View
9
Download
0
Category
Preview:
Citation preview
1
Toma de Decisiones Organizacionales con
Interdependencia y Coordinación entre Agentes
Carlos Francisco González González Tesis de Maestría en Ingeniería Industrial, Universidad de los Andes, Bogotá, Colombia
gg.carlos10@uniandes.edu.co
RESUMEN
Un factor fundamental dentro de las organizaciones es la forma como se toman las decisiones, aún
más cuando se involucran personas con diferentes conocimientos o experticia en el grupo decisor.
La literatura existente nos muestra que los factores involucrados para mejorar el desempeño de una
organización están relacionados con su estructura, conocimiento de las personas, mecanismo de
toma de decisión, coordinación e interdependencia por nombrar algunos. Esta investigación quiere
aportar a la literatura ya existente sobre desempeño organizacional mediante la relación entre
interdependencia y coordinación de los agentes como un factor clave para la toma de decisiones con
el fin de mejorar el desempeño de la organización y este desempeño se ve afectado por los errores
cometidos a la hora de decidir ya se aprobando proyectos malos (comisión) o, rechazando proyectos
malos (omisión); todo esto se lleva a cabo por medio de una simulación basada en agentes. En este
documento se comienza hablando de los factores importantes en una organización para su
desempeño, después se pasará a una revisión bibliográfica con el fin de mostrar cómo esta
investigación difiere de estudios previos y por último se describe el modelo basado en agentes con
su análisis y discusión de resultados.
1. INTRODUCCIÓN
Por lo general las decisiones dentro de las organizaciones se hacen con un grupo de expertos con
diferentes dominios de conocimiento (experticia). Según Fang et al. (2010), recientes
investigaciones han sugerido que los gerentes pueden estar en la capacidad de usar la estructura
organizacional como palanca para mejorar el balance entre la experticia de los personas; dentro de
las organizaciones se necesita alinear el comportamiento de los individuos ya que cada uno tiene un
punto de vista de lo que es bueno o malo para la empresa de acurdo a su conocimiento por lo cual se
requiere de un mecanismo de coordinación para alinear los diferente puntos de vista de las personas
para obtener un mejor desempeño organizacional.
En primer lugar, el desempeño de una organización está influenciado por su estructura
organizacional (jerarquía y poliarquía) ya que esto me permite conocer quien o quienes son los
encargados de tomar las decisiones (Aguado 2006, Daft 2012); estas decisiones están ligadas a un
mecanismo o forma como se toma la decisión ya sea que la decisión la tome un experto, que sea el
voto de la mayoría o por promedio (Csaszar & Eggers 2012). Toda persona encargada de tomar una
decisión debe tener un nivel de “experticia” que le permita evaluar de forma adecuada y tomar una
correcta decisión; estas personas se pueden distinguir por ser: exploradores (aquellos que buscan
más allá de su propio conocimiento) y los explotadores (aquellos que consideran tener el
conocimiento adecuado y confían de forma natural en sus decisiones), un correcto balance
organizacional permite estar a la vanguardia de los cambios en el entorno (Raisch, S., Birkinshaw,
J., Probst, G., & Tushman, M. L. 2009, Tay, N. S., & Lusch, R. F. 2007, Justin J. P. Jansen, Michiel
P. Tempelaar, Frans A. J. van den Bosch, & Henk W. Volberda, 2009). Por lo tanto, un factor clave
en las organizaciones es saber coordinar a estas personas permitiéndose llegar a la mejor decisión o
2
a la menos perjudicial para la compañía. Se considera un factor importante en las organizaciones
conocer la forma como las personas se coordinan y como la interdependencia entre ellas afecta el
desempeño organizacional; este factor ha sido poco profundizado y vinculado a la literatura
existente por lo cual esta investigación busca agregar este componente al estudio organizacional y
relacionarlo con su desempeño.
Esta investigación considera a los agentes (personas tomadoras de decisiones) autónomos a la hora
de tomar decisiones y tienen la capacidad de interactuar con otros individuos que hacen parte de su
estructura. Por otro lado, el diseño organizacional y la integración de la coordinación y la
interdependencia entre los agentes mostrarán la forma como la experticia de los individuos afecta el
desempeño organizacional. La pregunta de investigación que se quiere resolver en esta
investigación es: ¿Cómo la coordinación y la interdependencia entre los agentes conlleva a que las
decisiones organizacionales sean las más acertadas o las menos perjudiciales para la organización?
Para responder esta pregunta, se ha desarrollado un modelo basado en agentes que permitirá
estudiar el desempeño de dos estructuras organizacionales variando el número y el tipo de agente
dentro de la organización. Por otro lado, estas estructuras tendrán un mecanismo de coordinación e
interdependencia que se explica a detalle en los apartados siguientes. Los agentes tendrán que
decidir qué proyectos aceptar y cuales rechazar, todo esto basados en su experticia o conocimiento.
Se hace uso de la simulación basada en agentes para este proyecto, ya que nos permite modelar e
investigar adecuadamente cómo las cosas se despliegan sobre un largo periodo de tiempo. La
simulación basada en agentes permite ver el proceso modelado como la interacción entre agentes,
quienes mutuamente influyen el uno al otro; reduciendo el estudio a niveles microscópicos (Tay &
Lusch, 2007). Otra de las ventajas es que se capta el comportamiento de los sistemas complejos
desde un enfoque ascendente permitiendo tener beneficios, como la capacidad de capturar el
comportamiento emergente de un sistema a partir de las interacciones entre sus agentes o
componentes, proporcionando una descripción natural del sistema y es más flexible en términos de
aumentar la complejidad o el tamaño del modelo (Rojas, 2010).
2. MARCO TEÓRICO
2.1 Formulación del problema
La estructura organizacional es una poderosa herramienta para lograr los objetivos estratégicos y
una estrategia exitosa es a menudo determinada por el acople con la estructura misma. Una
organización está definida por el conjunto de tareas formales asignadas a un individuo, la forma de
relacionarse y comunicarse incluyendo las líneas de autoridad (jerarquías y responsabilidad en las
decisiones) y el diseño del sistema para asegurar la coordinación efectiva de los individuos (Daft,
2010). El diseño organizacional describe cómo las unidades o individuos que toman una decisión
están organizados en un sistema, cómo la habilidad y la autoridad de la toma de decisiones es
distribuida dentro del sistema, quién recolecta qué información y quien comunica eso con quién
(Sah & Stiglitz, 1986).
Las decisiones organizacionales son más descentralizadas cuando el tomador de la decisión solo
controla si se aplica la decisión tomada (Mintzberg, 1979). Las decisiones organizaciones son
probablemente hechas por grupos de personas en vez de un solo individuo y este grupo de personas
pueden tener diversidad en sus miembros ya que la diversidad en el grupo implica diferentes
opiniones y como estas opiniones individuales son agregadas a nivel de grupal tiene una alta
implicación para la acción y desempeño de la organización; se debe recalcar que la diferencia en
3
conocimiento de los individuos es fundamental ya que cada puede tener o no un mejor
conocimiento para la evaluación del mismo (Csaszar y Eggers, 2012).
Cuando se toman las decisiones en la organización se pueden distinguir una autoridad formal y una
autoridad real; esta distinción es fundamental para entender la delegación, tener el derecho formal
de decidir no significa que la organización está mejor preparada si las decisiones son hechas por una
autoridad formal en lo más alto de la organización, esto no garantiza que las personas con una
autoridad formal en la organización tengan suficiente experticia para tomar decisiones efectivas y
una persona con autoridad formal puede aprovechar eficientemente esa experiencia, delegando un
control efectivo sobre una decisión a un titular real de autoridad y simplemente observando las
propuestas de decisión de esta persona (Dobrajska, Billinger & Karim, 2015).
Otro factor importante en el desempeño organizacional es el tipo de agente y se puede distinguir dos
claramente: exploradores y explotadores. En 1991 March define la exploración con todas aquellas
actividades que enmarcan términos como investigación, variación, toma de riesgos,
experimentación, flexibilidad, descubrimiento e innovación; en cuanto a explotación, incluye cosas
como refinamiento, elección, producción, eficiencia, selección, implementación y ejecución. La
exploración y la explotación también se pueden ver como estrategias de aprendizaje Tay y Lusch en
el 2007 hacen uso de una analogía biológica; el aprendizaje por medio de la explotación es como
aprender a través del cruce, donde la entidad combina su conocimiento en diferentes caminos para
mejorar que es lo que está haciendo (recombinar los genes existentes en nuevos caminos) esto
aplica la selección y reproducción para imitar o reproducir que trabajos hacer y descartar que
trabajos no hacer en cambio el aprendizaje a través de la exploración puede ser realizado con la
mutación donde la entidad hace algo diferente (optar por nuevo material genético), ambas la
exploración y la explotación usan la selección y reproducción pero se diferencian en como obtienen
una variación.
