en la dirección de riesgos del proyecto, que son el gestor
de riesgos y el director de proyecto, son entrevistadas con el objetivo de identificar y evaluar los
riesgos del proyecto y la fortaleza de sus interacciones. Posteriormente, se lleva a cabo una
reunión en la que los participantes exponen su evaluación personal para alcanzar un consenso.
Esta primera etapa dura 3 semanas y permite construir la matriz de riesgos del proyecto.
Fig. 7. Matriz de riesgos del proyecto
Gracias a esta matriz se pueden evaluar las interacciones de los riesgos. Por ejemplo, en el
elemento (7,11) de la matriz el valor 0,327 denota que la probabilidad de que el R11 (mal diseño
de sonido, iluminación y puesta en escena) origine el R07 (cancelación o retraso de la primera
actuación) es de un 32,7%. También permite observar varias categorías de riesgos. Los riesgos
“absorbedores”, como el R17 (baja motivación del reparto), tienen un número importante de
entradas (filas). Es improbable que estos riesgos ocurran espontáneamente pero otros pueden
conducir a ellos. Por el contrario, otros riesgos generan muchos caminos en la red, como el R01
(presupuesto bajo), R02 (infracciones contra la ley) y R10 (poca comunicación del equipo). Estos
son los llamados “multiplicadores” que pueden ser la causa de numerosos efectos indeseados.
3.1.3.2 ANÁLISIS DE RIESGOS
Por medio del software ARENA es posible re-evaluar los riesgos determinados anteriormente
obteniendo resultados más precisos de la frecuencia del riesgo, sus consecuencias y su
criticalidad, como se muestra en la Tabla 1.
3. Estudio de casos
10
Tabla 1. Lista de riesgos del proyecto y comparación de resultados del método clásico con la simulación
Riesgo Nombre del riesgo Naturaleza
Resultado de la evaluación mediante el método clásico Re-evaluación mediante simulación
Probabilidad evaluada
Probabilidad espontánea
Impacto cualitativo
Criticalidad cualitativa
Criticalidad evaluada
Frecuencia simulada
Consecuencias del riesgo
Criticalidad local
Criticalidad global
R01 Bajo presupuesto Coste y tiempo 8 0,500 7 56 3,50 0,807 32,07 5,65 25,88
R02 Infracciones de la ley Contrato 7 0,360 5 35 1,80 0,696 17,46 3,48 12,15
R03 Baja comunicación y publicidad del espectáculo
Usuario/cliente 8 0,500 9 72 4,50 0,771 12,36 6,94 9,53
R04 Reparto inadecuado Organización 5 0,126 9 45 1,13 0,495 15,53 4,45 7,69
R05 Precio de entradas inadecuado
Estrategia 7 0,360 6 42 2,16 0,364 31,19 2,18 11,36
R06 Dirección inadecuada de los ensayos
Control 3 0,011 8 24 0,09 0,266 13,89 2,13 3,69
R07 Cancelación o retraso de la primera actuación
Coste y tiempo 5 0,126 8 40 1,01 0,425 15,40 3,40 6,55
R08 Mala reputación Usuario/cliente 3 0,011 7 21 0,08 0,388 8,73 2,72 3,39
R09 Falta de organización del equipo de producción
Organización 4 0,050 6 24 0,30 0,049 17,62 0,29 0,85
R10 Baja comunicación en el equipo
Organización 3 0,011 6 18 0,07 0,529 19,11 3,18 10,11
R11 Mal diseño escénico, de iluminación y sonido
Actuación técnica
2 0,001 7 14 0,01 0,393 12,07 2,75 4,75
R12 Mal diseño de vestuario Act. Técnica 3 0,011 8 24 0,09 0,400 13,50 3,20 5,40
R13 Baja complicidad entre los miembros del reparto
Act. Técnica 3 0,011 7 21 0,08 0,383 13,94 2,68 5,34
R14 Exigencias artísticas demasiado ambiciosas
Requerimientos 7 0,360 2 14 0,72 0,445 7,88 0,89 3,51
R15 Pocos espectadores Usuario/cliente 2 0,001 9 18 0,01 0,196 15,88 1,76 3,11
R16 Problemas técnicos durante la actuación
Act. Técnica 4 0,050 5 20 0,25 0,191 7,07 0,96 1,35
R17 Baja motivación del reparto
Organización 2 0,001 5 8 0,00 0,469 8,63 1,88 4,05
R18 Espectáculo inadecuado Estrategia 2 0,001 4 10 0,01 0,002 7,84 0,01 0,01
R19 Equipo de dirección poco creativo
Control 3 0,011 10 30 0,11 0,014 17,43 0,14 0,24
R20 Baja reacción del equipo Control 2 0,001 2 4 0,00 0,001 7,91 0,00 0,01
3. Estudio de casos
11
3.1.3.3 PLAN DE RESPUESTA A RIESGOS
El modelo de simulación permite al director de proyecto evaluar las acciones de mitigación de
riesgos anticipándose al impacto que puedan producir sobre el proyecto. Hay dos tipos de
acciones: mitigación local de riesgos particulares o mitigación global de riesgos.
En cuanto a la mitigación local, se consideran riesgos con una frecuencia elevada y de tipo
“absorbedor” como el R10 o el R17. En la Tabla 2, se muestra como las acciones de mitigación
basadas en la interacción de riesgos consiguen reducir significativamente la frecuencia de éstos,
en comparación con acciones clásicas. Estas acciones, consisten en eliminar el vínculo existente
entre los riesgos R10 y R17 con R03, R04 y R07 y R03, R10 y R13, respectivamente.
Tabla 2. Efectos de diferentes acciones de mitigación sobre riesgos particulares
Riesgo Frecuencia simulada
Frecuencia simulada del riesgo después de la acción
Acciones clásicas de mitigación de riesgos
Acciones de mitigación basadas en interacciones de riesgos
R10 0,529 0,516 0,194
R17 0,469 0,468 0,205
Con respecto a la mitigación global, se propone llevar a cabo tres estrategias:
Acción 1: mitigar R03 ya que este riesgo tiene la criticalidad más alta según la evaluación
mediante métodos clásicos.
Acción 2: mitigar R01 debido a que presenta la criticalidad más alta según los resultados
de la simulación.
Acción 3: cortar el vínculo entre R05 y R01 junto con la acción 2.
El efecto producido por cada una de las acciones en el riesgo global del proyecto puede
observarse en la Fig. 8.
Fig. 8. Comparación de los efectos en el riesgo global del proyecto según diferentes acciones de mitigación
Ante este resultado, el responsable de la toma de decisiones escogería llevar a cabo la acción 3,
que supondría una operación normal del proyecto.
3. Estudio de casos
12
3.1.4 CASO 4: CREACIÓN DE UNA RED SOCIAL
El objetivo del proyecto es la creación de la red social “Guangzhou Wireless City”, que contiene
una gran variedad de aplicaciones, en una ciudad con red WiFi (Hu et al., 2013). Para minimizar
los riesgos se ha desarrollado el modelo IF-ISPRP (“Integrative Framework for Intelligent Software
Project Risk Planning”), que consta de dos módulos: análisis de riesgos y planificación.
3.1.4.1 MÓDULO DE ANÁLISIS DE RIESGOS
Este módulo se emplea para predecir el éxito/fracaso del proyecto en base a la probabilidad de
los factores de riesgo. Estos factores son determinados por un panel de expertos, compuesto por
el director de proyecto, el director técnico y el gestor de clientes, a través de diversas reuniones.
Los riesgos para este proyecto se muestran a continuación:
Tabla 3. Evaluación de riesgos del proyecto “Guangzhou Wireless City”
Como puede apreciarse, los riesgos más importantes del proyecto son los relacionados con los
requerimientos y los usuarios.
Riesgo Nombre del riesgo Probabilidad
R01 Cambio en la gestión organizativa durante el proyecto Alta
R02 Política de la empresa con efectos negativos sobre el proyecto Alta
R03 Entorno organizacional inestable Alta
R04 Restructuraciones organizativas durante el proyecto Baja
R05 Usuarios reticentes al cambio Alta
R06 Conflicto entre usuarios Baja
R07 Actitud negativa de los usuarios hacia el proyecto Alta
R08 Ausencia de compromiso de los usuarios con el proyecto Alta
R09 Falta de cooperación de los usuarios Baja
R10 Sistema en cambio continuo Alta
R11 Identificación inadecuada de los requisitos del sistema Alta
R12 Requerimientos del sistema poco claros Alta
R13 Requerimientos incorrectos del sistema Alta
R14 Uso de nueva tecnología para el proyecto Baja
R15 Alto nivel de complejidad técnica Baja
R16 Tecnología disponible inmadura Baja
R17 Uso de tecnología que no se ha aplicado a ningún otro proyecto Baja
R18 Ausencia de una metodología adecuada en la dirección del proyecto Alta
R19 Progreso del proyecto no monitorizado lo suficiente Baja
R20 Estimación de recursos inadecuada Baja
R21 Escasa planificación Alta
R22 Falta de claridad en la definición de los hitos del proyecto Alta
R23 Director de proyectos sin experiencia Baja
R24 Comunicación poco eficaz Baja
R25 Formación inadecuada de los miembros del equipo Alta
R26 Miembros del equipo sin experiencia Baja
R27 Ausencia de habilidades específicas de los miembros del equipo Baja
3. Estudio de casos
13
Tomando estos factores de riesgo y su probabilidad como entrada, se hace un análisis por medio
de un árbol de decisión que predice el fracaso en el proyecto de creación de la red social.
3.1.4.2 MÓDULO DE ANÁLISIS DE RIESGOS
Mediante este módulo, se pretenden encontrar las acciones con coste mínimo para el control de
riesgos. En primer lugar, el panel de expertos elabora una lista de acciones de control de los
riesgos:
Tabla 4. Acciones de control seleccionadas por el panel de expertos
Acción Descripción
A01 Conseguir patrocinadores A02 Plan de gestión de cambios A03 Revisar/mejorar la planificación del proyecto A04 Implementar un sistema de aseguramiento de la calidad A05 Desarrollar el proyecto en un segmento de mercado pequeño A06 Comprobar los elementos de tecnología de información del proyecto A07 Destinar el 5 – 10% del esfuerzo a la investigación del proyecto A08 Implementación escalonada del proyecto A09 Aplicar el método de priorización de requisitos MoSCoW A10 Plan de contingencia (con posibilidad de abandono del proyecto) A11 Entrenamiento extra de empleados
Considerando estas acciones, se decide cuáles deben llevarse a cabo para que la probabilidad de
los riesgos pase de “alta” a “baja” y se estima el coste de ejecución que supondrían dichas
acciones.
Tabla 5. Vínculo entre los riesgos y las acciones de control y coste de ejecución de éstas
R01 R02 R03 R05 R07 R08 R10 R11 R12 R13 R18 R21 R22 R25
A01 15W A02 10W 3W A03 10W 4W A04 20W A05 5W A06 7W A07 5W A08 35W 10W A09 5W A10 50W A11 5W
W = 10.000 CNY
Utilizando la información de la tabla anterior, el método MMAKD (“Many-to-Many Actionable
Knowledge Discovery”), basado en el modelo Random Forest, encuentra el conjunto de acciones
con coste mínimo que hacen que el proyecto sea predicho como éxito.
Tabla 6. Conjunto de acciones de coste mínimo
Acción Coste Efecto
A03 4W Cambia la probabilidad de R21 de “alta” a “baja” A11 5W Cambia la probabilidad de R25 de “alta” a “baja”
Cabe destacar que el modelo selecciona las acciones 3 y 12 en vez de la 6, 7 u 8, que actúan
directamente para mitigar los riesgos relacionados con los requerimientos del software. Una
3. Estudio de casos
14
explicación racional sería que este tipo de proyecto de red social tiene el riesgo inherente de
cambios frecuentes en los requerimientos, con lo que mejorar el plan del proyecto es más
efectivo que mitigar directamente los riesgos relacionados con los requerimientos.
3.1.5 CASO 5: CONSTRUCCIÓN DE UN OLEODUCTO
Este caso consiste en el proyecto de construcción de un oleoducto de 1.300 km en la India con
capacidad de transportar 5 millones de toneladas de petróleo al año, así como de varias
estaciones de bombeo y distribución (Dey, 2001). Se estima que el coste de este proyecto es de
600 millones de dólares.
La metodología adoptada en este estudio consta de varias etapas: identificación de paquetes de
trabajo y factores de riesgo, estimación de la severidad de los riesgos y selección de acciones para
su mitigación.
3.1.5.1 IDENTIFICACIÓN DE LOS PAQUETES DE TRABAJO Y FACTORES DE RIESGO
Un panel de expertos establece la Estructura de Descomposición del Proyecto, cuyos paquetes de
trabajo son:
Tendido de la tubería a lo largo del río
Tendido de la tubería en el resto de tramos
Construcción de estaciones
Otros paquetes (telecomunicación y protección catódica).
A partir de una tormenta de ideas, el equipo de expertos identifica los factores y sub-factores de
riesgo y los clasifica mediante el método del “Proceso Analítico Jerárquico”. La probabilidad de
ocurrencia de dichos riesgos se determina por medio de una comparación por pares (Tabla 7).
3. Estudio de casos
15
Tabla 7. Probabilidad de los riesgos del proyecto de construcción del oleoducto
Factores Probabilidad Sub-factores Probabilidad Cruce del río Tendido de la
tubería Construcción de
estaciones Otros paquetes
Riesgo técnico 0,479 Cambio en el alcance 0,172 0,029 0,067 0,053 0,022
Selección de tecnología 0,059 0,017 0,014 0,007 0,022
Metodología de la implementación 0,062 0,029 0,016 0,011 0,006
Riesgo de los equipos 0,035 0,012 0,007 0,010 0,006
Riesgo de los materiales 0,038 0,007 0,013 0,010 0,008
Cambio en la ingeniería y en el diseño 0,112 0,041 0,037 0,015 0,019
Riesgo financiero y económico
0,228 Riesgo de inflación 0,035 0,009 0,009 0,009 0,009
Riesgo de fondos 0,087 0,022 0,022 0,022 0,022
Cambios en la ley local 0,024 0,004 0,004 0,005 0,006
Cambio en la política del gobierno 0,024 0,006 0,006 0,006 0,006
Estimación inapropiada 0,058 0,025 0,025 0,010 0,005
Riesgo organizativo
0,146 Capacidad del grupo de proyectos 0,015 0,005 0,005 0,004 0,002
Capacidad del contratista 0,041 0,015 0,014 0,009 0,003
Capacidad del vendedor 0,065 0,014 0,019 0,026 0,007
Capacidad del consultor 0,024 0,012 0,003 0,004 0,005
Imprevistos 0,064 Calamidad normal 0,028 0,012 0,010 0,004 0,003
Calamidad anormal 0,036 0,011 0,017 0,003 0,004
Riesgo de permisos
0,083 Permisos medioambientales 0,022 0,005 0,005 0,005 0,005
Adquisición del terreno 0,038 0,005 0,020 0,011 0,002
Permiso de explosivos 0,011 0,003 0,003 0,004 0,001
Otros permisos 0,012 0,003 0,003 0,002 0,004
Probabilidad global de fallo 0,286 0,317 0,229 0,169
Ranking 2 1 3 4
3. Estudio de casos
16
3.1.5.2 ESTIMACIÓN DE LA SEVERIDAD DE LOS RIESGOS
Se estima la severidad de cada riesgo en términos de sobrecoste y retraso de la duración del
proyecto y se hace una clasificación de riesgos en función de su probabilidad y severidad. Con
estos valores se calcula que el proyecto se completará en 8,3 meses más de los previstos y un
sobrecoste de 71,23 millones de dólares con una probabilidad del 90%.
