Simulación por eventos discretos y cuándo simular

¡Bienvenidos/as a una nueva entrada del blog de Atlas Consultora!
En la nota de hoy finalizamos nuestras publicaciones del tema simulación, y abarcaremos dos puntos:

1️⃣ Una de las herramientas que podremos aplicar cuándo Excel o las hojas de cálculo que utilicemos no sean suficientes: la simulación por eventos discretos, y

2️⃣ Daremos un cierre a la serie de notas asociadas a sistemas complejos y simulación, entendiendo las ventajas y desventajas de la misma.

Para ir directamente a la segunda parte, podés hacer click acá. Sino continuá leyendo.

Simulación por eventos discretos

¿Qué es la simulación por eventos discretos (DES)?

La simulación por eventos discretos es una herramienta para simular el comportamiento y desempeño de procesos del mundo real.

La mayoría de los procesos de una organización se pueden describir con una serie de eventos separados y discretos, que ocurren a lo largo de cierto tiempo, y que alteran el estado de un sistema.

¿Querés aplicar mejora continua en tu organización?
Descarga ahora la plantilla A3 PDCA Atlas y aplicá la metodología

Por ejemplo, un camión que llega a un centro de distribución, va a la zona de descarga, realiza la descarga, y luego abandona las instalaciones. O un paciente con cierta patología llega a una unidad de atención médica, es derivado al especialista correspondiente, es atendido y finalmente se retira.

Las entidades (camiones, pacientes, productos, u otros) poseen ciertos atributos (nivel de carga, tipo de atención a realizarse, clasificación y demás información relevante), que junto a la lógica del sistema determinará el camino, tiempo y recursos involucrados en cada caso.

Las herramientas de simulación por eventos discretos nos permitirán organizar estos resultados para poder extraer conclusiones de utilidad para luego tomar acciones en el sistema real.

Aplicaciones tipo de simulación por eventos discretos son proyectos de logística, atención de salud, operaciones de manufactura y manipulación de materiales, entre otros.

Software de simulación: Arena, Promodel, Simul8

Existen en el mercado numerosas herramientas de simulación por eventos discretos, siendo Arena, Promodel y Simul8, 3 de las más difundidas.

Funcionalmente comparables, al momento de elegir deberemos considerar también aspectos asociados a la curva de aprendizaje e implementación de la herramienta.

La calidad y cantidad de documentación, la disponibilidad de módulos que se ajusten a nuestra necesidad puntual, la disponibilidad de y costos de capacitación y/o asesoría en la construcción y ajuste de los modelos serán cuestiones a poner en la balanza a la hora de definirnos por una herramienta.

En la simulación… si basura entra, basura sale

O garbage in-garbage out, nos dice que la calidad de las conclusiones y resultados que podemos obtener de nuestros modelos (salidas) no podrán ser nunca mejores que la calidad de los datos y lógicas con que alimentemos nuestro sistema (entradas).

El dominio de la herramienta específicas y conocimientos de estadística serán necesarios pero no suficientes. Deberemos entender también el detalle del proceso que modelamos.

El uso del sentido común y el criterio serán una parte clave de un estudio mediante simulación exitoso.

---

También te podrían interesar los siguientes artículos 📝

---

Validación e interpretación de la simulación

Al igual que en otras técnicas de modelado, la validación y la interpretación de los resultados serán etapas clave para que estas herramientas aporten valor.

Validación/Refutación

Como hemos visto, una de las condiciones de partida para luego sacar conclusiones será construir un modelo que se comporte en forma similar al proceso real, en forma robusta, para la mayor variedad de situaciones posibles.

Dada la complejidad algo mayor de estas técnicas de simulación, será importante tener siempre presente el sistema real a fin de evitar enamorarse del modelo y perder de vista las condiciones reales del sistema.

Interpretación

Será clave a la hora de interpretar los resultados el entender las suposiciones, lógicas y datos de partida de los que disponemos.

Entre las consideraciones a tener en cuenta deberemos pensar en qué tan representativas y estáticas son estas condiciones y supuestos de base.