En cuanto a eficiencia, la explotación produce un rendimiento más seguro e inmediato, el
descubrimiento de soluciones verdaderamente novedosas es poco probable y puede llevar a la
obsolescencia a largo plazo; por otro lado, aunque la exploración está en la capacidad de descubrir
soluciones profundamente novedosas, eso también causa típicamente una degradación en el
desempeño en el corto plazo porque la búsqueda de soluciones novedosas usualmente falla (Fang et
al., 2010). Los sistemas que solo hacen uso de la exploración, muestran muchas ideas nuevas
subdesarrolladas y muy poca diferencia ante la competencia; los sistemas que solo hacen uso de la
explotación, son más probables de encontrarse a ellos mismos atrapados en sub-óptimos equilibrios
estables. Como resultado encontrar un adecuado balance entre la exploración y la explotación, es un
factor primordial en la supervivencia y prosperidad de un sistema (March, 1991).
Cuando se habla en términos de desempeño organizacional, la estructura y el tipo de agente son
factores importantes para un mejor desempeño en la toma de decisiones, pero la organización debe
tener una coordinación entre gentes para lograr tal fin y no hay estructura completa sin un sistema
eficaz de coordinación (Daft, 2010). La coordinación y la cooperación son esenciales en la
sociedad, ya que las normas, las costumbres y las convenciones que guían la interacción a menudo
se convierten en demasiado costosas para regular formalmente, supervisar y hacer cumplir; en
algunos casos, las personas tienen fuertes incentivos privados para cooperar y el problema central se
convierte en el aprender qué hacen otros y adaptarse (Wilhite, 2006).
El éxito de la coordinación depende de la creación de acciones previsibles de forma recíproca,
cuando las acciones son interdependientes (cuando los resultados de las acciones tomadas por “a”,
dependen en algo a las acciones tomadas por “b”) (Srikanth & Puranam, 2011, Stan & Puranam,
2016). La coordinación se logra cuando individuos interdependientes son capaces de actuar como si
4
pudieran predecir las acciones de cada uno de los otros; la ineficiencia en comunicación,
transferencia de conocimiento, demoras, mal entendidos y pobre sincronización de actividades son
típicamente manifestaciones de fallas en coordinación (Srikanth & Puranam, 2014).
Una falla en coordinación puede ocurrir cuando hay interdependencia entre los agentes y no se tiene
el conocimiento necesario acerca de las acciones del otro; la necesidad de observar, más bien que la
habilidad de predecir las acciones del otro puede surgir debido a la secuenciación (la otra parte no
ha actuado aún o está actuando simultáneamente con mis propias acciones) o debido a las
restricciones de comunicación y transferencia de información (cuando se previene a un agente de
aprender cómo el otro está actuando) (Puranam, et. al, 2012).
La interdependencia entre agentes existe cuando las acciones de un agente se ven afectadas por las
acciones de otro agente y viceversa. La interdependencia la podemos ver como la escogencia
óptima de un agente depende de la predicción de las acciones de otro agente, es decir, cada agente
tiene la necesidad de procesar la información que le permita llevar a cabo acciones coordinadas
(Puranam, et. al., 2012).
La literatura existente nos ha provisto de perspectivas invaluables y resultados que han aportado
grandemente a entender que existe una relación directa entra la estructura organizacional, el tipo de
agente tomador de decisiones, el mecanismo de coordinación y el desempeño de la organización;
sin embargo, se considera que hay un factor que ha sido profundizado y vinculado al ámbito de
manera escasa: la integración de la coordinación y la interdependencia entre los agentes para
brindar las herramientas necesarias para tomar decisiones basados en las acciones y el desempeño
de cada agente tomando decisiones.
El objetivo de esta investigación es crear un modelo de simulación basado en agentes que me
permita conocer el desempeño de la organización teniendo en cuenta un mecanismo de
coordinación e interdependencia entre los agentes que les permita tomar las decisiones más
acertadas o menos perjudiciales para la organización.
2.2 Motivación
La pregunta principal en esta investigación, ¿Cómo la coordinación y la interdependencia entre los
agentes conlleva a que las decisiones organizacionales sean las más acertadas o las menos
perjudiciales para la organización?, tiene una gran cantidad de preguntas paralelas que han sido
exploradas por diferentes autores interesados en la estructura organizacional, el desempeño,
mecanismos de coordinación, balance entre la exploración y la explotación y la simulación basada
en agentes. En el siguiente apartado, se hará una revisión de la literatura existente y se mostrará
cómo esta investigación difiere de los estudios ya realizados.
2.3 Revisión bibliográfica
En 1986 Sah y Stiglitz realizaron un estudio donde un grupo de individuos escoge que proyecto se
debe llevar a cabo, el individuo evaluar los proyectos y comunica entre su grupo si considera que el
proyecto es bueno o malo. Los individuos se encuentran en dos tipos de diseños organizacionales
poliarquía y jerarquía; Sah y Stiglitz argumentan que si la evaluación de los individuos fuera
perfecta entonces el diseño organizacional no tendría efecto en la salida o calificación de los
proyectos. Esta investigación se llevó acabo realizan una analogía con la teoría clásica de la
estadística inferencial y dicen que los errores que pueden cometer los individuos a la hora de tomar
decisiones se pueden clasificar en errores Tipo I y errores Tipo II; diciendo que uno podría esperar
5
una mayor ocurrencia del error Tipo l en una jerarquía y una mayor ocurrencia del error Tipo II en
una poliarquía.
En el 2012, Csaszar también estudió el desempeño de las organizaciones teniendo en cuenta su
estructura organizacional. Csaszar utilizó tres tipos de estructuras donde se desempeñan los agentes:
individual, centralizada (jerarquía) y descentralizada (poliarquía). Este estudio se enfoca en conocer
qué tipo de estructura lleva más a qué tipo de error omisión o comisión. Cuando se refiere a errores
de omisión, se refiere a errores Tipo I (rechazar proyectos buenos), y los errores de comisión se
refieren a errores de Tipo II (aprobar proyectos malos). Podemos ver la importancia de la medición
de estos dos tipos de errores para determinar el desempeño organizacional; la esencia del diseño
organizacional en la toma de decisiones está en escoger una estructura que más eficientemente
reduzca los errores Tipo I y Tipo II, como es requerido por el entorno de trabajo de la organización
(Christensen & Knudsen, 2010).
Después de hablar de cómo la estructura organizacional influye en el desempeño y qué tipo de
estructuras conlleva a qué tipo de error, pasamos a entender o a involucrar la toma de decisiones de
los individuos. Csaszar y Eggers en el 2012 estudiaron cuatro estructuras comúnmente usadas en las
organizaciones para evaluar oportunidades: toma de decisiones individual, delegación de expertos,
voto por mayoría y promedio. El objetivo de los autores era estudiar cómo el desempeño
organizacional depende de la estructura, la experticia de los miembros y el entorno externo. Csaszar
y Eggers argumentaron que solo se hizo uso de de tres individuos o miembros para cada una de las
estructuras debido a la complejidad de la comparación de los resultados y a lo parsimonioso del
modelo. Un año después, Csaszar hace una extensión a su modelo, computando la probabilidad de
que una organización cometa errores de omisión o comisión; los individuos tomadores de
decisiones son los responsables de aceptar o rechazar un proyecto dependiendo cómo ellos perciban
la calidad del mismo, utilizando la estructura de jerarquía y poliarquía descrita en Sah y Stiglitz
(1986).
Ya se mencionó la importancia de la estructura organizacional y la forma como se toman las
decisiones para mejorar el desempeño organizacional, ahora nos centramos en aquellos estudios
donde se involucran la exploración y la explotación. En el 2010, Fang, Lee y Schilling mencionan
que la mayor parte de investigaciones (balance entre exploración y explotación) concluye que las
organizaciones tienden a enfatizar en la explotación, el uso de soluciones conocidas a costa de la
exploración, debido a que la explotación provee más inmediatos y certeros retornos. En el 2013,
Csaszar desarrolló un modelo matemático a partir de las ideas de Sah y Stiglitz de 1986 cuyo
objetivo era contribuir de forma detallada el entendimiento entre estructura organizacional,
exploración y explotación y el desempeño de la organización. Lograr un adecuado balance entre la
exploración y explotación dentro de las organizaciones es una pregunta abierta en diseño
organizacional (Csaszar, 2013; Fang, Lee y Schilling, 2010). Es importante entender que las
organizaciones deben ser ambidiestras para enfrentar los cambios en el entorno y ser capaz de tener
diversidad a la hora de tomar decisiones que permitan tener diferentes puntos de vistas de diferentes
expertos en la materia; una organización ambidiestra es aquella que combina las actividades de
exploración y explotación dentro un cierto periodo de tiempo para mejorar su desempeño (Mom,
van de Bosch & Volberda, 2009).
