Gestión de Riesgos y Montecarlo en Proyectos: Cómo Predecir Retrasos de Forma Realista
¿Por qué los proyectos se atrasan (siempre)?
En el ámbito profesional, parece que los proyectos están condenados a retrasarse. No importa la industria ni el tipo de tarea: los atrasos son la norma. En esta presentación, Ignacio Urteaga analiza por qué sucede esto y cómo la gestión de riesgos en proyectos, tal como se implementa tradicionalmente, no alcanza para prever atrasos reales.
A partir de un ejemplo concreto —la construcción de una pileta—, se muestran las limitaciones de las reservas clásicas y la potencia del método de simulación Montecarlo para obtener estimaciones más realistas.
Recursos del Proyecto
El proyecto: estructura, tareas y datos disponibles
Para entender por qué se atrasan los proyectos, primero se descompone el caso de estudio:
- Definición de actividades: planos, aprobaciones, obra civil, excavación, hormigón y terminaciones.
- Recursos asignados: distintos equipos que trabajan cada etapa.
- Precedencias: actividades que dependen de otras para comenzar.
- Duraciones esperadas de cada tarea.
Aunque el proyecto es simple (13 tareas), su estructura ya contiene dependencias y riesgos que afectan la duración total.
El enfoque tradicional: camino crítico + reservas
La planificación clásica se basa en:
- Cálculo del camino crítico (CPM)
Se obtiene una duración total de 38 días hábiles para el proyecto. - Sumar reservas de contingencia
Generalmente se aplican porcentajes fijos (por ejemplo, 20% de probabilidad de un 20% de atraso por actividad). - Limitación clave del modelo tradicional
- Las reservas se calculan actividad por actividad.
- No capturan las interacciones entre atrasos.
- No contemplan efectos acumulativos cuando varias tareas encadenadas se demoran.
Este modelo supone que los riesgos son individuales, pero en la realidad, los atrasos se propagan hacia adelante y se amplifican.
Los riesgos no se compensan: solo los atrasos se transmiten
En la práctica, cuando una tarea termina antes, ese adelanto rara vez se transmite al resto del proyecto.
Pero cuando una tarea se atrasa, ese retraso casi siempre se propaga hacia adelante.
Esto genera distribuciones de duración sesgadas:
- Los adelantos se pierden.
- Los atrasos se acumulan.
Por eso, la estimación clásica es demasiado optimista.
Aplicando Monte Carlo a proyectos: simulación en lugar de intuición
La simulación Monte Carlo permite modelar:
- variabilidad en duraciones,
- relaciones entre tareas,
- composición de atrasos,
- múltiples caminos críticos potenciales.
El experimento del video prueba tres escenarios:
1. Simulación básica con retraso binario (atraso sí/no)
Se replica la misma lógica que las reservas tradicionales:
- 20% de probabilidad de un 20% de atraso.
Resultado:
- El proyecto cae fuera del plazo estimado en el 45% de las simulaciones.
- Es decir, casi la mitad de las veces las reservas no alcanzan.
2. Simulación con distribución tradicional (más realista, pero simétrica)
Se arma una distribución con media en la duración probable y un 20% de la curva representando atrasos.
Resultado:
- Solo 24% de atrasos.
- Pero es completamente teórico: en la vida real las actividades no terminan antes, por lo que esta distribución es irreal.
3. Simulación con distribución sesgada (solo atrasos se propagan)
Se diseña una distribución compatible con la realidad:
- los adelantos no se transmiten,
- los atrasos sí.
Resultado:
- El 72% de las simulaciones termina con el proyecto atrasado.
- Esto explica por qué “todo se atrasa”, incluso cuando el plan parece sólido.
Conclusiones clave sobre la gestión de riesgos en proyectos
- Los métodos tradicionales subestiman los atrasos.
La reserva individual por actividad no captura la complejidad del proyecto. - La distribución de las duraciones importa más de lo que parece.
Sin datos históricos, cualquier modelo es apenas un supuesto. - Los atrasos se componen, los adelantos no.
Por eso el sesgo hacia el atraso es estructural. - Monte Carlo es indispensable en proyectos con múltiples caminos críticos.
Permite entender escenarios, probabilidades y riesgos reales. - Para estimaciones confiables se necesitan datos históricos.
Las empresas con buena disciplina de registro obtienen simulaciones más precisas y predicciones más sólidas.
Por qué esto importa para Data Science y gestión empresarial
La simulación Monte Carlo es una herramienta estadística fundamental dentro de la ciencia de datos aplicada a proyectos, ya que permite:
- cuantificar el riesgo,
- modelar incertidumbre,
- estimar probabilidades de éxito,
- comparar escenarios,
- tomar decisiones basadas en datos y no en intuiciones.
Este enfoque es clave en industrias como construcción, tecnología, finanzas, logística, operaciones y gestión pública.
Planificar bien significa modelar bien
Para hacer estimaciones realistas no alcanza con calcular un camino crítico ni sumar reservas porcentuales. Es necesario incorporar:
- variabilidad real,
- dinámica de propagación de atrasos,
- múltiples rutas críticas potenciales,
- simulación probabilística.
La gestión de riesgos en proyectos debe evolucionar hacia modelos basados en datos, distribuciones reales y métodos como Monte Carlo, especialmente en contextos complejos donde la incertidumbre es la regla.
🔗 Conoce toda nuestra oferta académica