Comprender relaciones, dinámicas y escenarios para tomar mejores decisiones
Descubre cómo la Ciencia de Datos, las redes, la simulación, los modelos basados en agentes y la IA ayudan a comprender sistemas complejos y tomar mejores decisiones.
Sistemas Complejos y Ciencia de Datos
Vivimos rodeados de sistemas complejos.
Empresas, ciudades, cadenas de suministro, mercados, redes energéticas, organizaciones, ecosistemas, sistemas industriales y redes digitales están formados por numerosos elementos que interactúan entre sí.
Estas interacciones pueden generar comportamientos que no resultan evidentes cuando analizamos cada componente por separado.
Por eso, en muchos problemas reales, tener más datos no significa necesariamente comprender mejor lo que está ocurriendo.
La Ciencia de Datos nos permite describir, analizar y predecir.
La ciencia de los sistemas complejos añade otra dimensión:
comprender cómo las relaciones entre los componentes de un sistema generan su comportamiento colectivo.
En CienciaDeDatos.pro exploramos la intersección entre Ciencia de Datos, sistemas complejos, ciencia de redes, simulación, modelos basados en agentes e Inteligencia Artificial.
Nuestro objetivo es práctico:
utilizar datos y modelos para comprender mejor sistemas reales, explorar escenarios y tomar decisiones más robustas.
¿Qué es un sistema complejo?
Un sistema complejo está formado por múltiples componentes que interactúan entre sí y cuyo comportamiento colectivo puede resultar difícil de explicar estudiando individualmente cada uno de esos componentes.
La palabra complejo no significa simplemente «complicado».
Un sistema puede tener miles de piezas y seguir siendo relativamente predecible si conocemos perfectamente cómo funciona cada una y cómo se relacionan entre sí.
En un sistema complejo ocurre algo diferente.
Las interacciones pueden generar:
- comportamientos emergentes;
- efectos no lineales;
- bucles de retroalimentación;
- adaptación;
- propagación de perturbaciones;
- consecuencias inesperadas.
El comportamiento del conjunto puede ser diferente del comportamiento de sus partes.
La emergencia: cuando el sistema produce algo nuevo
Una de las ideas fundamentales de los sistemas complejos es la emergencia.
Un atasco no suele ser diseñado por ningún conductor.
Una burbuja financiera no es provocada necesariamente por un único inversor.
Una tendencia social no pertenece a una sola persona.
Una organización puede desarrollar determinadas dinámicas culturales sin que nadie las haya planificado.
Estos fenómenos aparecen como consecuencia de muchas interacciones individuales.
A esto lo denominamos comportamiento emergente.
La emergencia nos obliga a cambiar nuestra manera de analizar determinados problemas.
No basta con preguntar:
¿Cómo se comporta cada elemento?
También necesitamos preguntar:
¿Qué ocurre cuando todos esos elementos interactúan?
De los datos a los sistemas
La Ciencia de Datos suele trabajar con observaciones.
Ventas.
Sensores.
Transacciones.
Clientes.
Eventos.
Movilidad.
Producción.
Consumo.
Pero todos esos datos son generados por algún sistema.
Por eso podemos establecer una progresión:
Datos → patrones → relaciones → sistemas → simulación → escenarios → decisiones
La Ciencia de Datos puede ayudarnos a detectar qué está ocurriendo.
La modelización puede ayudarnos a entender por qué.
La simulación puede permitirnos explorar qué podría ocurrir si cambiamos determinadas condiciones.
Esta progresión constituye uno de los ejes principales de nuestra línea de Sistemas Complejos y Ciencia de Datos.
¿Por qué los sistemas complejos son importantes para la Ciencia de Datos?
Porque muchos de los problemas más relevantes de empresas y organizaciones no pueden entenderse únicamente mediante variables aisladas.
Imaginemos una cadena de suministro.
Podemos conocer perfectamente:
- costes;
- inventarios;
- capacidad;
- tiempos de entrega;
- incidencias;
- demanda.
Pero todavía falta una información fundamental:
cómo están conectados los proveedores, fábricas, almacenes y distribuidores.
Si desaparece un proveedor, el impacto dependerá no solamente de ese proveedor.
Dependerá también de la estructura de toda la red.