Como podemos ver ya se han realizado investigaciones sobre balancear la exploración y la
explotación. Sin embargo, esos modelos no tienen en cuenta que la búsqueda organizacional a
menudo involucra un esfuerzo conjunto de especialistas de diferentes dominios, quienes necesitan
coordinar sus esfuerzos de búsqueda; a esto le llaman los problemas de exploración coordinada
(Knudsen & Srikanth, 2014). Knudsen y Srikanth mencionan que el corazón de la exploración
coordinada es que los agentes tengan una interdependencia epistémica, lo cual quiere decir que la
6
evolución de la estructura de información de un agente está significativamente influenciada por las
acciones de otro agente que pueden ser desconocidas. Estos patrones de interdependencia entre los
agentes tomadores de decisiones, independientemente de la estructura organizacional crea la
necesidad de establecer una coordinación entre los mismos agentes (Aggarwal, Siggelkow & Singh,
2011). Ya que se habló de interdependencia entre agentes, es importante definir que es para tener
mayor claridad sobre el tema.
Aunque esté bien aceptar que compartir conocimiento es necesario para coordinar bajo
interdependencia, se sabe que en la práctica es muy difícil desarrollar un compartimiento de
conocimiento entre especialistas, por lo cual es difícil realizar pruebas empíricas que nos permitan
conocer resultados (Knudsen & Srikanth, 2014). La siguiente tabla nos muestra lo que ya se ha
aportado a literatura y lo que se quiere aportar:
Coordinación Interdependencia Ejemplos
Mecanismo de Toma de
Decisiones
Teoría de Juegos no
Cooperativos
Lo que esta
investigación desea
aportar Tabla 1. Aportes a la literatura existente
Las investigaciones anteriores nos han demostrado que en diferentes épocas de tiempo se han
realizado diversos trabajos que permiten encontrar el mejor desempeño organizacional con una
combinación de factores ya sea su estructura, su entorno cambiante, la comunicación ente los
individuos, la forma como se toman las decisiones, el tipo de individuos encargados de las
decisiones, etc. Pero se han hecho pocos trabajos destacando la integración de la coordinación y la
interdependencia entre agentes lo cual brinda las herramientas necesarias para tomar las mejores
decisiones para la organización teniendo en cuenta la experticia de los individuos y que tan bueno
soy tomando decisiones (coordinación) incluyendo el factor de interdependencia cuando una
decisión debe ser tomada por todos los individuos, si solo uno de ellos no sabe qué decisión tomar
pero los otros si han tomado una decisión de acuerdo a su experticia, el proyecto que está siendo
evaluado se da como desierto y se continua con otro proyecto debido a la indecisión de uno de los
agentes.
3. METODOLOGÍA
El modelo es ejecutado en tiempo discreto caracterizado por una serie de pasos determinados en los
parámetros del modelo. En cada uno de los pasos llega un proyecto a la organización con una
calidad que es asignada aleatoriamente por el programa y cada agente tiene que tomar la decisión de
aceptar o rechazar el proyecto evaluado. Una vez cada uno de los agentes en la organización ha
tomado una decisión propia de acuerdo a su estructura organizacional, se toma una decisión global
para determinar si se acepta o rechaza el proyecto.
3.1 Proyectos a evaluar
Los proyectos seleccionados por las oganizaciones en el modelo son descritos por un tipo y una
calidad.
7
El tipo de proyecto, representa el dominio, conocimiento o experticia involucrada para
evaluar con precisión el proyecto.
Calidad de proyecto, representa el valor que el proyecto creará si este se implementara.
Los proyectos dentro del modelo se pueden encontrar dentro de una lista ordenada de elementos
(𝑞, 𝑡) donde “q” representa la calidad y “t” representa el tipo; q es interpretado como valor en
términos de los ingresos menos los costos (buen proyecto 𝑞 > 0) y t, es el número que denota el
tipo específico de conocimiento requerido para evaluar correctamente el valor del proyecto.
El entorno del proyecto se define como el rango de proyectos que una organización puede enfrentar;
y este es definido por los valores que “q” y “t” puedan tener. Los proyectos están uniformemente
distribuidos dentro de un intervalo de [−𝑞, 𝑞] (−$10, $10) y [𝑡, 𝑡] (0, 10) donde “0” significa que
no se necesita mayor experticia por parte del agente para calificar correctamente el proyecto y 10
significa que se necesita un alto nivel de experticia por parte del agente para evaluar correctamente
el proyecto.
3.2 Individuos tomadores de decisiones
Tushman y O'Reilly (1996), mencionan que las organizaciones no saben cuándo grandes cambios
en el entorno podrían llegar a ocurrir, por lo cual las organizaciones deberían se ambidiestras. El
modelo tiene dos tipos de agentes tomadores de decisiones: exploradores y explotadores. Cada uno
de ellos fue modelado con una experticia “e” (Variable aleatoria ente 0 y 10, donde 0 significa que
el agente es inexperto para evaluar proyectos y 10 significa que el agente es un experto para evaluar
proyectos). Los tipos de agentes considerados en el modelo se caracterizan por ser:
Explotadores, solo se basan en su criterio o experticia para tomar una decisión si aceptar o
no un proyecto.
Exploradores, buscan al agente que tenga una mayor experticia para tomar la decisión
correcta acerca del proyecto que se está evaluando y, así, el agente cambia la decisión por la
del agente con mayor experticia para el beneficio de la organización.
Los agentes al tener una experticia “e” que determina que tan bueno soy evaluando proyectos o
tomando decisiones, también tienen una calidad percibida del proyecto, que consiste en el valor que
se le da al proyecto dependiendo la experticia para calificarlo; si el agente tiene una experticia
mayor que el tipo de proyecto, la calidad percibida será igual a la calidad del proyecto.
𝑞’ = 𝑞, ∀ 𝑒 > 𝑡 [1]
En cambio, si la experticia del agente es menor al tipo del proyecto, no se puede valorar
correctamente el proyecto debido a que no se tiene la experticia necesaria para evaluarlo
correctamente por lo cual la calidad percibida es la siguiente:
𝑞’ = 𝑞 + ñ ñ~ 𝑁 (0, 𝑡 − 𝑒), ∀ 𝑒 < 𝑡 [2]
Donde la desviación estándar es la distancia entre el tipo de proyecto y la expertica del agente.
3.3 Estructura organizacional
Está investigación se basa en dos estructuras funcionales “Jerarquía” y “Poliarquía”; cuando se
habla de jerarquía, se refiere a aquella estructura donde en la organización hay un nivel de autoridad
es decir, los agentes van a tener a un jefe directo al cual le van a compartir su decisión; para hacer la
8
estructura más parecida a lo que reflejan las organizaciones actualmente, los agentes pueden tener
varios niveles a quien deben reportar sus decisiones, como se observa en la figura 1. En cambio, en
la poliarquía todos los agentes se comunican entre sí debido a que estos no tienen un nivel de
autoridad. En la estructura jerárquica, los agentes que consideran que un proyecto debe ser
aprobado, lo comunican a un agente que esté en un nivel superior para que lo evalué; si se considera
que un proyecto debe ser rechazado, le comunican el rechazo del proyecto a su nivel superior, pero
este nivel superior no evalúa el proyecto si todos los agentes con los cuales tiene conexión rechazan
el proyecto; de lo contrario lo evalúa y toma una decisión.