3.1.5.3 SELECCIÓN DE ACCIONES PARA LA MITIGACIÓN DE RIESGOS
El grupo de expertos propone posibles acciones contra riesgos y calcula su coste para cada
paquete de trabajo:
Tabla 8. Coste (M$) de acciones de mitigación de riesgos para cada paquete de trabajo
Acción Descripción Cruce del río
Tendido de la tubería
Construcción de estaciones
Otros paquetes
A01 Investigación detallada para reducir cambios en el alcance y en el diseño
12 6 6 3
A02 Seleccionar la tecnología y metodología en base a la experiencia del consultor y disponibilidad de contratistas
3 6 4 1,5
A03 Ejecutar el diseño e ingeniería en base a la tecnología y metodología seleccionadas y a un estudio detallado
1 1 1 1
A04 Seleccionar contratistas, consultores y vendedores de acuerdo a su desempeño anterior
22 16 10 2
A05 Planificar el proyecto acomodándolo a las calamidades estacionales
6 - 4 -
A06 Plan de contingencia 11 2 6 1 A07 Asegurar la disponibilidad de permisos antes del
diseño 1 1 1 1
Total 56 32 32 10 Total general 140
De entre estas acciones, se consideran tres posibilidades: no llevar a cabo ninguna acción, realizar
o bien las respuestas A01, A02 o A04 o llevar a cabo todas las acciones descritas en la Tabla 8.
Para cada paquete de trabajo, se crean árboles de decisión considerando la probabilidad y
severidad de los riesgos y las acciones de mitigación seleccionadas por el panel de expertos. Los
árboles de decisión devuelven los valores esperados, en cuanto a tiempo y coste del proyecto
para cada alternativa, permitiendo elegir la estrategia a seguir, que en este caso es la que se
muestra a continuación:
Tabla 9. Acciones de mitigación de riesgos seleccionadas para cada paquete de trabajo
Paquete de trabajo Acción de mitigación
Tendido de la tubería a lo largo del río A01 Tendido de la tubería en el resto de tramos Todas las acciones Construcción de estaciones A04 Otros paquetes Ninguna
El coste total de estas respuestas es de 65,65 millones de dólares.
3. Estudio de casos
17
3.1.6 CASO 6: CONSTRUCCIÓN DE TRES PROYECTOS INTERNACIONALES
Se consideran tres proyectos internacionales ya finalizados, que representan condiciones muy
diversas (Ha et al., 2008):
Tabla 10. Condiciones de los tres proyectos internacionales
Características del proyecto
Proyecto 1 Proyecto 2 Proyecto 3
Descripción Autopista en el Sur en Indonesia
Planta de eliminación de gas ácido en Kuwait
Línea de metro este-oeste en Singapur
Tipo Proyecto civil Planta industrial Proyecto civil
Tamaño 183 M$ 170 M$ 153 M$
Duración total Comienzo: 02/03/2004 Fin: 07/09/2006
Comienzo: 01/02/2005 Fin: 01/10/2006
Comienzo: 01/07/2001 Fin: 30/06/2008
Sistema de licitación Licitación competitiva Licitación competitiva Licitación competitiva
Tipo de contrato Precio unitario Suma global con cláusulas de nivelación
Suma global
Riesgos de fuerza mayor
Asumidos por el promotor
Parcialmente asumidos por el promotor
Parcialmente asumidos por el promotor
Riesgo global Bajo Intermedio Alto
Fuente de financiación Gobierno Gobierno y sector privado Gobierno y sector privado
Competidores claves en la fase de licitación
4 4 7
Beneficio >10% 0% 5% de pérdidas
El modelo propuesto para el análisis de riesgos se llama FIRMS (“Fully Integrated Risk
Management System for International Construction”) y contiene tres módulos: decisión de
licitación, predicción del beneficio y análisis de riesgos.
3.1.6.1 MÓDULO DE DECISIÓN DE LICITACIÓN
Un panel de expertos revisa la situación de cada proyecto, evaluando sus factores críticos de éxito
y fallo. Además, se determinan los atributos relevantes para el proyecto con el objeto de
clasificarlos atendiendo a su valor total:
Tabla 11. Resultados del módulo de licitación para los tres proyectos
Criterio Proyecto 1 Proyecto 2 Proyecto 3
Beneficio potencial 34,6 4,9 0,4 Riesgo del proyecto 24,3 8,6 14,1 Concurso de licitación 8,5 4,4 9,9 Características del proyecto 8,0 26,9 3,8 Posición de la compañía 4,6 15,2 17,8 Valor total 80,0 60,1 46,1
3.1.6.2 MÓDULO DE PREDICCIÓN DEL BENEFICIO
El responsable de la toma de decisiones comprueba si el proyecto se encuentra en la zona de
beneficios o pérdidas basándose en el grado de rentabilidad. Para ello se utiliza un modelo
estadístico de predicción del beneficio. Para implementar el modelo, hay que introducir la
información básica de cada proyecto y la severidad de cada riesgo en un cuestionario a través de
la web. Tomando esta información como punto de partida, se calcula el nivel de beneficios de
3. Estudio de casos
18
cada proyecto mediante un modelo de regresión múltiple. También se proporcionan las variables
del riesgo que afectan críticamente al beneficio. Este módulo contiene además una base de datos
de proyectos que puede utilizarse para hacer comparaciones con el proyecto de estudio. Los
resultados de la aplicación de este modelo a los tres proyectos se muestran en la siguiente tabla:
Tabla 12. Resultados del módulo de predicción del beneficio
Criterio Proyecto 1 Proyecto 2 Proyecto 3
Nivel de beneficio (1 – 7) 5,34 3,10 2,77
Nivel de beneficio (tipo de proyecto)
Dentro del 8,98% de los mejores proyectos civiles
Dentro del 38,01% de los peores proyectos de plantas industriales
Dentro del 20,5% de los peores proyectos civiles
Nivel de beneficio (región)
Dentro del 10,27% de los mejores proyectos de Asia
Dentro del 40,23% de los peores proyectos de Oriente Medio
Dentro del 24,15% de los peores proyectos de Asia
3.1.6.3 MÓDULO DE ANÁLISIS DE RIESGOS
En primer lugar se identifican los riesgos y sus causas y efectos. Para evaluarlos, se utiliza el
método PIS (“Probability-Impact-Significance”) que tiene en cuenta la probabilidad, impacto y
significancia de cada riesgo y se clasifican mediante el cheklist “SE” (“Source Event”). Por último,
se determina si sería necesario llevar a cabo o no acciones de contingencia y, en caso afirmativo,
el coste que supondrían:
Tabla 13. Resultados del módulo de análisis de riesgos
Criterio Proyecto 1 Proyecto 2 Proyecto 3
Top 3 de riesgos (identificación)
- Alcance demasiado ambicioso - Retrasos en la concesión de permisos - Bancarrota de subcontratistas
- Repetición de trabajos por cambios en las regulaciones y códigos de diseño. - Retrasos en la ejecución - Impuestos excesivos sobre el beneficio
- Retraso en la programación por falta de recursos - Repetición de trabajos por distintas condiciones del emplazamiento y falta de investigación - Retrasos en la concesión de permisos
Pérdidas iniciales debidas a riesgos
10.634 M$ (5,8%) 14.280 M$ (8,4%) 14.574 M$ (9,5%)
Pérdidas tras adoptar acciones contra riesgos
5.684 M$ (3,1%) 7.650 M$ (4,5%) 9.971 M$ (6,5%)
Coste de acciones de contingencia y riesgos residuales
8.250 M$ (4,5%) 9.180 M$ (5,4%) 11.045 M$ (7,2%)
Nota: Los porcentajes se calculan sobre el coste total presupuestado de cada proyecto
Como puede apreciarse, el Proyecto 1 es el que está expuesto a un menor nivel de riesgo y
requiere únicamente una pequeña inversión en acciones de contingencia.
3. Estudio de casos
19
3.1.7 CASO 7: CONSTRUCCIÓN DE UNA ESTACIÓN METEOROLÓGICA
La metodología ProRisk ayuda a determinar las consecuencias de los posibles riesgos combinados
o no con acciones correctivas y/o preventivas (Nguyen et al., 2013). Dicha metodología se ilustra
mediante un proyecto de construcción de una estación meteorológica, que consta de tres fases
en las que se han identificado tres posibles riesgos y seis tareas en total.
Fig. 9. Planificación inicial del proyecto
Un equipo de expertos determina la probabilidad e impacto de cada riesgo y se calcula la
criticalidad como el producto de las dos variables anteriores. En la Tabla 14 se muestran las
distintas combinaciones de riesgos que pueden tener lugar en el proyecto ordenadas según su
criticalidad y se indica la repercusión de las mismas en la duración y coste finales del proyecto:
Tabla 14. Escenarios del proyecto sin estrategias de tratamiento
Riesgos Probabilidad Impacto Criticalidad Duración (ut) Coste (um)
R3 0,432 0,769 0,332 39 320 R1, R3 0,108 0,874 0,094 40 321 R2, R3 0,048 0,895 0,043 39 341 R1, R2, R3 0,012 1,000 0,012 40 342 R1 0,072 0,105 0,008 36 258 R2 0,032 0,126 0,004 35 278 R1, R2 0,008 0,231 0,002 36 279 0,288 0,00 0,000 35 257
Asimismo, se determinan estrategias de tratamiento asociadas a los riesgos. Cada estrategia está
determinada por una duración, produciendo cambios en alguna actividad, y un sobrecoste en el
proyecto. La elección de la estrategia de tratamiento adecuada es, por tanto, un problema de
decisión multicriterio. Por consiguiente, se considera el impacto global como una variable que
recoge a las anteriores.
Teniendo en cuenta los riesgos y las estrategias de tratamiento, se crean los correspondientes
escenarios por medio de ProRisk, que se indican ordenados según su criticalidad en la siguiente
tabla:
3. Estudio de casos
20
Tabla 15. Escenarios del proyecto sin estrategias de tratamiento
(Riesgos, Estrategia) Probabilidad Impacto Criticalidad Duración (ut) Coste (um)
(R3,.) 0,432 0,769 0,332 39 320 (.,StT33) 0,677 0,441 0,299 36 315 (.,StT31) 0,576 0,288 0,166 37 272 (.,StT32) 0,612 0,235 0,144 36 280 (R1,.) (R3,.) 0,108 0,874 0,094 40 321 (R1,.) (.,StT33) 0,169 0,546 0,092 37 316 (R3, StT31) 0,144 0,541 0,078 39 281 (R1,.) (.,StT31) 0,144 0,393 0,057 38 273 (R1,.) (.,StT32) 0,153 0,340 0,052 37 281 (R2,.) (R3,.) 0,048 0,895 0,043 39 341 (R2,.) (.,StT33) 0,075 0,567 0,043 36 336 (R2,StT21) (R3,.) 0,048 0,816 0,039 39 328 (R3,StT32) 0,108 0,361 0,039 37 284 (R2,StT21) (.,StT33) 0,075 0,488 0,037 36 323 (R2,.) (.,StT31) 0,064 0,414 0,027 37 293 (R2,.) (.,StT32) 0,068 0,361 0,025 36 301 (R1,.) (R3, StT31) 0,036 0,645 0,023 40 282 (R2,StT21) (.,StT31) 0,064 0,335 0,021 37 280 (R2,StT21) (.,StT32) 0,068 0,282 0,019 36 288 (R3, StT33) 0,043 0,441 0,019 36 315 (R1,.) (R2,.) (.,StT33) 0,019 0,672 0,013 37 337 (R1,.) (R3, StT32) 0,027 0,466 0,013 38 285 (R1,.) (R2,.) (R3,.) 0,012 1,000 0,012 40 342 (R1,.) (R2,StT21) (.,StT33) 0,019 0,593 0,011 37 324 (R1,.) (R2,StT21) (R3,.) 0,012 0,921 0,011 40 329 (R2,.) (R3,StT21) 0,016 0,667 0,011 39 302 (R2,StT21) (R3,StT31) 0,016 0,588 0,009 39 289 (R1,.) (R2,.) (.,StT31) 0,016 0,519 0,008 38 294 (R1,.) (R2,.) (.,StT32) 0,017 0,466 0,008 37 302 (R1,.) 0,072 0,105 0,008 36 258 (R1,.) (R2,StT21) (.,StT31) 0,016 0,440 0,007 38 281 (R1,.) (R2,StT21) (.,StT32) 0,017 0,387 0,007 37 289 (R1,.) (R3,StT33) 0,011 0,546 0,006 37 316 (R2,.) (R3,StT32) 0,012 0,487 0,006 37 306 (R2,StT21) (R3,StT32) 0,012 0,408 0,005 37 292 (R2,.) 0,032 0,126 0,004 35 278 (R1,.) (R2,.) (R3,StT31) 0,004 0,771 0,003 40 303 (R1,.) (R2,StT21) (R2,StT31) 0,004 0,692 0,003 40 290 (R2,.) (R3,StT33) 0,005 0,567 0,003 36 336 (R2,StT21) (R3,StT33) 0,005 0,488 0,002 36 323 (R1,.) (R2,.) 0,008 0,231 0,002 36 279 (R1,.) (R2,.) (R3,StT32) 0,003 0,592 0,002 38 307 (R1,.) (R2,StT21) (R3,StT32) 0,003 0,513 0,002 38 293 (R2,StT21) 0,032 0,047 0,001 35 265 (R1,.) (R2,StT21) 0,008 0,152 0,001 36 266 (R1,.) (R2,.) (R3,StT33) 0,001 0,672 0,001 37 337 (R1,.) (R2,StT21) (R3,StT33) 0,001 0,593 0,001 37 324 (.,.) 0,288 0,000 0,000 35 257
Nota: el “.” Indica que no hay riesgo/estrategia
Esta tabla permite responder a la pregunta “¿qué estrategia seguir para maximizar la probabilidad
del escenario en el que no ocurren riesgos?”. Sin implementar ninguna estrategia, la probabilidad
de que no ocurra ningún riesgo es P(.,.) = 0,288 y, con la estrategia StT33 aumenta a P(.,StT33) =
3. Estudio de casos
21
0,677. Esto se debe a que dicha estrategia diminuye R3, que es el riesgo de mayor criticalidad,
desde P(R3,.) = 0,432 a P(R3,StT33) = 0,043.
En base al compromiso contractual en cuanto a presupuesto y duración del proyecto, se define
una zona de aceptabilidad de sobrecostes y retrasos. Los escenarios de riesgo R1 y R2
permanecen dentro esta zona, sin embargo, el escenario R3 o los escenarios que combinan este
riesgo con R1 y/o R2 no, tal y como se muestra en la Fig. 10.
Fig. 10. Escenario de riesgos
Como el riesgo de mayor criticalidad es el R3, las posibles estrategias de tratamiento se centrarán
en minimizar la probabilidad de ocurrencia de este riesgo.
Fig. 11. Selección de la estrategia de tratamiento más adecuada
De las tres estrategias posibles, solamente dos hacen que el proyecto esté en la zona de
aceptabilidad. El director de proyecto podría elegir cualquiera de ellas, según la que estime más
conveniente.
3. Estudio de casos
22
3.1.8 CASO 8: CONSTRUCCIÓN DE UN SATÉLITE
La industria aeroespacial, caracterizada por su constante innovación tecnológica, experimenta
una presión cada vez mayor desde los últimos 20 años, en especial, a raíz de los programas de la
NASA “Faster, Better, Cheaper” y “Smaller, Better, Cheaper”, que fuerzan a este sector a reducir
costes y minimizar tiempos (Marmier et al., 2013).
El objetivo de este caso es realizar el proyecto de construcción de un satélite, teniendo en cuenta
que los riesgos inherentes no repercutan excesivamente en el coste y duración, considerando
posibles estrategias de tratamiento. El Sistema de Apoyo a la Toma de Decisiones es, como en el
caso anterior, el software ProRisk.
El proyecto consta de 7 fases, cuya duración y coste se muestran a continuación:
Tabla 16. Fases del proyecto de construcción del satélite
Fases Descripción Duración (ut) Coste (um)
T1 Integración de materiales 216 16,2 T2 Examen inicial 27 2,0 T3 Test de compatibilidad electromagnética 18 1,4 T4 Ensayo de vacío térmico 27 2,2 T5 Ensayos mecánicos 12 0,9 T6 Examen final 27 2,0 T7 Vuelo - - Total 327 24,7
ut: unidades de tiempo; um: unidades monetarias
El compromiso contractual en duración y coste del proyecto es 425 ut y 39 um, respectivamente.
Un panel de expertos identifica los riesgos asociados al proyecto, su probabilidad e impacto. En la
mayoría de casos, este último se considera infinito ya que los costes y retrasos del proyecto se
incrementarán continuamente hasta que se lleve a cabo una acción correctiva ante el riesgo.
