Herramientas y Técnicas en la Gestión de la Incertidumbre

UNIVERSIDAD DE VALLADOLID ESCUELA DE INGENIERÍAS INDUSTRIALES G ado en Ingenie ía en O ganización Indus ial He amien as y Técnicas en la Ges ión de la Ince idumb e Au o : Cu o Lo enzo, Da id Tu o : Acebes Seno illa, Fe nando Depa amen o de O ganización de Emp esas y CIM Valladolid, no iemb e 2020 I Resumen La Ges ión del Riesgo se ha con e ido en un ema de in e és gene al den o de la adminis ación y di ección, y especialmen e en la di ección y ges ión de p oyec os o P ojec Managemen . Sin emba go, no exis e un consenso gene alizado en cuan o a los concep os de iesgo e ince idumb e. Una amplia e isión li e a ia nos ha pe mi ido iden i ica cua o ipos de ince idumb e: es ocás ica, alea o ia, epis émica y on ológica. Pa a ealiza una buena ges ión del iesgo, es imp escindible el uso de las écnicas y he amien as adecuadas. El obje i o de es e abajo es p esen a un suma io de las he amien as y écnicas ecomendadas pa a se aplicadas a cada ipo de ince idumb e. Palab as cla e Di ección de P oyec os; Riesgos; Ges ión de Riesgos; Ince idumb e; Ges ión de la Ince idumb e Abs ac Risk Managemen is an eme ging opic o in e es in Managemen li e a u e in gene al, and especially in he P ojec Managemen discipline. None heless, he e is no consensus abou he concep o isk. A b oad e iew o he li e a u e le us iden i y ou ypes o unce ain y: s ochas ic, alea o ic, epis emic and on ological. Success ul Risk Managemen equi es applying he app op ia e echniques and ools. The aim o his pape is o p esen a syn hesis o he ools and echniques, which mus be applied o each ype o unce ain y Keywo ds P ojec Managemen ; Risk; Risk Managemen ; Unce ain y; Unce ain y Managemen III Índice In oducción .................................................................................................... 1 Mo i ación ............................................................................................................. 1 Obje i os ................................................................................................................ 1 Alcance .................................................................................................................. 1 Es uc u a .............................................................................................................. 2 1. Gene alidades de la Di ección de P oyec os .......................................... 3 2. Ges ión del Riesgo .................................................................................. 5 2.1 O ígenes del Riesgo ..................................................................................... 5 2.1.1 Riesgo desde la psicología .................................................................................. 7 2.1.2 Riesgo desde la economía .................................................................................. 7 2.1.3 Riesgo desde la ingenie ía .................................................................................. 8 2.2 Riesgo en la Di ección de P oyec os ........................................................... 8 2.2.1 E olución his ó ica de la noción de Riesgo........................................................ 9 2.2.2 El iesgo desde dis in os es ánda es pa a la Di ección de P oyec os ........... 11 2.2.3 Riesgo e Ince idumb e ..................................................................................... 11 2.2.4 El caso de los Riesgos Labo ales ..................................................................... 13 2.2.4.1 In eg ación en P oyec os................................................................................... 13 2.3 Componen es del Riesgo ........................................................................... 14 3. Ges ión de la Ince idumb e ................................................................ 17 3.1 Ince idumb e en la Di ección de P oyec os.............................................. 17 3.2 Dis in as clasi icaciones ............................................................................ 18 3.2.1 Ince idumb e y Complejidad ............................................................................ 18 3.2.2 La dualidad de la Ince idumb e ...................................................................... 19 3.2.3 G ado de desconocimien o de una ince idumb e .......................................... 20 3.2.3.1 La madu ez hacia el iesgo ............................................................................... 21 3.2.4 No-e en os ......................................................................................................... 23 3.2.4.1 Ince idumb e es ocás ica ................................................................................ 27 3.2.4.2 Ince idumb e alea o ia .................................................................................... 28 IV 3.2.4.3 Ince idumb e epis émica ................................................................................. 28 3.2.4.4 Ince idumb e on ológica .................................................................................. 29 3.3 Modelos de ges ión ................................................................................... 30 4. He amien as y écnicas ...................................................................... 33 Me odología ........................................................................................................ 34 4.1 Mé odos de Decisión Mul ic i e io............................................................. 36 4.1.1 Analy ic Hie a chy P ocess (AHP) ...................................................................... 36 4.1.2 Analy ic Ne wo k P ocess (ANP) ........................................................................ 38 4.1.3 ELimina ion E Choice T ansla ing Reali y (ELECTRE) ..................................... 40 4.1.4 Technique o O de o P e e ence by Simila i y o Ideal Solu ion (TOPSIS) .. 42 4.2 Mé odos Heu ís icos .................................................................................. 43 4.2.1 Algo i mos gené icos ......................................................................................... 44 4.2.2 Búsqueda abú .................................................................................................. 45 4.2.3 GRASP (G eedy Randomized Adap i e Sea ch P ocedu e) ............................. 46 4.2.4 Recocido simulado ............................................................................................ 47 4.2.5 Redes Neu onales ............................................................................................. 48 4.3 Mé odos lógicos ........................................................................................ 49 4.3.1 E en T ee Analysis (ETA) .................................................................................. 50 4.3.2 Faul T ee Analysis (FTA) ................................................................................... 51 4.3.3 Fuzzy Logic ......................................................................................................... 51 4.4 Mé odos basados en ma ices .................................................................. 52 4.4.1 Risk B eakdown Ma ix (RBM) and S uc u e (RBS) ........................................ 53 4.4.2 SWOT Analysis (Análisis DAFO/FODA) .............................................................. 54 4.5 Mé odos ma emá icos ............................................................................... 55 4.5.1 Expec ed Mone a y Value (EMV) ....................................................................... 56 4.5.2 Ea ned Value Managemen (EVM) .................................................................... 56 4.5.3 Expe imen os es adís icos ................................................................................ 57 4.5.4 Human Reliabili y Assessmen (HRA) ............................................................... 58 4.5.5 Ma gen ............................................................................................................... 59 4.5.6 Mon e Ca lo ........................................................................................................ 60 4.5.7 Pa e o Analysis (PA) ........................................................................................... 61 4.5.8 P og amación lineal ........................................................................................... 62 V 4.5.9 Sensi i i y Analysis ............................................................................................ 63 4.6 Mé odos basados en diag amas de e en os ............................................ 64 4.6.1 Checklis ............................................................................................................. 65 4.6.2 Decision T ee Analysis....................................................................................... 65 4.6.3 Diag amas de causa y e ec o ........................................................................... 66 4.6.4 E en and Causal Fac o Cha ing (ECFCh) ...................................................... 66 4.7 Mé odos pa a la búsqueda de iesgos ...................................................... 67 4.7.1 B ains o ming .................................................................................................... 67 4.7.2 Change Analysis (ChA) ....................................................................................... 68 4.7.3 Delphi ................................................................................................................. 68 4.7.4 Expe Judgmen ................................................................................................ 68 4.7.5 Failu e Mode and E ec s Analysis (FMEA) ....................................................... 69 4.7.6 Inciden Repo ing (IR) ...................................................................................... 70 4.7.7 Risk P obabili y and Impac Assessmen ......................................................... 71 4.7.8 Wha -I Analysis & SWIFT Analysis .................................................................... 71 4.7.8.1 Wha -I Analysis ................................................................................................. 72 4.7.8.2 SWIFT Analysis ................................................................................................... 72 4.7.9 ‘5 Why’s’ Technique .......................................................................................... 72 4.8 Resumen ................................................................................................... 73 Conclusiones ................................................................................................ 77 Re e encias .................................................................................................. 79 Anexo: Publicaciones ................................................................................... 89 VII Índice de Figu as Figu a 1 Pun os en común sob e el concep o Riesgo ......................................... 9 Figu a 2 Componen es del Riesgo ...................................................................... 14 Figu a 3 Clasi icación clásica de la Ince idumb e ............................................ 20 Figu a 4 La en ana de Joha i. Elabo ación p opia. .......................................... 24 Figu a 5 Tabla Awa eness – Knowledge. Elabo ación p opia. .......................... 25 Figu a 6 Clasi icación de la Ince idumb e po 'No-e en os'. ............................ 27 Figu a 7 G á ica de los p ocesos de búsqueda me odológica. Elabo ación p opia. ................................................................................................................... 35 Figu a 8 Ejemplo de ni eles de decisión je a quizados. (Ishizaka & Neme y, 2013). ................................................................................................................... 