Una vez formulado el modelo matemático para el problema en estudio, la siguiente etapa de un trabajo de IO consiste en desarrollar un procedimiento, generalmente en computadora, para obtener una solución a partir de este modelo. Puede pensarse que ésta debe ser la parte principal del estudio, pero, en realidad, en la mayoría de los casos no lo es. De hecho, a veces ésta es una etapa relativamente sencilla, en la que se aplica uno de los dos algoritmos —procedimientos iterativos de solución— de investigación de operaciones en una computadora mediante el uso de algunos de los paquetes de software disponibles. Para el investigador de operaciones experimentado, encontrar la solución es la parte divertida, mientras que el verdadero trabajo se encuentra en las etapas anteriores y en las subsecuentes, incluyendo el análisis posóptimo, tema que se explicará más adelante en esta sección.
Como la mayor parte de este libro está dedicada a la obtención de soluciones para los distintos e importantes tipos de modelos matemáticos, en este momento no es necesario aclarar nada al respecto. Sin embargo, sí es necesario presentar la naturaleza de estas soluciones.
Un tema común en IO es la búsqueda de una solución óptima, es decir, la mejor. Sin duda, como aquí se presenta, han sido desarrollados muchos procedimientos para encontrarla en cierto tipo de problemas, pero es necesario reconocer que estas soluciones son óptimas sólo respecto del modelo elaborado. Además, como éste necesariamente es una idealización más que una representación exacta del problema real, no existe una garantía utópica de que sea la mejor solución que pueda implantarse.
Existen demasiados imponderables e incertidumbres asociados con los problemas reales; sin embargo, si el modelo está bien formulado y verificado, la solución debe tender a constituirse en una buena aproximación de un curso de acción ideal en la realidad. Por esto, más que estancarse en exigir lo imposible, la prueba del éxito de un estudio de IO debe ser si proporciona o no una mejor guía para la toma de decisiones que la que se puede obtener por otros medios.
El eminente científico de la administración y premio Nobel de economía, Herbert Simon, introdujo el concepto de que en la práctica es mucho más frecuente satisfizar que optimizar. Al inventar el término satisfizar como una combinación de satisfacer y optimizar, Simon describe la tendencia de los administradores a buscar una solución que sea “lo suficientemente buena” para el problema que se enfrenta. En lugar de intentar desarrollar una medida global de eficiencia para conciliar de manera óptima los conflictos entre los diferentes objetivos deseables —incluso los criterios bien establecidos para juzgar el desempeño de los distintos segmentos de la organización—, es posible utilizar un enfoque más pragmático. Las metas se pueden establecer de manera que marquen los niveles mínimos satisfactorios de eficiencia en las diferentes áreas, con base quizá en niveles de desempeño anteriores o en los logros de la competencia. Si se encuentra una solución que permita que todas estas metas sean cumplidas, es posible que sea adoptada sin más requisitos. Ésta es la naturaleza de satisfizar.
La distinción entre optimizar y “satisfizar” refleja la diferencia entre la teoría y la realidad, disparidad que con frecuencia se encuentra al tratar de implantar esa teoría en la práctica. En palabras de uno de los líderes ingleses de la investigación de operaciones, Samuel Eilon, “optimizar es la ciencia de lo absoluto; satisfizar es el arte de lo factible”.1
Los equipos de IO intentan incorporar al proceso de toma de decisiones la mayor cantidad posible de la “ciencia de lo absoluto”. Sin embargo, un equipo que trabaja con éxito debe reconocer la necesidad más importante del tomador de decisiones: obtener una guía satisfactoria para sus acciones en un periodo razonable. Por lo tanto, la meta de un estudio de investigación de operaciones debe ser la realización del proceso de manera óptima, sin importar si implica una solución óptima para el modelo. Además de buscar la ciencia de lo absoluto, el equipo debe tomar en cuenta el costo del estudio y las desventajas de retrasar su terminación, y después, intentar maximizar los beneficios netos que resulten de dicho estudio. Al reconocer este concepto, en ocasiones los equipos de investigación de operaciones utilizan sólo procedimientos heurísticos —es decir, procedimientos de diseño intuitivo que no garantizan una solución óptima— para encontrar una buena solución subóptima. Esto ocurre con más frecuencia en los casos en que el tiempo o el costo para encontrar una solución óptima para un modelo adecuado del problema son muy grandes. En años recientes se han logrado grandes progresos en el desarrollo de procedimientos metaheurísticos eficientes y eficaces; estos procedimientos proporcionan una estructura general y directrices estratégicas para diseñar un procedimiento heurístico específico que se ajuste a un tipo particular de problema. El uso del enfoque metaheurístico (capítulo 13) continúa en crecimiento.