Esto ocurre en muchos ámbitos.
La estructura de las relaciones puede importar tanto como los atributos individuales.
Ciencia de redes
La ciencia de redes proporciona herramientas para estudiar sistemas formados por elementos conectados.
Podemos representar los componentes como nodos y sus relaciones como enlaces.
Esta representación resulta útil para analizar:
- cadenas de suministro;
- redes de transporte;
- organizaciones;
- mercados;
- sistemas energéticos;
- infraestructuras;
- redes sociales;
- telecomunicaciones;
- ecosistemas;
- sistemas tecnológicos.
Una red nos permite formular preguntas diferentes.
¿Qué elementos son más importantes?
Podemos identificar nodos especialmente conectados o estratégicos.
¿Dónde existen dependencias críticas?
Determinados nodos pueden actuar como cuellos de botella.
¿Cómo puede propagarse una perturbación?
Una interrupción puede extenderse por diferentes caminos.
¿Qué ocurre si desaparece un nodo?
Podemos estudiar la robustez del sistema.
¿Existen comunidades?
Las redes suelen contener grupos especialmente conectados entre sí.
La ciencia de redes amplía así la capacidad de la Ciencia de Datos para estudiar relaciones y estructura.
Simulación: experimentar sin intervenir sobre la realidad
Una vez comprendemos mejor la estructura de un sistema, podemos intentar modelizar su comportamiento.
Aquí aparece la simulación.
Simular significa construir una representación simplificada de un sistema y experimentar con ella.
Podemos preguntar:
- ¿qué ocurre si desaparece un proveedor?
- ¿qué sucede si aumenta la demanda?
- ¿cómo cambia el tráfico si modificamos una ruta?
- ¿qué ocurre si cambia el comportamiento de determinados participantes?
- ¿qué intervención genera mayor resiliencia?
La simulación no pretende reproducir perfectamente la realidad.
Pretende ayudarnos a comprender mecanismos y explorar escenarios.
Podemos considerarla como un laboratorio para pensar.
Modelos basados en agentes
Una de las técnicas más interesantes para estudiar sistemas complejos son los modelos basados en agentes, conocidos habitualmente por las siglas ABM, Agent-Based Modeling.
Un modelo basado en agentes está formado por múltiples agentes individuales.
Estos agentes pueden representar:
- personas;
- consumidores;
- empresas;
- proveedores;
- vehículos;
- máquinas;
- organizaciones;
- dispositivos.
Cada agente dispone de determinadas características y reglas de comportamiento.
Los agentes interactúan entre sí y con su entorno.
A partir de estas interacciones pueden aparecer comportamientos colectivos.
Esta metodología permite estudiar una pregunta especialmente importante:
¿Cómo generan las decisiones individuales resultados globales?
Ciencia de Datos y modelos basados en agentes
La Ciencia de Datos y el Agent-Based Modeling pueden complementarse.
Los datos reales pueden utilizarse para:
- estimar parámetros;
- definir comportamientos;
- construir poblaciones;
- establecer probabilidades;
- identificar estructuras de red;
- calibrar modelos;
- validar simulaciones.
Podemos crear así un ciclo continuo:
Datos → hipótesis → modelo → simulación → comparación → aprendizaje
Este enfoque convierte la modelización en un proceso iterativo.
Los datos permiten construir mejores modelos.
Y los modelos pueden ayudarnos a interpretar mejor los datos.
Sistemas complejos e Inteligencia Artificial
La Inteligencia Artificial añade nuevas posibilidades.
El Machine Learning puede ayudar a descubrir patrones difíciles de identificar mediante métodos convencionales.
Los modelos generativos pueden participar en procesos de simulación.
Y los sistemas multiagente permiten estudiar interacciones entre múltiples agentes artificiales.
Estamos entrando en un periodo especialmente interesante en el que convergen:
Ciencia de Datos + sistemas complejos + simulación + agentes de IA
Tradicionalmente, los agentes de una simulación seguían reglas relativamente simples.
Los nuevos sistemas basados en modelos de lenguaje permiten investigar agentes capaces de utilizar:
- lenguaje;
- contexto;
- memoria;
- información histórica;
- procesos de decisión más ricos.
