El análisis de riesgo es el uso sistemático de la información disponible para determinar la frecuencia con la que determinados eventos se pueden producir y la magnitud de sus consecuencias.
Los riesgos normalmente se definen como eventos negativos, como puede ser la pérdida de dinero en una empresa o una tormenta que genera un gran número de reclamaciones de seguro. Sin embargo, durante el proceso de análisis de riesgo también se pueden descubrir resultados potenciales positivos. Mediante la exploración de todo el espacio de posibles resultados para una situación determinada, un buen análisis de riesgo puede identificar peligros y descubrir oportunidades.
El análisis de riesgo se puede realizar cualitativa y cuantitativamente. El análisis de riesgo cualitativo generalmente incluye la evaluación instintiva o “por corazonada” de una situación, y se caracteriza por afirmaciones como “Eso parece muy arriesgado” o “Probablemente obtendremos buenos resultados”. El análisis de riesgo cuantitativo trata de asignar valores numéricos a los riesgos, utilizando datos empíricos o cuantificando evaluaciones cualitativas. Vamos a concentrarnos en el análisis de riesgo cuantitativo.
Análisis de riesgo determinista – “El mejor de los casos, el peor de los casos y el resultado más probable”
Un análisis de riesgo cuantitativo se puede realizar con dos métodos diferentes. El primer método utiliza estimaciones de un solo punto, y es de naturaleza determinista. Con este método, un analista puede asignar valores a situaciones independientes para ver los resultados que se podrían producir en cada una. Por ejemplo, en un modelo financiero, un analista normalmente examina tres resultados diferentes: el peor de los casos, el mejor de los casos y el caso más probable. Cada uno se define así:
El peor de los casos – Todos los costos tienen el valor más alto posible, mientras que los ingresos por ventas responden a la estimación más baja posible. El resultado es la pérdida de dinero.
El mejor de los casos – Todos los costos tienen el valor más bajo posible, mientras que los ingresos por ventas responden a la estimación más alta posible. El resultado es la ganancia de mucho dinero.
El caso más probable – Los valores que se seleccionan son los intermedios para los costos e ingresos, y el resultado muestra una ganancia moderada de dinero.
- Este método tiene varios problemas:
- Sólo se consideran unos pocos resultados independientes, y se ignoran cientos o miles más.
- Se da el mismo peso a cada resultado. Es decir, no se trata de evaluar la probabilidad de cada resultado.
Se ignora la interdependencia entre las variables de entrada, el impacto de las diferentes variables sobre el resultado y otros detalles, simplificando en exceso el modelo y reduciendo su precisión.
Análisis de riesgo estocástico – La simulación Monte Carlo
Una mejor forma de hacer un análisis de riesgo cuantitativo es mediante el uso de la simulación Monte Carlo. En la simulación Monte Carlo, las variables inciertas de un modelo se representan usando rangos de posibles valores denominados distribuciones de probabilidad. Mediante el uso de distribuciones de probabilidad, las variables pueden tener diferentes probabilidades de producir diferentes resultados. Las distribuciones de probabilidad son una forma mucho más realista de describir la incertidumbre en las variables de un análisis de riesgo. Las distribuciones de probabilidad más comunes son:
Normal – O “curva de campana”. El usuario simplemente define la media o valor esperado y una desviación estándar para describir la variación con respecto a la media. Los valores intermedios cercanos a la media tienen mayor probabilidad de producirse. Es una distribución simétrica y describe muchos fenómenos naturales, como puede ser la estatura de una población. Ejemplos de variables que se pueden describir con distribuciones normales son los índices de inflación y los precios de la energía.
Lognormal – Los valores muestran una clara desviación; no son simétricos como en la distribución normal. Se utiliza para representar valores que no bajan por debajo del cero, pero tienen un potencial positivo ilimitado. Ejemplos de variables descritas por la distribución lognormal son los valores de las propiedades inmobiliarias y bienes raíces, los precios de las acciones de bolsa y las reservas de petróleo.
