Modelación utilizando Insight Maker

La herramienta de modelado Insight Maker fue desarrollada con un código abierto, utilizando tecnologías basadas en web y admite la construcción de modelos gráficos mediante múltiples paradigmas. Es de uso gratuito y diseñado para ser lo más accesible posible al usuario, pero también contiene herramientas de modelado avanzadas importantes, como capacidades de scripting incorporadas y un conjunto de herramientas de optimización. La aplicación web proporciona: construcción de modelos y simulación de modelos; administración de cuentas de usuarios, búsqueda y uso de modelos.

La Figura 6.1. ilustra la interfaz de construcción del modelo principal de Insight Maker que se ejecuta dentro del navegador web Google Chrome, luego de la creación del usuario. La interfaz se divide en tres componentes principales: la zona donde se diagrama del modelo (recuadro naranja), la barra de herramientas y el panel de configuración (recuadro verde limón).

Cuando se diagrama el modelo, puede comenzarse con un simple mapa conceptual y gradualmente transformarlo en un modelo de simulación completo, ya que Insight Maker admite amplias funciones de diagramación y modelación que permiten crear fácilmente representaciones del sistema deseado. Los usuarios pueden seleccionar, posicionar y cambiar el tamaño de los elementos en el diagrama modelo usando un dispositivo de entrada como un mouse o, en dispositivos táctiles como tabletas, su dedo. Cada elemento en el diagrama modelo tiene un conjunto de atributos asociados que controlan sus comportamientos. Los atributos se pueden elegir y configurar en el panel de configuración.

86 Figura 6.1. Interfaz de Insight Maker

A partir de la utilización de primitivas básicas, y otras compatibles con Insight Maker, se pueden crear modelos sencillos y complejos de manera directa. Los modelos relacionados con la ecología, la política, los negocios o muchos otros campos son todos posibles. Un ejemplo de cómo es el escenario de la modelación y dónde se encuentra cada primitiva, se muestra a continuación en la Figura 6.2.

87 Figura 6.2. Escenario ejemplo de Insight Maker (Bloque verde: STOCK; Línea azul: FLUJO;

Línea gris: ENLACE; Hexágono verde: CONVERTIDOR; Círculo naranja: VARIABLE)

Cuando se finaliza el modelado, se puede realizar la simulación y los resultados se muestran dentro de la misma ventana del navegador. Se encuentran disponibles diferentes tipos de visualizaciones para resultados, incluidos gráficos de series temporales, tablas, histogramas, diagramas de dispersión y mapas bidimensionales (Figura 6.3.). Para el análisis fuera de línea, los usuarios pueden exportar resultados a archivos CSV. Además de la visualización de resultados, se abren una serie de otras ventanas y diálogos de configuración dentro de esta ventana principal.

Figura 6.3. Ejemplos de las visualizaciones de salida de la simulación. En sentido horario desde la esquina superior izquierda: propagación de enfermedades en una comunidad, distribución de dos atributos de agentes individuales en una simulación, crecimiento de la población mundial, ubicación y las conexiones entre agentes individuales

88 En cuanto a la verificación y validación de los datos, existe un conjunto automatizado de pruebas internas que tiene un papel clave para garantizar un comportamiento de simulación adecuado y la prevención de regresiones. Las pruebas van desde lo trivial (¿el motor de ecuaciones evalúa correctamente que 2 + 2 es igual a 4?) hasta las agregadas de mayor nivel (¿un modelo dado que contiene múltiples ecuaciones y primitivas evalúa el resultado correcto?). Las pruebas cuando se aplican y se encuentra un problema, primero se corrige el mismo y luego se escribe una prueba para asegurarse de que no vuelva a aparecer en una regresión posterior. El desarrollo de este conjunto de pruebas ha demostrado ser invaluable para garantizar el correcto funcionamiento de la herramienta.

En cuanto al análisis de sensibilidad que se encuentra incluido en el Insight Maker, es de suma importancia, ya que a menudo los valores precisos de los parámetros del modelo o las existencias no se conocerán. Cuando se construye un modelo, generalmente se utiliza la información disponible y siempre habrá un cierto grado de incertidumbre en este cálculo. El análisis de sensibilidad permite explorar rápidamente la repercusión de esta incertidumbre para ver qué tan sólidos son sus resultados y hallazgos a los cambios en los valores de los parámetros. Las pruebas funcionan al realizar simulaciones múltiples de su modelo utilizando diferentes valores iniciales. A continuación, agrega los resultados de la simulación y presenta un informe conciso sobre los posibles resultados de la simulación.

Para usar la prueba de sensibilidad, se reemplaza uno o más de los valores en su modelo con variables aleatorias. Por ejemplo, si se tiene un stock donde la mejor estimación para el valor inicial era 100 y se determina un estimado para el verdadero valor inicial usando una variable aleatoria con una desviación estándar de 7, se establece el valor inicial de la acción de la siguiente manera (Ecuación 6.1.):

𝑅𝑎𝑛𝑑𝑁𝑜𝑟𝑚𝑎𝑙 ( 100 , 7 ) (Ecuación 6.1.) Luego se puede ejecutar el algoritmo de análisis de prueba de sensibilidad para repetir las simulaciones muchas veces, y cada vez el valor de la acción tomará un valor inicial diferente y podrá verse cómo cambian las rutas de simulación resultantes (este es un algoritmo clásico de Monte Carlo). La siguiente Figura 6.4. es una ilustración de los resultados que se pueden obtener al realizar un análisis de sensibilidad. Las regiones que contienen los resultados más densos del 50%, 75%, 95% y 100% de la simulación están

89 claramente marcados. Una tabla de estos mismos resultados también está disponible para exportar a Excel u otros programas de análisis.

Figura 6.4. Ejemplo de cómo se ven los resultados en un análisis de sensibilidad en Insight Maker.

Es importante saber que establecer el valor de un parámetro constante no es tan fácil como lo es con un stock. Si se coloca la función aleatoria en la ecuación del parámetro, el parámetro tomará un valor diferente cada vez que se realice cada simulación; si se desea que el parámetro adopte un valor aleatorio constante para cada simulación, se debe usar la función Fix de Insight Maker (Ecuación 6.2.):

Fix (RandNormal ( 100 , 7 )) (Ecuación 6.2.)

El primer parámetro para la función Fix es la función fuente que se agregará, el segundo argumento opcional y es el período de frecuencia de muestreo de esta fuente (-1 significa solo muestra una sola vez al inicio de la simulación), y el último valor es una

90 cadena de identificación única que se debe cambiar cada vez que utilice la función de reparación en su modelo.

6.2. Diagrama del modelo desarrollado