Agente Agente
Agente
Agente
Agente
Agente Agente
Agente
En
trad
a p
roye
cto
a e
va
lua
r
Sa
lida
ap
rob
ar o
rech
aza
r pro
ye
cto
Agente
Agente
Agente
Agente
En
trad
a p
roye
cto
a e
va
lua
r
Sa
lida
ap
rob
ar o
rech
aza
r pro
ye
cto
Figura 1. Estructura Organizacional, Jerarquía y Poliarquía
3.4 Toma de decisiones
Se modeló la toma de decisiones como el mecanismo que agrega percepciones individuales dentro
de una decisión a nivel grupal acerca de cada proyecto revisado. En cada estructura hay una
cantidad “N” de decisores con un nivel de experticia (como se explica en el punto 3,2). Las
personas asignadas aceptan el proyecto si ellos perciben que este es bueno, de lo contrario lo
rechazan; en algunas ocasiones de forma aleatoria los agentes no son capaces de tomar una decisión
si aceptar o rechazar el proyecto, en cambio, desisten de evaluar el proyecto ya sea un proyecto
bueno o malo esto con el fin de crear interdependencia entre sus compañeros ya que al no tener una
decisión clara, no se puede tomar una decisión grupal debido a que se necesita que todos estén de
acuerdo en tomar una decisión (aceptar o no un proyecto pero no desistir de evaluarlo). Si el agente
toma una decisión a nivel individual y, a su vez la decisión es una buena decisión (aprobar buenos y
rechazar malos), el porcentaje de acertar (una característica del individuo que me permite conocer
que tan bueno es tomando decisiones) para el agente va en aumento debido a que “acertó” con la
decisión de lo que es mejor para la organización.
3.4.1 Toma de decisiones a nivel individual
Cada agente tiene la responsabilidad de tomar una decisión sobre aprobar o rechazar un proyecto de
acuerdo a la calidad percibida del mismo (q’, ecuaciones [1] y [2]); si se percibe que la calidad es
buena, lo acepta de lo contrario lo rechaza.
9
Agente
Acepta
Rechaza
q’= q+ñ Agente No decideq’ = (q + ñ)
Figura 2. Toma de decisiones a nivel individual
3.4.2 Toma de decisiones a nivel grupal
La toma de decisiones a nivel grupal se hace al final de cada estructura como se muestra en la figura
3. Los tipos de toma de decisiones grupales son los siguientes:
A. Votación, cada uno de los individuos evalúa el proyecto y se toma una decisión basada en
el voto de la mayoría,
𝑣𝑡 = ∑ 𝑥𝑛
𝑁
𝑛=1
− ∑ 𝑦𝑛
𝑁
𝑛=1
[3]
𝑁 = 𝑛ú𝑚𝑒𝑟𝑜 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑎𝑔𝑒𝑛𝑡𝑒𝑠 𝑛 ∈ 𝑁
𝑥𝑛, 𝑠𝑖 𝑒𝑙 𝑎𝑔𝑒𝑛𝑡𝑒 𝑛 𝑎𝑝𝑟𝑢𝑒𝑏𝑎 𝑒𝑙 𝑝𝑟𝑜𝑦𝑒𝑐𝑡𝑜
𝑦𝑛, 𝑠𝑖 𝑒𝑙 𝑎𝑔𝑒𝑛𝑡𝑒 𝑛 𝑟𝑒𝑐ℎ𝑎𝑧𝑎 𝑒𝑙 𝑝𝑟𝑜𝑦𝑒𝑐𝑡𝑜
𝑣𝑡 > 0, 𝑎𝑝𝑟𝑜𝑏𝑎𝑟 𝑒𝑙 𝑝𝑟𝑜𝑦𝑒𝑐𝑡𝑜 𝑒𝑛 𝑙𝑎 𝑖𝑡𝑒𝑟𝑎𝑐𝑖ó𝑛 𝑡
𝑣𝑡 < 0, 𝑟𝑒𝑐ℎ𝑎𝑧𝑎𝑟 𝑒𝑙 𝑝𝑟𝑜𝑦𝑒𝑐𝑡𝑜 𝑒𝑛 𝑙𝑎 𝑖𝑡𝑒𝑟𝑎𝑐𝑖ó𝑛 𝑡
B. Promedio, esta estructura es similar a la de votación en lugar de contar los votos, la
estructura promedia las percepciones de los individuos, ya sea que acepten o rechacen un
proyecto.
𝑞′′𝑡 =
(∑ 𝑥𝑛𝑁𝑛=1 + ∑ 𝑦𝑛
𝑁𝑛=1 )
𝑁 [4]
𝑁 = 𝑛ú𝑚𝑒𝑟𝑜 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑎𝑔𝑒𝑛𝑡𝑒𝑠 𝑛 ∈ 𝑁
𝑥𝑛, 𝐶𝑎𝑙𝑖𝑑𝑎𝑑 𝑝𝑒𝑟𝑐𝑖𝑏𝑖𝑑𝑎 𝑑𝑒𝑙 𝑎𝑔𝑒𝑛𝑡𝑒 𝑛 𝑠𝑖 𝑎𝑝𝑟𝑢𝑒𝑏𝑎 𝑒𝑙 𝑝𝑟𝑜𝑦𝑒𝑐𝑡𝑜
𝑦𝑛, 𝐶𝑎𝑙𝑖𝑑𝑎𝑑 𝑝𝑒𝑟𝑐𝑖𝑏𝑖𝑑𝑎 𝑑𝑒𝑙 𝑎𝑔𝑒𝑛𝑡𝑒 𝑛 𝑠𝑖 𝑟𝑒𝑐ℎ𝑎𝑧𝑎 𝑒𝑙 𝑝𝑟𝑜𝑦𝑒𝑐𝑡𝑜
𝑞′′𝑡 > 0, 𝑎𝑝𝑟𝑜𝑏𝑎𝑟 𝑒𝑙 𝑝𝑟𝑜𝑦𝑒𝑐𝑡𝑜 𝑒𝑛 𝑙𝑎 𝑖𝑡𝑒𝑟𝑎𝑐𝑖ó𝑛 𝑡
𝑞′′𝑡 < 0, 𝑟𝑒𝑐ℎ𝑎𝑧𝑎𝑟 𝑒𝑙 𝑝𝑟𝑜𝑦𝑒𝑐𝑡𝑜 𝑒𝑛 𝑙𝑎 𝑖𝑡𝑒𝑟𝑎𝑐𝑖ó𝑛 𝑡
10
Acepta
Rechaza
Agente
1
Agente
2
Agente
n
Acepta
Rechaza
Agente
1
Agente
2
Agente
n
Figura 3. Toma de decisiones a nivel grupal, votación y promedio
3.5 Coordinación e interdependencia entre agentes
Llegada
nuevo
proyecto
No
evaluar
decisión
1. Evaluar proyecto 2. Tomar decisión
Llegada
nuevo
proyecto
Evaluar
decisión
Análisis de
desempeño de la
decisión tomada
1. Evaluar proyecto 2. Tomar decisión
a) interdependencia entre agentes al menos uno no tiene una decisión
b) interdependencia entre agentes, todos han tomado una decisión
Figura 4. Interdependencia entre agentes
La interdependencia entre agentes consiste en que todos los agentes deben haber tomado una
decisión individual para poder pasar al mecanismo de decisión grupal y decidir si aceptar o rechazar
el proyecto evaluado. Como se muestra en la figura 4.a, al menos un agente no ha tomado una
decisión (color negro) mientras sus compañeros han aceptado (color azul) o rechazado (rojo) el
proyecto; por lo cual se debe pasar a evaluar el proyecto siguiente, esto permite generar
interdependencia entre agentes ya que aleatoriamente los agentes no saben que decidir
independientemente de su experticia, provocando que sus compañeros no puedan ejercer sus
decisión a nivel grupal aun teniendo la calificación correcta del proyecto. En la figura 4.b, podemos
ver como todos los agentes se ponen de acuerdo en aceptar o rechazar una proyecto por lo cual se
pasa a evaluar la decisión de acuerdo al mecanismo de toma de decisiones a nivel grupal y por
último se analiza el desempeño de la decisión tomada.
11
En cuanto al mecanismo de coordinación, cuando los agentes toman buenas decisiones es decir
aceptan un proyecto cuando su calidad es buena (q>0) y rechazan un proyecto cuando su calidad es
mala (q<0), son cada vez mejores tomando decisiones por lo cual se les evalúa su desempeño con
una variable llamada “porcentaje de acertar”, mientras mejor sea el agente tomando decisiones su
porcentaje de acertar cada vez aumenta caracterizándolo como una persona calificada para tomar
decisiones. En cambio, cuando un agente no es bueno calificando proyectos debido a su poca
experticia su porcentaje de acertar va a ser menor. La coordinación consiste en alinear las
decisiones tomadas con el fin de mejorar el desempeño de la organización es decir, los agentes
adoptan la decisión de aquel agente que tenga mejor experticia y tenga un mayor porcentaje de
acertar ya que consideran que este agente ha tomado las mejores decisiones a lo largo de la
simulación y que los puede llevar a un mejor desempeño.
