#4 📈 Los puestos de trabajo para esta tecnología crecerán un 24.6% durante esta década
Y muy probablemente seguirá haciéndolo en siguientes décadas
En el año 2013, UPS desplegó ORION, una solución interna que le ahorró:
38 millones de litros de gasolina
22 000 toneladas de CO2
50 millones de dólares ese año
Pero además:
Entregó 350 000 paquetes más
Sus 55 000 conductores recorrieron 45 millones de km menos
Durante los años siguientes, estas cifras han ido aumentando. Especialmente la del ahorro en costes. ¿Y sabes cómo lo ha hecho?
Resolviendo un problema de optimización. De hecho, ORION es el acrónimo de On-Road Integrated Optimization and Navigation, o lo que es lo mismo, un sistema de Navegación y Optimización Integradas para la carretera.
Así que esto es lo que vamos a ver en la edición de Factibles de hoy:
Los conocimientos que hacen posible resolver estos problemas
Qué es un problema de optimización
Qué puedes hacer al respecto
¡Vamos a por ello!
🤔 El informe
Según la Oficina de Estadísticas Laborales de EEUU, se crearán alrededor de 12 millones de puestos de trabajo durante la década de 2020 a 2030 en dicho país.
12 millones.
Esto supone aproximadamente un crecimiento del 7.7% interanual, y varios de estos puestos están íntimamente relacionados con las ciencias de la computación (dicho en cristiano: la informática) y las matemáticas. Puedes ver un extracto en la siguiente imagen:
En el eje vertical está el crecimiento porcentual del número de puestos de trabajo durante esta década para diferentes profesiones. En el eje horizontal estaría el sueldo promedio, de manera que cuanto más a la derecha nos vayamos, mejores sueldos encontraremos. Puedes verlo entero aquí. (Y yo tengo la suerte de trabajar en la intersección de varias de esas burbujas 😃 pero ese es otro tema que ya cubriremos).
Una de esas burbujas ha sido la gran olvidada durante décadas. Y pensarás “Borja, eres un exagerado”. Pero no.
Es una burbuja que ha estado aquí entre nosotros desde que tenemos ordenadores y podemos computar más rápidamente que haciendo los cálculos a mano. Aproximadamente desde la II Guerra Mundial. En momentos de escasez, cuando existen muchas restricciones y hace falta gestionar y abastecer a cientos de miles de elementos y personas, nació “un método científico para proporcionar a los departamentos ejecutivos una base cuantitativa para la toma de decisiones sobre las operaciones bajo su control”.
Igual ya has adivinado a qué burbuja me refiero: a la de Analista de Investigación Operativa.
Y es que es la Investigación Operativa la que permite resolver ese tipo de problemas que aparecen en cualquier negocio, los de optimización. Recuerdas a UPS y su problema de optimización, ¿verdad? En realidad no te lo he contado, pero es el problema de gestionar a decenas de miles de conductores para transportar paquetes al menor coste posible.
🎯 Sí, pero qué es un problema de optimización
Tú probablemente no seas UPS, una mega empresa que cotiza en la bolsa de Nueva York, que tiene más de 400 000 empleados en todo el mundo y que genera unos beneficios por valor de 10 000 millones de dólares al año.
Pero de una cosa sí estoy seguro: quieres minimizar costes, o maximizar beneficios, o recorrer menos km al entregar paquetes… Y todo teniendo en cuenta las restricciones propias de tu negocio: tienes los empleados que tienes, el presupuesto que tienes o los vehículos que tienes. Y además estás tratando de asignar recursos manualmente, pero sabes que según van creciendo ciertas variables, el problema se vuelve más y más complejo e intuyes que el proceso se puede mejorar.
Pues eso es un problema de optimización. Concretamente de optimización combinatoria.
El problema de UPS es un problema de optimización combinatoria. Es una versión bastante compleja del conocido problema del viajante de comercio (o el TSP, del inglés Traveling Salesman Problem). En el TSP tenemos un conjunto de puntos, que serán las ciudades a visitar, y el objetivo es unir todos esos puntos de manera que se minimiza la distancia total entre ellos sin pasar dos veces por el mismo punto, haciendo un ciclo entre todos ellos.