Por ejemplo, qué ventana de tiempo de datos tomamos para demanda y distribución de la misma, tiempos de servicio, lógicas de flujo, mix u otras. Así, ventanas de tiempo demasiado cortas o recientes podrían no tener en cuenta efectos de ciclicidad solo visibles en extensiones mayores, así como ventanas de tiempo de gran extensión tendrán la posibilidad de que los procesos bajo análisis hayan cambiado significativamente.

Habiendo visto un pantallazo de lo que es la simulación por eventos discretos. Ahora pasamos a la segunda pregunta de la nota, donde nos proponemos responder:

¿Cuándo nos conviene simular?

Ventajas y desventajas de simular

A lo largo de las últimas notas, hemos ido viendo por qué es de utilidad simular, cuáles son las etapas generales al simular y hemos visto algunas de las herramientas útiles para representar estos sistemas y sus relaciones.

Sin embargo, no todo lo que brilla es oro, sino que el uso de simulaciones se corresponderá habitualmente con ciertas aplicaciones, en función del tipo de sistema y sus relaciones, el costo-dificultad para probar o implementar las mejoras, y demás propiedades del sistema/problema a analizar.

Estas características hacen que debamos tener presentes ciertos argumentos a favor y en contra del uso de simulaciones para usar “la herramienta correcta para el trabajo correcto”. Entre los más importantes podemos encontrar:

Ventajas

• La simulación nos permite disponer de un laboratorio de bajo costo para experimentar y entender nuestros sistemas, siendo una herramienta de conocimiento que excede la solución de problemas puntuales.
• Posibilidad de realizar análisis “Qué pasaría si…” a un menor costo que el de realizar los cambios en los procesos reales.
• Permite experimentar sin restricciones de tiempo ni distancias. Así podremos analizar procesos que se den o muy poco frecuentemente o en extensiones de tiempo arbitrariamente largas, en tiempos de procesamiento instantáneos o de duración acotada.
• Poder simular situación de riesgo, inviables o no éticas.
• Se vuelve posible experimentar con situaciones límite del sistema, las cuales a menudo revelan propiedades de la naturaleza del sistema que no se evidencian con cambios incrementales.
• Evaluar y comparar situaciones irreversibles o con un costo de reversión alto. Por ejemplo, el definir cierta estructura productiva o de servicio, con inversiones significativas asociadas.
• Adecuada cuando se dispone de información en la cantidad y calidad requeridos: recordemos que “basura entra basura sale”, por lo que la calidad de los resultados y conclusiones de nuestros modelos podrán ser solo tan buenos como la información que alimentemos a los mismos.

Desventajas

• Es clave la rigurosidad en todo el proceso, con énfasis en la parte de validación del modelo, y la interpretación del mismo a fin de entender el alcance y limitaciones de las conclusiones obtenidas.
• En función de las características del problema, realizar una simulación puede involucrar mayores tiempos y costos que un modelo determinístico.
• En función de la herramienta utilizada, puede haber una curva de aprendizaje y pueden ser requeridos conocimientos particulares en cierto software y/o análisis estadístico.
• No adecuada en casos dónde se puedan probar rápida y económica los cambios directamente sobre el sistema real.

Caso: Dimensionar un servicio hospitalario

Para bajar a tierra los puntos vistos, comentaremos sobre una aplicación de las herramientas de simulación por eventos discretos: los servicios de atención médica.

Dadas las características de estos sistemas, las soluciones por simulación resultan acordes ya que:

• Muchas veces no es viable experimentar ya que los agentes de nuestro sistema son personas siendo atendidas
• Dependiendo del proceso puede involucrar inversiones en equipamiento o infraestructura significativas, y
• En buena parte de los casos suele haber abundancia de información por sistemas de historia clínica electrónica u otros comparables, que serán la base de los modelos.

Caso: Dimensionar la capacidad de recuperación en un servicio quirúrgico de alta complejidad

Problema

La unidad de cirugía de alta complejidad del hospital HiMedic tiene un problema: su conjunto de quirófanos, estrella en la región por el amplio abanico prácticas que pueden realizar, tiene muy bajos niveles de utilización.

