1. Modelos de negocio estocásticosModelos de negocio estocásticos
¿Qué probabilidades de ganar dinero
tengo con este proyecto?
11/06/13 inigo.irizar@iese.net 1
2. Porqué son necesarios los modelosPorqué son necesarios los modelos
estocásticosestocásticos
• En un modelo determinístico, el resultado del mismo se
obtiene al dar valores más esperados a las variables del
modelo.
• Al hacerlo, se incurren en dos errores: podemos ser
optimistas o pesimistas.
• En todos los casos, utilizamos supuestos y estimaciones para
los que carecemos de toda la información necesaria.
• En los modelos estocásticos, podemos incluir en el análisis
toda la incertidumbre presente en el modelo.
• Siempre que haya incertidumbre, podemos utilizar @Risk.
11/06/13 inigo.irizar@iese.net 2
3. Qué es el riesgo y cómo tratarloQué es el riesgo y cómo tratarlo
• El riesgo es consecuencia de nuestra incapacidad
para ver el futuro y supone un grado de
incertidumbre.
• El riesgo tiene estas características:
– Puede ser objetivo (lanzar una moneda) o subjetivo
(predecir el tiempo)
– Decidir que algo es arriesgado requiere un juicio personal
(apostar 1 euro o 1.000.000 euros).
– Muchas veces, podemos decidir o evitar acciones
arriesgadas.
11/06/13 inigo.irizar@iese.net 3
4. El análisis de riesgo y las técnicasEl análisis de riesgo y las técnicas
usadas en los modelos estocásticosusadas en los modelos estocásticos
• Primero, hay que ser consciente de que se necesita.
• Cuantificar el riesgo:
– Identificar la variable
– Identificar todos los valores que esa variable puede tener
– Determinar la probabilidad que cada valor puede tener. La mayor
parte de las veces esto depende del juicio de las personas (excepto
que el riesgo sea objetivo y conocida su probabilidad)
• Cuando el riesgo se ha evaluado subjetivamente, hemos de
preguntarnos si más información puede hacer cambiar
nuestra opinión y cuánto cuesta el conseguirla (en tiempo y
dinero).
11/06/13 inigo.irizar@iese.net 4
5. Describir el riesgo como unaDescribir el riesgo como una
distribución de probabilidaddistribución de probabilidad
• El riesgo se puede cuantificar utilizando una
distribución de probabilidad.
• Todas las distribuciones de probabilidad utilizan una
serie de argumentos para especificar el rango de
valores y su distribución de probabilidad. Por
ejemplo, la distribución normal (campana de Gauss)
se define por la media y la desviación estándar.
• En @Risk de Palisade, por ejemplo, se puede elegir
entre más de 30 distribuciones de probabilidad
distintas.
11/06/13 inigo.irizar@iese.net 5
6. ¿Qué es un análisis de riesgo?¿Qué es un análisis de riesgo?
• En un sentido amplio, el análisis de riesgos es
cualquier método (cuantitativo o cualitativo)
que permite evaluar el impacto del riesgo
durante la toma de decisiones.
• @Risk se centra en métodos cuantitativos
para determinar la distribución de
probabilidad consecuencia de las decisiones
tomadas.
11/06/13 inigo.irizar@iese.net 6
7. Modelo de negocio estocástico:Modelo de negocio estocástico:
4 pasos4 pasos
1. Desarrollar un modelo: se traduce en números en Excel lo
que es la narración que todo modelo de negocios supone.
2. Identificar la incertidumbre de las variables del modelo,
especificando los posibles valores y la distribución de
probabilidad para los mismos.
3. Analizar el modelo mediante simulaciones para obtener el
resultado: los valores y la distribución de probabilidad de los
mismos.
4. Tomar una decisión basada en los resultados obtenidos y las
preferencias personales.
11/06/13 inigo.irizar@iese.net 7
8. Desarrollo de un modelo estocástico:Desarrollo de un modelo estocástico:
quiénquién
• Quien desarrolla el modelo de negocios y
quien lo traduce a números es un experto.
11/06/13 inigo.irizar@iese.net 8
9. Desarrollo de un modelo estocástico:Desarrollo de un modelo estocástico:
variablesvariables
• Las variables son los elementos básicos que el
experto ha identificado como ingredientes
importantes del modelo.
• Hay que identificar las variables determinísticas, es
decir, aquellas cuyos valores conocemos y que no
van a variar en el modelo (son valores que dependen
de decisiones propias: por ejemplo, el presupuesto
en publicidad)
• Hay que identificar las variables cuyos valores no
conocemos que son las variables estocásticas.
11/06/13 inigo.irizar@iese.net 9
10. Desarrollo de un modelo estocástico:Desarrollo de un modelo estocástico:
variables estocásticasvariables estocásticas
• Para las variables estocásticas, necesitamos conocer la naturaleza de su incertidumbre.
• Tradicionalmente, esto lo hemos sustituido en estrategia y finanzas utilizando tres
tipos de escenarios: el pesimista, el optimista y el normal o más probable. Esto está
bien pero no es suficiente. Aunque nos da el rango de valores que la variable puede
tomar.