Tabla 17. Riesgos asociados al proyecto
Riesgos Descripción Probabilidad Periodo de ocurrencia
Impacto en el coste
Impacto en la duración
R1 Anomalía durante la integración de materiales
30% T1 ∞ ∞
R2 Retraso en la recepción de materiales 20% T1 10 20 R3 Fallo de componentes/software 25% T2 ∞ ∞ R4 Incompatibilidad eléctrica 1% T3 ∞ ∞ R5 Anomalía grave en el examen final 15% T6 ∞ ∞ R6 Anomalía leve en el examen final 6% T6 ∞ ∞ R7 Fallo del satélite durante el
funcionamiento en el espacio 1% T7 ∞ ∞
Para cada riesgo, también se indican posibles estrategias con repercusiones en la duración y el
coste del proyecto tanto preventivas, para reducir riesgos, como correctivas:
3. Estudio de casos
23
Tabla 18. Estrategias de tratamiento
Estrategias Descripción Tarea
modificada Duración
(ut) Coste (ut)
Probabilidad reducida
StT11(p) Revisión exhaustiva de materiales T1 0 30 10% StT12(c) Modificar material/software T1 5 5 StT11(p) y StT12(c) - T1 5 5 StT21(p) Disponer de material crítico en stock T1 5 10 10% StT31(c) Examinar el problema y solucionarlo T2 5 2 StT41(c) Modificar componentes del satélite T3 5 2 StT51(c) Reparar fallos observados T6 5 2 StT61(c) Devolver equipo defectuoso al proveedor T6 120 12
Como se desea cumplir con el coste y duración del proyecto acordados con el promotor, los
expertos proponen modificaciones en la estructura de desarrollo del satélite para incrementar la
tasa de éxito:
Alternativa 1: compra de equipos certificados para reducir el examen inicial.
Alternativa 2: supresión del test de compatibilidad electromagnética, ya que en muchos
casos este test no consigue detectar fallos significativos.
Alternativa 3: supresión de ensayos finales. El ensayo de vacío térmico podría validar el
comportamiento global del sistema.
Alternativa 4: combinación de las alternativas 1 y 2.
Tabla 19. Estrategias de tratamiento
Alternativas Riesgo modificado Nueva característica Prob./Retraso/Sobrecoste
Referencia 1 R5 30%/SC/SC 2 R4 transferido a T7 SC/FP 3 R5 transferido a T4
R6 transferido a T4 R5: 15%/5/8 R6:15%/120/48
4 R5 R4 transferido a T7
30%/SC/SC SC/FP
Nota: SC: sin cambio, FP: fallo del proyecto por no poder llevar a cabo acciones correctivas
Para evaluar qué alternativa es la más conveniente para respetar la duración y coste acordados,
se generan los escenarios del proyecto teniendo en cuenta los riesgos y las estrategias de
tratamiento preventivas comentadas en párrafos anteriores (Tabla 20). El número de escenarios
es muy grande, por lo que, haciendo uso de árboles de decisión, se seleccionan únicamente los
escenarios que minimizan la criticalidad máxima para cada estrategia (número de escenarios
pertinentes). En la Tabla 20, se indica también el porcentaje de escenarios que cumplen el
compromiso contractual del proyecto.
3. Estudio de casos
24
Tabla 20. Resultados del modelo
Alternativas Estrategias preventivas
Número de escenarios pertinentes
Criticalidad máxima
% Escenarios que cumplen el contrato
Referencia Ø 972 0,1652 31,25
StT11 1296 0,2409 21,88
StT21 972 0,2107 10,94
StT11y StT21 1296 0,3030 0
1 Ø 972 0,1328 35,94
StT11 1296 0,19947 21,88
StT21 972 0,1703 12,5
StT11y StT21 1296 0,2459 0
2 Ø 648 0,1658 34,38
StT11 864 0,2424 25,00
StT21 648 0,2121 12,50
StT11y StT21 864 0,3057 0
3 Ø 972 0,1399 29,69
StT11 1296 0,1984 12,50
StT21 948 0,1736 7,81
StT11y StT21 1296 0,2441 0
4 Ø 648 0,1319 53,13
StT11 864 0,1945 25,00
StT21 648 0,1702 15,63
StT11y StT21 864 0,2468 0
Según los resultados, se decidiría escoger la alternativa 4 sin aplicar ninguna estrategia de
tratamiento preventivo, ya que el 53% de los escenarios pertinentes respectan el compromiso
contractual. Esto se debe a que el coste de las estrategias preventivas es elevado, lo que se
repercute en un aumento de la criticalidad.
3. Estudio de casos
25
3.1.9 CASO 9: CONSTRUCCIÓN DE VIVIENDAS PARA TROPAS RUSAS
El Programa Internacional de Construcción de Viviendas para las tropas soviéticas retiradas desde
Alemania llevó a cabo la construcción de más de 45.000 apartamentos con un coste total de 8,35
billones de marcos alemanes (Aleshin, 2001). En este estudio, se considera el proyecto de
construcción de 16 de estos apartamentos. El estudio de riesgos consta de tres fases:
identificación, clasificación y evaluación de riesgos.
3.1.9.1 IDENTIFICACIÓN DE RIESGOS
La identificación de riesgos se lleva a cabo por medio de un formulario estándar, que incluye
datos como el nombre del riesgo, etapa del ciclo de vida del proyecto en la que se produce el
riesgo y las posibles razones y consecuencias del mismo. Como resultado de esta etapa, se
identificaron 2.000 riesgos inherentes.
3.1.9.2 CLASIFICACIÓN DE RIESGOS
El objetivo es establecer las relaciones causa-efecto entre los riesgos. La clasificación se realiza
por medio del Proceso Analítico Jerárquico. Los riesgos se dividen en internos y externos. Los
internos son los que se inician dentro del proyecto y los externos, aquellos producidos por el
entorno. Mediante esta clasificación se obtiene la Estructura de Descomposición de Riesgos
(EDR).
Posteriormente, se crea una matriz que establece la conexión entre la EDR y la Estructura de
Descomposición del Proyecto (EDP). Así se observa que algunos de los riesgos son más
característicos de elementos internos, mientras que otros son característicos de elementos
externos al proyecto.
Fig. 12. Relación entre la EDR y la EDP
3. Estudio de casos
26
De la misma manera se establece la conexión entre la EDR y el ciclo de vida.
Fig. 13. Relación entre la EDR y el ciclo de vida del proyecto
El resultado de esta fase permite al equipo de proyecto concentrarse en paquetes de trabajo
concretos de la EDP y en determinadas fases del ciclo de vida del proyecto, con lo que se pueden
reducir de antemano los riesgos.
3.1.9.3 EVALUACIÓN DE RIESGOS
En esta fase, se realiza un ranking de riesgos en base a tres factores: retraso del proyecto,
frecuencia del riesgo y una combinación de ambos. Atendiendo al retraso medio en la duración
del proyecto, los riesgos se dividen en cinco categorías: A, B, C, D y E y, con respecto a la
frecuencia de los riesgos, se clasifican en 0, 1, 2 y 3, como puede observarse en la Fig. 14.
3. Estudio de casos
27
Fig. 14. Ranking de riesgos
El análisis muestra que el 68% de los riesgos son causados por razones organizacionales, el 22%
son técnicos y los restantes, financieros. 83% de los riesgos tienen una sola causa pero el 17%
tienen muchas causas de origen.
El análisis de este caso de estudio permite crear un Sistema de Apoyo a la Toma de Decisiones
para el análisis de riesgos, llamado INSPIRER (“Interactive Successful Project Implementation with
Reduction Risk Events in Russia”). Este sistema consta de dos componentes: módulo de formación
y el propio Sistema de Apoyo a la Toma de Decisiones. Gracias al primer componente, que es una
base de datos, el usuario recopila información sobre los riesgos que se pueden originar durante el
curso del proyecto y sus características. Con el segundo elemento, el usuario puede evaluar su
3. Estudio de casos
28
nivel de conocimiento en cuanto a características cuantitativas del riesgo correspondientes a
datos que contiene el sistema.
3.1.10 CASO 10: GESTIÓN DE MODIFICACIONES EN PROYECTOS DE CONSTRUCCIÓN
Los proyectos de construcción suelen presentar numerosas modificaciones, en general durante
las fases de diseño y construcción. Estas variaciones se deben a factores impredecibles como las
condiciones climatológicas o el rendimiento del contratista, que pueden ocasionar retrasos en el
proyecto (Arain et al., 2004).
Con el fin de minimizar estas modificaciones se ha desarrollado un KBDSS que consta de dos
componentes: una base de datos y un módulo de apoyo a la toma de decisiones (Arain y LS,
2006).
La base de datos se ha desarrollado a partir de la recolección de datos de documentos de 79
proyectos institucionales, revisión de literatura, cuestionarios y entrevistas con profesionales
implicados en proyectos de construcción. Está formada por tres capas: macro-capa, micro-capa y
capa de efectos y control. En la macro-capa, para cada proyecto se muestra información sobre el
nombre, nivel institucional, número de fases, fecha de inicio, duración planificada, duración final,
tipo, número y frecuencia de las modificaciones producidas y contratistas y consultores del
proyecto. Además, la macro-capa permite realizar un análisis de la información por medio de
filtros. Por ejemplo, el usuario podría visualizar los proyectos terminados con retraso y, entre
éstos, aquellos con mayor número o frecuencia de modificaciones, lo que haría posible detectar
su naturaleza. La micro-capa, contiene información detallada sobre las modificaciones:
naturaleza, coste, motivo de las modificaciones, etc. Por último, la capa de efectos y control
contiene una lista con los efectos más importantes que pueden provocar las variaciones del
proyecto y los controles más efectivos de las causas que las ocasionan.
El módulo de apoyo a la toma de decisiones se integra con la base de datos para ayudar al usuario
a seleccionar los controles más apropiados para las modificaciones del proyecto en base a tres
criterios: tiempo, coste y calidad del proyecto. Para seleccionar dichas estrategias de control se
emplea el Proceso Analítico Jerárquico, utilizando como método de clasificación la comparación
directa o por pares.
Para validar el KBDSS se utiliza un proyecto de construcción de un edificio educacional, cuyas
características se muestran en la Tabla 21:
Tabla 21. Características del proyecto
Promotor Agencia gubernamental Consultor Vista Architect Associates Contratista A determinar Superficie total a construir 17.500 m
2
Número de bloques 3 Coste 12.270.442 S$ Duración 23 meses Fecha estimada de inicio 12/06/2006 Fecha estimada de finalización 20/05/2008 Programa Programa para la reconstrucción y mejora de instituciones
3. Estudio de casos
29
Utilizando la información disponible en la base de datos del KBDSS acerca de proyectos con
características similares al del caso de estudio, el equipo de proyecto observó que el 71% se
completaron fuera de plazo. El 9% de ellos excedieron el coste destinado a imprevistos. Además,
se revisaron los proyectos en los que participó “Vista Architect Associates”. De los 4 proyectos
realizados por este consultor, 3 se completaron fuera de plazo y utilizaron más del 100% del coste
para imprevistos. Por otro lado, atendiendo a las modificaciones producidas, la mayoría de éstas
se produjeron en los trabajos arquitectónicos (65%), siendo la causa principal las discrepancias en
el diseño (16%).
Una vez identificada la causa principal, el equipo de proyecto selecciona como criterio de decisión
más importante la calidad del proyecto, seguido del plazo y el coste. Según este criterio, el KBDSS
proporciona los controles a realizar para minimizar las variaciones del proyecto en orden de
importancia (Tabla 22).
Tabla 22. Estrategias de control para la minimización de las variaciones del proyecto
Control Valor Puntuación
Informe del proyecto claro y exhaustivo
0,192
Diseño más exhaustivo
0,182
Mayor investigación de proyectos previos similares
0,160
Mayor implicación del promotor en las fases de planificación y diseño
0,157
Mayor implicación del contratista en la planificación
0,144
Trabajo en equipo del promotor, contratista y consultor
0,105
Congelación del diseño 0,059
El control más efectivo es una descripción clara y detallada del proyecto. Sin embargo, el equipo
de proyecto se decantó por destinar más tiempo al diseño de detalles.
3. Estudio de casos
30
3.2 SELECCIÓN DE PROYECTOS
La selección de proyectos en una organización es un proceso recurrente y muy complejo debido al
gran número de factores externos e internos a tener en cuenta (Khalili-Damghani y Sadi-Nezhad,
2013). Estos factores pueden ser, a su vez, económicos, sociales, ambientales, organizacionales o
estratégicos. Además, la selección de proyectos se lleva a cabo con frecuencia en entornos de
incertidumbre.
Según las razones mencionadas en el párrafo anterior, a la hora de seleccionar el portfolio de
proyectos más adecuado es fundamental definir un Sistema de Apoyo a la Toma de Decisiones
eficaz que permita a la empresa aumentar su ventaja competitiva en un determinado sector.
3.2.1 CASO 11: SELECCIÓN DE PROYECTOS EN LA INDUSTRIA ALIMENTARIA
El caso de estudio es la selección de proyectos en una empresa alimentaria de Taiwán con
presencia global (Lin y Hsieh, 2004). La compañía cuenta con cuatro Unidades Estratégicas de
Negocio (UENs): Producción, Marketing, I+D e Ingeniería y Dirección.
Para seleccionar el portfolio más apropiado, se aplica un modelo basado en la lógica difusa,
técnica que permite representar el conocimiento común de tipo cualitativo (información vaga,
ambigua, imprecisa, con ruido o incompleta) en un lenguaje matemático.
El modelo consta de tres fases: pre-evaluación, obtención de preferencias y análisis de datos.
3.2.1.1 PRE-EVALUACIÓN
En esta fase se seleccionan los proyectos a tener en cuenta y se establecen las limitaciones de
recursos y los planes estratégicos (j) de cada UEN (i), PEij. Producción, Marketing, I+D e Ingeniería
y Dirección identifican 4, 2, 3 y 2 planes estratégicos, respectivamente. A continuación, se
identifican los factores internos que evalúan la fortaleza de las UENs y los factores externos que
determinan el atractivo de cada UEN:
Tabla 23. Factores de fortaleza del negocio y de atractivo de la industria
Fortaleza de negocio Atractivo de la industria
Producción Localización y número de plantas
Factores de mercado Mercado con barreras de entrada
Tamaño de las plantas Beneficio del negocio Antigüedad de las plantas Nivel de automatización Factores competitivos Barreras a la entrada Barreras a la salida Marketing Contratación Disponibilidad de productos
sustitutivos Lealtad a la marca Imagen del negocio Factores económicos y
gubernamentales Inflación
I+D e Ingeniería Recursos humanos Nivel salarial Patentes Legislación Impuestos Dirección Capacidad de gestión Sistemas de planificación y
control Factores sociales Impacto ecológico
Protección del consumidor Fortaleza financiera Grado de sindicalización
3. Estudio de casos
31
Por último, se decide el modelo de programación basado en la lógica difusa considerando las
siguientes premisas:
Para evaluar la viabilidad de los planes estratégicos se consideran los parámetros coste de
inversión y beneficio esperado.
Los planes estratégicos son independientes.
Cada UEN puede llevar a cabo tan solo un plan estratégico por año.
La función a maximizar es el rendimiento de la inversión. Se definen pesos para cada plan
estratégico, fortaleza de las UENs y su atractivo.
3.2.1.2 OBTENCIÓN DE PREFERENCIAS
En este módulo se definen las variables lingüísticas y sus correspondientes números triangulares
difusos, que se utilizan para representar la clasificación e importancia de los factores internos,
externos y de viabilidad, comentados en el apartado anterior. También se definen los pesos de
cada criterio.
3.2.1.3 ANÁLISIS DE DATOS
La ejecución del modelo permite clasificar los planes estratégicos según los factores comentados
anteriormente, tal y como se puede observar en la Fig. 15:
Fig. 15. Clasificación de los planes estratégicos
Los resultados del modelo se muestran en la Tabla 24. En este Sistema de Apoyo a la Toma de
Decisiones se utiliza un nivel de optimismo, que indica la actitud del responsable de la toma de
decisiones hacia el problema de selección de proyectos. De acuerdo a este parámetro se
muestran dos tipos de resultados. Si el decisor se muestra pesimista (nivel de optimismo = 0) y
piensa que la probabilidad de que se cumplan sus predicciones es alta, entonces se escogería el
nivel de confianza 1. En este caso, se obtendría un rendimiento de la inversión de 23 M$ con los
correspondientes planes estratégicos. El máximo rendimiento de la inversión, 35 M$, sería ante
un decisor optimista con un nivel de confianza de 1.
