En la era digital, muchas organizaciones ya no enfrentan un problema de falta de información. Al contrario, la mayoría genera diariamente enormes volúmenes de datos sobre su funcionamiento. El verdadero desafío aparece después: ¿cómo transformar toda esa información en decisiones concretas, oportunas y eficientes?
Aun cuando la cantidad de datos parezca abordable, las posibilidades de acción pueden ser muchísimo mayores. En este ejemplo, hay 5 pabellones de hospital para cirugías y 50 pacientes que asignar. Las posibilidades de acción son 88.800.000.000.000.000.000.000.000.000.000.000.
Frente a este desafío, el académico Rodrigo Carrasco, de la Escuela de Ingeniería UC, lidera una línea de investigación orientada a optimizar la operación de organizaciones complejas mediante algoritmos. Su trabajo se centra en la llamada analítica prescriptiva, un enfoque que permite procesar información y sugerir acciones orientadas a cumplir un objetivo específico.
La lógica puede compararse con aplicaciones como Waze o Google Maps: a partir de datos sobre rutas, tiempos de viaje y condiciones del tránsito, el sistema recomienda el mejor camino para llegar a destino. De manera similar, los modelos desarrollados por los investigadores pueden sugerir planes para hacer más eficiente la operación de una organización, considerando sus restricciones, prioridades y recursos disponibles.
Optimizar una operación significa cumplir objetivos como disminuir al mínimo la capacidad ociosa de los equipos y personas, aumentar la disponibilidad de los sistemas, priorizar las tareas más urgentes y reducir los tiempos de espera.
El caso ALMA: datos para anticipar fallas y mejorar la mantención
Uno de los primeros hitos aplicados de esta investigación comenzó en 2015 en el Observatorio ALMA, el gran complejo astronómico ubicado en el desierto de Atacama, en el norte de Chile.
ALMA cuenta con una enorme cantidad de datos operacionales. Sus 66 antenas de observación tienen cerca de 130.000 puntos de monitoreo, que miden parámetros como temperatura, voltaje y presión, entre muchos otros. Cada día, estos sensores generan alrededor de 50 GB de datos sobre el funcionamiento del observatorio.
El primer paso es convertir esos datos en información útil mediante analítica predictiva. Esta técnica utiliza modelos de machine learning —una forma de inteligencia artificial— para identificar patrones en datos históricos y anticipar eventos futuros. En el caso de ALMA, los modelos pueden prever con hasta 15 meses de anticipación cuándo podría fallar o caducar una parte de la infraestructura, generando alertas preventivas para su mantenimiento.
Sin embargo, anticipar fallas no resuelve por sí solo el problema. Un sistema de estas características puede generar miles de alertas diarias, demasiadas para gestionarlas manualmente de manera eficiente. Ahí entra la analítica prescriptiva: el objetivo ya no es solo predecir qué podría ocurrir, sino decidir qué hacer, en qué orden y bajo qué condiciones.
En la analítica prescriptiva se reúnen varias ramas de la ingeniería, como ciencias de la computación, analítica de negocios, ciencia de datos, investigación de operaciones y, principalmente, la optimización matemática. Esta última permite procesar las alertas considerando restricciones reales de la operación, como disponibilidad de equipos, tiempos de mantención, urgencia de las tareas y continuidad del servicio.
En el caso de ALMA, el modelo permitió desarrollar un plan de mantención con acciones jerarquizadas y ordenadas cronológicamente. El plan se calculó en solo nueve segundos, lo que permite actualizarlo rápidamente frente a imprevistos o cambios en la operación.
Así, los datos capturados por los sensores de las antenas se transforman primero en información y alertas preventivas, mediante analítica predictiva, y luego en decisiones concretas, mediante analítica prescriptiva.
La investigación también permitió optimizar la distribución de tareas de observación en ALMA entre las distintas antenas, considerando los trabajos de mantención programados o imprevistos. De esta forma, el observatorio puede continuar funcionando incluso cuando algunos equipos se encuentran fuera de operación por recambio de piezas u otras razones.
Departamento de Ingeniería Industrial y de Sistemas, Instituto de Ingeniería Matemática y Computacional
Los modelos de analítica prescriptiva buscan encontrar la mejor solución posible de acuerdo con determinados objetivos y restricciones. Sin embargo, en algunas aplicaciones, especialmente cuando las decisiones tienen efectos directos sobre las personas, surge una consideración adicional: no siempre basta con optimizar variables técnicas o económicas.
En estos casos, también es importante preguntarse por las consecuencias de cada decisión: cómo puede afectar a las personas, qué externalidades negativas podría generar o qué aspectos podrían quedar fuera al buscar maximizar la eficiencia. Incorporar esta dimensión permite ampliar los criterios que orientan las recomendaciones de los algoritmos y adaptarlas mejor al contexto en que serán aplicadas.
Por eso, junto con el desarrollo de herramientas capaces de mejorar operaciones complejas, resulta importante mantener una mirada crítica sobre el uso de los algoritmos. La pregunta no es solo si una decisión es óptima desde el punto de vista matemático, sino también si es justa, responsable y adecuada para el contexto en que será aplicada.
Considerar estas dimensiones permite abordar los problemas de manera más integral y aprovechar mejor el potencial de la analítica prescriptiva: transformar grandes volúmenes de información en acciones concretas, evaluar enormes cantidades de alternativas y generar recomendaciones que serían muy difíciles de obtener únicamente mediante análisis humano. Así, estas herramientas pueden contribuir a una toma de decisiones más eficiente, considerando también las particularidades y necesidades de cada contexto.
Más allá de la eficiencia
Pero el potencial de este tipo de modelos no se limita al ámbito astronómico. La analítica prescriptiva puede adaptarse a múltiples contextos donde existen operaciones complejas, alta disponibilidad de datos y decisiones difíciles de coordinar.
Actualmente, esta línea de investigación ha tenido aplicaciones en distintos sectores. La línea aérea LATAM, por ejemplo, cuenta con un plan de mantenimiento para sus aviones configurado con herramientas de analítica prescriptiva. En la industria vitivinícola, Concha y Toro la utiliza para distribuir bebidas en líneas de embotellado según distintos formatos. En hospitales, estos modelos pueden apoyar decisiones como la asignación de pacientes a camas, pabellones y equipos médicos, considerando la urgencia de cada caso y las condiciones disponibles en cada momento.
En todos estos ejemplos, el problema de fondo es similar: cómo tomar mejores decisiones cuando existen muchas variables, recursos limitados y consecuencias relevantes para la operación. Y, a medida que estas herramientas comienzan a utilizarse en contextos cada vez más diversos, aparece también un aspecto adicional a considerar: qué criterios utilizamos para definir cuál es la mejor decisión.
Más allá del observatorio
Departamento de Ingeniería Industrial y de Sistemas,
Instituto de Ingeniería Matemática y Computacional