• Para completar la naturaleza de la incertidumbre de la variable, debemos de
determinar su distribución de probabilidad.
• Además, las variables estocásticas pueden ser independientes o dependientes.
• Una variable es independiente cuando su valor no depende de ninguna otra variable
del modelo. Por ejemplo, el precio de la electricidad que paga la empresa es
independiente del coste de Mano de Obra Directa.
• Una variable es dependiente cuando su valor depende del valor de otra variable del
modelo. Por ejemplo, la precipitación (lluvia) afecta a la cosecha de los agricultores.
Estas variables deben estar correlacionadas en el modelo. De otro modo, las
simulaciones pueden calcular sucesos que jamás se dan en la realidad.
11/06/13 inigo.irizar@iese.net 10
11. Desarrollo de un modelo estocástico:Desarrollo de un modelo estocástico:
variables de salidavariables de salida
• Todo modelo estocástico, tiene como
resultado una variable de salida que se define
como una distribución de probabilidad de los
resultados. En definitiva, tenemos una gráfica
de salida.
• Cuando se trabaja con modelos de negocio, la
salida habitual es el flujo de caja y otras
medidas relacionadas con el mismo como el
VAN y la TIR.
11/06/13 inigo.irizar@iese.net 11
12. SimulacionesSimulaciones
• @Risk utiliza simulaciones Montecarlo o Latin
Hypercube sampling.
• El Excel calcula cientos o miles de veces el
modelo, asignando valores aleatorios a las
variables, dentro de los rangos y conforme a
las probabilidades asignadas, obteniendo cada
vez un resultado.
• El resultado o variable de salida es, por tanto,
una gráfica de sucesos del modelo.
11/06/13 inigo.irizar@iese.net 12
14. Interpretación de resultadosInterpretación de resultados
• Gracias a @Risk conocemos mucho mejor cómo se
comporta el resultado:
– El rango de posibles resultados del modelo
– La probabilidad de que ocurran esos resultados
• La interpretación de los resultados es individual y
puede llevar a personas diferentes a tomar
decisiones y cursos de acción diferentes. Las
percepciones sobre las elecciones, el tiempo y el
riesgo son personales.
11/06/13 inigo.irizar@iese.net 14
15. Interpretación de resultados: DifusiónInterpretación de resultados: Difusión
(Spread)(Spread)
• Observando la difusión (amplitud de rango de
resultados) y la ocurrencia de los sucesos,
cada decisor puede tomar decisiones mejor
informadas basadas en el nivel de riesgo que
quiera tomar.
11/06/13 inigo.irizar@iese.net 15
16. Interpretación de resultadosInterpretación de resultados
• La distribución de
probabilidad de A es
más arriesgada que B ya
que aunque tienen la
misma distribución, A
tiene más resultados no
deseables.
11/06/13 inigo.irizar@iese.net 16
17. Interpretación de resultadosInterpretación de resultados
• F es más arriegada que
E ya que el rango de
ocurrencia es mayor y la
probabilidad de salirse
fuera de los limites de E
mayor.
11/06/13 inigo.irizar@iese.net 17
18. Interpretación de resultadosInterpretación de resultados
• La distribución C es más
arriesgada que la D ya
que la probabilidad de
suceso es uniforme
mientras que en la D se
concentra en el valor
98.
11/06/13 inigo.irizar@iese.net 18
19. Sesgos y largas colasSesgos y largas colas
11/06/13 inigo.irizar@iese.net 19
20. Lo que puede y no puede hacer unLo que puede y no puede hacer un
modelo estocásticomodelo estocástico
• Las técnicas cuantitativas no llegan a soluciones correctas ni
decisiones.
• Estas técnicas ayudan a tomar decisiones y llegar a soluciones.
• Estas técnicas son de gran ayuda en manos expertas y pueden
causar estragos en manos inexpertas.
• En análisis de riesgos, las herramientas nunca sustituyen el juicio
personal.
• Un análisis de riesgo no garantiza la mejor decisión que sólo es
posible si existe información perfecta. Lo que sí garantiza es que la
persona que toma la decisión elige su mejor estrategia personal
dada la información disponible.
11/06/13 inigo.irizar@iese.net 20
21. Ejemplo con una cuenta deEjemplo con una cuenta de
resultadosresultados
11/06/13 inigo.irizar@iese.net 21
22. Paso 1: diseño del modeloPaso 1: diseño del modelo
determinísticodeterminístico
11/06/13 inigo.irizar@iese.net 22
29. El modelo es malo. La probabilidad deEl modelo es malo. La probabilidad de
perder es muy alta. ¿Podemos mejorarlo?perder es muy alta. ¿Podemos mejorarlo?
11/06/13 inigo.irizar@iese.net 29
30. ¿Qué variables hay que poner bajo¿Qué variables hay que poner bajo
mayor control?¿Es posible?mayor control?¿Es posible?
11/06/13 inigo.irizar@iese.net 30