37 Figu a 9 Ejemplo de una ma iz de compa ación. (Ishizaka & Neme y, 2013). ............................................................................................................................... 38 Figu a 10 Ejemplo de ed analí ica. (Ishizaka & Neme y, 2013). .................... 39 Figu a 11 Ejemplo de ma iz de compa ación. (Ishizaka & Neme y, 2013). ... 39 Figu a 12 Ejemplo de la je a quía ob enida median e el mé odo ELECTRE. Elabo ación p opia. .............................................................................................. 41 Figu a 13 P e e encia de c i e ios pa a el mé odo PROMETHEE. (Ishizaka & Neme y, 2013). .................................................................................................... 42 Figu a 14 Ejemplo de mé odo Topsis. (Ishizaka & Neme y, 2013) .................. 43 Figu a 15 Sis ema básico de uncionamien o de los algo i mos gené icos. Elabo ación p opia. .............................................................................................. 45 Figu a 16 Ejemplo de una i e ación de una búsqueda abú. (Glo e & Laguna, 1997). ................................................................................................................... 46 Figu a 17 Ejemplo de un pseudo-código gené ico GRASP. (Feo & Resende, 1995) .................................................................................................................... 47 He amien as y Técnicas en la Ges ión de la Ince idumb e 4 Debido a que un p oyec o iene unos obje i os que, po lo gene al, suelen se bas an e amplios, se coliga que un p oyec o en aña iesgos de no consecución de algunos de esos obje i os. Hablamos de la ges ión del iesgo en p oyec os como una ac i idad di ec amen e elacionada con la consecución de los obje i os del mismo (Hillson, 2014). O o es udio, ealizado po el Wo ld Economic Fo um (2018) des aca la in luencia que iene la c eación de nue os p oyec os en países con un al o c ecimien o y desa ollo económico; así como la ele ancia de la compe encia de Risk Manage , o Ges o de Riesgo, en el desa ollo de nue os p oyec os. El p opio Wo ld Economic Fo um (2016), en lo ela i o a la ingenie ía y la cons ucción, a i ma: “i is always impo an o imp o e accoun abili y and manage isks e ec i ely […] by encou aging a common isk-managemen s a egy”. El sen ido que le quie e da el Wo ld Economic Fo um es que siemp e es impo an e mejo a la esponsabilidad y la ges ión e ec i a de iesgos omen ando una es a egia común de ges ión de iesgos. La ges ión de iesgos es un aspec o con mucha ele ancia en la di ección y ges ión de p oyec os. Como indican Me edi h e al. (2017), “I is ne e oo ea ly in he li e o a p ojec o begin managing isk”. El iesgo de un P oyec o debe ía comenza a se manejado lo an es posible. Los obje i os de un p oyec o pueden llega a se muy amplios, y pa a ello es necesa io hace las cosas bien desde el p incipio. Po es e mismo mo i o, mul i ud de o ganizaciones pod án comenza a ges iona el iesgo desde el momen o mismo de la c eación de un p oyec o. El obje o p incipal de es udio de nues o abajo se á una e isión sob e el uso de las he amien as y écnicas más e icien es a la ho a de a a el iesgo. Ges ión del Riesgo 5 2. Ges ión del Riesgo La ges ión del iesgo y, po consiguien e, de la ince idumb e, es una a ea mul idisciplina debido a la ans e salidad de la di ección de p oyec os. Las amas del conocimien o cien í ico a las que a ec a la ges ión del iesgo y de la ince idumb e, según Saunde s e al. (2015), se ían la economía, la ingenie ía y la psicología: “a b oad ange o in ellec ual disciplines including economics, enginee ing and psychology”. Se deba e que la ince idumb e y sus iesgos asociados son una ace a mul idisciplina . Po es e mo i o, an os au o es de amas del conocimien o an dis in as como la psicología, la economía o la ingenie ía, deba en en e sí pa a da le a los concep os de iesgo e ince idumb e una de inición lo más cla a posible. Saunde s e al. (2015) hablan del concep o de ince idumb e como un concep o poli acé ico y mul idisciplina . En es e documen o a a emos de busca los o ígenes del iesgo y de la ince idumb e desde las á eas del conocimien o humano que his ó icamen e se han in e esado po ellos: la psicología, la economía y la ingenie ía. 2.1 O ígenes del Riesgo Pa a encon a la p ime a e idencia esc i a sob e iesgo e ince idumb e debe íamos aslada nos has a el ilóso o Séneca (55 C.E.), que esc ibió: “Pie des lo p esen e y, disponiendo de lo que es á en las manos de la o una, dejas lo que es á en las uyas. ¿A dónde pones la mi a? ¿Has a dónde e ex iendes? Todo lo que es á po eni , es incie o.”. Aquello que es ‘incie o’ es desconocido y, po an o, en aña iesgos. La ce eza a la que hace e e encia el pensado es la con aposición a lo desconocido. Hablamos de que ges iona los iesgos signi ica ges iona aquello desconocido. O a o ma de e lo se ía deci que, aumen ando el conocimien o que enemos, disminui ía el iesgo al que nos en en amos. He amien as y Técnicas en la Ges ión de la Ince idumb e 6 Según exponen Hillson & Simon (2012), la ges ión de iesgos ac ual, al y como la conocemos, comienza con el abajo sob e economía de Knigh (1921). En dicho abajo es donde el au o es ablece la di e encia en e iesgo e ince idumb e den o de la Teo ía de la Decisión. Pos e io men e, desde el pun o de is a psicológico, se ha deba ido sob e el p ejuicio de e ospec i a como una uen e na u al humana del concep o de iesgo. El deba e se ha ex endido has a p ác icamen e nues os días (Fischho , 2013). Pa a ul ima es e p oceso de ans o mación, Za ikas & Ki sos (2015) hablan de iesgo ingenie il como una des iación de las amenazas y las opo unidades de un p oyec o. Tenemos, pues, es líneas de in es igación a e isa , al y como se obse a en la Tabla 1: iesgo desde el pun o de is a de la psicología, la economía y la ingenie ía. En cie os pun os es di ícil es ablece una línea de sepa ación lo su icien emen e cla a. Tabla 1 O ígenes del Riesgo Rama del conocimien o Fuen es Psicología P ejuicio de e ospec i a Fischho (2013) Ven ana de Joha i Lu & Ingham (1961) Economía Teo ía de la Decisión Knigh (1921) Ingenie ía Amenaza u opo unidad Za ikas & Ki sos (2015) Es po ello que, a pesa de se psicólogos, los au o es Lu & Ingham (1961) dibuja on la llamada ‘ en ana de Joha i’, en lo e e en e a la psicología cogni i a. Es a ‘ en ana de Joha i’ ha sido u ilizada po muchos es udiosos de la ges ión del iesgo pa a es ablece una clasi icación del mismo, como el doc o Hillson (2004). Todas es as amas del conocimien o se án e isadas a con inuación. Ges ión del Riesgo 7 2.1.1 Riesgo desde la psicología Ap ende y es udia buenos mé odos de ges ión del iesgo es necesa io en la ealización de p oyec os, po lo que debe a ende ambién a las condiciones básicas inhe en es al se humano. La ges ión del iesgo es á in luenciada, an o po la na u aleza del expe imen o, como po la del expe imen ado . Debido a que la na u aleza p opia del modelado in luye en la ges ión del iesgo, hemos acudido a uen es psicológicas pa a explica el compo amien o humano. Es condición humana el conocido como p ejuicio de e ospec i a, consis en e en subes ima el cos e, iempo y iesgos de las acciones plani icadas y, po consiguien e, sob ees ima los bene icios y esul ados (Fischho , 2013). Analizando la si uación, la capacidad que enemos pa a ap ende del pasado es a ía ma cada po es a condición de e minis a, consus ancial al sesgo e ospec i o. En es e campo del conocimien o cien í ico, son no ables los abajos de Kahneman, Slo ic and T e sky (1982), e sando sob e la elación en e ince idumb e y los mundos ex e io es e in e io es del se humano. Po o o lado, en la ob a de Lu and Ingham (1961) es ablecían la llamada “Joha i Window”, o ‘Ven ana de Joha i’. Es a he amien a de la psicología cogni i a ha sido ampliamen e es udiada po F i zen (1987). La llamada ‘ en ana de Joha i’ ha se ido de inspi ación y de apoyo en el desa ollo del concep o de ince idumb e po g andes es udiosos del iesgo, como el doc o Hillson (2004), lejos del campo de la psicología. 2.1.2 Riesgo desde la economía La p ime a ez que es a ado el iesgo como una p obabilidad ma emá ica iene de la mano de Knigh (1921) y Su eo ía de la Decisión. En endemos, po an o, que la p ime a mención a la ges ión del iesgo como ges ión de una a iable es adís ica apa ece po p ime a ez de la mano de un economis a. Pa a Knigh , el iesgo se puede p edeci median e el es udio de la p obabilidad es adís ica. He amien as y Técnicas en la Ges ión de la Ince idumb e 8 Los concep os de iesgo e ince idumb e han sido obje o de es udio de o os economis as du an e el siglo XX. Un impo an e eó ico de la economía, Keynes (1937), se in e esó po dis in as nociones de la ince idumb e, alo ando la posibilidad de que no exis iese elación en e los esul ados ob enidos y la p obabilidad de ocu encia de un suceso. En o as palab as, conside aba la ince idumb e como un juego de p obabilidades y, po an o, se pod ían espe a múl iples esul ados posibles. 2.1.3 Riesgo desde la ingenie ía En e e encia a la di ección de p oyec os de ingenie ía, Za ikas & Ki sos (2015) concluyen que “expe s end o unde es ima e he unce ain ies and cos s, comple ion imes, and isks o planned ac ions, whe eas hey o e es ima e he a ious bene i s and p o i s o he p ojec ou comes”. Según ellos, los expe os ende ían a in a alo a las ince idumb es y los cos es, los iempos de inalización y los iesgos de las acciones plani icadas, mien as que sob ees iman los di e sos bene icios y ganancias de los esul ados del p oyec o. Una o ma de ce eza en cuan o a la ocu encia de un iesgo es obse a la des iación de los indicado es de con ol de un p oyec o. Cuando un pa áme o de con ol se si úa ue a de los lími es asumibles po la na u aleza del diseño del p oyec o, pod íamos pensa que un iesgo es á ocu iendo (Acebes e al., 2014b). El es udio de la a iabilidad nos pe mi i ía conoce cuán g ande es esa des iación y qué consecuencias pod ía aca ea . 2.2 Riesgo en la Di ección de P oyec os Podemos ob ene múl iples bene icios de la buena ges ión de las amenazas y opo unidades de un p oyec o. Po an o, lo di ícil se á ace a en las acciones que se oman median e una buena ges ión, aumen ando la di icul ad a medida que aumen a la p ecisión en la ges ión de los iesgos. De ini lo más exac o posible qué es y cuán impo an e es un iesgo es básico pa a pode es udia los e ec os posi i os y nega i os que engan Ges ión del Riesgo 9 sob e los equisi os, es icciones, hipó esis, exclusiones y obje i os en un p oyec o. Pa a pode abo da odos es os ámbi os, es necesa io es ablece de o ma exac a, cla a, concisa y comple a odos los aspec os ele an es en el alcance de un p oyec o (Public Wo ks and Go e nmen Se ices Canada, 2015). Un lenguaje común acili a el ap endizaje y el conocimien o ans e sal de un p oyec o (Hillson, 2002b). A con inuación, se ha á un epaso a los dis in os signi icados y de iniciones que dis in os au o es le han dado al iesgo. Pos e io men e, se a a á la elación en e los concep os de iesgo e ince idumb e y se ha á un b e e epaso al caso pa icula de los iesgos labo ales. 2.2.1 E olución his ó ica de la noción de Riesgo A pesa de que no exis e consenso sob e las de iniciones de iesgo e ince idumb e (Padalka & Gopina h, 2016; Pe mino a e al., 2008; Williams, 1995), sí exis en cie os pun os en común, expues os en la Figu a 1. En endiendo el iesgo como un e en o u u o con cie a p obabilidad de ocu encia, exis e consenso en que un iesgo debe aca ea consecuencias o epe cusiones inespe adas o no planeadas (Chia, 2006). Figu a 1 Pun os en común sob e el concep o Riesgo El es udio bibliog á ico ealizado po Williams (1995) cons a a que las conno aciones nega i as sob e el concep o de iesgo se ponen de mani ies o en mul i ud de au o es. Los signi icados pos e io es ya mencionan la posibilidad de expandi el concep o hacia implicaciones más posi i as. Es deci , hacia opo unidades. Pun os en Común •E en o Fu u o •P obabilidad de Ocu encia •Consecuencias inespe adas He amien as y Técnicas en la Ges ión de la Ince idumb e 10 