3. Estudio de casos
32
Tabla 24. Rendimiento de la inversión según el modelo de programación basado en la lógica difusa
Planes estratégicos Intervalo del nivel
de confianza Rendimiento de la
inversión (M$)
Nivel de optimismo = 0 PE14, PE21, PE33, PE42 [0; 0,375] 31,00 – 27,25 PE13, PE21, PE31, PE42 [0,375; 0,75] 27,25 – 24,25 PE11, PE21, PE31, PE41 [0,75; 1] 24,25 – 23
Nivel de optimismo = 1 PE12, PE21, PE33, PE41 [0; 0,5] 31,00 – 33,50 PE12, PE21, PE31, PE41 [0,5; 1] 33,50 – 35,00
3.2.2 CASO 12: SELECCIÓN DE PROYECTOS MULTIOBJETIVO
En este caso de estudio también se hace uso de la lógica difusa (Khalili-Damghani y Sadi-Nezhad,
2013).
El modelo desarrollado consta de dos módulos. El primero de ellos considera factores económicos
como coste, beneficio, presupuesto y tasa de retorno y otros factores como utilización de
recursos y limitaciones técnicas. Ante un problema con múltiples objetivos, se utiliza el algoritmo
TOPSIS (“Technique for Order of Preference by Similarity to Ideal Solution”) para transformarlo en
un problema bi-objetivo. Este algoritmo es muy útil cuando el responsable de la toma de
decisiones quiere obtener soluciones de alta calidad y alejarse de aquellas que conlleven un alto
riesgo. Los objetivos iniciales del problema se siguen teniendo en cuenta ya que están englobados
en las dos funciones a optimizar, asignándoles un peso según su importancia.
El segundo módulo, desarrollado en MatLab, utiliza los criterios generales de selección de
proyectos y las funciones a optimizar como entrada y proporciona como salida la oportunidad de
inversión, que incluye factores financieros y no financieros, como medioambientales, efectos
sociales, etc.
El modelo se aplica a la selección entre cuatro grandes proyectos: Transporte Público (P1),
Nanotecnología (P2), Generación de Energía Eléctrica (P3) y Refinería de Petróleo (P4), con un
horizonte de planificación de 10 años. Esta selección debe ser realizada por parte de un instituto
financiero de crédito iraní.
En la Tabla 25, se muestra el presupuesto de los proyectos en función del periodo:
Tabla 25. Presupuesto de los proyecto según el periodo
Presupuesto (10 M$)
Proyecto T1 T2 T3 T4 T5 T6 T7 T8 T9 T10 P1 103,48 109,64 103,11 108,84 109,03 107,50 100,39 101,39 106,66 107,64 P2 131,53 131,91 143,95 136,52 113,58 135,27 109,03 128,18 144,44 139,20 P3 121,24 101,07 113,21 108,30 111,14 101,22 103,50 116,04 115,27 106,53 P4 109,32 100,96 102,04 111,23 111,15 105,95 101,50 112,46 115,74 112,09
Ti: Periodo
Asimismo, se indican los recursos disponibles (Tabla 26) y los requeridos (Tabla 27) para la
realización de los proyectos.
3. Estudio de casos
33
Tabla 26. Recursos disponibles
Recursos humanos (pers./periodo)
Maquinaria (cantidad/periodo) Materias primas (m3/periodo)
Ingeniero 5.000 Mecánica 8.000 Químicas 2.000 Técnico 2.000 Hidráulica/Neumática 4.500 Agua 3.000 Capataz 7.000 Eléctrica 4.200 Energía fósil/solar 8.000 Trabajador 2.500 Equip. laboratorio 8.500 Minerales 1.500
Tabla 27. Recursos requeridos
Recursos humanos (pers./periodo)
Ingeniero Técnico Capataz Trabajador
P1 266 242 82 315 P2 495 210 181 460 P3 84 365 122 124 P4 315 404 159 119
Maquinaria (cantidad/periodo)
Mecánica Hidráulica/Neumática Eléctrica Equip. laboratorio
P1 8 16 9 5 P2 15 10 16 18 P3 8 11 12 3 P4 7 16 17 15
Materias primas (m3/periodo)
Químicas Agua Energía fósil/solar Minerales
P1 33 20 25 126 P2 166 149 12 9 P3 27 173 25 69 P4 81 115 27 176
El modelo calcula la máxima oportunidad de inversión que se puede obtener indicando el periodo
en el que se alcanza dicho máximo (Tabla 28). Sugiere una oportunidad de inversión alta, media,
media y muy alta para P1,9 (proyecto 1 en el periodo 9), P2,5 y P2,9 y P4,6, respectivamente.
Tabla 28. Resultados del Sistema de Apoyo a la Toma de Decisiones
Criterio Proyectos según periodo
P1,9 P2,5 P2,9 P4,6
Oportunidad de inversión 0,75 0,50 0,50 0,85
Esto implica que la organización debería reservar y asignar sus recursos para los periodos 9 y 6
principalmente ya que son prioritarios en la oportunidad de inversión (P4 y P1 respectivamente).
La planificación y asignación de recursos de P2 podría empezar tanto en el periodo 5 como en el
9.
Cabe destacar el modelo no incluye a P3 (Generación de Energía Eléctrica), lo que indica que no
debería llevarse a cabo ya que no proporciona una oportunidad de inversión significativa.
3. Estudio de casos
34
3.2.3 CASO 13: SELECCIÓN DE PROYECTOS DE SALUD
El equipo de asesoría clínica del Grupo de Centros de Salud del norte de Lisboa debe planificar
una nueva División de Cuidados para la Comunidad en cada centro de salud y decidir los
proyectos que se deben emprender (Lourenço et al., 2012). Para la selección de estos proyectos
se definen cuatro criterios: ganancias en salud, equidad, logro de los objetivos del grupo y
adecuación de los proyectos a las necesidades de la comunidad. El número de proyectos que
pueden incluirse en el portfolio es de 14 y la limitación más importante es la escasez de horas
disponibles de enfermería.
Para la selección del portfolio se emplea el software PROBE (“Portfolio Robustness Evaluation”),
basado en la programación C++, que consta de dos módulos: MCDA (“Multicriteria Decision
Analysis”) y PDA (“Portfolio Decision Analysis”).
El componente MCDA permite al usuario estructurar el beneficio en forma de un árbol de valores
e introducir datos de coste y beneficio de los proyectos en cada nivel del árbol. El PDA lleva a cabo
una optimización teniendo en cuenta las limitaciones introducidas por el usuario y encuentra
todos los portfolios eficientes considerando coste (en horas de enfermería) y beneficio (um). En la
Fig. 16, se muestra la relación entre el beneficio y coste para cada posible portfolio:
Fig. 16. Curva beneficio-coste para el caso de estudio
El portfolio más atractivo propuesto por PROBE proporcionaría 636,86 unidades de beneficio.
Aunque este portfolio no utiliza todas las horas de enfermería disponibles (consume 15.300 horas
y todavía están disponibles 2.160 horas), el Grupo de Centros de Salud y el Director Ejecutivo no
consideran apropiado seleccionar portfolios más caros ya que el beneficio que proporcionarían
sería ligeramente superior y el gasto en horas de enfermería se incrementaría considerablemente.
Además, se realizó un análisis de la robustez del portfolio seleccionado en comparación con otros.
El grupo lo consideró una elección robusta ya que uno de los proyectos que contiene es el
“Cuidado integrado de larga duración”, que no está incluido en ninguno de los otros portfolios.
3. Estudio de casos
35
3.3 PLANIFICACIÓN
La planificación es un componente esencial en Dirección de Proyectos en la que se definen los
objetivos del proyecto y las acciones necesarias para alcanzarlos teniendo en cuenta las
limitaciones de tiempo, presupuesto y calidad. Esta fase está presente a lo largo de la vida
completa de un proyecto, por lo que requiere un gran esfuerzo y tiempo (Plaza y Ozgur, 2009).
3.3.1 CASO 14: PLANIFICACIÓN DE EXPOSICIONES EN UN MUSEO DE ARTE
La planificación de las exhibiciones en museos de arte es una tarea muy compleja ya que hay
numerosos factores a tener en cuenta, como el personal disponible, las limitaciones económicas,
requerimientos especiales de las exhibiciones o el espacio disponible (Dean, 1994). El uso de las
galerías en estos museos depende principalmente de la clasificación de las exhibiciones. Por
ejemplo, las galerías que se encuentran en el primer piso suelen acoger exhibiciones importantes,
mientras que las que se sitúan en la planta baja están reservadas normalmente a exposiciones de
artistas jóvenes e innovadores. Por ello, el uso del espacio en estos museos no es óptimo ni
flexible.
El Museo de Bellas Artes de Taipei es uno de los más importantes y famosos de Taiwán. Debido a
limitaciones tanto de espacio como de financiación, sólo ofrece 30 exhibiciones anualmente, de
las que 10 se reservan a eventos regulares como el Bienal de Taipei o los Premios de Arte de
Taipei. Sin embargo, cada año recibe más de 350 solicitudes, de las que tan sólo se consideran 60
– 100. En los años 2003 – 2008 se utilizó únicamente el 55% del área de todas las galerías de este
museo. En este caso de estudio, se utiliza un Sistema de Apoyo a la Toma de Decisiones para
realizar la planificación de las exhibiciones del Museo de Bellas Artes de Taipei en el año 2007,
que permite comprobar las ventajas de este método con respecto a la planificación manual (Lee y
Lin, 2010).
El método utilizado se llama SCHEMDA (“Scheduling Exhibitions for Museums of Art”) y está
basado en algoritmos genéticos. Los algoritmos genéticos son métodos adaptativos que pueden
utilizarse para resolver problemas de búsqueda y optimización. Están basados en las leyes de
selección natural y la genética ya que combinan la supervivencia de los individuos mejor
adaptados junto con operadores de búsqueda genéticos como la mutación y el cruce. En este
caso, se busca maximizar una función de adecuación de las exhibiciones al museo, que tiene en
cuenta limitaciones de espacio, tiempo y presupuesto, así como el número mínimo de
exhibiciones al año.
El presupuesto del Museo de Bellas Artes de Taipei para el año 2007 es de 325.000 USD y el
número mínimo de exposiciones es de 20 incluyendo las exhibiciones obligatorias. También es
común que al menos dos de las exposiciones sean de colecciones que pertenecen al museo. Hay
87 exposiciones candidatas.
En cuanto a las limitaciones de espacio, en la Tabla 29 se indican las características de cada
galería:
3. Estudio de casos
36
Tabla 29. Galerías del Museo de Bellas Artes de Taipei
Galería Superficie (m2) Galerías vinculadas en el mismo piso
1A 2.534 1B 1B 1.324 1A 2A 3.618 2A 2B 2.528 2B 3A 2.112 3B, 3C 3B 2.190 3A, 3C 3C 2.505 3A, 3B B1D 1.568 B1E, B1G B1E 1.067 B1D, B1F B1F 1.067 B1E B1G 1.332 B1D
Teniendo en cuenta estas limitaciones, el algoritmo SCHEMA calcula que se pueden realizar 32
exhibiciones para el Museo de Bellas Artes de Taipei en el año 2007, que son las siguientes:
Tabla 30. Planificación de las exhibiciones propuesta por SCHEMA
Exhibiciones Duración Galerías
Arquitectura del mañana 14/02/2007 – 22/04/2007 3C Celebración del centenario de Li Shih-Chiao 16/02/2007 – 06/05/2007 3A – 3B Una Exposición de Taiwán a través de la Experiencia Japonesa 23/02/2007 – 29/032007 B1G Una Retrospectiva de la Pintura del Tiempo Cíclico de Su Hsin-Tien
10/03/2007 – 24/06/2007 1A
La Nueva Escena Artística Italiana 10/03/2007 – 24/06/2007 1B Naturaleza muerta (colección del museo) 10/03/2007 – 27/03/2007 2A – 2B Panorama de Taiwán – La Ilusión Realística 17/03/2007 – 06/05/2007 B1E Todo quedará en Ruinas – Yao Jui-Chung 25/03/2007 – 01/05/2007 B1F En el Teatro Confiamos – 2007 Cuatrienal de Praga 07/04/2007 – 19/04/2007 2A – 2B Bienal de Taipei (exhibición obligatoria) 28/04/2007 – 18/06/2007 2A – 2B Nuevo Renacer del Divino – Hua Chien-Chiang 05/05/2007 – 01/01/2007 3C Open FUN – Exhibición Internacional de Caligrafía Moderna de Taipei
12/05/2007 – 05/08/2007 3A – 3B
La Primera Galería de Fotos de Taiwán – La Leyenda de Rose Marie
19/05/2007 – 15/07/2007 B1E
52ª Exhibición Internacional de Arte – La Biennale di Venezia 10/06/2007 – 21/11/2007 B1G Divulgación del Realismo de la Pintura al Óleo de China 03/07/2007 – 05/09/2007 2A – 2B La Belleza de Escribir (colección del museo) 06/07/2007 – 02/09/2007 B1D El Espacio de la Mente – Explorando las Posibilidades 07/07/2007 – 28/10/2007 1A – 1B Mirando a través – Chen Mang-Tze 07/07/2007 – 30/09/2007 3C Ni una cosa – Chang Nai-Wen 21/07/2007 – 16/09/2007 B1F Arte Gráfico Contemporáneo Eslovaco 28/07/2007 – 16/09/2007 B1E Exhibición Retrospectiva de Han-Tung Chiang 18/08/2007 – 18/11/2007 3A Retrospectiva de la Fotografía de Deng Nanguang 18/08/2007 – 18 /11/2007 3B Campos de la Memoria – Lee Yanor 15/09/2007 – 18/11/2007 B1D El Espectro de la Libertad 26/09/2007 – 16/11/2007 2A – 2B La Vida Sigue – Chiu Chien-Jen 29/09/2007 – 11/11/2007 B1E Familiar con la Falta de Familiaridad – Cheng Hsiu-Ju 29/09/2007 – 11/11/2007 B1F PLAY > MODE: Diseñadores de Moda vs. Artistas Folk 13/10/2007 – 18/11/2007 3C Deseo y Consumo: Cultura KAIYODO y OTAKU 17/11/2007 – 17/02/2008 1A – 1B Ola de Arcoiris: Muñeca y Modelo 25/11/2007 – 31/01/2008 2A – 2B Una Visión del Escritor: La Poesía y la Pintura de Günter Grass 28/11/2007 – 24/02/2008 3A Surrealistas en Taiwán 29/11/2007 – 02/03/2008 3B – 3C Premios de Arte de Taiwán (exhibición obligatoria) 22/12/2007 – 02/03/2008 B1D – B1E-
B1F
3. Estudio de casos
37
Al comparar los resultados proporcionados por el algoritmo con la planificación inicial realizada
por el experto, se observa que SCHEMA reduce considerablemente el tiempo de cálculo,
maximizando además el uso de la galería:
Tabla 31. Comparación de resultados de planificación de SCHEMA y del experto
Resultado SCHEMA Planificación del experto
Tiempo 1,5 h 16 h Porcentaje de uso de la galería 79,3% 57,2% Número de exhibiciones 32 23 Coste 323.000 USD 321.500 USD
3.3.2 CASO 15: PLANIFICACIÓN DE LA IRRIGACIÓN EN DOS ÁREAS AGRÍCOLAS
Una de las tareas más frecuentes de los responsables de la planificación de sistemas de irrigación
es analizar las relaciones complejas existentes entre el clima, el suelo y el cultivo y aplicar técnicas
de optimización matemática para determinar los patrones de cultivo óptimos así como los
recursos hídricos.
El canal Wilson, que se encuentra a unas 3 millas de Delta (Utah), tiene una longitud de 11.480 m
y está gestionado por la compañía “Abraham Irrigation” (Kuo et al., 2000). La Fig. 17, muestra la
situación de este canal.
Fig. 17. Sistema de irrigación de la compañía “Abraham Irrigation”
En este caso de estudio se pretende determinar una planificación de irrigación apropiada para dos
áreas agrícolas de Delta utilizando un modelo basado en algoritmos genéticos con el que se busca
maximizar la función del beneficio.