Llegada
nuevo
proyecto
Evaluar
decisión
Análisis de
desempeño de la
decisión tomada
1. Evaluar proyecto 2. Tomar decisión 3. Coordinación
Se adopta la decisión del
agente con mayor experticia
y porcentaje de acertar
Figura 5. Coordinación entre agentes
3.6 Desempeño
El desempeño se mide de acuerdo a las decisiones tomadas por los individuos, en este caso,
hablaremos de errores tipo 1 y tipo 2.
𝐷𝑒𝑠𝑒𝑚𝑝𝑒ñ𝑜 = ∑ 𝛽(𝑡)0
𝑇
𝑡=1
− ∑ 𝛽(𝑡)1
𝑇
𝑡=1
+ ∑ 𝛽(𝑡)2
𝑇
𝑡=1
[5]
𝑇 = 𝑁ú𝑚𝑒𝑟𝑜 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑖𝑡𝑒𝑟𝑎𝑐𝑖𝑜𝑛𝑒𝑠 𝑡 ∈ 𝑇
𝛽0, ó𝑝𝑡𝑖𝑚𝑜 𝑡𝑒ó𝑟𝑖𝑐𝑜 𝑑𝑒𝑙 𝑑𝑒𝑠𝑒𝑚𝑝𝑒ñ𝑜 𝑑𝑒 𝑙𝑎 𝑜𝑟𝑔𝑎𝑛𝑖𝑧𝑎𝑐𝑖ó𝑛
𝛽𝑡1, 𝑐𝑎𝑙𝑖𝑑𝑎𝑑 𝑑𝑒𝑙 𝑝𝑟𝑜𝑦𝑒𝑐𝑡𝑜 𝑞𝑢𝑒 𝑠𝑖𝑒𝑛𝑑𝑜 𝑏𝑢𝑒𝑛𝑜 𝑓𝑢𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑎𝑑𝑜 𝑒𝑛 𝑙𝑎 𝑖𝑡𝑒𝑟𝑎𝑐𝑖𝑜𝑛 𝑡 (𝑜𝑚𝑖𝑠𝑖ó𝑛)
𝛽𝑡2, 𝑐𝑎𝑙𝑖𝑑𝑎𝑑 𝑑𝑒𝑙 𝑝𝑟𝑜𝑦𝑒𝑐𝑡𝑜 𝑞𝑢𝑒 𝑠𝑖𝑒𝑛𝑑𝑜 𝑚𝑎𝑙𝑜 𝑓𝑢𝑒 𝑎𝑝𝑟𝑜𝑏𝑎𝑑𝑜 𝑒𝑛 𝑙𝑎 𝑖𝑡𝑒𝑟𝑎𝑐𝑖ó𝑛 𝑡 (𝑐𝑜𝑚𝑖𝑠𝑖ó𝑛)
4. MODELO DE SIMULACIÓN BASADO EN AGENTES
El objetivo del modelo es estudiar cómo el desempeño organizacional depende de su estructura, la
experticia de sus miembros, la coordinación y la interdependencia entre los agentes. El modelo se
describe en el apéndice A siguiendo el protocolo ODD (Overview, Design concepts, Details) el
cual fue creado para estandarizar las descripciones de modelos basados en agentes, para ayudar a
promover su formulación rigurosa y así, facilitar las revisiones y las comparaciones entre modelos
Grimm et al. (2006)
4.1 Número de repeticiones y corridas
12
Se determina el número de repeticiones y de corridas que debe tener el modelo con el fin de no
desperdiciar recursos computacionales en la búsqueda de un relativo incremento marginal en la
precisión de la estadística de los datos; primero se deben aclarar lo siguientes términos:
Una “corrida”, es la ejecución del modelo computacional para un vector fijo de parámetros de
entrada y es la unidad básica de análisis de un experimento. Una “repetición” de una corrida es
simplemente la ejecución de la misma corrida; una “iteración” de una repetición equivale a la
ejecución del principal procedimiento del modelo excluyendo el “Setup” del procedimiento. Por lo
cual se puede definir la “longitud” de una corrida como el número de iteraciones (Ticks) (Laver &
Sergenti, 2011).
La ejecución de un experimento normalmente no empieza en estado estable, por eso, debemos de
calcular la media “𝜇” de las variables evaluadas en un estado estable para tener una estimación de
“𝜇” significativa. En este proyecto se hace uso de las sugerencias de los autores Laver y Sergenti
(2011), donde explican los métodos adecuados para la estimación de la media primero que todo, se
ejecutan muchas repeticiones hasta que alcancen el estado estable, se recogen los valores finales
para cada una de las variables evaluadas para la repetición de la corrida en particular y finalmente
se calcula un promedio general para todos los valores recolectados como una estimación de 𝜇 para
cada variable de interés de la ejecución.
¿Cómo sabemos cuándo un proceso entra en estado estable?, Laver y Sergenti (2011) explican que
la forma más adecuada de la determinación del estado estable es:
1. Identificar visualmente aquellas combinaciones de parámetros donde se requiere más
tiempo para alcanzar el estado estable
2. Para los escenarios determinados anteriormente, se ejecuta el modelo N repeticiones y se
descartan la N/2 iniciales para estimar 𝜇,
3. Una vez 𝜇 es estimado, usamos el criterio para especificar el estado estable cuando las
variables de estado se encuentran a menos de una desviación estándar del valor de 𝜇
4. Después de examinar todos los escenarios determinados, tomamos el valor máximo de
estado estable como el número de iteraciones para todas las corridas o ejecuciones de los
experimentos.
Para el procedimiento anteriormente mencionado, se pudo encontrar el número de iteraciones que es
igual a: 410.
En esta investigación se recolectan suficientes observaciones para generar una muestra
representativa e incrementar la precisión a un nivel tan alto como se pueda conseguir, claro está
dentro de las limitaciones del presupuesto computacional. Para encontrar el número correcto de
corridas, diferentes autores (Lee, Filatova, Ligmann-Zielinska, Hassani-Mahmooei, Stonedahl,
Lorscheid, Voinov Polhill, Sun & Parker (2015), Radax & Rengs (2010), Laver & Sergenti (2011)
han hecho uso de una prueba t (t-test) de diferencia de medias de dos muestras (two-sample), la cual
consiste en la probabilidad de rechazar la hipótesis nula de de la prueba t, cuando la hipótesis
alternativa es verdadera; esto es conocido como el “Poder” de la prueba.
𝑛𝑚𝑖𝑛 > 2𝜎2
𝛿2⁄ (𝑡𝑣;1−𝛼 + 𝑡𝑣;1−𝛽 )2 [6]
Donde el mínimo tamaño de las corridas es 𝑛𝑚𝑖𝑛 y en nuestro caso tiene un valor igual a 1000. Este
valor se obtuvo utilizando el paquete estadístico R; el procedimiento tanto para la obtención del
número de repeticiones y el número de corridas se puede ver con claridad en el apéndice B.
13
4.2 Diseño de experimentos e iteraciones del modelo
Para el diseño de los experimentos que permiten conocer cómo los cambios en los resultados del
modelo son asociados a los cambios en las entradas de los parámetros del mismo, se hace uso de la
metodología llamada “Grid-Sweeping” por los autores Laver y Sergenti (2011) este tipo de
procedimiento permite en los experimentos variar uno o más parámetros de entrada, manteniendo
todos los demás constantes, con el objetivo de investigar el efecto de esos parámetros en los
resultados de interés. Laver y Sergenti argumentan que este tipo de metodología es de gran utilidad
cuando hay pocos parámetros en el modelo y cuando estos parámetros contienen valores que surgen
naturalmente. La tabla 2 nos muestra los experimentos realizados, cuál es su objetivo y qué tipo de
variables se mantienen constantes y cuáles no.
En los experimentos realizados con Grid-Sweeping se pretende analizar cuál es el tamaño mínimo
que debe tener un grupo de agentes y cuál es el porcentaje adecuado de exploradores para que se
pueda llegar a un mejor desempeño organizacional. Así mismo se examina el impacto que tienen las
estructuras organizacionales (poliarquía y jerarquía) en dicho tamaño mínimo. También se investiga
la omisión y comisión de errores para las estructuras en el desempeño organizacional.
Experimento Objetivo Parámetros
Poliarquía -
Votación
Analizar el desempeño y los errores de omisión y
comisión de la organización con estructura
poliarquía teniendo en cuenta como decisión
grupal votación.