Esto abre nuevas líneas de experimentación.
Pero también exige rigor.
Un agente artificial no equivale a una persona real.
Una simulación no es la realidad.
Y un modelo nunca debe confundirse con el sistema que intenta representar.
Sistemas complejos adaptativos
Algunos sistemas complejos presentan otra característica fundamental:
sus componentes aprenden y cambian.
Una empresa modifica su estrategia.
Un consumidor cambia de comportamiento.
Un competidor reacciona.
Una organización adapta sus procesos.
Un sistema tecnológico incorpora nuevas capacidades.
Cuando los agentes modifican su comportamiento en respuesta al entorno hablamos frecuentemente de sistemas complejos adaptativos.
Esto hace que determinados sistemas sean especialmente difíciles de modelizar.
El propio sistema cambia mientras intentamos comprenderlo.
No linealidad: cuando pequeños cambios producen grandes efectos
Nuestra intuición suele asumir relaciones proporcionales.
Si duplicamos una causa, esperamos aproximadamente duplicar su efecto.
Los sistemas complejos pueden comportarse de otra manera.
Pequeñas modificaciones pueden tener efectos mínimos durante mucho tiempo.
Hasta que el sistema alcanza determinadas condiciones.
Entonces una variación aparentemente pequeña puede producir consecuencias muy importantes.
Estos comportamientos no lineales aparecen en numerosos ámbitos.
Por ejemplo:
- mercados;
- cadenas logísticas;
- epidemias;
- redes eléctricas;
- movilidad;
- ecosistemas;
- sistemas sociales.
Comprender esta posibilidad resulta fundamental para la gestión de riesgos.
Retroalimentación
Los sistemas complejos contienen frecuentemente bucles de retroalimentación.
Una acción produce un efecto.
Ese efecto modifica posteriormente las condiciones del sistema.
Y esas nuevas condiciones influyen sobre futuras acciones.
Podemos encontrar:
Retroalimentación positiva
Amplifica determinados procesos.
Por ejemplo, una plataforma puede atraer más usuarios porque ya tiene muchos usuarios.
Retroalimentación negativa
Tiende a estabilizar el sistema.
Por ejemplo, una subida de precios puede reducir la demanda.
La retroalimentación permite entender por qué determinados procesos se aceleran mientras otros se estabilizan.
Aplicaciones de los sistemas complejos
La utilidad de esta perspectiva aparece especialmente cuando trabajamos con problemas reales.
Empresas y organizaciones
Las organizaciones son sistemas formados por:
- personas;
- procesos;
- información;
- incentivos;
- recursos;
- decisiones.
Modificar un elemento puede generar consecuencias inesperadas en otros.
La ciencia de redes y la simulación pueden ayudar a estudiar:
- flujos de información;
- colaboración;
- estructuras informales;
- difusión de conocimiento;
- adopción tecnológica;
- resiliencia organizativa.
Cadenas de suministro
Una cadena de suministro es una red.
Proveedor.
Fábrica.
Almacén.
Transportista.
Distribuidor.
Cliente.
Cuando uno de estos elementos falla, las consecuencias pueden propagarse.
La modelización permite analizar:
- dependencias críticas;
- concentración de proveedores;
- cuellos de botella;
- rutas alternativas;
- vulnerabilidad;
- resiliencia.
Industria
Las fábricas y sistemas industriales modernos contienen numerosas interdependencias.
Máquinas, sensores, personas, materiales y software interactúan constantemente.
La combinación de datos industriales, simulación y modelos permite estudiar:
- producción;
- mantenimiento;
- capacidad;
- eficiencia;
- fallos;
- planificación;
- optimización.
Ciudades
Las ciudades constituyen uno de los ejemplos más claros de sistemas complejos.
Millones de personas, vehículos, edificios, empresas, infraestructuras y servicios interactúan continuamente.
Las aplicaciones incluyen:
- movilidad;
- transporte;
- urbanismo;
- energía;
- uso del espacio;
- servicios públicos;
- planificación urbana.
Movilidad
El tráfico es un comportamiento emergente.
Cada conductor toma decisiones locales.
Pero millones de decisiones producen patrones colectivos.