Las consecuencias nega i as sob e el iesgo han sido una cons an e a lo la go de la his o ia. Sin emba go, Dowie (1999) obse ó en su es udio que la isión únicamen e nega i a pod ía se i como un escollo en la ges ión de iesgos de o ma adecuada. No exis e una acepción exac a del concep o de iesgo. A pesa de que cada au o haga su p opia de inición, incluso a ni el écnico-ingenie il, en es e documen o se a a á el iesgo como un e en o que puede de i a en una amenaza o en una opo unidad (Hillson & Simon, 2012). En la Tabla 2, se obse a un esumen sob e las isiones del ‘Riesgo’ po dis in os au o es. Tabla 2 Resumen de las isiones del concep o 'Riesgo' de dis in os au o es Au o Riesgo Chia (2006) Consecuencias inespe adas Dowie (1999) Necesidad de amplia el concep o hacia consecuencias posi i as Jaa a i (2001) P obabilidad de gana o pe de Hillson (2002a) Mezcla de opo unidades y amenazas Chapman & Wa d (2003) Dos ca as ( esul ados posi i os o nega i os) de la misma moneda Hillson & Simon (2012) E en o que puede de i a en una amenaza o una opo unidad Mul i ud de au o es pos e io es en ienden que el iesgo iene consecuencias duales. Pa a Jaa a i (2001) el iesgo consis e en la p obabilidad de gana o pe de . Es a ca ac e ís ica di e gen e, en e los esul ados posi i os y lo nega i os, se encuen a p esen e en los abajos más ecien es sob e iesgos. En la misma línea de pensamien o, encon amos a Hillson (2002a). En su ob a, llega a la conclusión de las consecuencias bene iciosas a la ho a de ges iona iesgos como una mezcla de opo unidades y amenazas son mayo es que si a amos el iesgo como un concep o ne amen e nega i o. Según Chapman & Wa d (2003), es a sepa ación de iesgos en e amenazas y opo unidades debe se en endida como dos ca as de la misma moneda. Así, un iesgo bien ges ionado puede da nos esul ados posi i os y Ges ión del Riesgo 11 con e i se en una opo unidad. Po el con a io, si la ges ión es mala, puede da como esul ado una amenaza a los in e eses del p oyec o. 2.2.2 El iesgo desde dis in os es ánda es pa a la Di ección de P oyec os La de inición que nos p opo ciona el P ojec Managemen Ins i u e (2017) pa a ‘ iesgo indi idual’ es “un e en o o condición incie a que, si se p oduce, iene un e ec o posi i o o nega i o en uno o más de los obje i os del p oyec o”. Como los obje i os son la me a inal de un p oyec o, podemos a i ma que un iesgo pod ía a ec a a me as, hi os, iempo, cos e y calidad de los esul ados de un p oyec o. Pa a AXELOS (2017), el p opie a io del es ánda de PRINCE2, iesgo es el conjun o de e en os incie os que, en el caso de ocu i , end ían un e ec o en la consecución de los obje i os del p oyec o. En es e caso, el e ec o pod ía se posi i o o nega i o. La me odología pa a la di ección de p oyec os de la Comisión Eu opea, PM2, alinea su isión del iesgo con la de PRINCE2 (Eu opean Commision, 2018). En el caso de la no ma ISO 31000 (2018), se de ine iesgo como el “e ec o de la ince idumb e sob e los obje i os”. En es a no ma, se exponen las di ec ices pa a la ges ión del iesgo. Po o a pa e, enemos que conside a lo que el P ojec Managemen Ins i u e (2017) conside a un ‘ iesgo gene al’, dis inguiéndose del ‘ iesgo indi idual’ en se “el e ec o de la ince idumb e sob e el p oyec o en su conjun o, p o enien e de odas las uen es de ince idumb e”. La elación di ec a en e ince idumb e y iesgo pa ece e iden e 2.2.3 Riesgo e Ince idumb e La ince idumb e an e io men e mencionada es la de inición de la causa aíz de un e en o, es udiado como un iesgo pa a el p oyec o. Es a idea coincide con las de Wa d & Chapman (2003) y A kinson e al. (2006), en la que hablan de la necesidad que debe ían ene los ges o es del iesgo a la ho a de cen a se en las causas de un iesgo. Po consiguien e, no se He amien as y Técnicas en la Ges ión de la Ince idumb e 12 habla ía de Ges ión del Riesgo, sino de Ges ión de la Ince idumb e, un concep o a ado más adelan e. Un es udioso de la Ges ión del Riesgo y de la Ince idumb e es el doc o Hillson. En sus ob as, Hillson (2004, 2009) ealiza una de inición muy pa icula de iesgo: “ iesgo es ince idumb e que impo a”, es ableciendo una elación en e iesgo e ince idumb e. Con es a idea de conexión en e los concep os, Hillson (2004, 2009) des acó la elación como “el iesgo es la ince idumb e medible; la ince idumb e es el iesgo inmensu able”. En su co pus de conocimien o, si podemos medi una ince idumb e se con e i ía en un iesgo. Riesgo e ince idumb e han enido siemp e cie a elación. En el apa ado an e io , 0 Mul i ud de au o es pos e io es en ienden que el iesgo iene consecuencias duales. Pa a Jaa a i (2001) el iesgo consis e en la p obabilidad de gana o pe de . Es a ca ac e ís ica di e gen e, en e los esul ados posi i os y lo nega i os, se encuen a p esen e en los abajos más ecien es sob e iesgos. En la misma línea de pensamien o, encon amos a Hillson (2002a). En su ob a, llega a la conclusión de las consecuencias bene iciosas a la ho a de ges iona iesgos como una mezcla de opo unidades y amenazas son mayo es que si a amos el iesgo como un concep o ne amen e nega i o. Según Chapman & Wa d (2003), es a sepa ación de iesgos en e amenazas y opo unidades debe se en endida como dos ca as de la misma moneda. Así, un iesgo bien ges ionado puede da nos esul ados posi i os y con e i se en una opo unidad. Po el con a io, si la ges ión es mala, puede da como esul ado una amenaza a los in e eses del p oyec o. El iesgo desde dis in os es ánda es pa a la Di ección de P oyec os, se puede obse a cómo el iesgo es á elacionado con aquello que es ‘incie o’. Ges ión del Riesgo 13 2.2.4 El caso de los Riesgos Labo ales Desde el pun o de is a his ó ico, el abajo siemp e ue conside ado un iesgo pa a la ida y la salud de los se es humanos. A o unadamen e pa a nues os con empo áneos, los sis emas escla is as y eudales han desapa ecido de la az de la Tie a. El econocimien o del espe o a la salud y a la in eg idad ísica es un de echo undamen al del se humano que apa ece econocido en la Decla ación Uni e sal de los De echos Humanos (Mo eno Jiménez, 2011). Las condiciones labo ales elacionadas con la calidad de ida han mejo ado no ablemen e (EWCS, 2007). Pa iendo del econocimien o de los de echos labo ales, la unción emp esa ial se ha o ien ado hacia la mejo a de la salud de los abajado es. Es deci , las o ganizaciones ienen en cuen a la ges ión de iesgos labo ales. A ni el legisla i o, la no ma ISO 45001 (2018) ecoge las di ec ices pa a la ges ión de la segu idad y la salud en el abajo. Po o o lado, la no ma i a española sob e ges ión y p e ención de iesgos labo ales es á ecogida en la Ley de P e ención de Riesgos labo ales (31/1995). 2.2.4.1 In eg ación en P oyec os Desde el ámbi o de la Di ección de P oyec os, el P ojec Managemen Ins i u e (2017) conside a undamen ales dos aspec os de los iesgos labo ales: ges ión de la segu idad y ges ión de la salud. Siguiendo la me odología de in eg ación de odos los aspec os de un p oyec o, la ges ión de la segu idad y la salud en el abajo son enidos en cuen a en la ase de diseño de odo p oyec o. Conside ando la necesidad de elimina las amenazas pa a log a el éxi o de un p oyec o, la ges ión de los iesgos labo ales pasa a coloca se en p ime a plana. Asimismo, el ámbi o de la ingenie ía des aca po in eg a los iesgos labo ales de salud y segu idad en sus iesgos ope acionales (Bad i e al., 2012). Es a pa icula isión ingenie il de p e ención in eg ada de iesgos labo ales lle a eniendo luga desde los años 1980 (Claudon e al., 2008). He amien as y Técnicas en la Ges ión de la Ince idumb e 20 Figu a 3 Clasi icación clásica de la Ince idumb e Pa a Chapman & Wa d (2003), la ince idumb e su ge de la ‘ a iabilidad’ y la ‘ambigüedad’. La a iabilidad a ec a ía a la ince idumb e en aspec os como cos e, du ación de a eas y calidad o p ecisión écnica. No obs an e, la ambigüedad end ía un á ea de in luencia mucho mayo . La al a de cla idad en la in o mación ob enida y la al a de da os, de alles y es uc u as e icien emen e o ganizadas de abajo o ma ían pa e de la ambigüedad. Ampliando es a línea de pensamien o, o os au o es hacen e e encia a la ince idumb e de i ada de p ocesos imp edecibles (Damnjano ic & Reinschmid , 2020). Es e ipo de ince idumb e ha sido llamada on ológica y se á ampliado seguidamen e. 3.2.3 G ado de desconocimien o de una ince idumb e G an pa e de los au o es se inclinan a pensa que la ince idumb e es un concep o de i ado de la de iciencia de in o mación. La in o mación ecabada es mayo cuan o mayo es la madu ez de una o ganización hacia el iesgo (Hopkinson, 2011). Es a in o mación p o oca en los ges o es del iesgo una necesidad de es ima cuán a in o mación al a pa a comple a la in o mación necesa ia. Con es o consegui íamos e i a malen endidos que lle asen a e o es en el desa ollo de un p oyec o. En el con ex o de ince idumb e como los p oblemas de una o ganización con la in o mación, el au o Zack (1999) p opone cinco ca ego ías de ince idumb e. Dependiendo del g ado de desconocimien o de una ince idumb e, se eque i á la aplicación más o menos exhaus i a de los di e sos mé odos y écnicas de a amien o de in o mación que exis en. Las cinco ca ego ías p opues as pa a la clasi icación de la ince idumb e son: TIPOS DE INCERTIDUMBRE Alea o ia Epis émica Ges ión de la Ince idumb e 21 • Poseemos comple a ce eza y, en onces, se a a de un e en o comple amen e de e minado. • Conocemos las p obabilidades exac as con la que se p oduci á un e en o u u o. • Es imamos las p obabilidades de ocu encia de un e en o median e in e alos de con ianza. • No conocemos las p obabilidades ni las podemos es ima , pe o sabemos que exis e la posibilidad de ocu encia de un e en o. • Se a a de un e en o o almen e inde inido, desconociendo has a el p opio e en o y, po an o, no pudiendo se obje o de es udio. El au o en oca los obje i os de sus es udios a la educción de la ince idumb e o al aumen o de las capacidades de la o ganización pa a maneja la y ole a la. En odos los casos, la a iable de es udio p opues a se á la o ganización de la in o mación y el desa ollo de las TICs, Tecnologías de la In o mación y de la Comunicación. De es e modo, la ince idumb e se e ía educida po el desa ollo de la capacidad de la o ganización pa a maneja in o mación. Es a idea, llamada madu ez hacia el iesgo de una o ganización, es el eje cen a de la ob a del p o eso Zack. 3.2.3.1 La madu ez hacia el iesgo La madu ez de una o ganización hacia el iesgo es de inida po Zack (1999) como la capacidad que iene dicha o ganización pa a medi la ince idumb e. Según se expone, el aumen o de alo gene ado de una o ganización aumen a de o ma p opo cional a la madu ez que enga la o ganización con el iesgo. En ocado al mundo emp esa ial, a la go plazo la pe mi i ía hace se más compe i i a en la oma de decisiones. El au o a a el ol de las TICs como el eje cen al po el cual se desa olla la madu ez hacia el iesgo. Las Tics si en como un medio de ansmisión o in e cambio de in o mación: “All in o ma ion echnology can be iewed as a medium o ansmi ing o exchanging in o ma ion”. He amien as y Técnicas en la Ges ión de la Ince idumb e 22 Pa a medi el g ado de madu ez, el au o habla del g ado de desconocimien o de una ince idumb e. Los indicado es 1 u ilizados pa a medi el g ado de madu ez de madu ez de una o ganización, expues os en la Tabla 3, son los siguien es: • Unce ain y: Hace e e encia al concep o de al a de in o mación. Se p oduce unce ain y cuando no disponemos de unos mínimos conocimien os de la si uación o de los in e alos de con ianza que a amos de maneja . Luchamos con a es e e ec o in i iendo los ecu sos de la o ganización en mejo a las TICs. De es a mane a, las o ganizaciones pod án da espues as más ápidas, lexibles y exac as a la in o mación ob enida. El au o hace hincapié en la abso ción de conocimien o en el know-how de la o ganización a pos e io i. El obje i o se á analiza la in o mación disponible pa a de e mina qué in o mación es la adecuada. • Complexi y: Se in e esa po el concep o de la complejidad pa a p ocesa un exceso de in o mación. Dicho e ec o p oduce con usión a la ho a de maneja g andes olúmenes de in o mación, ya que no se conocen odos los p ocesos de en ada, p ocesamien o y salida de da os y las elaciones que se es ablecen en e las a iables. Po el con a io, si nos encon ásemos en una si uación de de iciencia de in o mación, el au o p opone mejo a las TICs de la o ganización median e el uso de di e sas écnicas y mé odos. Los mé odos p opues os son el b ains o ming o o men a de ideas, el mé odo Delphi y el uso de écnicas de p oducción lexibles. El obje i o con espec o al e ec o de complexi y se ía analiza la in o mación pa a acudi a la necesa ia. • Ambigui y: La ambigui y consis e en no ene la in o mación enma cada en un á ea del conocimien o. Po an o, es a si uación di icul a su in e p e ación. Es e e ec o puede se manejado con écnicas sencillas, ales como la consul a a expe os y las con e saciones ca a a ca a en e los esponsables de la ob ención de esa in o mación. Hace e e encia a la inde inición del ma co de conocimien o que desea abo da . 