3. Estudio de casos
38
En primer lugar se deben recopilar los datos de entrada e introducirlos en el modelo: lugar del
proyecto, área, suministro estacional de agua, datos mensuales del clima, propiedades del suelo,
fenología del cultivo y datos económicos.
Las características de las áreas consideradas se muestran en la siguiente tabla:
Tabla 32. Características de las áreas de estudio
Área Curso de agua
(m) Superficie
cultivada (ha) Tipo de cultivo
1 2.896 83,3 Alfalfa Cebada Maíz
2 12.350 311,3 Alfalfa Cebada Maíz Trigo
El clima en Delta es esencialmente un desierto frío, con inviernos áridos y fríos y veranos
calurosos. Los resultados estacionales se muestran a continuación:
Tabla 33. Resultados estacionales
Área 1 Área 2
Alfalfa Cebada Maíz Alfalfa Cebada Maíz Trigo
Evaporación de humedad desde el suelo (mm/mes)
2,1 21,4 13,4 3,4 37,9 21,9 34,4
Evapotranspiración potencial (mm/mes) 1.038 556 515 1.039 572 523 611 Evapotranspiración actual (mm/mes) 907 506 461 906 529 470 558 Número de irrigaciones 6 4 3 7 6 4 6 Percolación profunda (mm/mes) 70,1 29,4 37,2 68,3 35,1 38,4 35,6 Escorrentía superficial (mm/mes) 28,5 11,9 15,1 27,8 14,3 15,6 14,5 Reducción de rendimiento debido al estrés hídrico (%)
11,4 3,6 14,5 11,7 3,5 14,1 5,4
Reducción de rendimiento debido al anegamiento del suelo (%)
2,6 1,1 1,1 3,0 1,6 1,4 1,6
Rendimiento relativo del cultivo (%) 86,3 95,4 84,5 85,6 95,0 84,7 93,1
A partir de los valores anteriores se generan datos diarios del clima y se simulan requerimientos
de diarios de agua y rendimiento de los cultivos. Por último, tomando estos datos como entrada,
mediante algoritmos genéticos se obtiene la necesidad total de agua y el porcentaje de terreno
que debería destinarse a cada producto.
La Tabla 34, muestra las 10 generaciones en las que el beneficio neto obtenido es mayor. Los
resultados del modelo se obtienen realizando una media de estos valores.
En las dos áreas consideradas, el modelo sugiere destinar una mayor porción de terreno al cultivo
de alfalfa, si bien en el área 1 la proporción es considerablemente mayor. Asimismo, las
necesidades de agua en el área 2 son más grandes, debido a la mayor superficie de terreno de
ésta.
3. Estudio de casos
39
Tabla 34. Resultados del algoritmo genético con un tamaño de población de 50, probabilidad de cruce de 0,6 y probabilidad de mutación de 0,02
Ciclo Proyecto Área 1 Área 2
Beneficio neto (miles $)
Demanda de agua (dam
3)
Alfalfa (%) Cebada (%) Maíz (%) Demanda de agua (dam
3)
Alfalfa (%) Cebada (%) Maíz (%) Trigo (%) Demanda de agua (dam
3)
1 114.416 3.046 71,9 8,9 19,3 748 41,9 39,2 15,3 3,6 2.298 2 113.144 3.008 66,7 19,0 14,4 719 40,8 45,0 10,1 4,1 2.288 3 114.734 3.037 71,5 19,1 9,5 742 41,4 41,9 12,4 4,3 2.295 4 113.447 3.016 68,1 22,3 9,6 725 40,6 46,9 5,8 6,8 2.290 5 114.635 3.040 72,1 22,1 5,7 746 42,3 30,8 23,9 3,0 2.294 6 114.170 3.032 70,3 18,0 11,7 738 41,4 41,4 12,4 4,8 2.295 7 114.044 3.040 71,4 15,1 13,5 744 41,8 37,1 16,0 5,1 2.296 8 112.826 3.025 71,0 21,7 7,3 740 41,9 26,9 26,0 5,3 2.285 9 113.773 3.018 67,1 23,3 9,6 720 41,6 41,6 11,9 4,9 2.298
10 113.070 3.034 71,0 21,0 8,0 740 41,1 38,6 10,4 10,0 2.293
Media 113.826 3.030 70,1 19,0 18,9 736 41,5 38,9 14,4 5,2 2.293 Máx. 114.734 Mín. 112.826 Desv.
estándar 0,646
3. Estudio de casos
40
3.3.3 CASO 16: PRIORIZACIÓN DE ACTIVIDADES
En el ámbito de la construcción, el número de tareas en las que se divide el proyecto suele ser
muy grande y complejo. Por tanto, cuando se ejecutan y controlan estas actividades es
importante clasificarlas en función de la forma en la que van a ser gestionadas. Hay tres grupos
posibles:
1. Clase 1: actividades que pueden ser delegadas en un subordinado.
2. Clase 2: actividades que pueden ser delegadas en un subordinado siempre que se controlen
y monitoricen de cerca.
3. Clase 3: actividades que requieren una gestión muy exigente, por ejemplo, tareas que
involucran a subcontratistas en las que hay una probabilidad de retraso alta. Estas
actividades son supervisadas directamente por el director de proyecto.
Se considera un proyecto de construcción de una subestación eléctrica, que se divide en cuatro
fases: diseño, suministro, construcción y puesta en marcha, cada una de ellas con varias
actividades, como se muestran en la Tabla 35 (Maria de Miranda et al., 2009).
Un proyecto de este tipo puede ser muy complicado ya que implica la participación de varios
departamentos internos además de empresas externas.
Con el objeto de realizar una clasificación de las numerosas actividades de este proyecto en las
clases definidas anteriormente, se ha desarrollado el modelo ELECTRE TRI, basado en el método
de decisión multicriterio MCDA.
El modelo ELECTRE TRI requiere que se definan una serie de criterios para realizar la clasificación
de las actividades. Éstos se establecen por medio de entrevistas y reuniones. En este caso se han
decidido los siguientes:
1. Criterio 1: personal cualificado para cada actividad.
2. Criterio 2: dificultad para movilizar los recursos.
3. Criterio 3: experiencia previa en la realización de la actividad.
4. Criterio 4: coste total de la actividad
5. Criterio 5: grado de impacto de la actividad en la puesta en marcha, es decir, posibilidad
de que una determinada actividad ocasione problemas en la puesta en servicio de la
subestación.
Todos los criterios excepto el de coste se miden en una escala ordinal decreciente (cuanto mayor
es el número peor es la situación). En la Tabla 35, se muestran los valores de estos criterios para
cada una de las actividades.
3. Estudio de casos
41
Tabla 35. Actividades del proyecto de construcción de la subestación eléctrica y criterios
Actividades Duración
(días) Actividades
predecesoras C1 C2 C3
C4 (miles $)
C5
Diseño A01 Informe de adquisición 30,00 – 1 3 3 0,580 1 A02 Elección del emplazamiento 29,97 – 5 3 7 1,150 1 A03 Proyecto básico 22,33 – 9 1 5 5,800 1 A04 Adquisición del terreno 11,40 A02 3 3 3 1,150 1 A05 Telecomunicaciones del proyecto 31,10 A02 9 3 3 11,550 7 A06 Ingeniería civil 27,73 A02, A03 9 3 3 11,440 1 A07 Requerimientos electromecánicos 30,00 A02, A03 9 3 3 11,450 7 A08 MPCC del proyecto 40,57 A03 9 5 5 11,500 9
A09 Especificación del contrato de servicios
10,57 A04, A06, A07, A08
9 3 3
1,140 7
Suministro
A10 Adquisición de componentes 40,57 A01 1 7 7 114,400 5
A11 Formalización de la adquisición del terreno
38,93 A04 5 1 9
114,450 1
A12 Contratación de obras 38,90 A09 5 7 5 114,395 1
Construcción
A13 Movimientos de tierra 28,90 A11, A12 5 3 3 57,200 1 A14 Instalación de la rejilla de tierra 20,00 A11, A12 9 7 1 57,250 3 A15 Cimentación 20,57 A13 7 3 3 57,185 1 A16 Puesto de mando 22,77 A13 7 3 3 114,425 1 A17 Camino de acceso 40,57 A13 5 1 5 34,320 1 A18 Conductos 38,33 A13 9 1 3 11,440 3 A19 Adquisición de equipamiento 22,77 A10, A15,
A16 9 7
3 993,030 9
A20 Establecimiento del MPCC 26,10 A10, A16, A18
9 9 7
302,030 9
A21 Pletinas 17,27 A10, A15 7 3 5 915,253 3
Puesta en marcha
A22 Rejilla de tierra 3,16 A14 5 1 1 22,880 1 A23 Equipamiento 5,50 A19, A22 7 3 1 22,890 1 A24 MPCC 7,16 A20 9 7 1 22,875 1 A25 Puesta en marcha final 4,33 A23, A24 9 7 1 22,900 1
Asimismo, se establecen los pesos de cada criterio y los requerimientos que debe cumplir cada
actividad según un determinado criterio para ser clasificada en una de las tres categorías (B1 y
B2). B1 es el límite superior para que una actividad sea asignada a la Clase 1, entre B1 y B2 la
actividad pertenecería a la Clase 2 y por encima de B2, a la Clase 3.
Tabla 36. Actividades del proyecto de construcción de la subestación eléctrica y criterios
Criterio Peso B1 B2
C1 0,15 3 5 C2 0,20 5 7 C3 0,15 3 7 C4 0,30 10.000 50.000 C5 0,20 3 7
Como hay que considerar varios criterios, se define un nivel de corte . En este caso = 0,7,
indica que para clasificar una actividad en una categoría determinada ésta debe satisfacer al
3. Estudio de casos
42
menos el 70% de los criterios definidos para dicha categoría. Los resultados del modelo son los
siguientes:
Tabla 37. Resultados de ELECTRE TRI
Clase Actividades
Clase 1 A01, A02, A03, A04, A06, A09, A11, A13, A15, A16, A17, A22, A23, A24, A25 Clase 2 A05, A07, A08, A10, A14, A18, A21 Clase 3 A12, A19, A20
Como puede apreciarse, únicamente tres actividades han sido incluidas en la Clase 3. A12
(Contratación de obras) presenta un impacto muy fuerte en la puesta en marcha. El coste
asociado a A19 (Adquisición de equipamiento) es tan alto que tiene un impacto muy fuerte en el
presupuesto total del proyecto. La experiencia que se tiene en la realización de la A20
(Establecimiento del MCPP) es muy baja y además, esta actividad implica un coste muy alto.
3.3.4 CASO 17: PLANIFICACIÓN EN PROYECTOS DE CONSTRUCCIÓN
Para la fase de planificación de un proyecto de construcción, se propone un modelo denominado
NDSM (“N-Dimensional Project Scheduling and Management System”) formado por cuatro
paquetes de software: 3D CAD, ISS (“Intelligent Scheduling System”), DLS (“Data Linkage System”)
y DDS (“Dynamic Database System”) (Chen et al., 2013).
En la primera etapa del modelo, se crea un patrón 3D de cada elemento del proyecto con ayuda
de un software 3D CAD. A cada objeto se le asignan propiedades físicas de los materiales que los
constituyen. Otros objetos, como trabajos de pintura y carpintería, también deben ser
considerados por el equipo de proyectos en una lista aparte, ya que no es posible representarlos
mediante un modelo 3D. Para integrar la información de los dos tipos de objetos, se utiliza el
software DLS, que proporciona al software ISS datos de entrada como los recursos necesarios
para cada actividad o la productividad y coste de cada recurso.
A partir de esta información, el software ISS mediante diversos ciclos de simulación, define la
duración y coste de cada actividad, asignando diferentes niveles de prioridad a cada una de ellas.
Tomando los valores anteriores, se calculan las distribuciones óptimas de mano de obra,
materiales, equipamiento y espacio, teniendo en cuenta los objetivos del proyecto y sus
limitaciones. El ISS también permite realizar “análisis y si” de los posibles escenarios. Los usuarios
deberían comprobar los resultados del análisis de riesgos en la duración y coste del proyecto. Si la
duración calculada muestra un alto porcentaje de riesgo, los contratistas deberían considerar
aumentar la cantidad de recursos, con lo se volvería a realizar la simulación hasta que el
porcentaje de riesgo alcanzase un nivel aceptable. Si el coste calculado presenta un porcentaje
alto de riesgo, los contratistas podrían considerar incrementar el precio de licitación.
Una vez obtenida la planificación optimizada del proyecto, por medio del software DDS se asocian
los resultados del ISS a cada objeto del modelo 3D, de manera que al visualizar uno de los objetos
se puedan conocer, por ejemplo, los recursos asociados a dicho objeto. El modelo se aplica a la
planificación del proyecto de construcción de una sinagoga en Nueva York, cuyos datos de partida
en cuanto a duración y recursos necesarios para cada actividad se muestran a continuación:
3. Estudio de casos
43
Tabla 38. Duración de actividades, recursos necesarios para cada actividad y límites diarios de recursos.
Actividad Duración
(días)
Requerimientos diarios de recursos
JO O M1 M2 PR MH CF PE C E CC F En C CE Es OM PM AE
32 40 – 1 – – – – – – 2 3 1 1 1 1 – – – – – 38 20 – 4 – – – – – – 3 3 4 – – – – – – – – 62 60 – 1 – – – – – – 4 2 1 – – – – – – – – 74 15 – 1 – – – – – – 4 3 1 – – – – – – – – 80 20 – 2 – – – – – – 2 2 2 – – – – – – – – 86 90 – 2 – – – – – – 1 2 2 – – – – – – – –
113 30 – 3 – – – – – – 1 2 5 – – – – – – – – 259 0 – – – – – – – – – – – – – – – – – – – 265 4 1 2 1 1 1 1 1 1 5 1 2 – – – – – – – – 271 60 – 3 – – – – – – 2 2 3 – – – – – – – – 277 20 – 2 – – – – – – 6 1 5 – – – – – – – – 284 6 – 5 – – – – – – 1 4 4 – – – – – – – – 290 30 – 2 – – – – – – 4 4 2 – – – 2 8 – – – 296 30 – 4 – – – – – – 5 3 4 – – – – – 2 1 – 302 40 – 3 – – – – – – 4 1 3 – – – – – – – – 308 10 – 4 – – – – – – 1 3 2 – – – – – – – – 314 25 – 3 – – – – – – 3 4 3 – – – – – – – 1 320 20 – 2 – – – – – – 4 1 4 – – – – – – – – 327 10 – 3 – – – – – – 5 1 3 – – – – – – – – 333 20 – 2 – – – – – – 3 4 3 – – – – – – – – 339 10 – 4 – – – – – – 1 2 3 – – – – – – – – 345 30 – 3 – – – – – – 5 1 4 – – – – – – – – 352 5 – 2 – – – – – – 1 3 4 – – – – – – – – 359 1 – 4 – – – – – – 1 3 3 – – – – – – – –
Límite diario de recursos
1 6 1 1 1 1 1 1 9 6 8 1 1 1 2 8 2 1 1
JO: Jefe de Obra; O: Obrero; M1: Maquinista (máquinas ligeras); M2: Maquinista (máquinas pesadas); PR: Operador de Pala Retroexcavadora; MH: Operador de Martillo
Hidráulico; CF: Operador Cargador Frontal; PE: Operador Pala Excavadora; C: Carpinteros; E: Electricistas; CC: Capataz de Carpintería; F: Ferrallista; En: Enfoscador; C:
Operador de Compresor neumático; CE: Capataz Especialista; Es: Especialistas; OM: Oficial Metalistero; PM: Peón Metalistero; AE: Aplicadores de Espuma.
3. Estudio de casos
44
Las relaciones de las actividades se muestran en la siguiente figura:
Fig. 18. Red de actividades del proyecto
El objetivo de la planificación es minimizar la duración total del proyecto. Utilizando el software
Primavera, ampliamente utilizado en la planificación de proyectos, se estima que la duración total
es de 316 días. Utilizando el modelo NDSM esta duración pasa a ser de 292 días, un 7,6% menor.
El modelo proporciona una planificación de recursos para cada día del proyecto.