Cambia la cantidad de agentes
(10, 5, 30) 1y se evalúan con
diferente porcentaje de
exploración 0%, 25%, 50%,
75% y 100%.
Poliarquía -
Promedio
Analizar el desempeño y los errores de omisión y
comisión de la organización con estructura
poliarquía teniendo en cuenta como decisión
grupal promedio.
Cambia la cantidad de agentes
(10, 5, 30) y se evalúan con
diferente porcentaje de
exploración 0%, 25%, 50%,
75% y 100%.
Jerarquía -
Votación
Analizar el desempeño y los errores de omisión y
comisión de la organización con estructura
jerarquía teniendo en cuenta como decisión grupal
votación.
Cambia la cantidad de agentes
(10, 5, 30) y se evalúan con
diferente porcentaje de
exploración 0%, 25%, 50%,
75% y 100%.
Jerarquía -
Promedio
Analizar el desempeño y los errores de omisión y
comisión de la organización con estructura
jerarquía teniendo en cuenta como decisión grupal
promedio.
Cambia la cantidad de agentes
(10, 5, 30) y se evalúan con
diferente porcentaje de
exploración 0%, 25%, 50%,
75% y 100%.
Tabla 2. Diseño de experimentos
Al menos un parámetro de entrada “x” debe variar para especificar un experimento y esta variación
es lograda por la observación de los resultados de múltiples corridas del modelo que tiene la
variación del valor de x (Laver y Sergenti, 2011).
5. ANÁLISIS Y DISCUSIÓN DE RESULTADOS
Para el análisis y discusión de los resultados se hace uso de gráficas con el fin de mostrar los
principales resultados del análisis de una forma intuitiva y precisa. Cada una de las gráficas muestra
el desempeño el cual varía en función del tamaño del grupo y el porcentaje de agentes exploradores.
1 En el experimento, se inicia con 10 agentes y se realizan aumentos de 5 unidades hasta llegar a los 30 agentes.
14
Con el objetivo de explorar el modelo y presentar resultados que permitan generar discusión y
análisis se analizaron una gama de experimentos seleccionados cuidadosamente los cuales fueron
introducidos en el apartado anterior; el enfoque es en aquellos experimentos que aseguren que los
resultados capturan el comportamiento representativo del modelo. En resumen, analizando el
modelo bajo estos experimentos es suficiente para permitir al lector extrapolar los resultados a otros
escenarios plausibles.
a. experimento 1: Poliarquía - Votación
En el caso que necesitamos analizar la influencia de una variable categórica nominal, conocida
como factor sobre una variable métrica podemos recurrir al análisis de varianza, también conocido
como ANOVA. Primero, Se obtienen una tabla con la estadística descriptiva de los niveles de las
variables.
Tabla 3. Estadísticas descriptivas desempeño por cantidad de agentes
Segundo, se hace uso del procedimiento ANOVA para determinar si el desempeño varía
dependiendo la cantidad de agentes que están tomando las decisiones. Se obtiene una tabla con los
resultados del análisis de la varianza ANOVA y el índice clave que se debe examinar es la prueba
“F” (F-test). Para ser significativo, el índice F debe tener un valor estadístico menor que 0.05.
Tabla 4. Procedimiento ANOVA desempeño por cantidad de agentes
Según los resultados obtenidos en la tabla ANOVA, se puede observar que 𝑃𝑟𝑜𝑏 > 𝐹 = 0.0409 lo
cual significa que existen diferencias estadísticamente significativas entre las medias del factor
Cantidad_Agentes por lo tanto, la cantidad de agentes en la toma de decisiones sí influye en el
desempeño de la organización.
Ahora miramos si el desempeño varía dependiendo el porcentaje de agentes exploradores en la toma
de decisiones; primero se obtienen las estadísticas descriptivas de los niveles de las variables.
15
Tabla 5. Estadísticas descriptivas desempeño por porcentaje exploradores
Segundo, usamos ANOVA para determinar si el desempeño varía dependiendo el porcentaje de
agentes exploradores que están tomando las decisiones. El índice de la prueba “F” (F-test) es:
𝑃𝑟𝑜𝑏 > 𝐹 = 0.1264 este índice tiene un valor estadístico por encima de 0.05 lo cual significa que
no hay diferencias estadísticamente significativas entre las medias del factor
Porcentaje_Exploradores por lo tanto, la cantidad de agentes exploradores en la toma de decisiones
no influye en el desempeño de la organización.
Tabla 6. Procedimiento ANOVA desempeño por porcentaje de agentes exploradores
Como podemos ver en la tabla 5 las medias tienden a ser iguales en cuanto al desempeño por tal
motivo el análisis ANOVA rechaza la significancia del porcentaje de agentes exploradores en el
desempeño de la organización, pero esto no quiere decir que no haya un mejor desempeño sino que,
entre los resultados sus medias son muy parecidas. El gráfico 1 nos muestra el comportamiento del
desempeño en diferentes niveles de cantidad y tipos de agentes.
Gráfico 1. Histograma del desempeño organizacional Poliarquía-Votación
904
905
906
907
908
909
910
911
912
913
me
an
of D
esem
pe
ño
0 25 50 75 100
10 15 20 25 30 10 15 20 25 30 10 15 20 25 30 10 15 20 25 30 10 15 20 25 30
Porcentaje de exploradores vs. Cantidad de agentes
16
El gráfico anterior nos muestra que el mejor comportamiento se obtuvo cuando se tiene un
porcentaje del 75% de agentes exploradores y una cantidad de agentes total igual a 15.
Refiriéndonos a las tablas 3 y 5 donde se encuentran las estadísticas descriptivas, podemos ver que
el mayor dato alcanzado dentro de alguna de las corridas del experimento fue 1151 cuando se tienen
20 agentes con un 25% de agentes exploradores.
Gráfico 2. Mapa concentraciones del desempeño organizacional Poliarquía-Votación
El gráfico 2 nos muestra las mayores concentraciones de los resultados obtenidos en cuanto al
desempeño de la organización por sus decisiones tomadas. Podemos ver una pequeña concentración
de los datos con desempeño superior a 1000 que se caracterizan por el color amarillo cuando se
tiene un porcentaje de agentes exploradores del 50% y una cantidad de agentes mayor o igual a 20.
El desempeño que tiene mayor concentración en el experimento equivale a aquellos valores que se
encuentran entre 900 y 1000 unidades y se encuentran en aquellas corridas donde se tiene un
porcentaje de agentes exploradores desde 0% hasta 100% y una cantidad de agentes menor al 25%.
En cuanto a la omisión de errores teniendo en cuenta la cantidad de agentes, a menor número de
agentes mayor va a ser la cantidad de errores de omisión que se comenten siendo el mayor de estos
16 cuando se tiene un total de 10 agentes.
Tabla 7. Cantidad de errores de omisión por cantidad de agentes
Cuando se tiene en cuenta el porcentaje de agentes exploradores y los errores de omisión podemos
ver que se cometieron más de estos errores cuando se tiene un porcentaje del 75% con un máximo
de 16 veces cometido este error y el menor número de veces que se cometió este error es cuando se
tiene un 100% de agentes exploradores.
17
Tabla 8. Cantidad de errores de omisión por porcentaje de agentes exploradores
En cuanto a los errores de comisión teniendo en cuenta la cantidad de agentes, se cometieron en
mayor cantidad los errores de este tipo cuando se tiene un número de agentes total a 15 y la menor
cantidad de veces que se cometió este tipo de error es cuando se tiene una cantidad de agentes igual
a 20 y 30.
Tabla 9. Cantidad de errores de comisión por cantidad de agentes
Para la relación en cuanto al porcentaje de agentes exploradores y la cantidad de errores de
comisión, vemos que se cometieron en mayor proporción este tipo de error cuando se tiene un
porcentaje de agentes exploradores igual a 100% con un máximo de 10 veces cometido este tipo de
error y el menor número de veces cometido el error de comisión es cuando se tiene un porcentaje de
agentes exploradores igual a 50.
Tabla 10. Cantidad de errores de comisión por porcentaje de agentes exploradores
La gráfica 3 nos muestra la tendencia de los errores de omisión y comisión a disminuir a medida
que se aumenta la participación porcentual de los agentes exploradores y cuando aumenta el número
de agentes tomadores de decisiones.