1 Al no encon a ningún documen o aducido al español, hemos decidido man ene los nomb es en el idioma o iginal que el au o les dio. Ges ión de la Ince idumb e 23 • Equi ocali y: Se e ie e a la capacidad de in e p e a de múl iples mane as una si uación. Suele se iden i icada como el con a io a ambigui y. Es e e ec o, equi ocali y, puede lle a a que no sepamos a qué ama del conocimien o se e ie e una in o mación, po la posibilidad de pe enencia a a ias amas a la ez. Los mé odos de manejo de es e e ec o de la ince idumb e p opues os coinciden con los de ambigui y y son en ocados hacia la coo dinación hacia el obje i o común de la o ganización. Tabla 3 Indicado es del G ado de desconocimien o Indicado es del G ado de Desconocimien o In o mación Encaje en un á ea de conocimien o Exceso de Complexi y Equi ocali y Fal a de Unce ain y Ambigui y Es os indicado es miden la capacidad de una o ganización de ecaba , p ocesa y emi i juicios de alo de una in o mación. Si ealizá amos un con ol de es os indicado es, pod íamos aumen a la capacidad de ges ión del iesgo de una o ganización. 3.2.4 No-e en os Como hemos is o, podemos clasi ica los iesgos a endiendo a los dis in os c i e ios que hagamos en la clasi icación de una ince idumb e. El doc o Hillson (2009, 2012) ealiza una clasi icación de la ince idumb e a endiendo al concep o de iesgo como “ince idumb e que impo a”. Sob e la ‘Ven ana de Joha i’ En su ob a, el doc o Hillson (2004), se apoya en la llamada ‘ en ana de Joha i’, una he amien a de la psicología cogni i a, pa a el desa ollo de los modelos de a amien o de los dis in os ipos de ince idumb e. En onces, se c ea una abla llamada ‘Awa eness – Knowledge’ – éase la Figu a 5-, que bien pod ía se aducido po ‘Pe cepción – Conocimien o’, en el sen ido de ‘pe cepción ex e na’ con a ‘conocimien o in e no’. He amien as y Técnicas en la Ges ión de la Ince idumb e 24 Los psicólogos Lu & Ingham (1961) c ea on la llamada “Joha i Window” o ‘Ven ana de Joha i’, una he amien a de la psicología cogni i a. En la Figu a 4 se puede obse a es a he amien a, la cual a a la elación de in o mación que exis e en e un emiso y ecep o de e minados. En esa línea de pensamien o, Kahneman, Slo ic and T e sky (1982) en endían la ince idumb e como una di isión en e el conocimien o p o enien e del mundo ex e no y el p o enien e del mundo in e no. Vemos que esa dualidad en e los dos mundos es una idea p esen e en mul i ud de abajos. Figu a 4 La en ana de Joha i. Elabo ación p opia. En la ob a de F i zen (1982), se pone de mani ies o que la Ven ana de Joha i ilus a el p oceso de e oalimen ación – eedback- exis en e en un p oceso de in e acción humana, exis iendo cua o á eas e e en es a la in o mación a ada. Más adelan e ha emos e e encia a la elación que exis e en e los ipos de ince idumb e y cada á ea de la en ana de Joha i. Las cua o á eas, desde un pun o de is a psicológico, son: • Á ea lib e: Conocido po mí / Conocido po los demás • Á ea ciega: Desconocido po mí / Conocido po los demás • Á ea ocul a: Conocido po mí / Desconocido po los demás • Á ea desconocida: Desconocido po mí / Desconocido po los demás Median e el análisis de la ob a de Hillson (2004), podemos ex ae la conclusión de que el au o no plan ea sus cua o ipos de ince idumb e como la co espondencia con cada una de las casillas de la en ana de Joha i. Sin Ges ión de la Ince idumb e 25 emba go, se si e de ella pa a es ablece las líneas de ac uación en lo que a a amien o de iesgos se e ie e. Figu a 5 Tabla Awa eness – Knowledge. Elabo ación p opia. Con amos con cua o casillas: • Cau ion. La ince idumb e que su ge po una ca encia de conocimien o sob e el iesgo que es amos a ando se si úa en es a casilla. Hillson (2004) localiza en la zona de ‘cau ion’, o p ecaución, las ince idumb es de na u aleza epis émica y es ocás ica y p opone la explo ación como o ma de a a la. • Ce ain y. En es a si uación de ce idumb e, el concep o de ince idumb e no ha luga . Nos encon a íamos en una si uación en la cual aquello que se puede conoce , es conocido y es á pe ec amen e comp endido. Las medidas a segui cuando nos hallemos en es e pun o han de se de pe se e ancia y op imización en la consecución de esul ados, pues o que enemos comple a ce eza sob e aquello que a a sucede . He amien as y Técnicas en la Ges ión de la Ince idumb e 26 • Igno ance. El desconocimien o sob e lo que no puede se conocido, pos e io men e llamado ‘ince idumb e on ológica’, se encuad a ía en es a zona de igno ancia. Una o ma de abandona la igno ancia se ía adqui i expe iencia. • Amnesia. Cuando nos encon emos con una ince idumb e sob e la que no enemos conocimien o ex e no, la línea de ac uación se cen a ía en po encia el aumen o del con ol de la in o mación ex e na, pa a consegui un mayo g ado de ce idumb e. El sen ido que le quie e da Hillson (2004) es el de e ela el conocimien o necesa io pa a educi la ince idumb e. La clasi icación en ‘No-e en os’ Pa a sabe qué ince idumb es impo an y cuáles quedan excluidas del obje o de es udio, se p egun a po los “e en os u u os incie os” y aquellos “no-e en os” que modelan la ince idumb e. Con el in de de ini qué cualidades iene una ince idumb e, Hillson (2014) es ablece la siguien e clasi icación: • Ince idumb e es ocás ica. • Ince idumb e alea o ia. • Ince idumb e epis émica. • Ince idumb e on ológica. Después de habe hecho una e isión sob e las clasi icaciones que han hecho los di e sos au o es, c eemos que la p opues a de la Figu a 6 y ealizada po Hillson (2014) es la más ap opiada. El obje i o de nues o es udio es la co ec a asignación de he amien as y écnicas que se pod ían aplica en la Ges ión de la Ince idumb e, en unción del ipo de ince idumb e del que a emos. Ges ión de la Ince idumb e 27 Figu a 6 Clasi icación de la Ince idumb e po 'No-e en os'. 3.2.4.1 Ince idumb e es ocás ica La ince idumb e es ocás ica es de inida po Hillson (2014) como “ u u e posible e en s, which a e some imes called ‘s ochas ich unce ain y’ o ‘e en isk’”. Es deci , hablamos de ince idumb e es ocás ica cuando a amos de e en os u u os que, puede que sí, o puede que no se p oduzcan: iesgos de e en os. Un ‘ iesgo de e en os’ debe ía se a ado como un ‘ iesgo de ocu encia o acción’, en an o en cuan o, la ‘no ocu encia’ del e en o no supond ía ningún iesgo, ni aca ea ía ningún e ec o. Es amos hablando de iesgos y, po an o, un iesgo a ec a a algún aspec o del alcance de un p oyec o. La ince idumb e es ocás ica hace e e encia a e en os elacionados con los s akeholde s -g upos de in e és de un p oyec o. Es a conclusión se ob iene de una lis a de ejemplos que da el p opio Hillson. En e los más des acados, pod íamos encon a un cambio de obje i os po pa e del clien e, la in e upción o di icul ad del suminis o de un p o eedo cla e o un cambio en el ma co egula o io p e iamen e es ablecido. La na u aleza es ocás ica de un p oyec o puede se modelada con dis ibuciones de p obabilidad de du ación de a eas y cos es (Acebes e al., 2014b). Los p incipales mé odos y écnicas pa a en en a la ince idumb e es ocás ica se ían los “s ochas ic b anches” (Hillson, 2004, 2009; Hillson & Simon, 2012). O os au o es in e p e an que los mé odos es adís icos pueden a a la a iabilidad de los e en os (Padalka & Gopina h, 2016). La aplicación de TIPOS DE INCERTIDUMBRE Es ocás ica Alea o ia Epis émica On ológica He amien as y Técnicas en la Ges ión de la Ince idumb e 28 ambos ipos de mé odos se ha ía de o ma indi idualizada po cada e en o que deseemos es udia . Los “s ochas ic b anches” pueden se de inidos como á boles de decisión, con cie as pa icula idades. Cada decisión es a ía modelada po una p obabilidad es adís ica conc e a, asociada a la nue a decisión a oma . 3.2.4.2 Ince idumb e alea o ia La ince idumb e alea o ia es á ca ac e izada po la a iabilidad, en la que es posible un ango de esul ados. Se a a de un p oceso es ocás ico, es deci , condicionado po un sis ema ísico o su en o no. La ince idumb e alea o ia un iesgo i educible, po que el aumen o del conocimien o de su sis ema y en o no no educe la alea o iedad. Hillson (2014) de ine a es a ince idumb e como “ a iabili y isk”, o iesgo de a iabilidad. La elación que exis e en e los esul ados espe ados y los esul ados ob enidos se co esponde ía con es e e ec o de a iabilidad. Debido a su na u aleza, la ince idumb e alea o ia es i educible. Po an o, la mejo o ma de a a es e ipo de ince idumb e es median e modelos de ges ión de iesgos de ipo cuan i a i o. El p ocedimien o más común a segui pa a p e eni y comba i la ince idumb e alea o ia es la c eación de un ma gen en ma e ia de cos es, iempos y ecnologías. Aunque es e concep o, así como dis in os mé odos de ges ión de iesgos cuan i a i os se án expues os más adelan e. 3.2.4.3 Ince idumb e epis émica La ince idumb e epis émica es ca ac e izada po la ambigüedad – ambigui y isk-, según el doc o Hillson. Es o implica que la al a de conocimien o se cen a en el sis ema y el en o no. Conoce más alo es de las can idades o p ocesos del sis ema educen la ambigüedad. Es e p oceso de aumen o de conocimien o p o oca que los e ec os, consecuencias e impac os gene ados po el iesgo de es udio se eduzcan o eliminen. La ince idumb e epis émica es ima las p obabilidades de ocu encia de un e en o median e in e alos de con ianza. Se a a á lo máximo posible de Ges ión de la Ince idumb e 29 aumen a la p ecisión de los da os que es udiemos. Es e hecho hace que la cuan i icación de la ince idumb e sea muy lexible (Bee , 2016). Debido a la na u aleza p opia de la ince idumb e epis émica, las elaciones que se es ablecen en e un sis ema y su en o no pueden in oduci conexiones y dependencias en e sí que di icul en sob emane a la a ea de clasi icación. Po ello es que la ince idumb e epis émica es á elacionada con la al a de conocimien o. Como esul ado de i i en un mundo de e minís ico, la ince idumb e epis émica depende de nues as limi aciones (Damnjano ic & Reinschmid , 2020). A al e ec o, expandi las on e as del conocimien o en los aspec os elacionados con el iesgo a a a se ía el camino a segui . La p incipal mane a de abo da el a amien o de la ambigüedad es la c eación de modelos de ges ión de la in o mación. Así, Hopkinson (2011) p opone la o mación de un “Risk Ma u i y Model (RMM)”, o modelo de madu ez del iesgo, en una o ganización como una necesidad. O os au o es siguen es a ía, como Zack (1999), quien p opone que el desa ollo de las ecnologías de la comunicación acili a la ges ión de la ince idumb e, haciendo más ácil el almacenamien o, clasi icación, búsqueda y comunicación de la in o mación. Como se a a de un iesgo p edecible y educible, es necesa io con a con planes de a amien o de iesgos pa a mi iga los e ec os nega i os y es udia las opo unidades posi i as de i adas de un buen análisis y una buena ges ión. Los ámbi os de ac uación del plan de a amien o de iesgos pueden clasi ica se en cos es, iempo y ecnologías (Alleman e al., 2018b). 