Esto, que parece fácil a primera vista, no lo es en cuanto aumentamos el número de ciudades a visitar.
Echemos cuentas:
Si solo tenemos 2 ciudades → 1 posible solución (porque viajar en un sentido o en el contrario es exactamente lo mismo, en realidad no hay ningún ciclo aquí).
Si tenemos 3 ciudades → 1 posible solución también. Porque A → B → C es exactamente lo mismo que B → C → A o que C → A → B.
4 ciudades → 3 posibles soluciones:
A → B → C → D → A
A → B → D → C → A
A → C → B → D → A
5 ciudades → 12 posibles soluciones:
A → B → C → D → E
A → B → C → E → D
A → B → D → C → E
A → B → D → E → C
A → B → E → C → D
A → B → E → D → C
A → C → B → D → E
A → C → B → E → D
A → C → D → B → E
A → C → E → B → D
A → D → B → C → E
A → D → C → B → E
Y no voy a listar más soluciones, pero…
Para 6 ciudades → 60 posibles soluciones.
Para 7 ciudades → 360 posibles soluciones.
Para 10 ciudades → 181 440 posibles soluciones.
Para 15 ciudades → 653 837 184 000 posibles soluciones.
Para 20 ciudades → 6.08225502×10¹⁶ posibles soluciones, o lo que es lo mismo, un 6 con 16 ceros detrás 😮
Ves por dónde van los tiros, ¿verdad? Añadimos una sola ciudad, de 6 a 7, y pasamos de 60 a 360 soluciones al problema. De 7 a 10 y pasamos de unas pocas centenas a cientos de miles de soluciones. Y con solo 5 ciudades más pasamos a cientos de miles de millones de soluciones. El crecimiento en el número de soluciones según vamos aumentando el número de ciudades es exponencial. Siendo n el número de ciudades, para este problema tenemos un número de soluciones igual a:
(n-1)! / 2
Y esto es algo que pasa no solo para este problema, sino en realidad para prácticamente cualquier problema de optimización que aparece en la vida real. Aumentando un poco el tamaño de la entrada, la salida aumenta exponencialmente.
❓ Qué puedes hacer al respecto
Lo primero, identificar el problema.
Lo segundo, querer resolverlo de una manera analítica.
Lo tercero, ponerte manos a la obra con ello.
UPS lo hizo muy bien en su momento. Tenía completamente identificado el problema, lo quiso resolver de manera analítica y se puso manos a la obra. De hecho, tardó varios años en sacar adelante su proyecto.
El primer paso es relativamente directo, ya que si tienes un negocio y te preocupas por él, puedes identificar los problemas que aparecen. Lo normal es que incluso se esté resolviendo a mano el problema o con alguna tabla de excel o con un conocimiento muy específico de una o varias personas. Pero eso no escala.
Si de verdad quieres resolver de manera analítica un problema así, necesitas tener a gente en tu plantilla con conocimientos sobre la resolución de este tipo de problemas. Aquí es donde entra el papel del Analista de Investigación Operativa que comentábamos antes. Este tipo de perfiles se suelen encontrar entre:
Matemáticos
Ingenieros industriales
Ingenieros informáticos
Máster en Estadística e Investigación Operativa
Doctores en Investigación Operativa
Y suelen tener conocimientos en varias disciplinas, como:
Estadística
Programación
Modelización matemática (es decir, la “traducción” de los requisitos de negocio a un modelo matemático que describa la realidad del problema)
Algoritmos
En próximas entregas de la newsletter te presentaré problemas que aparecen en diferentes negocios, como almacenes, las inversiones, las telecomunicaciones o en planificación de personal.
Pero mientras tanto te dejo con el vídeo de UPS en el que hablan de su sistema ORION con más detalle:
¡Hasta la próxima edición!
Un abrazo.
En la anterior edición utilicé a Dall-E, de OpenAI, para generar la imagen. Cada día aparecen más IAs capaces de, dado un texto, generar una imagen acorde a él. Y no solo es que aparezcan cada vez más IAs, es que lo hacen tremendamente bien.