18
Gráfica 3. Histograma de errores de omisión y comisión
La gráfica 4 nos muestra las mayores concentraciones de los resultados en cuanto a errores de
omisión que afectan el desempeño de la organización. Podemos ver que la mayoría de los datos
arrojados por la simulación son datos que no superan las dos veces cometido este tipo de error ya
que la mayoría del área es de color azul y solo una pequeña parte tiene otra tonalidad cuando se
tiene una cantidad de agentes menor a 20 y un porcentaje de exploradores menor a 20. Aunque las
estadísticas descriptivas nos arrojan datos que están por encima de las 16 veces cometida este tipo
de error, no se puede ver en la gráfica ya que se cometieron una cantidad de veces muy mínima.
Gráfica 4. Mapa de concentraciones de errores de omisión Poliarquía-Votación
De igual forma podemos ver en la gráfica 5 las concentraciones de los datos para los errores de
comisión donde se distingue un aumento en este tipo de error cuando se tiene un porcentaje de 100
agentes exploradores y una cantidad de agentes menor a 15.
0.5
11
.52
0 25 50 75 100
10 15 20 25 30 10 15 20 25 30 10 15 20 25 30 10 15 20 25 30 10 15 20 25 30
mean of Omisión mean of Comisión
19
Gráfica 5. Mapa de concentraciones de errores de comisión Poliarquía-Votación
b. experimento 2: Poliarquía - Promedio
Para el experimento 2 se hacen las estadísticas descriptivas del modelo teniendo en cuenta el
desempeño y la cantidad de agentes. La tabla 11 nos muestra que hay una diferencia entre las
medias en los diferentes niveles de la variable categórica, sin embargo, se recurre a un análisis de
varianza ANOVA.
Tabla 11. Estadísticas descriptivas desempeño por cantidad de agentes
El procedimiento ANOVA nos confirma que si hay una diferencia entre las medias de los
desempeños a diferentes niveles de agentes, arrojándonos un 𝑃𝑟𝑜𝑏 > 𝐹 = 0.000 por lo tanto para
el experimento 2 la cantidad de agentes en la toma de decisiones sí influye en el desempeño de la
organización.
20
Tabla 12. Procedimiento ANOVA desempeño por cantidad de agentes
Ahora, teniendo en cuenta si el desempeño varía dependiendo el porcentaje de agentes
exploradores, se realizan las estadísticas descriptivas donde nos muestra que en los diferentes
niveles, la media de los datos tiende a ser la misma y el análisis ANOVA nos confirma con un
𝑃𝑟𝑜𝑏 > 𝐹 = 0.596 que no hay diferencias estadísticamente significativas entre las medias del
factor Porcentaje _Exploradores por lo cual, el porcentaje de agentes exploradores no influye en el
desempeño; esto no quiere decir que no hay un mejor desempeño sino que entre sus resultados las
medias son muy parecidas.
Tabla 13. Estadísticas descriptivas desempeño por porcentaje exploradores
Tabla 14. Procedimiento ANOVA desempeño por porcentaje de agentes exploradores
895
898
901
904
907
910
913
916
me
an
of D
esem
pe
ño
0 25 50 75 100
10 15 20 25 30 10 15 20 25 30 10 15 20 25 30 10 15 20 25 30 10 15 20 25 30
Cantidad de exploradores vs. Cantidad de agentes
21
Gráfico 6. Histograma del desempeño organizacional Poliarquía-Promedio
El gráfico 6 nos muestra que el mejor comportamiento se obtuvo cuando se tiene un porcentaje del
25% de agentes exploradores con una cantidad de 30 agentes. El gráfico 7 nos muestra las mayores
concentraciones de los resultados obtenidos en cuanto al desempeño de la organización, podemos
ver una gran concentración de los datos con desempeño entre 876 y 947 que son de color verde en
la mayoría de la región. También se puede ver un alto desempeño cuando se tiene un porcentaje de
0% agentes exploradores y una cantidad total de 10 agentes y cuando se tiene una cantidad de
agentes igual a 30 y un porcentaje de exploradores menor a 30. Observando las estadísticas
descriptivas del desempeño (tabla 11 y 13) podemos ver que el máximo desempeño alcanzado es
1158 cuando se tienen 15 y 20 agentes con 0% y 100% de agentes exploradores respectivamente.
Gráfico 7. Mapa concentraciones del desempeño organizacional Poliarquía-Promedio
En cuanto a la omisión de errores teniendo en cuenta la cantidad de agentes que toman las
decisiones, a menor número de agentes mayor va a ser la cantidad de errores de omisión que se
comenten siendo el mayor número de veces cometido 12 cuando se tiene un total de 10 agentes.
Tabla 15. Cantidad de errores de omisión por cantidad de agentes
Cuando se tiene en cuenta el porcentaje de agentes exploradores y los errores de omisión podemos
ver que se cometieron más de estos errores cuando se tiene un porcentaje del 0% con un máximo de
12 veces y el menor número de veces que se cometió este error es cuando se tiene un 100%, 75 y
50% de agentes exploradores con un valor de 9 como valor máximo.
22
Tabla 16. Cantidad de errores de omisión por porcentaje de agentes exploradores
En cuanto a los errores de comisión teniendo en cuenta la cantidad de agentes, se cometieron en
mayor cantidad los errores de este tipo cuando se tiene un número de agentes total a 10 y la menor
cantidad de veces que se cometió este tipo de error es cuando se tiene una cantidad de agentes igual
a 30.
Tabla 17. Cantidad de errores de comisión por cantidad de agentes
Para la relación en cuanto al porcentaje de agentes exploradores y la cantidad de errores de
comisión, vemos que se cometieron en mayor proporción este tipo de error cuando se tiene un
porcentaje de agentes exploradores igual a 0% con un máximo de 14 veces cometido este tipo de
error, y el menor número de veces cometido el error de comisión es cuando se tiene un porcentaje
de agentes exploradores igual a 25%, 50% y 100% con un máximo de 10 veces cometido este error.
Tabla 18. Cantidad de errores de comisión por porcentaje de agentes exploradores
La gráfica 8 nos muestra la tendencia de los errores de omisión y comisión a disminuir a medida
que se aumenta la participación porcentual de los agentes exploradores y cuando aumenta el número
de agentes tomadores de decisiones.
23
Gráfica 8. Histograma de errores de omisión y comisión
La gráfica 9 nos muestra las mayores concentraciones de los resultados en cuanto a errores de
omisión que afectan el desempeño de la organización. Podemos ver que la mayoría de los datos
arrojados por la simulación son datos que no superan cuatro veces cometido este tipo de error ya
que la mayoría del área es de color azul rey y azul aguamarina. Solo una pequeña parte tiene otra
tonalidad cuando se tiene una cantidad de agentes igual a 10 y un porcentaje de exploradores mayo
a 20. Aunque las estadísticas descriptivas nos arrojan datos que están por encima de las 10 veces
cometida este tipo de error, no se puede ver en la gráfica ya que se cometieron una cantidad de
veces muy mínima.
Gráfica 9. Mapa de concentraciones de errores de omisión Poliarquía-Promedio
De igual forma podemos ver en la gráfica 10 las concentraciones de los datos para los errores de
comisión donde se distingue un aumento en este tipo de error cuando se tiene un porcentaje de 100
agentes exploradores y una cantidad de agentes igual a 10. La mayor parte del área corresponde a
datos que no pasan las dos veces cometido este tipo de error es decir, en la mayoría de las
simulaciones solo dos veces se aprobaron proyectos que no tenían una buena calidad.
0.5
11
.52
2.5
3
0 25 50 75 100
10 15 20 25 30 10 15 20 25 30 10 15 20 25 30 10 15 20 25 30 10 15 20 25 30
mean of Omisión mean of Comisión
24
Gráfica 10. Mapa de concentraciones de errores de comisión Poliarquía-Promedio
c. experimento 3: Jerarquía- Votación
Para el experimento 3 se hacen las estadísticas descriptivas del modelo teniendo en cuenta el
desempeño y la cantidad de agentes. La tabla 19 nos muestra que hay una diferencia entre las
medias en los diferentes niveles de la variable categórica sin embargo, se recurre a un análisis de
varianza ANOVA.
Tabla 19. Estadísticas descriptivas desempeño por cantidad de agentes
El procedimiento ANOVA nos confirma que si hay una diferencia entre las medias de los
desempeños a diferentes niveles de agentes, arrojándonos un 𝑃𝑟𝑜𝑏 > 𝐹 = 0.000 por lo tanto para
el experimento 3 la cantidad de agentes en la toma de decisiones sí influye en el desempeño de la
organización.
