Sistemas Duros y Suaves – Paradigmas, Metodologías y Aplicaciones
4.1. Paradigma de Análisis de los Sistemas Duros
Los sistemas duros abordan problemas que pueden definirse con claridad: objetivos cuantificables, restricciones conocidas y soluciones técnicas replicables. Su paradigma se basa en la modelación matemática y en el uso de técnicas analíticas para optimizar resultados.
Características
Objetivos y metas bien definidos.
Variables cuantificables y medibles.
Uso de modelos matemáticos (programación lineal, simulación, teoría de colas, etc.).
Decisiones orientadas a la optimización y eficiencia.
Cuándo usarlo
Diseño y optimización de procesos industriales.
Planificación de la producción y control de inventarios.
Diseño de redes de transporte o comunicación.
4.2. Metodología de Hall y Jenkins
La metodología de Hall y Jenkins es un enfoque secuencial para analizar sistemas duros, orientado a la resolución estructurada de problemas técnicos.
Etapas principales
Definición del problema: establecer alcance, objetivos y restricciones.
Análisis del sistema actual: recopilar datos y describir el comportamiento real.
Modelación: construir un modelo matemático o simulado del sistema.
Generación de alternativas: proponer soluciones factibles.
Evaluación y selección: comparar alternativas con criterios (costo, tiempo, calidad).
Implementación y monitoreo: aplicar la solución y medir resultados.
Ejemplo aplicado
Rediseño de la distribución de planta para reducir tiempos de traslado y aumentar capacidad.
Gráficos/Imágenes
4.3. Aplicaciones (Enfoque Determinístico)
El enfoque determinístico asume que, con las condiciones conocidas, los resultados pueden predecirse exactamente.
Áreas de aplicación
Programación lineal y entera (optimización de recursos).
Control de inventarios con demanda conocida.
Simulación de procesos con parámetros fijos.
Programación de rutas (VRP) y planificación logística sin variabilidad aleatoria.
Caso práctico
Optimización del stock mínimo y puntos de reorden en una planta con demanda estable.
5.1. Metodología de los Sistemas Suaves de Checkland (SSM)
La Soft Systems Methodology (SSM) de Peter Checkland es adecuada para problemas complejos y mal estructurados en los que participan múltiples actores con percepciones distintas.
Objetivo
Facilitar la comprensión de situaciones problemáticas a través de modelos conceptuales que representan diferentes visiones del mundo (worldviews, o "Weltanschauungen").
Fases de SSM
Situación problemática expresada: reunir descripciones y percepciones de los interesados.
Formulación de declaraciones ricas: construir representaciones narrativas y diagramas que muestren la complejidad.
Selección de sistemas relevantes: identificar actividades que pueden transformarse.
Modelos conceptuales: diseñar modelos de actividades necesarias para cumplir un propósito definido.
Comparación modelado–realidad: contrastar modelos con la práctica actual para detectar discrepancias.
Definición de cambios deseables y viables: identificar acciones que las partes interesadas consideren posibles.
Implementación de mejoras: acuerdos y puesta en marcha de cambios iterativos.
Ejemplo
Mejorar la comunicación entre departamentos en una institución educativa intentando comprender percepciones de profesores, estudiantes y administración.
5.2. El Sistema de Actividad Humana como Lenguaje de Modelación
El enfoque basado en actividades humanas considera que las acciones, roles y significados sociales son el eje para entender sistemas complejos.
Componentes clave
Actores: quién realiza la actividad.
Finalidades: por qué se realiza.
Procesos: conjunto de acciones que transforman entradas en salidas.
Reglas y normas: condicionantes formales e informales.
Medios: herramientas y recursos usados.
Uso como lenguaje de modelación
Permite describir la realidad organizacional en términos de actividades y relaciones, facilitando la comunicación entre distintos actores y la detección de conflictos y mejoras.
5.3. Aplicaciones (Enfoque Probabilístico)
El enfoque probabilístico incorpora incertidumbre y variabilidad en el análisis, siendo útil cuando no se puede asumir determinismo.
Áreas de aplicación
Análisis de riesgos y evaluación de probabilidades.
Modelos estocásticos de demanda y tiempos de falla.
Estudios de comportamiento humano y encuestas con variabilidad.
Pronósticos con intervalos de confianza.
Ejemplo
Modelar la demanda de un producto con estacionalidad y variabilidad aleatoria usando ARIMA o Monte Carlo para estimar niveles de stock con probabilidad de ruptura mínima.
Material gráfico
No hay comentarios:
Publicar un comentario