Al indagar en las causas, se detecta que la cantidad de cirugías realizadas ha llegado a un límite dado por la cantidad y tipo de camillas del sector de recuperación. No es posible operar más pacientes, dado que se producen bloqueos en el flujo de pacientes por no tener camas disponibles para la recuperación.

En líneas generales, intervenciones más invasivas requieren de tratamientos de cuidado más complejos. Luego de los cuales, en función de la evolución del paciente, va pasando gradualmente a instancias de cuidado en camillas de menor complejidad.

Hay que notar que, si bien la gran mayoría de los pacientes mejoran y se descomplejizan, existen algunos que requieren reintervenir o que requieren volver a una etapa de mayor complejidad para un monitoreo más detallado.

Como complejidad adicional, las distintas intervenciones comparten los mismos recursos de recuperación, con lo que se genera una maraña de flujo de pacientes y recursos interesante, dónde el camino representativo del paciente no se ajusta a los modelos tipo de filas de espera vistos.

Solución

En base a este problema, se utiliza la herramienta de simulación por eventos discretos, con la premisa inicial de dimensionar la nueva capacidad de recuperación (cantidad y tipo de recursos) con tal de llevar el quirófano a máxima ocupación para el mix – proporción de intervenciones actual.

Para tal fin, se analizan las suposiciones y plantea un modelo de base de la situación actual, a fin de validar/refutar el mismo y compararlo con el comportamiento del sistema real actual.

Para el estudio, numerosas fuentes de datos son analizadas: tipos de intervenciones, tratamiento de recuperación habitual, tiempos de recuperación por etapa, proporción de pacientes por tipo de intervención que se complejizan y/o que requieren ser reintervenidos, costos asociados a cada intervención en sus distintas etapas, alternativas de ampliación por tipo de recurso (cantidades máximas, costos asociados), entre otras.

Beneficio

Entre los ejes de trabajo se incluyen los siguientes, con los que se respondieron a las preguntas.

• Dimensionar estructura de servicio para mix actual:
  ¿Cuál es la combinación optima entre instalaciones de alta y baja complejidad para atender la demanda actual?
• Entender detalladamente el impacto de cada tipo de intervención en el sistema global:
  ¿Cuál es el efecto de outliers con tiempos de recuperación mucho más altos de la media?
  ¿Qué alternativas de flujo conviene implementar en estos casos?
• Sensibilizar estructura de servicio a distintos mix:
  ¿Qué pasa si existen picos de demanda de cierta intervención o grupo de intervenciones?
  ¿Cuál es el pico máximo de demanda que es posible abastecer?
• Existe la posibilidad de que HiMedic nuclee las intervenciones de una zona más amplia a la actual:
  ¿Cuál es el nivel de demanda que podría abastecer dado determinado mix?
  ¿Cuáles son las ampliaciones requeridas para satisfacer cierta demanda?

Conclusiones

Hoy vimos como la simulación por eventos discretos nos puede ayudar a superar las limitaciones que modelos en planillas de cálculo o modelos de fila de espera tradicionales pueden resolver.

Sin embargo, vimos que las mismas premisas y consideraciones a tener en los casos anteriores se mantienen. Son clave el criterio, conocimientos estadísticos y de las herramientas, para que los modelos y sus conclusiones sean de utilidad.

“Basura entra basura sale”: La calidad de las conclusiones será solo tan buena como la información que alimentemos y la calidad de las suposiciones y lógicas involucradas.

También vimos que la simulación tiene sus ventajas y desventajas por lo que no será siempre una navaja suiza para nuestros problemas.

Problemas con mayores riesgos, inversiones, costos e irreversibilidad, en los que exista abundancia de información, serán particularmente propicios para resolver utilizando simulación.

Así cerramos nuestro ciclo de notas asociado a simulación y problemas complejos. ¿Qué te pareció? ¿De qué te gustaría que escribamos? Escribinos para contarnos.

---