La simulación permite experimentar con:
- nuevas rutas;
- cambios de capacidad;
- transporte público;
- movilidad eléctrica;
- restricciones;
- diferentes patrones de demanda.
Energía
Los sistemas energéticos están evolucionando hacia redes cada vez más distribuidas.
Generación renovable.
Almacenamiento.
Vehículos eléctricos.
Autoconsumo.
Redes inteligentes.
La interacción entre estos elementos genera nuevos retos de coordinación, estabilidad y planificación.
Mercados y economía
Los mercados están formados por numerosos agentes que reaccionan ante:
- precios;
- información;
- expectativas;
- incentivos;
- decisiones de otros participantes.
Estas interacciones pueden producir comportamientos colectivos difíciles de anticipar mediante el estudio aislado de cada participante.
Cambio climático y adaptación
Los impactos climáticos no ocurren aisladamente.
Una sequía puede afectar agricultura.
La agricultura puede afectar precios.
Los precios pueden afectar consumo.
Las alteraciones económicas pueden afectar inversión y empleo.
La perspectiva de sistemas complejos puede ayudar a estudiar estas cascadas de impactos.
Del análisis a la decisión
El objetivo final no consiste en construir modelos más sofisticados por sí mismos.
Consiste en tomar mejores decisiones.
Podemos plantear diferentes niveles de análisis.
Nivel 1. Describir
¿Qué está ocurriendo?
Nivel 2. Explicar
¿Por qué está ocurriendo?
Nivel 3. Predecir
¿Qué es probable que ocurra?
Nivel 4. Simular
¿Qué podría ocurrir bajo diferentes condiciones?
Nivel 5. Decidir
¿Qué alternativa parece más robusta?
La Ciencia de Datos puede participar en todos estos niveles.
Predecir no siempre es suficiente
Los modelos predictivos son extraordinariamente útiles.
Pero una buena predicción no siempre explica el funcionamiento del sistema.
Y esto puede ser especialmente importante cuando queremos intervenir.
Un modelo puede predecir perfectamente una determinada demanda.
Pero quizá no pueda responder:
¿Qué ocurrirá si cambiamos los precios?
O:
¿Cómo reaccionarán competidores y consumidores?
Cuando queremos modificar las condiciones necesitamos comprender mejor mecanismos, relaciones e interacciones.
Explorar futuros posibles
Los sistemas complejos introducen un cambio importante de perspectiva.
En lugar de intentar responder siempre:
¿Qué ocurrirá?
podemos preguntar:
¿Qué podría ocurrir bajo diferentes escenarios?
Podemos construir múltiples escenarios.
Compararlos.
Identificar vulnerabilidades.
Analizar consecuencias.
Y diseñar decisiones más robustas.
No se trata de eliminar la incertidumbre.
Se trata de aprender a decidir dentro de ella.
Eficiencia y resiliencia
Muchas organizaciones han utilizado datos para optimizar sistemas.
Reducir inventarios.
Minimizar tiempos.
Eliminar redundancias.
Aumentar utilización.
Pero la eficiencia extrema puede producir fragilidad.
Un sistema puede ser muy eficiente mientras todo funciona correctamente y extremadamente vulnerable ante una perturbación.
Por eso los sistemas complejos introducen otra pregunta:
¿Qué capacidad tiene el sistema para absorber problemas y continuar funcionando?
Esto nos lleva al concepto de resiliencia.
Nuestra línea de Sistemas Complejos
En CienciaDeDatos.pro desarrollaremos esta línea progresivamente.
Exploraremos:
Ciencia de redes
Cómo estudiar relaciones, estructuras y dependencias.
Simulación
Cómo construir modelos que permitan experimentar con escenarios.
Modelos basados en agentes
Cómo representar agentes individuales e investigar comportamientos colectivos.
Sistemas adaptativos
Cómo evolucionan sistemas cuyos participantes modifican su comportamiento.
Gemelos digitales
Cómo combinar datos y modelos para representar sistemas físicos.
Agentes de Inteligencia Artificial
Cómo pueden integrarse nuevos agentes artificiales dentro de entornos simulados.
Resiliencia
Cómo analizar la capacidad de sistemas y organizaciones para resistir perturbaciones.
Aplicaciones
Cómo utilizar estas herramientas en problemas empresariales, industriales, urbanos, económicos y ambientales.