El porcentaje de utilización de cada recurso, excluyendo materiales se muestra en la Tabla 39:
Tabla 39. Porcentaje de utilización de cada recurso
Recurso Media (%)
Jefe de Obra 1,35 Obrero 71,27 Maquinistas 1 1,35 Maquinistas 2 1,35 Operador de Pala Retroexcavadora 1,35 Operador de Martillo Hidráulico 1,35 Operador de Cargador Frontal 1,35 Operador Pala Excavadora 1,35 Carpintero 58,42 Electricista 68,16 Capataz de Carpintería 60,16 Ferrallista 13,31 Enfoscador 13,31 Operador de Compresor Neumático 13,31 Capataz Especialista 9,30 Especialistas 9,30 Oficial Metalistero 9,27 Peón Metalistero 9,27 Aplicadores de Espuma 7,32
3. Estudio de casos
45
3.4 RECURSOS HUMANOS
El éxito de un proyecto está condicionado por varios factores críticos, entre ellos la selección de
un equipo de proyecto cualificado y un director de proyectos competente. En la selección del
equipo de proyectos, es fundamental la elección de individuos con capacidad de trabajo en
equipo y cuyas competencias sean apropiadas para satisfacer los requerimientos del proyecto.
Asimismo, es importante escoger de manera adecuada al director de proyectos, ya que es la
persona encargada de liderar y mantener cohesionado al equipo (Hadad et al., 2013).
Los Sistemas de Apoyo a la Toma de Decisiones desarrollados en el ámbito de Recursos Humanos
utilizan la información disponible sobre los candidatos (competencias personales y experiencia)
para clasificarlos en base a su adecuación a las necesidades de los proyectos.
3.4.1 CASO 18: CREACIÓN DE UN SPOT PUBLICITARIO
El problema de estudio es la selección de un equipo de proyecto para realizar un spot publicitario
de 30 segundos (de Korvin et al., 2002). El modelo empleado se basa en la lógica difusa y mide la
compatibilidad de las aptitudes personales de los candidatos con los objetivos de cada fase del
proyecto, teniendo en cuenta el coste que supone elegir a cada candidato como limitación.
El proyecto consta de tres fases, cuyas actividades se definen en la Tabla 40.
Tabla 40. Tareas del proyecto
Tareas Tareas
predecesoras Descripción Responsable
Duración (días)
Fase 1 A - Desarrollo del plan de marketing Representante de ventas 1 B - Conceptualización del diseño comercial Representante de ventas
Cliente 2
C A, B Negociación del acuerdo de venta Representante de ventas Cliente Representante de admón.
4
Fase 2 D C Desarrollo del plan de producción Director de proyecto 3 E D Creación del spot Responsable de producción 4 F E Edición del spot Responsable de producción 3 G F Publicación del spot Responsable de producción 1
Fase 3 H G Recepción del pago por el spot Cliente
Representante de finanzas 1
I G Preparar el spot para su emisión Responsable de producción 1 J G Programación del horario de emisión
del anuncio Director de proyecto Representante de admón.
1
** Lanzamiento del spot
Las fases que mayor repercusión tienen en el coste total del proyecto son las dos primeras, ya que
su duración es mucho mayor que la de la tercera fase (7 y 11 días frente a 3).
El personal disponible con esas cualificaciones para realizar el proyecto se indica en la siguiente
tabla:
3. Estudio de casos
46
Tabla 41. Empleados disponibles para el proyecto
Nombre Departamento Salario
mensual ($) Salario diario
(30 días/mes) ($)
P. O’Brien Ventas 2.812 93,73 O. Winters Ventas 2.031 62,70 M. Kinger Ventas 2.187 72,90 S. North Ventas 2.500 83,33 M. Sullivan Ventas 1.562 52,07 Y. McCallen Administración 2.625 87,50 C. Ellose Administración 2.825 94,17 B. Franko Producción 2.750 91,67 K. Tompkins Producción 2.333 77,77 T. Ball Producción 2.940 98,00 P. Neverly Finanzas 2.750 91,67
Se asume que el director de proyecto va a ser un responsable de producción. En este caso se elige
a T. Ball.
Para seleccionar los candidatos que encajan mejor con los objetivos de cada fase del proyecto, se
emplea un coeficiente que indica el grado en que las habilidades de un candidato j se adecúan a
una determinada actividad i (ij). Este coeficiente permite calcular la compatibilidad del candidato
con la fase del proyecto.
Tabla 42. Grados de compatibilidad de los candidatos para la primera fase
Responsables Nombre de los candidatos
ij Grado de compatibilidad A B C
Representante de ventas P. O’Brien 0,7 0,8 0,4 0,609 O. Winters 0,6 0,6 0,1 0,352 M. Kinger 0,7 0,5 0,2 0,452 S. North 0,9 0,5 0,3 0,561 M. Sullivan 0,2 0,3 0,0 0,148 Representante de admón. Y. McCallen 0,3 0,3 0,8 0,496 C. Ellose 0,6 0,3 0,8 0,352
Las actividades A y B se realizan simultáneamente, por tanto, se necesitan dos representantes de
ventas, que serían P. O’Brien y S. North, debido a que su valor del grado de compatibilidad es el
más alto. Como el salario de S. North es más bajo que el de P. O’Brien, se decide que P. O’Brien
sea el responsable de la tarea A y S. North de la B y la C. Además de un representante de ventas,
para la tarea C, se requiere un representante de administración únicamente para un día, para
firmar el contrato con el cliente. Se escoge a Y. McCallen, tanto por el grado de compatibilidad
como por su salario.
Una vez seleccionados, se combinan las características personales de cada candidato con el resto
para determinar la compatibilidad global del equipo respecto a una fase concreta del proyecto.
Esta compatibilidad global debe satisfacer un nivel mínimo de calidad. El nivel de calidad también
indica el número de candidatos máximo que admite cada equipo.
Realizando el mismo procedimiento para las fases segunda y tercera, los resultados del modelo
son los que se indican en la Tabla 43:
3. Estudio de casos
47
Tabla 43. Resultados del modelo
Tareas Persona asignada Día Coste total ($)
Fase 1 597,88 A P. O’Brian 1 B S. North 2 C S. North
Y. McCallen 3 – 6
7
Fase 2 915,60 D T. Ball 8 – 10 E K. Tompkins
11 – 18
F K. Tompkins G K. Tompkins
Fase 3 256,94 H P. Neverly 19 I K. Tompkins 20 J Y. McCallen 21 Total 1.770,42
3.4.2 CASO 19: DISTRIBUCIÓN DE PERSONAL EN PROYECTOS
Asignar el personal adecuado a proyectos informáticos es una tarea muy importante debido a que
las compañías de desarrollo de software crean productos de mayor calidad cada día. Uno de los
mayores problemas en los proyectos que se llevan a cabo en este tipo de empresas es que no se
suelen respetar las fechas límite lo que conlleva pérdidas económicas importantes. Esto se debe a
que los profesionales necesitan tiempo para adquirir las habilidades específicas requeridas para
un proyecto determinado. Una buena elección del equipo de proyectos puede, por tanto, ayudar
a las compañías de desarrollo de software a aumentar su ventaja competitiva (Huemann et al.,
2007).
En este caso de estudio se presenta una empresa de desarrollo de software que trabaja con
múltiples proyectos y necesita distribuir 10 profesionales con diferentes aptitudes entre tres
nuevos proyectos que comienzan al mismo tiempo (Silva y Costa, 2013). El objetivo de la
compañía es minimizar la duración de los tres proyectos teniendo en cuenta que no puede haber
un proyecto al que no se le haya asignado ninguna persona y que todo el personal debe estar
completamente cualificado para el desempeño de los proyectos. Además, los recursos humanos
no deben ser compartidos entre proyectos para que no disminuya la productividad.
Para resolver el problema se aplica el modelo COCOMO II, un método de programación dinámica
en el que se busca minimizar la función de la duración de cada proyecto. Las restricciones del
modelo son las que se han comentado en el párrafo anterior.
Las entradas del modelo son el tamaño del proyecto, unos factores de escala relacionados con
proyectos de software (Tabla 44) y unos multiplicadores de esfuerzo, que se clasifican en factores
de producto, de la plataforma, personales y del proyecto (Tabla 45).
3. Estudio de casos
48
Tabla 44. Factores de escala
Factores de escala
PREC Precedentes FLEX Flexibilidad en el desarrollo RESL Resolución de riesgos TEAM Cohesión del equipo PMAT Madurez del proceso
Tabla 45. Multiplicadores de esfuerzo
Factores de producto Factores de la plataforma
RELY Fiabilidad requerida del software TIME Limitaciones en el tiempo de ejecución DATA Tamaño de la base de datos STOR Limitaciones de almacenamiento CPLX Complejidad PVOL Volubilidad de la plataforma RUSE Reutilización DOCU Documentación relacionada con las
necesidades del ciclo de vida
Factores personales Factores del proyecto
ACAP Capacidad del analista TOOL Uso de herramientas de software PCAP Capacidad del programador SITE Proyecto multicéntrico PCON Continuidad personal SCED Programa de desarrollo requerido APEX Experiencia en aplicaciones PLEX Experiencia en plataformas LTEX Experiencia en herramientas y programación
Los valores concretos de estas variables de entrada para cada proyecto son:
Tabla 46. Valores de entrada de tamaño, factores de escala y multiplicadores de esfuerzo para los proyectos
Proyecto Tamaño Escala -> PREC FLEX RESL TEAM PMAT
P1 12,58 2,48 4,05 5,65 3,29 1,56 P2 13,32 2,48 4,05 2,83 1,10 3,12 P3 5,29 2,48 4,05 5,65 3,29 1,56
Esfuerzo -> RELY DATA CPLX RUSE DOCU TIME STOR PVOL
P1 0,82 0,90 0,87 1,00 1,00 1,11 1,00 0,87 P2 1,00 0,90 0,87 1,00 1,00 1,11 1,05 0,87 P3 0,82 0,90 0,87 1,00 1,00 1,11 1,00 0,87
Esfuerzo -> ACAP PCAP PCON APEX LTEX PLEX TOOL SITE SCED
P1 0,85 0,88 1,29 1,00 1,00 1,09 1,17 0,86 1,00 P2 0,71 0,76 1,00 0,88 0,91 1,00 0,90 1,00 1,43 P3 0,85 0,88 1,29 1,00 1,00 1,09 1,17 0,86 1,00
Utilizando los datos anteriores se estima el esfuerzo requerido en cada proyecto:
Tabla 47. Esfuerzo estimado para cada proyecto con COCOMO II
Proyecto Esfuerzo (personas/mes)
P1 29,74 P2 19,47 P3 11,65
Para evaluar las personas más adecuadas, se determinan las aptitudes necesarias para el proyecto
y las que cada persona posee. Así, se obtiene la siguiente clasificación:
3. Estudio de casos
49
Tabla 48. Ranking de candidatos para cada proyecto
Proyecto 1 Proyecto 2 Proyecto 3
Candidato 8 Candidato 5 Candidato 9 Candidato 10 Candidato 6 Candidato 3 Candidato 1 Candidato 2 Candidato 4 Candidato 4 Candidato 7 Candidato 7 Candidato 6 Candidato 10 Candidato 2 Candidato 5 Candidato 8 Candidato 1 Candidato 9 Candidato 3 Candidato 10 Candidato 2 Candidato 4 Candidato 5 Candidato 7 Candidato 1 Candidato 8 Candidato 3 Candidato 9 Candidato 6
Por último, el responsable de la toma de decisiones asigna una puntuación a cada candidato para
cada proyecto, que permite estimar su eficiencia profesional atendiendo a cuatro factores:
habilidad, esfuerzo, condiciones y consistencia. Este valor junto con el esfuerzo estimado permite
calcular la duración de un determinado proyecto en función del número de profesionales que
participen en él. El resultado final del modelo se indica en la Tabla 49:
Tabla 49. Resultados finales de distribución de personal y duración de cada proyecto
Proyecto Tamaño
del equipo Candidatos
Duración del proyecto (meses)
Proyecto 1 3 Candidatos 8, 10 y 1 9 Proyecto 2 4 Candidatos 5, 6, 2 y 7 4 Proyecto 3 3 Candidatos 9, 3 y 4 4
3. Estudio de casos
50
3.4.3 CASO 20: SELECCIÓN DE UN DIRECTOR DE PROYECTOS
Se debe seleccionar un director de proyectos para un nuevo desarrollo en una gran compañía
informática (Hadad et al., 2013). Dicha empresa ha llevado a cabo 52 proyectos de tamaño medio
en los últimos 8 años. Para dirigir el proyecto, se dispone de 11 directores.
En primer lugar se elabora una lista de proyectos realizados por cada director indicando aspectos
como el presupuesto asignado, el coste final, la duración estimada y la duración real del proyecto.
Con estos datos se calculan variables de entrada como el coeficiente de estabilización del coste y
el tiempo y variables de salida como el ratio entre el coste estimado y real o el ratio entre la
duración del tiempo estimada y la real. Las variables de entrada y salida permiten calcular la
eficiencia de cada proyecto.
La eficacia de cada proyecto hace posible ordenar a los directores según su trayectoria:
Tabla 50. Puntuación de los proyectos según directores
Director Puntuación de los proyectos en orden cronológico Puntuación
media P1 P2 P3 P4 P5 P6 P7
G 6 5 5,50 F 9 10 14 3 2 7,60 D 4 1 15 13 17 21 16 12,43 J 26 8 25 27 19 23 52 25,71 E 32 22 45 33,00 B 28 11 29 48 50 33,20 H 36 47 7 34 44 33,60 A 46 30 24 35 33,75 I 40 38 18 42 34,50 C 41 37 12 51 33 34,80 K 43 49 31 29 39 36,40
Posteriormente, se realizan comparaciones por pares entre los candidatos mediante el test MMW
(“Mann – Whitney – Wilcoxon U”), de acuerdo a las puntuaciones de sus proyectos. En la Tabla 51
se muestran los niveles de significación de estas comparaciones por pares:
Tabla 51. Niveles de significación del test MMW
G F D J E B H A I C
G – F 0,4286 – D 0,2500 0,1010 – J 0,0278 0,0088 0,0087 – E 0,1000 0,0179 0,0083 0,2583 – B 0,0476 0,0079 0,0240 0,1338 0,5000 – H 0,0476 0,0278 0,0240 0,1717 0,3929 0,5000 – A 0,0667 0,0079 0,0030 0,1152 0,4286 0,5476 0,3651 – I 0,0667 0,0079 0,0061 0,2061 0,5714 0,5476 0,5476 0,4429 – C 0,0476 0,0079 0,0240 0,1338 0,3929 0,3452 0,5000 0,3651 0,4524 – K 0,0476 0,0400 0,0025 0,1010 0,5000 0,4206 0,5000 0,3651 0,3651 0,5000
Escogido un nivel de significancia de 0,05, los candidatos más adecuados son G, F y D, siendo el
más apropiado el director de proyectos G. Sin embargo, el responsable de la toma de decisiones
escoge el candidato D para el nuevo proyecto, a pesar de encontrarse en tercera posición, debido
a que sus aptitudes personales encajan mejor en el proyecto considerado.
3. Estudio de casos
51
3.4.4 CASO 21: ASIGNACIÓN DE UN NUEVO PROYECTO
El problema a estudiar es la asignación de seis proyectos a seis directores diferentes (Patanakul et
al., 2007). Inicialmente, cada director excepto uno (F) tenía asignado dos proyectos. Ante la
necesidad de asignar un nuevo proyecto (P6) hay dos posibilidades: asignarlo al director de
proyecto junior (F), que sólo está a cargo de un proyecto o reasignar proyectos (P1 – P5)
incluyendo también el nuevo. El director del grupo considera esta última alternativa como la
mejor opción. El problema es entonces asignar 6 proyectos (de los cuales uno es nuevo) a seis
directores de proyecto.
Los proyectos tienen distintos niveles de importancia para la organización, diferentes
requerimientos, son de distinto tipo y además se encuentran en diferentes fases de
implementación. Asimismo, los directores de proyecto tienen diferente nivel de competencias,
carga de trabajo y experiencia.