3.2.4.4 Ince idumb e on ológica La ince idumb e on ológica se di e encia del es o en que no puede se conocida ni es udiada. Va más allá de las limi aciones ísicas de un sis ema o un ma gen de con ingencia: se a a de ince idumb e no conocida y que, además, no puede se conocida (Alleman e al., 2018b). Su ge del compo amien o de un sis ema, y iene que e con la na u aleza p opia del modelo. Es una ince idumb e que no se puede busca po que no sab ía po dónde empeza (Hillson, 2012). He amien as y Técnicas en la Ges ión de la Ince idumb e 36 4.1 Mé odos de Decisión Mul ic i e io. Los mé odos de Decisión Mul ic i e io, conocidos ambién po mé odos de ayuda a la decisión, son un conjun o de mé odos y écnicas basadas en la compa ación de dis in os escena ios. Resul an se de g an impo ancia en el ámbi o de la ingenie ía, a endiendo a la a i mación de Hammond, John S; Keeney, Ralph L; Rai a (1999): la a ea más impo an e que ealizan los ingenie os es oma decisiones. Tal y como es expues o po Ishizaka & Neme y (2013), gene almen e no exis e una única y pe ec a opción a oma ; es ahí donde su ge la necesidad de op imiza la oma de decisiones. Pa a log a es e obje i o, hacemos un epaso sob e los p incipales mé odos de ayuda a la decisión, expues os en la Tabla 5: Analy ic Hie a chy P ocess (AHP), Analy ic Ne wo k P ocess (ANP), ELimina ion E Choice T ansla ing Reali y (ELECTRE), P e e ence Ranking O ganiza ion METHod o En iched E alua ion (PROMETHEE) y Technique o O de o P e e ence by Simila i y o Ideal Solu ion (TOPSIS). Tabla 5 Mé odos de Decisión Mul ic i e io Mé odos de Decisión Mul ic i e io Analy ic Hie a chy P ocess (AHP) Analy ic Ne wo k P ocess (ANP) ELimina ion E Choice T ansla ing Reali y (ELECTRE) P e e ence Ranking O ganiza ion METHod o En iched E alua ion (PROMETHEE) Technique o O de o P e e ence by Simila i y o Ideal Solu ion (TOPSIS) Los mé odos expues os en es e apa ado ienen un g an componen e de subje i idad. El mo i o del es udio de es e ipo de he amien as pa a la ges ión de iesgos es da espues a a la p egun a: qué iesgos e ince idumb es son más impo an es pa a el co ec o desa ollo del p oyec o. 4.1.1 Analy ic Hie a chy P ocess (AHP) El mé odo Analy ic Hie a chy P ocess (AHP), o p oceso de je a quía analí ica, consis e en asigna alo es a los c i e ios de decisión u ilizados. Se He amien as y Técnicas 37 dice que es un mé odo de ipo compensa o io po que mide la impo ancia ela i a de una opción con espec o a o a de o ma je á quica, como se expone en el ejemplo de la Figu a 8, y sob e una se ie de alo es de e minados (Ishizaka & Neme y, 2013). Figu a 8 Ejemplo de ni eles de decisión je a quizados. (Ishizaka & Neme y, 2013). La escala básica de compa ación consis i ía en asigna alo es en e 1 y 9 a un c i e io C, compa ando una opción i-ésima en e a o a opción j-ésima, al y como se expone en la Tabla 6 (Saa y & Va gas, 2000): Tabla 6 Valo es de compa ación del mé odo AHP Cij Compa ación de i con a j 1 Igual impo ancia 3 Mode ada mayo impo ancia 5 P onunciada mayo impo ancia 7 Demos able mayo impo ancia 9 Ex ema mayo impo ancia Se asigna án alo es in e medios a aquellas elaciones que p esen en ca ac e ís icas in e medias. He amien as y Técnicas en la Ges ión de la Ince idumb e 38 El obje i o es ob ene los alo es p opios de la ma iz cons uida a pa i de los alo es de compa ación asignados. Una ma iz de compa ación basada en el ejemplo de Ishizaka & Neme y (2013) es á expues o en la Figu a 9. Pos e io men e, se consegui á la opción óp ima compa ando el p oduc o del alo p opio y el peso ela i o asignado a cada al e na i a. El AHP es un mé odo p incipalmen e subje i o, ya que es el diseñado el esponsable de asigna los alo es compa a i os. Se a a, po an o, de un mé odo de ayuda a la decisión de ipo cuali-cuan i a i o, si iéndose de la ayuda de las ma emá icas pa a la esolución de un p oblema con asignaciones cuali a i as. Figu a 9 Ejemplo de una ma iz de compa ación. (Ishizaka & Neme y, 2013). 4.1.2 Analy ic Ne wo k P ocess (ANP) El Analy ic Ne wo k P ocess (ANP), o p oceso de ed analí ica, es ob enido a pa i del AHP. Mien as que el AHP se compone de una je a quía de al e na i as o denadas, el ANP busca de e mina las p io idades de las al e na i as de la decisión (Saa y & Va gas, 2013). Un ejemplo de una ed analí ica la podemos encon a en la Figu a 10. La écnica suge ida comienza con la cons ucción de la ma iz inicial siguiendo el siguien e esquema de dependencia en e c i e ios: • 0: No exis e dependencia. • 1: Exis e dependencia de un c i e io sob e o o. Con cada una de las columnas de la ma iz esul an e, ha emos una ma iz de compa ación solo pa a aquellos c i e ios in e dependien es, como se He amien as y Técnicas 39 puede obse a en el ejemplo de la Figu a 11. El obje i o es es ablece las elaciones de e oalimen ación y dependencia en e c i e ios. Figu a 10 Ejemplo de ed analí ica. (Ishizaka & Neme y, 2013). El ANP es un mé odo muy empleado en la Ingenie ía del T anspo e pa a analiza la conec i idad en e a ios nodos de un sis ema de anspo e. Se gene an las ma ices o igen-des ino y nodo-eslabón, las cuales a ojan luz sob e las dis in as o mas de o denación del á ico de dicha ed de anspo e (Mo lok, 1978). Figu a 11 Ejemplo de ma iz de compa ación. (Ishizaka & Neme y, 2013). He amien as y Técnicas en la Ges ión de la Ince idumb e 40 4.1.3 ELimina ion E Choice T ansla ing Reali y (ELECTRE) Los mé odos ELECTRE, pues o que exis en has a 6 p incipales a iedades de ELECTRE, son mé odos basados en elección y eliminación de las al e na i as (Roge s e al., 2000). Es as seis a ian es de los mé odos ELECTRE son llamadas: • ELECTRE I • ELECTRE II • ELECTRE III • ELECTRE IV • ELECTRE-T i • ELECTRE 1S Noso os nos cen a emos en las ca ac e ís icas gene ales comunes a odas las e siones de es e mé odo, pues o que cada e sión hace e e encia a un modo de esolución dis in o (Ishizaka & Neme y, 2013). Los mé odos ELECTRE son muy ú iles cuando enemos más de dos al e na i as a elegi , debido su na u aleza. Se a a de una e isión sis emá ica y compa a i a en e las elaciones empa ejadas dos a dos de las dis in as opciones. El esul ado ob enido es una medida de la je a quía de las al e na i as, desde la que más excede al es o, has a la que menos des aca. Un ejemplo puede se consul ado en la Figu a 12. La elección de los c i e ios cuan i a i os de compa ación ha á que desa ollemos una u o a de las di e sas opciones de mé odos ELECTRE. P e e ence Ranking O ganiza ion METHod o En iched E alua ion (PROMETHEE). El mé odo PROMETHEE end á como esul ado una lis a o denada po la p e e encia de las al e na i as. Los mé odos PROMETHEE es án conside ados los más mode nos y complejos mé odos de la In es igación Ope a i a (Pome ol & Ba ba-Rome o, 2000). A su ez, los mé odos PROMETHEE es án p esen es en mul i ud de á eas del conocimien o y la economía, ales como la ges ión medioambien al, inanzas, química, medicina, ag icul u a y logís ica, en e o as (Behzadian e al., 2010). He amien as y Técnicas 41 Figu a 12 Ejemplo de la je a quía ob enida median e el mé odo ELECTRE. Elabo ación p opia. La base de es e mé odo se ocaliza en el cálculo de los g ados de p e e encia según los c i e ios. Los alo es que oman es os g ados de p e e encia es án ci cunsc i os al in e alo en e 0 y 1. En la Figu a 13 se puede obse a la p e e encia de c i e ios de o ma g á ica. La ges ión de los g ados de p e e encia sigue es pasos p incipales (Ishizaka & Neme y, 2013): • Cálculo de la p e e encia en e dos al e na i as po cada c i e io. • Cálculo de los lujos de los c i e ios. • Cálculo de los lujos globales. La na u aleza de es e mé odo es subje i a, en an o en cuan o las al e na i as y la p e e encia de los c i e ios son ijadas po el modelado . Se a a de un mé odo de ipo cuan i a i o, pues o que el esul ado es á basado en c i e ios ma emá icos. He amien as y Técnicas en la Ges ión de la Ince idumb e 42 Figu a 13 P e e encia de c i e ios pa a el mé odo PROMETHEE. (Ishizaka & Neme y, 2013). 4.1.4 Technique o O de o P e e ence by Simila i y o Ideal Solu ion (TOPSIS) TOPSIS son las siglas de Technique o O de o P e e ence by Simila i y o Ideal Solu ion, pudiendo se aducidas po écnica pa a el o den de p e e encia po semejanza a la solución ideal. En o as palab as, busca compensa las al e na i as de mane a que es én lo más ce ca de la solución ideal, y lo más alejado de la peo solución (Ishizaka & Neme y, 2013). Al igual que el es o de los mé odos de ayuda a la decisión, el mé odo TOPSIS iene un al o po cen aje de subje i idad. El modelado ha de decidi qué c i e ios son más impo an es y asigna el alo que c ea opo uno. A pa i de ese momen o, el mé odo mide la des iación de cada al e na i a con espec o al alo del c i e io ideal, asignado p e iamen e po el deciso . En la Figu a 14, se puede obse a la compa a i a en e las al e na i as A y B, a condición de maximiza los c i e ios 1 y 2. Se puede obse a que la al e na i a A se encuen a más ce cana a la solución ideal que la al e na i a B. He amien as y Técnicas 43 Figu a 14 Ejemplo de mé odo Topsis. (Ishizaka & Neme y, 2013) EL mé odo TOPSIS mide la des iación es adís ica no malizada de cada pa áme o, y nos de uel e una lis a o denada de odas las al e na i as. Se dice que es un mé odo de ipo compensa o io po que ponde a la lejanía con la peo solución, así como la ce canía a la solución ideal. 4.2 Mé odos Heu ís icos Los mé odos heu ís icos se u ilizan en la esolución de p oblemas di íciles. Es os mé odos se basan en p ocedimien os simples que gene a án una o a ias soluciones buenas, áciles y de o ma ápida (Zanakis & E ans, 1981). Las soluciones que puedan gene a no se án necesa iamen e las mejo es po que p ima la apidez y la sencillez en la esolución de un p oblema. El é mino heu ís ico es u ilizado po a ios au o es como un sinónimo de ‘i e a i o’, en el con ex o de la compa ación de unas soluciones con espec o a o as, y o ece como solución aquellas que son mejo es. La me odología He amien as y Técnicas en la Ges ión de la Ince idumb e 44 heu ís ica se puede obse a en algunos mé odos, como el Analy ic Hie a chy P oc ess (AHP) (Ishizaka & Neme y, 2013). Podemos des aca en la Tabla 7 cinco de los mé odos heu ís icos más u ilizados: algo i mos gené icos, búsqueda abú, mé odo GRASP, ecocido simulado y edes neu onales (O iz Pimien o & Diaz Se na, 2018). Las écnicas heu ís icas se lle an p incipalmen e a cabo median e la u ilización de so wa e in o má ico. Tabla 7 Mé odos Heu ís icos Mé odos Heu ís icos Algo i mos gené icos Búsqueda abú GRASP (G eedy Randomized Adap i e Sea ch P ocedu e) Recocido simulado Redes Neu onales Los mé odos heu ís icos expues os abajan de una o ma o denada, siguiendo c i e ios lógicos o ma emá icos que o ecen soluciones ac ibles. La u ilidad p incipal de es e ipo de écnicas de esolución de p oblemas es la apidez y la sencillez. 