Del concepto al experimento
Nuestra aproximación será aplicada.
No queremos limitarnos a explicar conceptos.
Queremos avanzar hacia:
concepto → datos → código → modelo → experimento → conclusiones
Por eso esta línea incorporará progresivamente:
- artículos;
- casos;
- datasets;
- notebooks;
- simulaciones;
- visualizaciones;
- experimentos;
- análisis aplicados.
La mejor manera de comprender un sistema no siempre consiste únicamente en describirlo.
A veces debemos construir un modelo y experimentar con él.
Artículos sobre Sistemas Complejos
Esta página reúne progresivamente los contenidos de CienciaDeDatos.pro dedicados a esta disciplina.
Introducción
Qué son los sistemas complejos y por qué importan para tomar mejores decisiones
Una introducción a emergencia, no linealidad, retroalimentación, redes, simulación y modelos basados en agentes.
Ciencia de Datos y sistemas
De analizar datos a comprender sistemas: una nueva frontera para la Ciencia de Datos
Por qué analizar patrones no siempre es suficiente y cómo podemos avanzar desde los datos hacia mecanismos, escenarios y decisiones.
Próximamente
- Ciencia de redes aplicada.
- Modelos basados en agentes.
- Simulación de cadenas de suministro.
- Sistemas adaptativos.
- Gemelos digitales.
- Sistemas multiagente.
- IA y sistemas complejos.
- Resiliencia y riesgo sistémico.
Preguntas frecuentes sobre sistemas complejos
¿Qué es un sistema complejo?
Es un sistema formado por múltiples componentes que interactúan entre sí y cuyo comportamiento colectivo puede presentar propiedades que no pueden explicarse fácilmente analizando cada elemento de forma aislada.
¿Qué diferencia existe entre un sistema complicado y uno complejo?
Un sistema complicado puede tener muchas piezas pero mantener relaciones relativamente previsibles. En un sistema complejo, las interacciones entre las partes pueden generar comportamientos emergentes y consecuencias difíciles de anticipar.
¿Qué relación existe entre Ciencia de Datos y sistemas complejos?
La Ciencia de Datos analiza los datos generados por sistemas reales. La ciencia de los sistemas complejos estudia también sus relaciones, estructura, dinámica e interacciones. Ambas perspectivas pueden combinarse.
¿Qué es la ciencia de redes?
Es el estudio de sistemas representados como nodos conectados mediante enlaces. Permite analizar estructura, centralidad, comunidades, propagación, robustez y dependencia.
¿Qué es un modelo basado en agentes?
Es una simulación formada por agentes individuales que siguen determinadas reglas e interactúan entre sí. Permite estudiar cómo estas interacciones generan comportamientos colectivos.
¿Qué utilidad tiene la simulación?
Permite explorar escenarios, comparar estrategias, analizar vulnerabilidades y estudiar posibles consecuencias antes de intervenir sobre un sistema real.
¿Qué relación existe entre Inteligencia Artificial y sistemas complejos?
La IA puede ayudar a analizar datos, mejorar determinados modelos y crear agentes artificiales capaces de participar en simulaciones. Esta combinación abre nuevas posibilidades para estudiar sistemas multiagente y dinámicas complejas.
¿Se pueden predecir los sistemas complejos?
Algunos aspectos pueden ser predecibles y otros mucho menos. El objetivo no consiste necesariamente en obtener predicciones exactas, sino también en comprender mecanismos, explorar escenarios e identificar decisiones robustas.
Comprender sistemas para decidir mejor
La Ciencia de Datos nos proporciona una extraordinaria capacidad para observar el mundo.
Pero los grandes problemas empresariales, tecnológicos, económicos y ambientales rara vez existen de manera aislada.
Están conectados.
Forman sistemas.
Y esos sistemas contienen relaciones, retroalimentaciones, adaptaciones y consecuencias inesperadas.
Por eso necesitamos avanzar progresivamente desde:
analizar datos
hacia:
comprender sistemas.
Y desde comprender sistemas hacia:
explorar escenarios y tomar mejores decisiones.
Ese es el objetivo de esta línea de Sistemas Complejos y Ciencia de Datos en CienciaDeDatos.pro.