Tabla 52. Características de los directores de proyecto y de los proyectos a asignar
Proyecto P1 P2 P3 P4 P5 P6
Director actual - Nivel de experiencia - Carga de trabajo
A 2
480
B 3
396
C 3
424
D 3
376
E 2
413
– 1
216 Nivel de riesgo Alto Alto Muy bajo Alto Medio Alto Novedad técnica Muy alta Alta Alta Muy alta Media Alta Complejidad organizativa Alta Muy alta Muy alta Muy alta Media Alta Complejidad de las tareas Alta Media Media Alta Alta Alta Criticalidad de la programación
Muy alta Alta Alta Alta Alta Alta
Tamaño del proyecto (M$) 2 2 6 1 1 2 Duración total del proyecto (semanas)
104 65 78 65 35 70 – 104
Fase actual Ejecución Ejecución Ejecución Conceptual Ejecución – Duración restante 44 24 12 46 12 Total
Nota: Nivel de experiencia 1: Junior, 3: Senior
Para realizar este reparto de proyectos se utiliza un modelo que consta de cuatro etapas:
priorización de proyectos, asignación de proyectos, identificación de limitaciones y optimización.
3.4.4.1 PRIORIZACIÓN DE PROYECTOS
Tras determinar la misión estratégica de la empresa y los objetivos que se persiguen, se
cuantifican los valores de la contribución relativa de los objetivos a la misión de la empresa (Gk) y
el porcentaje relativo de la contribución de los proyectos a los objetivos (Vjk). A partir de estos
valores, se puede calcular la prioridad de los proyectos para la organización. Se observa que P1
tiene la mayor prioridad, seguido de P4, P6, P2, P5 y P3.
Tabla 53. Priorización de proyectos
Objetivos Gk Vjk
P1 P2 P3 P4 P5 P6
O1 Crear nuevos mercados 25 36,51 9,13 5,51 22,00 3,08 23,78 O2 Crear alianzas de negocio 25 16,67 16,67 16,67 16,67 16,67 16,67 O3 Mejorar la satisfacción del cliente 25 16,67 16,67 16,67 16,67 16,67 16,67 O4 Mejorar la innovación tecnológica 25 21,60 17,58 9,20 21,57 17,28 12,77
3. Estudio de casos
52
3.4.4.2 ASIGNACIÓN DE PROYECTOS
El siguiente paso supone cuantificar los coeficientes de efectividad de los directores de proyecto
para dirigir proyectos de manera discontinua y determinar la matriz de correspondencia entre
directores y proyectos.
Para elaborar la matriz de correspondencia entre los directores de proyecto y los proyectos, el
responsable de la toma de decisiones desarrolla una lista de competencias de cada candidato y
después, identifica la importancia de cada competencia para cada proyecto.
Tabla 54. Matriz de correspondencia
P1 P2 P3 P4 P5 P6
A 59,7 63,4 63,9 54,6 76,1 71,9 B 97,8 97,8 97,8 97,8 97,8 97,8 C 100,0 100,0 100,0 100,0 100,0 100,0 D 99,3 99,3 99,3 99,3 99,3 99,3 E 80,3 87,2 84,5 77,4 96,5 95,7 F 47,2 57,1 54,3 42,2 77,8 65,5
Los directores B, C y D muestran un alto nivel de correspondencia con cada proyecto. A y E tienen
menor nivel de correspondencia pero mayor que F. Como se puede comprobar, C presenta el
máximo valor de correspondencia para todos los proyectos.
3.4.4.3 IDENTIFICACIÓN DE LIMITACIONES
Las limitaciones son necesarias para el desarrollo de la función objetivo que se optimizará
posteriormente para resolver el problema de decisión.
Hay tres tipos de limitaciones. En las de recursos destacan el tiempo requerido por el director de
proyectos, la pérdida de productividad debido a la multitarea entre múltiples proyectos, la
capacidad efectiva del director, su carga de trabajo o el número máximo de proyectos que se
pueden dirigir simultáneamente. Otro tipo de limitaciones son las del tipo de proyecto,
relacionadas con la complejidad de la tecnología utilizada, que impide una dirección eficaz. Por
último, las limitaciones de la fase del proyecto representan la dificultad que se genera cuando se
deben dirigir varios proyectos a la vez en distintas fases, especialmente en la conceptual y en la de
diseño, ya que requieren una mayor atención.
3.4.4.4 OPTIMIZACIÓN
Los resultados de la optimización se pueden ver en la siguiente tabla:
Tabla 55. Resultados del modelo
Director de proyecto
Proyecto asignado
A P3 B P2 C P1 D P4 E P6 F P5
El modelo sugiere algunos cambios en los cinco proyectos que estaban asignados inicialmente. P1,
el proyecto de mayor prioridad, debería asignarse al director C, que es el más experimentado. El
3. Estudio de casos
53
siguiente proyecto de mayor importancia, P6, debería asignarse al director E. Si el responsable de
la toma de decisiones decidiese no cambiar las asignaciones iniciales de proyecto y encargar P6 al
director F, el resultado de la función objetivo se desviaría un 5% respecto al resultado optimizado.
3.5 MONITORIZACIÓN Y CONTROL
La planificación supone una gran parte del esfuerzo realizado en la dirección de un proyecto. Los
planes del proyecto se basan en suposiciones hechas que consideran factores internos y externos
a la organización, como la disponibilidad continua del apoyo de la dirección de proyectos y el
correcto desempeño del trabajo por parte del equipo. Sin embargo, hay un grado de inexactitud
en esas suposiciones que requiere la supervisión del progreso del proyecto para poder llevar a
cabo acciones correctivas cuando sea necesario (Plaza y Ozgur, 2009).
3.5.1 CASO 22: PROYECTO E-MARKT
Los proyectos de desarrollo de software necesitan una monitorización y control exhaustivos ya
que el 18% de estos proyectos son cancelados de manera prematura y el 53% de ellos exceden el
coste y duración iniciales (Marshall, 2007).
El proyecto llamado E-MARK se centra en el diseño y desarrollo de una solución informática capaz
de automatizar los procesos de marketing por medio de tecnologías que utilizan información de
internet (Baldassarre et al., 2013). Este proyecto es llevado a cabo por la Universidad de Bari y
una gran compañía informática italiana. Está organizado en cuatro fases.
La monitorización y control del proyecto se lleva a cabo mediante los indicadores del Método del
Valor Ganado, que pueden dividirse en cinco categorías:
Tabla 56. Indicadores del Método del Valor Ganado
Tipos de indicadores
Indicadores Interpretación
Iniciales BAC “Budget At Completion” Estimación inicial del presupuesto del proyecto TAC “Time At Completion” Estimación inicial de la duración del proyecto
Básicos BCWS “Budget Cost of Work Scheduled” Coste presupuestado del trabajo planificado BCWP “Budget Cost of Work Performed” Coste real para el trabajo realizado ACWP “Actual Cost of Work Performed” Coste presupuestado para el trabajo realizado
Derivados CV “Cost Variance” Desviación del proyecto en cuanto a coste SV “Schedule Variance” Desviación del proyecto en cuando a plazos
De síntesis CPI “Cost Performance Indicator” Eficiencia en la utilización de recursos SPI “Schedule Performance Indicator” Progreso del proyecto con respecto a la
planificación inicial
Predictivos EACC “Estimate At Completion” – Cost” Coste estimado para el final del proyecto dado su progreso
EACT “Estimate At Completion” – Time” Duración estimada del proyecto dado su progreso
En primer lugar, cada fase del proyecto se descompone en actividades, cuyo coste y duración
planificados se recogen en la Tabla 57 junto con los recursos necesarios para realizar cada
actividad. Cabe destacar que las actividades son consecutivas, es decir, ninguna de ellas se realiza
de forma simultánea a otra.
3. Estudio de casos
54
Tabla 57. Planificación inicial del proyecto E-MARK
Paquete de trabajo
Actividad Duración
(días) Coste (€)
Recursos (personas/día)
1 A01 18,0 8.152 48,0 A02 3,6 1.630 9,6 A03 30,6 13.858 81,6
2 A04 5,4 2.445 14,4 A05 18,0 8.162 48,0
3 A06 34,2 15.488 91,2 4 A07 54,0 24.455 144,0
A08 12,6 5.706 33,6 A09 3,6 1.630 9,6
TAC = 180 BAC = 81.516 Rec. Totales = 480
Posteriormente, se escogen diferentes puntos de control del proyecto y se calcula el BCWS total y
el resto de indicadores del método del Valor Ganado:
Tabla 58. Indicadores del método del Valor Ganado para diferentes puntos de control
Punto de control
Progreso (%)
BCWS (€)
BCWP (€)
ACWP (€)
SV (€) CV (€) SPI CPI EACC
(€) EACT
(meses)
1 10 8.151 8.152 8.005 0 146 1,00 1,02 80.054 6,00 2 12 9.782 9.782 9.606 0 175 1,00 1,02 80.054 6,00 3 27 22.009 23.640 21.614 1.630 2.025 1,07 1,09 74.533 5,59 4 30 24.454 26.085 24.016 1.630 2.069 1,07 1,09 75.050 5,63 5 35 28.631 34.237 28.019 5.706 6.218 1,20 1,22 66.711 5,00 6 54 44.019 41.981 43.229 -2.038 -1.248 0,95 0,97 83.940 6,29 7 58 47.279 49.725 46.431 2.445 3.294 1,05 1,07 76.117 5,70 8 88 71.734 61.952 70.447 -9.782 -8.495 0,86 0,88 92.694 6,95 9 91 74.180 74.180 72.849 0 1.331 1,00 1,02 80.54 6,00
10 98 79.886 77.033 78.453 -2.853 -1.420 0,96 0,98 83.019 6,22 11 99 80.701 79.886 79.253 -815 633 0,99 1,01 80.870 6,06 12 100 81.516 81.516 80.054 0 1.462 1,00 1,02 80.054 6,00
En algunos puntos de control se observan valores de SV y CV negativos.
En el punto de control 6, el proyecto excedía el coste y duración planificados del proyecto. Como
medida correctora, el director de proyecto decidió destinar parte de los recursos “ahorrados” en
actividades anteriores, lo que supuso una mejora tal y como se puede observar con los
indicadores del siguiente punto de control (7).
En el punto de control 8, sucede lo mismo con la actividad A07, que no ha finalizado después de
los 54 días planificados inicialmente. El problema se resuelve de manera análoga a la descrita en
el párrafo anterior.
Nuevamente en el punto de control 10, la actividad A08 no se ha podido terminar a tiempo y el
coste excede al planificado. Después de llevar a cabo acciones correctivas similares a las de los
casos anteriores, aunque la actividad se consigue terminar dentro del coste planificado no se
logra terminar a tiempo. Esto se debe a que los recursos que se habían recuperado de actividades
anteriores se han consumido en los puntos de control 6 y 8.
Afortunadamente, A09 requiere menos recursos de los planificados, con lo que el proyecto
termina dentro de plazo y con un coste menor al planificado.
3. Estudio de casos
55
3.5.2 CASO 23: PROYECTO DE DESARROLLO DE SAP
En la implementación del software SAP en 1999, las fases de gestión de la conversión de datos y
desarrollo de informes eran de gran complejidad, por lo que fueron tratadas como un proyecto
aparte y en paralelo a la creación de SAP (Plaza y Ozgur, 2009). Para la ejecución de este proyecto
se contaba con un equipo cuya experiencia media era de 1 a 2 años. El director de proyecto utilizó
el Método del Valor Ganado para monitorizar el progreso del proyecto. La duración se estimó en 9
meses, sin embargo, cuando habían transcurrido 2 meses desde el inicio el SPI obtenido fue 0,8,
con lo que la duración final del proyecto se calculó en 11,25 meses. Como el proyecto se tenía que
coordinar con la implementación de SAP, el director destinó más recursos a las actividades para
intentar cumplir con las fechas límite. Al final, el equipo terminó completando todas las tareas
antes de plazo. Sin embargo, el desperdicio de recursos fue muy grande.
El Método del Valor Ganado asume que el trabajo de un equipo es una función constante con el
tiempo pero en muchos proyectos suele seguir una curva de aprendizaje tipo L, que considera que
el rendimiento del equipo del proyecto no es constante a lo largo de la ejecución del proyecto
sino que tiene un aumento significativo en las primeras fases. El modelo propuesto es, por tanto,
la combinación del Método del Valor Ganado con curvas de aprendizaje tipo L (Método del Valor
Ganado Extendido). Dicha curva de aprendizaje, tiene un impacto negativo especialmente fuerte
durante las primeras etapas del proyecto.
Para implementar el modelo se utiliza una hoja Excel con macros. A través del módulo de entrada,
el usuario introduce los parámetros conocidos del proyecto, como las duraciones planificadas de
cada tarea y los puntos de control. A partir de estos valores se calculan los resultados del método
del Valor Ganado Extendido.
Para considerar el efecto del aprendizaje, únicamente es necesario introducir un factor corrector
denominado PRI (“Performance Reduction Index”) en el cálculo del indicador SPI. Este índice de
reducción de rendimiento es función de la tasa de aprendizaje, k, y del tiempo. La tasa de
aprendizaje puede determinarse por medio de un test. En la Fig. 19, se muestra la relación de este
factor corrector en función de la tasa de aprendizaje para la fecha de control de t* = 2 meses:
Fig. 19. Índice de reducción de rendimiento en función de la tasa de aprendizaje
3. Estudio de casos
56
Mediante la figura anterior se deduce que el Método del Valor Ganado se podría aplicar
obteniendo estimaciones aceptables únicamente para valores altos de k (aprendizaje rápido).
A partir del valor corregido de SPI se puede calcular el nuevo tiempo estimado de la duración del
proyecto en t* = 2 meses. En la siguiente figura, se muestra el cálculo de este tiempo por medio
del método del Valor Ganado tanto original (T1) como extendido (T1’). En este último caso, la
estimación se ha realizado teniendo en cuenta varios valores del parámetro k.
Fig. 20. Comparación de estimaciones de la duración del proyecto en t* = 2 meses
En el punto de control de 2 meses, el método del Valor Ganado estima que la duración del
proyecto va a exceder a la planificada. Esta es la razón por la que el director de proyectos utilizó
más recursos para intentar completar el proyecto a tiempo. Sin embargo, si hubiera aplicado el
método del Valor Ganado Extendido, la estimación de la duración del proyecto le hubiera
indicado que todavía había muchas posibilidades de terminar el proyecto a tiempo, ya que el
valor de T1’ está en todos los casos por debajo de los 9 meses.
3.6 OTROS
3.6.1 CASO 24: DOCUMENTACIÓN EN PROYECTOS DE CONSTRUCCIÓN
En general, un proyecto de construcción implica a un gran número de stakeholders y su
coordinación se suele realizar a través de grandes cantidades de información, intercambiada en
forma de documentos (Zhiliang et al., 2008). Para proyectos grandes pueden llegarse a
intercambiar más de 1.000 documentos, de ahí la importancia de desarrollar un Sistema de Apoyo
a la Toma de Decisiones que permita manejar toda la información contenida en la
documentación.
El modelo desarrollado es el software Explyzer+ y contiene dos módulos. En el primero, a partir de
documentos intercambiados en diversos proyectos, se genera automáticamente una base de
datos en forma de cubos. El segundo módulo contiene dos grupos de funciones: herramientas de
cubos de datos, que permiten crear, modificar y actualizar los cubos, y herramientas de apoyo a la
3. Estudio de casos
57
toma de decisiones, como el análisis OLAP (“On-Line Analysis Processing”), que permite visualizar
los cubos de datos para extraer información o técnicas de apoyo a la toma de decisiones (árboles
de decisión y análisis de grupos).
El caso de estudio es el proyecto de construcción del “National Stadium” para los Juegos
Olímpicos de Pekín de 2008. Los documentos intercambiados en este proyecto se clasifican en
cuatro tipos: pagos, plazos, control de calidad y recursos. Entre los documentos del control de
calidad, este estudio se centra en aquellos relacionados con el hincado de pilotes. En la siguiente
figura, se muestra la base de datos en forma de cubos para los documentos mencionados:
Fig. 21. Cubos de datos para el control de calidad del hincado de pilotes
El análisis OLAP permite seleccionar al mejor contratista, llamado Urabn Jinqin, de los tres
considerados inicialmente para el proyecto de construcción del “National Stadium” en función de
la calidad del hincado de pilotes. La variable más importante para este control de calidad es la
altura extra de los pilotes, que debe estar comprendida entre 0,5 y 1,0 m. Mediante el análisis
OLAP también se puede observar que la calidad del hincado de los pilotes de menor diámetro
(800 mm) es mejor que la de aquellos de diámetro mayor (1.000 mm). Para éstos últimos, la
altura extra suele ser mayor de 1,0 m, lo que conlleva un desperdicio de hormigón.