4.2.1 Algo i mos gené icos Los algo i mos gené icos son un ipo de mé odo heu ís ico basados en el uncionamien o de la gené ica (Goldbe g, 1989). El uncionamien o consis e en ans o ma el p oblema a a a hacia un ‘p oblema gené ico’, ejempli icado en la Figu a 15: ealizando un símil con los alelos, los c omosomas y la selección na u al; se compa an los alelos con las a iables de decisión, los c omosomas con las soluciones y las mu aciones con los cambios gene ados en los alo es de la solución. He amien as y Técnicas 45 Figu a 15 Sis ema básico de uncionamien o de los algo i mos gené icos. Elabo ación p opia. Al a a se de mé odos i e a i os, los cambios p oducidos en una población son gene ados po es ope aciones: ep oducción, sob ec uzamien o y mu ación. Es deci , aplicando mu aciones-cambios en los alelos- alo es, se obse a si los c omosomas-soluciones de los indi iduos esul an es son de mejo calidad, epi iendo el p oceso de o ma i e a i a. 4.2.2 Búsqueda abú La búsqueda abú es un ipo de mé odo heu ís ico basado en una búsqueda de los en o nos locales. El mé odo consis e en sal a de la posición ac ual a la mejo posición del en o no, lo que pe mi e escapa de un óp imo local, como se puede ap ecia en el ejemplo de la Figu a 16 (Glo e & Laguna, 1997). Pa a e i a en a en bucles, se iene memo ia de los úl imos mo imien os pa a que no se epi an: los llamados mo imien o abú. Es a ca ac e ís ica hunde sus aíces en la in eligencia a i icial (Hillie & Liebe man, 2015). He amien as y Técnicas en la Ges ión de la Ince idumb e 52 1’. Sin emba go, π es mayo que 2 y, a su ez, 2 es mayo que 11 10; mien as que odos ellos cumplen la condición de se ‘núme os mayo es que 1’. La eo ía uzzy ayuda ía a de ini de o ma más ní ida las condiciones que incluyen y excluyen a un miemb o de una clase, y el g ado en el que cumplen o no esas condiciones. Un ejemplo pa a los núme os comp endidos en e 0 y 1 se expone en la Tabla 9. La ince idumb e de i ada de la imp ecisión o con usión, a di e encia de la ince idumb e p o enien e de la alea o iedad, pod ía se a ada median e écnicas uzzy. Mul i ud de mé odos y aplicaciones, ales como el Ea ned Value Managemen (EVM) (Naeni e al., 2011) o el mé odo TOPSIS (P amanik e al., 2020), pueden oma la eo ía uzzy pa a la especi icación de su p ocedimien o (B é o , 2018; Espín And ade e al., 2020; O iz Pimien o & Diaz Se na, 2018; Rohme & Baud i , 2011; Salahdine e al., 2017). La lógica uzzy, o Fuzzy Logic, iene como obje i o ob ene una lis a de ac i idades con los in e alos de con ianza sob e la ele ancia de cada ac i idad (Pa e son & Sel , 2018). La écnica de la lógica uzzy se cen a en calcula un ma gen sob e el cos e o la du ación de las ac i idades es udiadas, al y como se explica en (Bellagamba, 1999). Tabla 9 Ejemplo de ca ego ización de una a iable uzzy IMPORTANCIA ABREVIACIÓN INTERVALO DE NÚMERO FUZZY MUY MAL MM (0,0.1) MAL M (0.05,0.3) INTERMEDIO-MAL IM (0.15,0.5) INTERMEDIO I (0.3,0.7) INTERMEDIO-BIEN IB (0.5,0.9) BIEN B (0.7,1) MUY BIEN MB (0.9,1) 4.4 Mé odos basados en ma ices En es e apa ado y expues os en la Tabla 10, se a a án los mé odos de Risk B eakdown S uc u e (RBS), así como el análisis conocido po los nomb es He amien as y Técnicas 53 de FODA, DAFO o SWOT. El RBS es un sis ema compues o po ma ices de nomb e Risk B eakdown Ma ix (RBM). Tabla 10 Mé odos basados en ma ices Mé odos basados en ma ices Risk B eackdown Ma ix (RBM) & Risk B eackdown S uc u e (RBS) SWOT Analysis (Análisis DAFO/FODA) Los mé odos basados en ma ices ienen po obje o cen al de es udio los e en os o si uaciones que puedan se conside ados iesgos de un p oyec o. Como base gene al, el es udio de e en os aislados es de ipo cuali a i o. Si bien es cie o que, disponiendo de la can idad de in o mación su icien e, el uso de p obabilidades es adís icas de ocu encia y de de ección y de ención de los sucesos aumen a la p ecisión de los mé odos. 4.4.1 Risk B eakdown Ma ix (RBM) and S uc u e (RBS) Hillson (2002b) p opone el Risk B eakdown S uc u e (RBS) como la mejo o ma de es uc u a la in o mación ob enida du an e el p oceso de ges ión de los iesgos. El RBS acili a ía la comp ensión e in e p e ación de la in o mación in oducida. En un sen ido más p o undo, el RBS es una he amien a je á quica que pe mi e es uc u a el p oceso de ges ión de iesgos median e la no i icación, iden i icación y e aluación de odos los iesgos epo ados que pueden a ec a al p oyec o, como se puede obse a en la Figu a 21. Un RBS es á compues o po ma ices, llamadas Risk B eakdown Ma ix (RBM). Un buen uso de las ma ices RBM, den o de un sis ema RBS epo a, p incipalmen e, los siguien es bene icios (Hillson e al., 2006): • Ayuda a iden i ica y no i ica los iesgos. • Pe mi e la ges ión de cada iesgo indi idualizado. • Tiene en cuen a lecciones ap endidas de p oyec os pasados. He amien as y Técnicas en la Ges ión de la Ince idumb e 54 Figu a 21 Ejemplo de Risk B eakdown Ma ix (RBM). (Hillson e al., 2006). 4.4.2 SWOT Analysis (Análisis DAFO/FODA) Un s eng hs, weakness, oppo uni y and h ea (SWOT) Analysis es un análisis sob e o alezas, debilidades, opo unidades y amenazas de una o ganización. En español se conoce como análisis DAFO o análisis FODA (P ojec Managemen Ins i u e, 2017). Tiene dos ejes e eb ales: ‘in e no s ex e no’, y ‘nega i o s posi i o’ (Emblems åg & End e Kjøls ad, 2002). Po un lado, podemos clasi ica como cualidades in e nas las debilidades y las o alezas p opias de una o ganización. Po el con a io, las opo unidades y las amenazas o ma ían pa e del á ea ex e na a la o ganización. Po o o lado, las o alezas y opo unidades co esponden a la pa e posi i a del eje ‘nega i o s posi i o’, mien as que las amenazas y debilidades o ma ían la pa e que aca ea ía consecuencias nega i as. Es os ejes se c uzan en e sí, o mando una ma iz, como se mues a en la Figu a 22: He amien as y Técnicas 55 Figu a 22 Análisis DAFO/FODA/SWOT. Elabo ación p opia Debido a su sencillez y cie a subje i idad, los au o es (Emblems åg & End e Kjøls ad, 2002) explican que iene di e sas limi aciones, ales como la al a de p ecisión o la simplicidad. Sea como ue e, des acan la impo ancia del análisis SWOT-DAFO cuando una o ganización se encuen e en si uaciones complejas. 4.5 Mé odos ma emá icos Los dis in os mé odos ma emá icos es udiados en es e apa ado y expues os en la Tabla 11 ienen la pa icula idad de se mé odos necesa iamen e cuan i a i os. En o os apa ados se han a ado écnicas y he amien as que abajan con unciones ma emá icas. Tabla 11 Mé odos ma emá icos Mé odos ma emá icos Expec ed Mone a y Value (EMV) Ea ned Value Managemen (EVM) Expe imen os es adís icos Human Reliabili y Assessmen (HRA) Ma gen Mon e Ca lo Pa e o Analysis (PA) P og amación lineal Sensi i i y Analysis He amien as y Técnicas en la Ges ión de la Ince idumb e 56 Sin emba go, su esquema de uncionamien o nos ha pe mi ido clasi ica los de una o ma más especí ica. Un ejemplo de es e caso se ían las écnicas de ecocido simulado y mé odo ELECTRE, siendo mé odos heu ís icos y de ayuda a la decisión, espec i amen e. 4.5.1 Expec ed Mone a y Value (EMV) El Expec ed Mone a y Value, o Valo Mone a io Espe ado, es una es imación del p esupues o asociado a cada una de las al e na i as de un á bol de decisión (P ojec Managemen Ins i u e, 2017), expues o en el pun o 4.6.2 más adelan e. Su uso se encuen a necesa iamen e enma cado en el en o no de un á bol de decisión, como se puede obse a en la Figu a 23. El EMV se u iliza p incipalmen e pa a ob ene el cos e o bene icio es imado pa a el inal de cada ama del á bol de decisión. Es deci , el EMV se ocaliza en el inal de cada ayec o ia posible pa a ene una isión de conjun o más amplia de odos los escena ios posibles. Figu a 23 Ejemplo de á bol de decisión con EMV inco po ado. (P ojec Managemen Ins i u e, 2017) 4.5.2 Ea ned Value Managemen (EVM) El Ea ned Value Managemen (EVM), o Me odología del Valo Ganado, es una écnica muy ú il en la ges ión conjun a del alcance, cos e y plazos He amien as y Técnicas 57 (P ojec Managemen Ins i u e, 2017). El EVM es un mé odo que moni o iza la des iación que exis e en e los da os eales y los da os es imados sob e cómo debe ía habe sido el desempeño eó ico del p oyec o (Acebes e al., 2013; Paja es & López-Pa edes, 2011). Un ejemplo es expues o en la Figu a 24. Pa a log a su obje i o, el EVM p ecisa del cálculo de a ios índices p ede inidos po el P ojec Managemen Ins i u e (2017), expues os en la Figu a 23 más a ás, donde se p o undiza en el alcance, limi aciones y desa ollo del mé odo del EVM. Los eque imien os mínimos pa a el buen desa ollo de es e mé odo equie en que se conozcan las dis ibuciones de p obabilidad de las ac i idades es udiadas (Acebes e al., 2014b). Figu a 24 Va iables de ejemplo de EVM. (Paja es & López-Pa edes, 2011). 4.5.3 Expe imen os es adís icos Pa a a a modelos con p esencia de ince idumb e a iable, Mon gome y (2017) hace hincapié en la impo ancia del co ec o diseño de expe imen os es adís icos. Pa a ello, Mon gome y (2017, 2019) y Mon gome y & Runge (2004) han gene ado un amplio abajo explicando los pasos y las condiciones a segui pa a la esolución de cie os p oblemas, en unción de los da os de pa ida que se conozcan. He amien as y Técnicas en la Ges ión de la Ince idumb e 58 Es os expe imen os se ealizan en p esencia de so wa e in o má ico especializado en a amien o de da os es adís icos. Pa a soluciona los p oblemas que du an e un p oyec o puedan su gi , Mon gome y (2017) hace una p opues a pa a ans o ma el p oblema de es udio de o ma que se compo e como alguno de los ipos de expe imen os que es udia y p opone, esumidos en la Tabla 12. Tabla 12 Expe imen os es adís icos. (Mon gome y, 2017). Expe imen os Es adís icos Modelos de eg esión Diseño de bloques alea o izados Cuad ados la inos Cuad ados g ecola inos Diseños ac o iales gene ales Diseños ac o iales de ipo 2k Diseños ac o iales de ipo 3k Diseños de espues a de supe icies 4.5.4 Human Reliabili y Assessmen (HRA) Los Human Reliabili y Assessmen /Analysis (HRA) es un conjun o de écnicas inspi adas en los mé odos de Faul T ee Analysis (FTA) y E en T ee Analysis (ETA). Su obje i o es analiza los posibles acciden es, e o es y debilidades de un sis ema, a ando a las pe sonas pe enecien es al sis ema como pa e de ello. Es deci , el obje o cen al de los mé odos HRA es el conjun o de pe sonas que o man un sis ema. Los HRA se ían aducidos po análisis de la iabilidad humana, a ando de da una espues a cuan i a i a al g ado de culpabilidad que iene la acción humana sob e el sis ema es udiado (M. Lyons e al., 2004). Del mismo modo que las o as écnicas, la calidad de los esul ados de los HRA depende á en g an medida de la calidad de los da os de pa ida (Mullai, 2006). Si disponemos de da os cuan i a i os y p obabilís icos lo su icien emen e iables, pod emos ob ene g andes esul ados con el uso de los dis in os mé odos de HRA. He amien as y Técnicas 59 El desa ollo de los mé odos HRA se encuen a en pleno apogeo, según la e isión ealizada po Bell & Hol oyd (2009). En es a e isión, se pone de mani ies o que exis en más de 35 mé odos de HRA con g andes bene icios po enciales. Los más impo an es ienen aplicación p incipal en la indus ia de la ene gía nuclea . Aun así, hacen un llamamien o al desa ollo de es os mé odos de HRA po el g an bene icio po encial que se les es ima. Un ejemplo de un HRA sob e el ámbi o sani a io se expone en la Figu a 25. Figu a 25 Ejemplo de HRA pa a e o es médicos. (M. Lyons e al., 2004) 4.5.5 Ma gen Una de los mé odos más u ilizados a la ho a de ges iona la a iabilidad es median e el ma gen (Elms, 2004), y algunos au o es a i man se la única solución ac ible (Alleman e al., 2018b). La NASA (2014) de ine el ma gen como la ole ancia dada a las des iaciones en “p esupues o, du aciones p e is as y pa áme os de endimien o écnico” 2 . 