Uniform – Todos los valores tienen las mismas probabilidades de producirse; el usuario sólo tiene que definir el mínimo y el máximo. Ejemplos de variables que se distribuyen de forma uniforme son los costos de manufacturación o los ingresos por las ventas futuras de un nuevo producto.
Triangular – El usuario define los valores mínimo, más probable y máximo. Los valores situados alrededor del valor más probable tienen más probabilidades de producirse. Las variables que se pueden describir con una distribución triangular son el historial de ventas pasadas por unidad de tiempo y los niveles de inventario.
PERT- El usuario define los valores mínimo, más probable y máximo, como en la distribución triangular. Los valores situados alrededor del más probable tienen más probabilidades de producirse. Sin embargo, los valores situados entre el más probable y los extremos tienen más probabilidades de producirse que en la distribución triangular; es decir, los extremos no tienen tanto peso. Un ejemplo de uso de la distribución PERT es la descripción de la duración de una tarea en un modelo de gestión de un proyecto.
Discrete – El usuario define los valores específicos que pueden ocurrir y la probabilidad de cada uno. Un ejemplo podría ser los resultados de una demanda legal: 20% de posibilidades de obtener un veredicto positivo, 30% de posibilidades de obtener un veredicto negativo, 40% de posibilidades de llegar a un acuerdo, y 10% de posibilidades de que se repita el juicio.
Durante una simulación Monte Carlo, los valores se muestrean aleatoriamente a partir de las distribuciones de probabilidad introducidas. Cada grupo de muestras se denomina iteración, y el resultado correspondiente de esa muestra queda registrado. La simulación Monte Carlo realiza esta operación cientos o miles de veces, y el resultado es una distribución de probabilidad de posibles resultados. De esta forma, la simulación Monte Carlo proporciona una visión mucho más completa de lo que puede suceder. Indica no sólo lo que puede suceder, sino la probabilidad de que suceda.
La simulación Monte Carlo proporciona una serie de ventajas sobre el análisis determinista:
- Resultados probabilísticos. Los resultados muestran no sólo lo que puede suceder, sino lo probable que es un resultado.
- Resultados gráficos. Gracias a los datos que genera una simulación Monte Carlo, es fácil crear gráficos de diferentes resultados y las posibilidades de que sucedan. Esto es importante para comunicar los resultados a otras personas interesadas.
- Análisis de sensibilidad. Con sólo unos pocos resultados, en los análisis deterministas es más difícil ver las variables que más afectan el resultado. En la simulación Monte Carlo, resulta más fácil ver qué variables introducidas tienen mayor influencia sobre los resultados finales.
- Análisis de escenario. En los modelos deterministas resulta muy difícil modelar diferentes combinaciones de valores de diferentes valores de entrada, con el fin de ver los efectos de situaciones verdaderamente diferentes. Usando la simulación Monte Carlo, los analistas pueden ver exactamente los valores que tienen cada variable cuando se producen ciertos resultados. Esto resulta muy valioso para profundizar en los análisis.
- Correlación de variables de entrada. En la simulación Monte Carlo es posible modelar relaciones interdependientes entre diferentes variables de entrada. Esto es importante para averiguar con precisión la razón real por la que, cuando algunos factores suben, otros suben o bajan paralelamente.
La simulación Monte Carlo en hojas de cálculo y calendarios de proyectos
La plataforma más común para realizar análisis de riesgo cuantitativos es el modelo de hoja de cálculo. Mucha gente todavía usa innecesariamente análisis de riesgo deterministas en modelos de hoja de cálculo cuando podrían añadir fácilmente la simulación Monte Carlo usando @RISK en Excel. @RISK (disponible en inglés, español, portugués, francés, alemán y japonés) añade nuevas funciones a Excel para definir distribuciones de probabilidad y analizar resultados. @RISK también se ofrece para Microsoft Project, permitiendo la evaluación de riesgos en calendarios y presupuestos de proyectos.