Por medio de árboles de decisión, se determina que la probabilidad de que Urban Jinqin controle
la altura extra de los pilotes entre 0,5 y 1,0 m es de un 93%, muy superior al resultado obtenido
para los otros dos contratistas. Por tanto, si se quiere asegurar la calidad en este aspecto, debería
seleccionarse este contratista para la realización del proyecto.
Por último, el análisis de grupos refleja que dentro de los pilotes de diámetro 800 mm, hay un
grupo que está mejor controlado que otro. El director de proyectos debe encontrar la razón y
tomar medidas para intentar solventar este problema.
3. Estudio de casos
58
3.6.2 CASO 25: DETERMINACIÓN DE LA DURACIÓN DEL PERIODO DE CONCESIÓN DE UN
PROYECTO BAJO UN CONTRATO BOT
En un proyecto BOT (“Build-Operate-Tranfer”) es vital determinar el periodo de concesión ya que
afecta directamente los intereses y los riesgos que asumen el Gobierno y el agente privado que
explota el proyecto (Yu y Lam, 2013). Un periodo de concesión demasiado corto, puede llevar al
concesor a aumentar las tasas de servicio para poder obtener el rendimiento de la inversión
esperado. Por el contrario, un periodo de concesión demasiado largo puede resultar en mayores
costes de operación y mantenimiento, con los consiguientes riesgos financieros e incluso pérdidas
cuando el proyecto se retorna al Gobierno. Además, si el periodo de concesión es excesivamente
largo se puede producir una pérdida de interés público, en especial cuando el proyecto alcanza el
pico de su vida económica.
El caso de estudio es la construcción de una autopista bajo un contrato BOT cuyas características
se muestran a continuación:
Tabla 59. Detalles del proyecto
Ítem Descripción
Objetivo del proyecto Aliviar la congestión de tráfico Inicio de la construcción 01/07/1997 Fin de la construcción 01/07/1999 Vida económica del proyecto 31 años Periodo de concesión A determinar Conexiones Conexiones directas con carreteras principales y fácil
acceso a importantes puertos de contenedores Coste aproximado 36 millones HKD Valor Actual Neto Acumulado El beneficio proviene del cobro de peajes.
El modelo a aplicar para el cálculo de la duración óptima del periodo de concesión consta de dos
fases. En la primera se seleccionan y clasifican las variables más influyentes en el periodo de
concesión a través de exámenes previos y una encuesta piloto. Los datos recogidos se analizan
por medio del método PCA (“Principal Component Analysis”).
Los factores más importantes en proyectos de este tipo son los financieros. Por tanto, las
variables más importantes son la tasa de interés, la tasa de inflación, el flujo de tráfico, el coste
del peaje, el coste del periodo de concesión y la tasa de retorno e inversión. Una vez
seleccionadas estas variables, se les asigna un peso.
En la segunda fase, se lleva a cabo una simulación de Monte Carlo en la que el objetivo es
maximizar una función que engloba el valor actual neto del sector privado y del gobierno,
teniendo en cuenta las variables mencionadas anteriormente.
El resultado del modelo se presenta en forma de curvas del Valor Actual Neto en función del
periodo de retorno dado un determinado nivel de riesgo y para un nivel de confianza del 95%.
En la Fig. 22, se muestran estas curvas para la empresa privada:
3. Estudio de casos
59
Fig. 22. Valor Actual Neto del proyecto según el periodo de concesión para la empresa privada
60
CAPÍTULO 4 RESULTADOS
En este capítulo se realiza un análisis de los artículos recopilados para proporcionar una visión
general del Estado del Arte en Sistemas de Apoyo a la Toma de Decisiones en Dirección de
Proyectos en los últimos 15 años.
Atendiendo a los diferentes ámbitos de la Dirección de Proyectos existe un gran número de
artículos sobre Sistemas de Apoyo a la Toma de Decisiones para la Dirección de Riesgos en
proyectos, tal y como puede apreciarse en la Fig. 23. Como ya se ha comentado, esta rama es
fundamental en Dirección de Proyectos debido a que los riesgos están presentes a lo largo del
ciclo de vida completo del proyecto. De hecho, el concepto de Dirección de Riesgos ha
evolucionado notablemente en los últimos años, concibiéndose actualmente como una
oportunidad de mejora para las empresas que les permite adaptarse a los cambios y ser más
competitivas (Raz y Michael, 2001).
Otros ámbitos importantes considerados en el desarrollo de Sistemas de Apoyo a la Toma
de Decisiones son la Selección de Proyectos y la Planificación.
Fig. 23. Distribución de artículos según el área de Dirección de Proyectos
En la Fig. 24, se muestran los artículos que tratan de Sistemas de Apoyo a la Toma de Decisiones
en función del sector en el que se aplican.
Riesgos 40%
Selección de Proyectos
16%
Planificación 16%
Recursos Humanos
12%
Monitorización y Control
8%
Otros 8%
4. Resultados
61
La gran parte de artículos están destinados a la aplicación de estos sistemas en el sector de la
construcción. Este interés se debe a que este tipo de proyectos presentan un grado de
variabilidad muy alto. Otro sector importante es el informático.
Fig. 24. Distribución de artículos según el área de Dirección de Proyectos
Analizando el número de artículos sobre Sistemas de Apoyo a la Toma de Decisiones para cada
sector según los diferentes ámbitos en Dirección de Proyectos se puede observar que, en los
proyectos de construcción es de especial interés la Dirección de Riesgos y la Planificación. Para el
siguiente sector más importante, el sector informático, las áreas más importantes son la Dirección
de Recursos Humanos y la Monitorización y Control de estos proyectos.
Fig. 25. Sector de aplicación de los Sistemas de Apoyo a la Toma de Decisiones en función del ámbito en
Dirección de Proyectos
Construcción 48%
Informático 20%
Eventos 8%
General 8%
Publicitario 4%
Alimentario 4%
Agrícola 4%
Sanidad 4%
0 1 2 3 4 5 6 7 8 9 10 11
Riesgos
Planificación
Recursos Humanos
Selección de Proyectos
Monitorización y Control
Otros
Número de artículos
ConstrucciónInformáticaCulturalTodosPublicitarioAlimentarioAgrícolaSanidad
4. Resultados
62
En cuanto a las técnicas de Gestión del Conocimiento utilizadas, destacan la optimización
matemática, las técnicas heurísticas, los árboles de decisión y la lógica difusa, si bien se observa
un gran número de herramientas diversas.
Fig. 26. Técnicas de Gestión del Conocimiento empleadas en los artículos
La siguiente tabla muestra cómo está repartida la utilización de cada una de las técnicas
anteriores durante los tres periodos de estudio. Se puede apreciar que algunas de las técnicas son
características del último periodo, como los métodos heurísticos, mientras que otras se utilizan
durante todos ellos, como los árboles de decisión.
Tabla 60. Utilización de las técnicas de Gestión del Conocimiento en los periodos de estudio
Técnica de Gestión del Conocimiento 2000 – 2004 2005 – 2009 2010 – 2014
Optimización matemática X X X X
Técnicas heurísticas X X X
Árboles de decisión X X X
Lógica difusa X X X
Métodos estadísticos X X
Algoritmos genéticos X X
Comparación por pares X X
Proceso Analítico Jerárquico X X
Técnicas basadas en el conocimiento X X
Método del Valor Ganado X X
Escenarios de riesgos X X
Análisis OLAP X
Optimización matemática
11%
Heurísticas 11%
Árboles de decisión
11%
Lógica difusa 11%
Métodos estadísticos
8%
Algoritmos genéticos
8%
Comparación por pares
8%
Proceso Analítico
Jerárquico 7%
Técnicas basadas en el conocimiento
7%
Método del Valor Ganado
7%
Escenarios de riesgos
7%
Análisis OLAP 4%
4. Resultados
63
Por último, la Fig. 27, permite observar el gran aumento en el desarrollo de los Sistemas de Apoyo
a la Toma de Decisiones, fundamentalmente en los últimos 5 años, en los que el número de
publicaciones relacionadas con estos sistemas ha aumentado más del doble respecto a los
periodos anteriores.
Fig. 27. Evolución de los Sistemas de Apoyo a la Toma de Decisiones
0
2
4
6
8
10
12
14
16
2000-2004 2005-2009 2010 - 2014
Nú
me
ro d
e ar
tícu
los
64
CAPÍTULO 5 CONCLUSIONES
El objetivo de este Trabajo Fin de Máster era realizar un análisis del Estado del Arte en Sistemas
de Apoyo a la Toma de Decisiones en Dirección de Proyectos en los últimos 15 años (años 2000 –
2014) para determinar sus áreas de aplicación, las técnicas de Gestión del Conocimiento más
utilizadas y la evolución y grado de utilización de estos sistemas a lo largo de los años.
Este análisis ha sido posible gracias a la recopilación, a partir de 25 revistas de relevancia
internacional, de casos de estudio que emplean Sistemas de Apoyo a la Toma de Decisiones. Los
casos de estudio se han agrupado según su ámbito de aplicación en la Dirección de Proyectos:
riesgos, selección de proyectos, planificación, recursos humanos y monitorización y control.
A continuación, se detallan las conclusiones obtenidas a partir del trabajo realizado:
Los ámbitos de aplicación más importantes de los Sistemas de Apoyo a la Toma de
Decisiones en Dirección de Proyectos son: Riesgos, Selección de Proyectos y Planificación.
En cuanto a los sectores en los que se ha encontrado un mayor desarrollo de estos
sistemas, los proyectos de construcción representan casi la mitad del total, siendo
también importante el uso de estos sistemas en el ámbito de la informática.
Se han detectado una gran variedad de técnicas de Gestión del Conocimiento, si bien las
más empleadas son la optimización matemática, las técnicas heurísticas, los árboles de
decisión y la lógica difusa.
Respecto a la evolución de los Sistemas de Apoyo a la Toma de Decisiones, se aprecia un
fuerte aumento especialmente en los últimos 5 años, en los que el número de
publicaciones relacionadas con estos sistemas ha aumentado más del doble respecto a los
periodos anteriores.
Por último, como trabajo futuro se propone continuar trabajando en la recopilación de casos de
estudio de Sistemas de Apoyo a la Toma de Decisiones en Dirección de Proyectos ampliando la
búsqueda por medio de la utilización de más fuentes, como la web, empresas de desarrollo de
software, centros tecnológicos o incluso, a través de patentes.
65
CAPÍTULO 6 REFERENCIAS
Aleshin A (2001). Risk management of international projects in Russia. International Journal of
Project Management, 19, 207-222.
Arain F, LS P. (2006). Knowledge-based decision support system for management of variation
orders for institutional building projects. Automation in Construction, 15, 272-291.
Arditi D, Mochtar K. (2000). Trends in productivity improvement in the US contruction industry.
Construction Management & Economics, 18, 15-28.
Arnott D, Pervan G. (2005). A critical analysis of Decision Support Systems research. Journal of
Information Technology(20), 67-87.
Baldassarre M, Boffoli N, Caivano D, Visaggio G. (2013). A Decision Model for Monitoring Project
Status with Earned Value Management Indicators. The 2013 International Conference on
Software Engineering Research & Practice, (págs. 362-368). Las Vegas.
Chen S, Griffis F, Chen P, Chang L. (2013). A framework for an automated and integrated project
scheduling and management system. Automation in Construction, 35, 89-110.
Cooper B, Watson H, Wixom B, Goodhue D. (2000). Data warehousing supports corporate
strategy at First American Corporation. MIS Quarterly(24), 547-567.
de Korvin A, Shipley M, Kleyle R. (2002). Utilizing fuzzy compatibility of skills sets for team
selection in multi-phase projects. Journal of Engineering and Technology Management, 19, 307-
319.
Dean D. (1994). Museum exhibition: theory and practice. London: Routledge.
Dey P. (2001). Decision support system for risk management: a case study. Management
Decision(39), 634-649.
Fang C, Marle F. (2012). A simulation-based risk network model for decision support in project
risk management. Decision Support Systems, 52, 635-644.
Fitzgerald G. (1992). Executive information systems and their development in the U.K.: A
research study. International Information Systems(1), 1-35.
Gorry G, Scott-Morton M. (1971). A framework for management information systems. Sloan
Management Review(13), 1-22.
Ha S, Kim D, Kim H, Jang W. (2008). A web-based integrated system for international project risk
management. Automation in Construction, 17, 342-356.
66
Hadad Y, Keren B, Laslo Z. (2013). A decision-making support system module for project
manager selection according to past performance. International Journal of Project Management,
31, 532-541.
Hu Y, Du J, Zhang X, Hao X, Ngai E, Fan M. (2013). An integrative framework for intelligent
software project risk planning. Decision Support Systems, 55, 927-937.
Huemann M, Keegan A, Turner J. (2007). Human resource management in the project-oriented
company: a review. International Journal of Project Management, 25, 315-323.
Khalili-Damghani K, Sadi-Nezhad S. (2013). A decision support system for fuzzy multi-objective
multi-period sustainable project selection. Computers & Industrial Engineering, 64, 1045-1060.
Kuo S, Merkley G, Liu C. (2000). Decision support for irrigation project planning using a genetic
algorithm. Agricultural Water Management, 45, 243-266.
Lee H, Lin Y. (2010). A decision support model for scheduling exhibition projects in art museums.
Expert Systems with Applications, 37, 919-925.
Lin C, Hsieh P. (2004). A fuzzy decision support system for strategic portfolio management.
Decision Support Systems, 38, 383-398.
Lourenço J, Morton A, Bana e Costa C. (2012). PROBE - A multicriteria decision support system
for portfolio robustness evaluation. Decision Support Systems, 54, 534-550.
Maria de Miranda C, Teixeira de Almeida A, Hazin, L. (2009). A multiple criteria decision model
for assigning priorities to activities in project management. International Journal of Project
Management, 27, 175-181.
Marmier F, Gourc D, Laarz F. (2013). A risk oriented model to assess strategic decisions in new
product development projects. Decision Support Systems, 56, 74-82.
Marshall R. (2007). The contribution of earned value management to project success on
contracted efforts: A quantitative statistics approach within the population of experienced
practitioners. Journal of Contract Management, 21-33.
Nguyen T, Marmier F, Gourc D. (2013). A decision-making tool to maximize chances of meeting
project commitments. International Journal of Production Economics, 142, 214-224.
Patanakul P, Milosevic D, Anderson T. (2007). A Decision Support Model for Project Manager
Assignments. Transactions on Engineering Management, 54, 548-564.
Plaza M, Ozgur T. (2009). A model-based DSS for integrating the impact of learning in project
control. Decision Support Systems, 47, 488-499.
Rangaswamy A, Shell G. (1997). Using computers to realize joint gains in negotiations: Toward
an 'Electronic Bargaining Table'. Management Science(43), 1147-1163.
Raz T, Michael E. (2001). Use and benefits of tools for project risk management. International
Journal of Project Management, 19, 9-17.
67
Shim J, Warkentin M, Courtney J, Power D, Sharda R, Carlsson C. (2002). Past, present, and
future of decision support technology. Decision Support Systems(33), 111-126.
Silva L, Costa A. (2013). Decision model for allocating human resources in information system
projects. International Journal of Project Management, 31, 100-108.
Turban E, Aronson J, Liang T. (2005). Decision Support Systems and Intelligent Systems (Séptima
ed.). Upper Saddle River, NJ: Pearson Education.
Xiaocong H, Ling K. (2010). A Risk Management Decision Support System for Project
Management Based on Bayesian Network. Information Management and Engineering, 308-312.
Yu, C, Lam K. (2013). A Decision Support System for the determination of concession period
length in transportation project under BOT contract. Automation in Construction, 31, 114-127.
Zhang L, Wu X, Ding L, Skibniewski M, Yan Y. (2013). Decision support analysis for safety control
in complex project environments based on Bayesian Networks. Expert Systems with
Applications, 40, 4273-4282.
Zhiliang M, Ning L, Weihua G. (2008). A Decision Support System for Construction Projects Based
on Standardized Exchanged Documents. Tsinghua Science and Technology, 13, 354-361.
Top Related