2 La ci a o iginal de NASA (2014) es: “budge , p ojec ed schedules, and echnical pe o mance pa ame e s”. He amien as y Técnicas en la Ges ión de la Ince idumb e 60 Ajus a bien el ma gen es una ac i idad an cla e como di ícil po que no se conoce el g ado exac o de ma gen que hay que aplica al a amien o de cada ince idumb e (Bellagamba, 1999). Un ango de alo es de ejemplo pa a el ma gen se encuen a en la Figu a 26. Tan malo se ía p opo ciona un excesi o ma gen como un ma gen demasiado escue o (Alleman e al., 2018a; A en & Zio, 2018), pudiendo en a el p oyec o en sob ecos es innecesa ios y en egas a días. Figu a 26 Ejemplo de In e alos de ole ancia - Ma gen. (Bellagamba, 1999) 4.5.6 Mon e Ca lo El mé odo de Mon e Ca lo es usado pa a el a amien o de la ince idumb e alea o ia, así como los iesgos gene ados po es a. A pa i del mé odo de Mon e Ca lo, se puede ob ene la in o mación necesa ia pa a conoce la con ibución que la ince idumb e alea o ia medida apo a al conjun o del p oyec o (Acebes e al., 2014a; Acebes, Pe eda, e al., 2015). La popula idad y la ele ancia del mé odo de Mon e Ca lo es debida a la p ecisión de sus es imaciones, en de imen o de o os mé odos menos p ecisos, como los mé odos PERT/CPM (P og am E alua ion and Re iew Techniques/C i ical Pa h Me hod) o el diag ama de Gan (Acebes e al., 2014b; O iz Pimien o & Diaz Se na, 2018). El mé odo de Mon e Ca lo se si e de aplicaciones in o má icas que ealizan la simulación epe idamen e du an e miles de eces (P ojec Managemen Ins i u e, 2017). Se puede ealiza un análisis del Índice de C i icidad pa a cada ac i idad, pudiendo ob ene aquellas que son p io i a ias pa a el buen desa ollo del p oyec o. Un ejemplo ob enido con el so wa e @RISK se puede obse a en la Figu a 27. He amien as y Técnicas 61 Figu a 27 Ejemplo de du ación de un p oyec o después de aplica la simulación de Mon e Ca lo con el so wa e @RISK. Elabo ación p opia 4.5.7 Pa e o Analysis (PA) El Pa e o Analysis es una écnica es adís ica muy común. Realiza un análisis de Pa e o consis e en aplica la egla es adís ica de Pa e o (80-20). Es deci , el 80% de los p oblemas son causados po el 20% de los e en os ocu idos (Rebe nik & B adač, 2008). Pa a pode ealiza un análisis de Pa e o, es necesa io con a con una lis a de los mayo es p oblemas y soluciones ac ibles de un p oyec o. Pa iendo de es a base, se ag upan los p oblemas que pueden se solucionados median e una acción de espues a conjun a y op imiza el cos e de espues a. Un análisis de Pa e o aspi a a pode da espues a a una g an can idad de p oblemas, es imada en el 80% del o al, a endiendo solo al 20% de los e en os más impo an es (Mullai, 2006). Sus esul ados pueden se de ipo cuan i a i o y son gene almen e mos ados en g á icos, como se expone en la Figu a 28. He amien as y Técnicas en la Ges ión de la Ince idumb e 68 mul i ud de o ganizaciones como el pun o de pa ida pa a la ges ión de iesgos, p oblemas y cues iones de muy di e sa índole. 4.7.2 Change Analysis (ChA) El Change Analysis (ChA), aducido como análisis de cambios, es un mé odo de e isión sis emá ico u ilizado en la iden i icación de nue os iesgos (Mullai, 2006). A medida que a anza un p oyec o y se an consiguiendo hi os, los di ec o es de p oyec o oman decisiones que pueden a ec a a a ios de los obje i os. La na u aleza p opia de los p oyec os, hace que es én some idos a cambios cons an es (Jaa a i, 2001). El ChA es una he amien a u ilizada pa a iden i ica , an o el impac o de esas nue as decisiones, como la clasi icación de nue os iesgos. 4.7.3 Delphi El mé odo Delphi es una écnica de ob ención de in o mación median e el consenso de expe os (P ojec Managemen Ins i u e, 2008). Se sigue un p oceso compues o po a ias ondas, median e el cual, un g upo de expe os esponde una se ie de p egun as. El consenso se hab á de consegui en pocas ondas, ap o echando el eedback o la e oalimen ación esul an e de la i e ación. En odo momen o, los miemb os pa icipan de o ma anónima pa a e i a p ejuicios o sesgos que puedan in lui en la oma de las decisiones indi iduales. 4.7.4 Expe Judgmen La écnica de Expe Judgmen , o juicio de expe os, consis e en consul a la opinión de un expe o en la ma e ia que se es á a ando. Podemos en ende como expe os a aquellas pe sonas que posean la “educación, conocimien o, habilidad, expe iencia o capaci ación especializada” su icien e en el á ea del conocimien o al que pe enece el iesgo que a emos (P ojec Managemen Ins i u e, 2017). He amien as y Técnicas 69 La ob ención de in o mación median e la écnica del juicio de expe os se puede consegui median e en e is as y euniones, asis encia a con e encias, e ias o e en os o median e un es udio eó ico sob e los iesgos a a a . Además de pa a la ob ención de nue os iesgos, es a es una he amien a muy ú il pa a comp ende las dimensiones de un iesgo y la o ma de ges iona lo adecuadamen e. 4.7.5 Failu e Mode and E ec s Analysis (FMEA) El Failu e Mode and E ec s Analysis (FMEA), conocido en español como Análisis Modal de Fallos y E ec os (AMFE), es mé odo u ilizado p incipalmen e en el á ea de diseño y desa ollo de un p oduc o. El AMFE es una écnica adecuada pa a educi o elimina aquellos allos más impo an es du an e el p oceso de c eación de un nue o p oduc o (Rebe nik & B adač, 2008). Du an e la aplicación del mé odo AMFE, exis en es aspec os de los allos es udiados a ene en cuen a: • El g ado de impo ancia, du eza o se e idad de las consecuencias. • La ecuencia de ocu encia. • La acilidad de de ección. De es a mane a, aquellos allos más se e os debe ían ene un a amien o p io i a io, así como los que más se epi an. La acilidad de de ección depende en g an medida de la calidad de los apa a os de medición y sis emas de de ección de los allos y e ec os (Mullai, 2006). Un modelo de AMFE es expues o en la Figu a 33. Figu a 33 Tabla modelo de AMFE. Elabo ación p opia. Exis e o a a ian e del mé odo es ánda FMEA, llamado Failu e Mode, E ec s and C i icali y Analysis (FMECA) (Bou i & Kadi, 1994). El FMECA es un He amien as y Técnicas en la Ges ión de la Ince idumb e 70 mé odo más cuan i a i o que su e sión es ánda , eniendo en cuen a un índice de c i icidad sob e los e en os es udiados. 4.7.6 Inciden Repo ing (IR) El mé odo del Inciden Repo ing (IR) consis e en la no i icación de inciden es, gene almen e nega i os, ocu idos en una o ganización. El IR es un mé odo sis emá ico que ecaba la máxima in o mación posible sob e un e en o de e minado, como el ejemplo de la Figu a 34. Figu a 34 Regis o de e en os en Inciden Repo ing (IR). Cino i (2004) Al se un mé odo sis emá ico, aumen a el conocimien o gene al de la o ganización sob e la co elación en e e en os que se epi en pe iódicamen e, así como de la e ec i idad de las acciones co ec i as impues as. Cino i (2004) hace un llamamien o al con ol sob e la in luencia de la subje i idad a la ho a de a a los e en os no i icados po el Inciden Repo ing. Tal y como explica la au o a, el mé odo del Inciden Repo ing es gene almen e u ilizado en sec o es donde es imp escindible la ges ión del iesgo pa a e i a ca ás o es, ales como la indus ia ae onáu ica, la nuclea o la pe oquímica. He amien as y Técnicas 71 4.7.7 Risk P obabili y and Impac Assessmen El es udio de Risk P obabili y and Impac Assessmen consis e en la e aluación de la p obabilidad e impac o de los iesgos de un p oyec o (P ojec Managemen Ins i u e, 2017). Es a écnica pe mi e analiza indi idualmen e cada iesgo en unción de su p obabilidad de ocu encia y el ipo de impac o que pueda ene en algún obje i o del p oyec o, como se puede ap ecia en la Figu a 35. En la ealización de es e es udio pa icipan expe os y miemb os del p oyec o median e en e is as o euniones. Tiene un al o componen e de subje i idad, po lo que cada una de las espues as ob enidas hab á de se examinada pos e io men e po los enca gados de la ges ión de iesgos. Figu a 35 Ejemplo de es udio median e una ma iz de P obabilidad e Impac o con esquema de pun uación. 4.7.8 Wha -I Analysis & SWIFT Analysis Tan o el Wha -I Analysis, como el S uc u ed Wha -I Technique (SWIFT) Analysis, componen una única écnica de ges ión de iesgos. Ambos mé odos se u ilizan pa a p edeci , in ui o descub i iesgos u u os y p e e su ges ión. La di e encia en e ambas he amien as adica en la es uc u ación y lexibilidad del p oceso a segui . He amien as y Técnicas en la Ges ión de la Ince idumb e 72 4.7.8.1 Wha -I Analysis El Wha -I Analysis es una écnica pa icula de b ains o ming, o o men a de ideas, que esponde de o ma sis emá ica a p egun as del ipo: ‘¿qué hubiese pasado si [un e en o de e minado] hubiese ocu ido?’. El obje i o consis e en dibuja un u u o con mul i ud de escena ios posibles (Mullai, 2006). 4.7.8.2 SWIFT Analysis Po su pa e, el S uc u ed Wha -I Technique (SWIFT) Analysis es una a ian e más es uc u ada del Wha -I Analysis. En su ejecución, con a ía con un supe iso que ealiza ía p egun as del ipo: ‘¿Cómo [un e en o conc e o] ha podido ocu i ?’ o ‘¿E a posible o p e isible que [un e en o conc e o] ocu iese?’ (Mullai, 2006). Tiene un obje i o más p o undo que el Wha -I Analysis. El in de un análisis de ipo SWIFT es da espues a a las causas, consecuencias, sal agua das y co a uegos pa a p e eni un e en o, así como una lis a de ecomendaciones en o no a los e en os es udiados. Tan o el Wha -I Analysis, como el SWIFT Analysis, son u ilizados p incipalmen e en la iden i icación de iesgos y amenazas de un p oyec o (A en & Zio, 2018). Tal y como explican los au o es, son mé odos simples pe o e ec i os como mé odos de análisis e iden i icación de iesgos. Se a a de dos écnicas lle adas a cabo po expe os que buscan encon a las des iaciones en ma e ia de iesgos, acciden es y bene icios po enciales, que la oma de una decisión puede aca ea . Al igual que la mayo ía de las o as écnicas es udiadas, su po encial se mul iplica ap o echando las sine gias del uso conjun o de las écnicas empleadas en la ges ión de iesgos (Ca d e al., 2012). 4.7.9 ‘5 Why’s’ Technique EL ‘5 Why’s’ Technique es la écnica de ‘los 5 ¿po qué?’. Se a a de un mé odo simpli icado del Faul T ee Analysis (FTA) especializado en la ges ión de acciden es (Mullai, 2006). He amien as y Técnicas 73 El uncionamien o de es e mé odo consis e en hace p egun as sob e el po qué de la ocu encia de un e en o. Seguidamen e a la espues a dada, hay que ol e a p egun a se i e a i amen e du an e un máximo de cinco eces el po qué de la ocu encia de dicho e en o, o has a que se conside e habe alcanzado la causa aíz de un p oblema. Es una écnica con unas limi aciones e iden es, p incipalmen e de consumo de iempo po la al a de ga an ía de consecución de esul ados óp imos. A su ez, es a simplicidad la hace adecuada pa a aquellas o ganizaciones con poca madu ez hacia la ges ión de iesgos (Cagliano e al., 2015). 4.8 Resumen Pa a la ealización de es e abajo, han sido e isados una lis a de he amien as p opues as po Cagliano e al. (2015) y Pelle in & Pe ie (2019), así como di e sas écnicas sob e el diseño de expe imen os es adís icos (Mon gome y, 2017, 2019). En la misma línea, hemos e isado dis in os mé odos mul ic i e io de ayuda a la decisión, como los mé odos Technique o O de o P e e ence by Simila i y o Ideal Solu ion (TOPSIS), Analy ic Hie a chical P ocess (AHP) and ELimina ion E Choice T ansla ing Reali y (ELECTRE), así como mé odos de p og amación lineal (Hillie & Liebe man, 2015; Ishizaka & Neme y, 2013). En las ablas de es e apa ado, se expone un esumen sob e las p incipales he amien as analizadas. Debido a la na u aleza de las a iables que a a cada mé odo, en la Tabla 15, se expone un esumen de la clasi icación de los dis in os mé odos y he amien as po cada ipo de ince idumb e. Po el con a io, se expone en la Tabla 16, un esumen de los mé odos comúnmen e u ilizados en la de ección y clasi icación de nue os iesgos. La ince idumb e on ológica no es á incluida, conside ando solo los planes de con ingencia como la única o ma de ges iona es e ipo de ince idumb e. En nues o es udio, ambién hemos e isado di e sos mé odos basados en lógica booleana y lógica uzzy, ales como las écnicas de Fuzzy Logic y Faul He amien as y Técnicas en la Ges ión de la Ince idumb e 74 T ee Analysis p opues os po A en and Zio (2018) y P amanik, Mondal, and Halda (2020). Pa a el a amien o de la a iabilidad, his ó icamen e se han ecomendado los mé odos del camino c í ico (C i ical Pa h Me hod, o CPM) y el diag ama de Gan . Sin emba go, los abajos expues os po los au o es Acebes e al. (2014a) y O iz Pimien o y Diaz Se na (2018) ponen de mani ies o la baja p ecisión de es os mé odos. En su luga , ecomiendan enca ecidamen e el mé odo de Mon e Ca lo debido a su al a p ecisión en el abo daje de la a iabilidad. Tabla 15 Resumen de la clasi icación de los mé odos e isados po los ipos de ince idumb e He amien a, mé odo y écnica Ince idumb e1 Epis émica Alea o ia Es ocás ica Decision T ee Analysis X Delphi X X E en T ee Analysis (ETA) X X X Expec ed Mone a y Value (EVM) X X Faul T ee Analysis (FTA) X Failu e Mode and E ec s Analysis (FMEA) X X X Fuzzy Logic X Linea P og amming X X Ma gin X Mon e Ca lo X Mul i-C i e ia Decision X X Pa e o Analysis (PA) X X X Sensi i i y Analysis X X X S a is ical Expe imen s X S uc u ed Wha -i Technique (SWIFT) Analysis X Po el con a io, en el campo de los mé odos heu ís icos, hemos pues o especial a ención en como los algo i mos gené icos y en las edes neu onales pueden se u ilizados en el a amien o de la ince idumb e (Rojas-Delgado, T ujillo-Rasúa, y Bello (2019). He amien as y Técnicas 75 O o ipo de es a egias en el a amien o de la a iabilidad es el ma gen. Es e concep o de ma gen es el in e alo de con ianza que le damos a una unción de dis ibución de p obabilidad. Tal y como es de inida po NASA (2014), el ma gen es la ole ancia dada a las des iaciones en “p esupues o, du aciones p e is as y pa áme os de endimien o écnico” 3 . En o as palab as, los pa áme os que nos miden el p esupues o, los iempos y la ac uación de nues as ecnologías en un p oyec o debe ían con a con un ma gen de e o . Es conside ada la he amien a p incipalmen e usada pa a el a amien o de la alea o iedad po su apidez de ejecución. Tabla 16 Resumen de los mé odos comúnmen e u ilizados en la de ección y clasi icación de nue os iesgos He amien a, mé odo y écnica B ains o ming Cause and E ec diag am Change Analysis (ChA) Checklis Expe Judgemen Heu is ic Me hods Human Reliabili y Assessmen (HRA) Inciden Repo ing Mul i-C i e ia Decision Me hods Risk B eakdown Ma ix (RBM); Risk B eakdown S uc u e (RBS) Risk P obabili y and Impac Ma ix (RPIM) S eng hs, Weakness, Oppo uni ies, and Th ea s (SWOT) Analysis Wha -I Analysis ‘5 Why’s’ Technique Pa a la ges ión de la ince idumb e on ológica, Ale, Ha o d, y Sla e (2020) a i man que la na u aleza p opia de es a ince idumb e no puede se u ilizada como una excusa pa a no ges iona la. En su luga , hacen un llamamien o a la o ganización gene alizada de planes de con ingencia pa a e i a amenazas y ap o echa las opo unidades de un iesgo. 3 La ci a o iginal de NASA (2014) es: “budge , p ojec ed schedules, and echnical pe o mance pa ame e s”. Conclusiones 77 Conclusiones En es e abajo, se han p esen ado las de iniciones de iesgo e ince idumb e que ecogen los au o es más ele an es en la ges ión de iesgos. Se ha comp obado que, adicionalmen e, el iesgo ha sido comp endido como una amenaza hacia el log o de los obje i os del p oyec o. P o undizando en las de iniciones más ac uales, se ha cons a ado que el iesgo es conside ado bidi eccional. Po an o, lo más adecuado se ía a a al iesgo como la posibilidad de consegui amenazas y opo unidades sob e el p oyec o. Se ha p o undizado en los o ígenes del iesgo, así como se han e isado las múl iples clasi icaciones de iesgo e ince idumb e. Se han obse ado es amas p incipales como o igen del iesgo en la Di ección de P oyec os: la psicología, la economía y la ingenie ía. En lo ela i o a la ince idumb e en la ges ión de los iesgos de un p oyec o, se ha cons a ado que exis e elación en e la ince idumb e y la complejidad de un p oyec o. Del análisis de los dis in os ipos de ince idumb e, se ha ealizado un es udio p o undo sob e cua o ipos de ince iumb e: es ocás ica, alea o ia, epis émica y on ológica. Se han e isado las he amien as, mé odos y écnicas comúnmen e u ilizadas en el ámbi o de la ges ión de iesgos en p oyec os. Tan o las he amien as cuali a i as como las cuan i a i as han sido e isadas pa a la elabo ación de es e abajo. En ellas se incluyen mé odos de ayuda a la decisión mul ic i e io, heu ís icos, lógicos, ma iciales, ma emá icos o basados en diag amas. O os mé odos comúnmen e u ilizados pa a la búsqueda de iesgos han sido e isados. Como consecuencia del análisis de los mé odos p opues os y de los ipos de ince idumb e es udiados, se nos ha pe mi ido la posibilidad de asigna las he amien as más adecuadas pa a cada ipo de ince idumb e, debido a la na u aleza p opia de ambas. Nues as in es igaciones mues an que exis en mé odos y écnicas especí icas pa a la ges ión de la ince idumb e, en el sen ido de la p e ención de amenazas y p omoción de opo unidades. En es e es udio, hemos in en ado He amien as y Técnicas en la Ges ión de la Ince idumb e 84 Lyons, T., & Ski mo e, M. (2004). P ojec isk managemen in he Queensland enginee ing cons uc ion indus y: A su ey. In e na ional Jou nal o P ojec Managemen , 22(1), 51–61. Mascagni, M., Aa , E., & Ko s , J. (1990). Simula ed Annealing and Bol zmann Machines: A S ochas ic App oach o Combina o ial Op imiza ion and Neu al Compu ing. Ma hema ics o Compu a ion, 55(191), 393–395. Me edi h, J. R., Sha e , S. M., & Man el, S. J. (2017). P ojec managemen : a s a egic manage ial app oach (10 h ed.). John Wiley & Sons L d. Minis e io de Indus ia, T. y C. (2011). In o me del g upo de abajo de c ecimien o emp esa ial del Obse a o io de la PYME. 1–57. Mons e . (2011). Uni ed S a es Enginee ing 2011 Job Candida es. Insigh s and Analysis om P o essionals, Rec ui e s and Hi ing Manage s. Mon gome y, D. C. (2017). Design and Analysis o Expe imen s (A izona S a e Uni e si y (Ed.); Nin h Edi ). John Wiley & Sons L d. Mon gome y, D. C. (2019). Supplemen Tex Ma e ial. In Design and Analysis o Expe imen s (Vol. 1, Issue Augus ). John Wiley & Sons L d. Mon gome y, D. C., & Runge , G. C. (2004). P obabilidad y Es adí ica aplicadas a la Ingenie ía (2nd ed.). McG aw-Hill Educa ion. Mo eno Jiménez, B. (2011). Fac o es y iesgos labo ales psicosociales: concep ualización, his o ia y cambios ac uales. Medicina y Segu idad Del T abajo, 57(1), 4–19. Mo lok, E. K. (1978). In oduc ion o anspo a ion enginee ing and planning. McG aw-Hill College. Mullai, A. (2006). Risk Managemen Sys em – Risk Assessmen F amewo ks and Techniques. In Tu ku (Ed.), Eu opean Union (Eu opean Regional De elopmen Fund). DAGOB Publica ion Se ies. Naeni, L. M., Shad okh, S., & Salehipou , A. (2011). A uzzy app oach o he ea ned alue managemen . In e na ional Jou nal o P ojec Managemen , 29(6), 764–772. NASA. (2014). NASA Space Fligh P og am and P ojec Managemen Handbook (1s ed.). NASA. O iz Pimien o, N. R., & Diaz Se na, F. J. (2018). The p ojec scheduling p oblem wi h non-de e minis ic ac i i ies du a ion: A li e a u e e iew. Jou nal o Re e encias 85 Indus ial Enginee ing and Managemen , 11(1), 116. Padalka , M., & Gopina h, S. (2016). A e complexi y and unce ain y dis inc concep s in p ojec managemen ? A axonomical examina ion om li e a u e. In e na ional Jou nal o P ojec Managemen , 34(4), 688–700. Paja es, J., & López-Pa edes, A. (2011). An ex ension o he EVM analysis o p ojec moni o ing: The Cos Con ol Index and he Schedule Con ol Index. In e na ional Jou nal o P ojec Managemen , 29(5), 615–621. Pa e son, D., & Sel , P. (2018). Demys i ying A i icial In elligence & How I Will Make P ojec Planning Be e . College o Pe o mance Managemen , The Measu able News, 1, 25–34. Pelle in, R., & Pe ie , N. (2019). A e iew o me hods, echniques and ools o p ojec planning and con ol. In e na ional Jou nal o P oduc ion Resea ch, 57(7), 1–19. Pe mino a, O., Gus a sson, M., & Wiks öm, K. (2008). De ining Unce ain y in P ojec s - A New Pe spec i e. In e na ional Jou nal o P ojec Managemen , 26(1), 73–79. Pome ol, J.-C., & Ba ba-Rome o, S. (2000). Mul ic i e ion Decision in Managemen : P inciples and P ac ice (Sp inge Science+Business Media New Yo k (Ed.); 1s ed.). Kluwe Academic Publishe s. P amanik, D., Mondal, S. C., & Halda , A. (2020). A amewo k o managing unce ain y in in o ma ion sys em p ojec selec ion: an in elligen uzzy app oach. In e na ional Jou nal o Managemen Science and Enginee ing Managemen , 15(1), 70–78. P ojec Managemen Ins i u e. (2008). A Guide o he P ojec Managemen Body o Knowledge (PMBOK® Guide) (4 h ed.). P ojec Managemen Ins i u e. P ojec Managemen Ins i u e. (2017). La guía de los undamen os pa a la di ección de p oyec os (Guía del PMBOK) (P ojec Managemen Ins i u e (Ed.); 6 h ed). Public Wo ks and Go e nmen Se ices Canada. (2015). P ojec Complexi y and Risk Assessmen Manual. Qu eshi, S. M., & Kang, C. W. (2015). Analysing he o ganiza ional ac o s o p ojec complexi y using s uc u al equa ion modelling. In e na ional Jou nal o P ojec Managemen , 33(1), 165–176. He amien as y Técnicas en la Ges ión de la Ince idumb e 86 Ramasesh, R. V., & B owning, T. R. (2014). A concep ual amewo k o ackling knowable unknown unknowns in p ojec managemen . Jou nal o Ope a ions Managemen , 32(4), 190–204. Rebe nik, M., & B adač, B. (2008). Idea e alua ion me hods and echniques. Ins i u e o En ep eneu ship and Small Business Managemen , Uni e si y o Ma ibo , Slo enia. Roge s, M., B uen, M., & Mays e, L.-Y. (2000). Elec e and Decision Suppo : Me hods and Applica ions in Enginee ing and In as uc u e In es men (Sp inge (Ed.); 1s ed.). Sp inge Science+Business Media. Rohme , J., & Baud i , C. (2011). The use o he possibili y heo y o in es iga e he epis emic unce ain ies wi hin scena io-based ea hquake isk assessmen s. Na u al Haza ds, 56(3), 613–632. Rojas-Delgado, J., T ujillo-Rasúa, R., & Bello, R. (2019). A con inua ion app oach o aining A i icial Neu al Ne wo ks wi h me a-heu is ics. Pa e n Recogni ion Le e s, 125, 373–380. Saa y, T. L., & Va gas, L. G. (2000). Models, Me hods, Concep s & Applica ions o he Analy ic Hie a chy P ocess. In F. S. Hillie (Ed.), In e na ional Se ies in Ope a ions Resea ch & Managemen Science (1s ed.). Sp inge Science+Business Media. Saa y, T. L., & Va gas, L. G. (2013). Decision Making wi h he Analy ic Ne wo k P ocess (T. L. Saa y (Ed.); 2nd ed.). Sp inge Science+Business Media. Salahdine, F., Kaabouch, N., & El Ghazi, H. (2017). Techniques o dealing wi h unce ain y in cogni i e adio ne wo ks. 2017 IEEE 7 h Annual Compu ing and Communica ion Wo kshop and Con e ence (CCWC), 1–6. Saunde s, F. C., Gale, A. W., & She y, A. H. (2015). Concep ualising unce ain y in sa e y-c i ical p ojec s: A p ac i ione pe spec i e. In e na ional Jou nal o P ojec Managemen , 33(2), 467–478. Séneca, L. A. (55 C.E.). De la b e edad de la ida. (Diálogos). In Joan-Ca les Mèlich ad. (Ed.), Filoso ía de la ini ud (pp. 35–42). He de . Taleb, N. N. (2007). The black swan: The impac o he highly imp obable (1s ed.). Random House. Wa d, S., & Chapman, C. (2003). T ans o ming p ojec isk managemen in o p ojec unce ain y managemen . In e na ional Jou nal o P ojec Managemen , 21(2), 97–105. Re e encias 87 Williams, T. M. (1995). A classi ied bibliog aphy o ecen esea ch ela ing o p ojec isk managemen . Eu opean Jou nal o Ope a ional Resea ch, 85, 18–38. Williams, T. M. (1999). The need o new pa adigms o complex p ojec s. In e na ional Jou nal o P ojec Managemen , 17. Wo ld Economic Fo um. (2016). Shaping he Fu u e o Cons uc ion. A B eak h ough in Mindse and Technology. In Wo ld Economic Fo um (WEF) (Issue May). Wo ld Economic Fo um. (2018). The Fu u e o Jobs Repo . In Wo ld Economic Fo um (WEF) (Vol. 31, Issue 2). Zack, M. H. (1999). Managing o ganiza ional igno ance. In Knowledge Di ec ions (Vol. 1, Issue Summe ). Zadeh, L. (1965). Fuzzy se s. In o ma ion and Con ol, 8, 338–353. Zanakis, S. H., & E ans, J. R. (1981). Heu is ic Op imiza ion: Why, When, and How o Use I . In e aces, 11(5), 84–91. Za ikas, V., & Ki sos, C. P. (2015). Theo y and P ac ice o Risk Assessmen . In C. P. Ki sos, T. A. Oli ei a, A. Rigas, & S. Gula i (Eds.), Sp inge In e na ional Publishing (Vol. 136). Sp inge In e na ional Publishing. Anexo: Publicaciones 89 Anexo: Publicaciones Du an e la ealización de es e abajo de in es igación, se ha p esen ado y acep ado pa a publicación un a ículo en el cong eso 14 h In e na ional Con e ence on Indus ial Enginee ing and Indus ial Managemen (ICIEIM) & XXIV Cong eso de Ingenie ía de O ganización (CIO2020): Cu o, Da id, Juan de An ón, Da id Poza & Fe nando Acebes. 2020. “Unce ain y Managemen : A Re iew o Tools and Techniques.” In XIV In e na ional Con e ence on Indus ial Enginee ing and Indus ial Managemen . Mad id – España. Asimismo, el a ículo p esen ado en el cong eso 14 h In e na ional Con e ence on Indus ial Enginee ing and Indus ial Managemen (ICIEIM) & XXIV Cong eso de Ingenie ía de O ganización (CIO2020) ha sido seleccionado pa a su publicación en el special issue ‘LECTURE NOTES IN MANAGEMENT AND INDUSTRIAL ENGINEERING’ (h ps://www.sp inge .com/se ies/11786) de SPRINGER Publishe , i ulado “Ensu ing Sus ainabili y: New Challenges o O ganiza ional Enginee ing”. He amien as y Técnicas en la Ges ión de la Ince idumb e 90 Anexo: Publicaciones 91 He amien as y Técnicas en la Ges ión de la Ince idumb e 92 Anexo: Publicaciones 93