Tabla 20. Procedimiento ANOVA desempeño por cantidad de agentes
25
Ahora, teniendo en cuenta si el desempeño varía dependiendo el porcentaje de agentes
exploradores, se realizan las estadísticas descriptivas donde nos muestra que en los diferentes
niveles la media de los datos cambia y el análisis ANOVA nos confirma con un 𝑃𝑟𝑜𝑏 > 𝐹 = 0.00
que la cantidad de agentes exploradores sí influye en el desempeño.
Tabla 21. Estadísticas descriptivas desempeño por porcentaje exploradores
Tabla 22. Procedimiento ANOVA desempeño por porcentaje de agentes exploradores
En este experimento en particular podemos ver como el menor desempeño de todos es igual a -934
y corresponde al escenario donde hay 20 agentes con un porcentaje de agentes exploradores igual a
50% es decir, en alguna de las corridas del experimento se alcanzó este valor como el desempeño en
la organización.
26
Gráfico 11. Histograma del desempeño organizacional Jerarquía-Votación
El gráfico 11 nos muestra que el mejor comportamiento se obtuvo cuando se tiene un porcentaje del
50% de agentes exploradores con una cantidad de 30 agentes y en todos los casos de porcentajes de
agentes exploradores, el menor desempeño se obtuvo cuando se tiene una cantidad de 10 agentes. El
gráfico 12 nos muestra las mayores concentraciones de los resultados obtenidos en cuanto al
desempeño de la organización, podemos ver una gran concentración de los datos con desempeño
superior a 933 que son de color rojo sin algún patrón de comportamiento. También se puede ver un
bajo desempeño cuando se tiene un porcentaje de 100% agentes exploradores y una cantidad total
de 10 agentes tomadores de decisiones; el resto del área nos muestra un comportamiento similar con
un desempeño mayor o igual a 726 para el resto de combinaciones entre cantidad de agentes y
porcentaje de agentes exploradores. Observando las estadísticas descriptivas del desempeño (tabla
19 y 21) podemos ver que el máximo desempeño alcanzado es 1141 cuando se tienen 15 agentes
con 100% de agentes exploradores.
Gráfico 12. Mapa concentraciones del desempeño organizacional Jerarquía-Votación
820
830
840
850
860
870
880
890
900
910
me
an
of D
esem
pe
ño
0 25 50 75 100
10 15 20 25 30 10 15 20 25 30 10 15 20 25 30 10 15 20 25 30 10 15 20 25 30
Porcentaje de exploradores vs Cantidad de agentes
27
En cuanto a la omisión de errores teniendo en cuenta la cantidad de agentes que toman las
decisiones, no se puede ver una tendencia de los datos a menor o a mayor número de agentes como
en el caso del experimento 1 y 2. El mayor de los casos es igual a 184 cuando se tiene un total de 20
agentes.
Tabla 23. Cantidad de errores de omisión por cantidad de agentes
Cuando se tiene en cuenta el porcentaje de agentes exploradores y los errores de omisión podemos
ver que se cometieron más de estos errores cuando se tiene un porcentaje del 50% con un máximo
de 184 veces cometido este error y el menor número de veces que se cometió este error es cuando
se tiene un 100% de agentes exploradores con un valor de 27 como valor máximo.
Tabla 24. Cantidad de errores de omisión por porcentaje de agentes exploradores
En cuanto a los errores de comisión teniendo en cuenta la cantidad de agentes tomadores de
decisiones, se cometieron en mayor cantidad los errores de este tipo cuando se tiene un número de
agentes total a 15 y la menor cantidad de veces que se cometió este tipo de error es cuando se tiene
una cantidad de agentes igual a 25.
Tabla 25. Cantidad de errores de comisión por cantidad de agentes
28
Para la relación en cuanto al porcentaje de agentes exploradores y la cantidad de errores de
comisión, vemos que se cometió en mayor proporción este tipo de error cuando se tiene un
porcentaje de agentes exploradores igual a 25% con un máximo de 25 veces cometido este tipo de
error, y el menor número de veces cometido el error de comisión es cuando se tiene un porcentaje
de agentes exploradores igual a 75% con un máximo de 10 veces cometido este error.
Tabla 26. Cantidad de errores de comisión por porcentaje de agentes exploradores
La gráfica 13 nos muestra la tendencia de los errores de omisión y comisión a disminuir cuando se
tiene un porcentaje mayor al 50% de agentes exploradores en cambio, cuando se tiene un porcentaje
del 0% y 25% de agentes exploradores se puede ver una tendencia a aumentar los errores de
comisión a medida que se aumenta la cantidad de agentes.
Gráfica 13. Histograma de errores de omisión y comisión
En este caso se tuvo que cambiar la escala de medición de los datos ya que al tener un valor para
una de las simulaciones de 184, altera la configuración de la gráfica 14. En esta gráfica podemos
ver como la mayor parte de los datos se encuentra en 6 veces cometido el error de omisión.
01
23
45
0 25 50 75 100
10 15 20 25 30 10 15 20 25 30 10 15 20 25 30 10 15 20 25 30 10 15 20 25 30
mean of Omisión mean of Comisión
29
Gráfica 14. Mapa de concentraciones de errores de omisión Jerarquía-Votación
De igual forma podemos ver en la gráfica 15 las concentraciones de los datos para los errores de
comisión donde se distingue un aumento en este tipo de error cuando se tiene un porcentaje de 0%
agentes exploradores y una cantidad de agentes igual a 25. La mayor parte del área corresponde a
datos que no pasan las dos veces cometido este tipo de error es decir, en la mayoría de las
simulaciones solo dos veces se aprobaron proyectos que no tenían una buena calidad.
Gráfica 15. Mapa de concentraciones de errores de comisión Jerarquía-Votación
d. experimento 4: Jerarquía - Promedio
Para el experimento 4 se hacen las estadísticas descriptivas del modelo teniendo en cuenta el
desempeño y la cantidad de agentes tomadores de decisiones. La tabla 27 nos muestra que hay una
diferencia entre las medias en los diferentes niveles de la variable categórica sin embargo, se recurre
a un análisis de varianza ANOVA.
30
Tabla 27. Estadísticas descriptivas desempeño por cantidad de agentes
El procedimiento ANOVA nos confirma que si hay una diferencia entre las medias de los
desempeños a diferentes niveles de agentes, arrojándonos un 𝑃𝑟𝑜𝑏 > 𝐹 = 0.000 por lo tanto para
el experimento 4 la cantidad de agentes en la toma de decisiones sí influye en el desempeño de la
organización.
Tabla 28. Procedimiento ANOVA desempeño por cantidad de agentes
Ahora, teniendo en cuenta si el desempeño varía dependiendo el porcentaje de agentes
exploradores, se realizan las estadísticas descriptivas donde nos muestra que hay diferencia
estadísticamente significativas entre las medias en los diferentes niveles y el análisis ANOVA nos
arroja un 𝑃𝑟𝑜𝑏 > 𝐹 = 0.508 lo cual significa que el porcentaje de agentes exploradores no influye
en el desempeño.
Tabla 29. Estadísticas descriptivas desempeño por porcentaje exploradores
Sin embargo, no quiere decir que todos los desempeños sean los mismos, podemos ver que el mejor
desempeño se encuentra cuando se tiene un 50% de agentes exploradores con una media igual a
874.1236 y un valor máximo de desempeño entre sus corridas igual a 1189.
31
Tabla 30. Procedimiento ANOVA desempeño por porcentaje de agentes exploradores
Gráfico 16. Histograma del desempeño organizacional Jerarquía-Promedio
El gráfico 16 nos muestra que el mejor comportamiento se obtuvo cuando se tiene un porcentaje del
25% de agentes exploradores con una cantidad de 20 agentes. El gráfico 17 nos muestra las
mayores concentraciones de los resultados obtenidos en cuanto al desempeño de la organización,
podemos ver una gran concentración de los datos con desempeño superior a 1000 que son de color
rojo cuando se tiene un porcentaje del 25% de agentes exploradores y una cantidad de agentes igual
a 20. También se puede ver un bajo desempeño cuando se tiene un porcentaje del 25% agentes
exploradores y una cantidad total de 10 agentes tomadores de decisiones; el resto del área nos
muestra un comportamiento similar con un desempeño mayor o igual a 800 para el resto de
combinaciones entre cantidad de agentes y porcentaje de agentes exploradores.
800
820
840
860
880
900
me
an
of D
esem
pe
ño
0 25 50 75 100
10 15 20 25 30 10 15 20 25 30 10 15 20 25 30 10 15 20 25 30 10 15 20 25 30
Porcentaje exploradores vs Cantidad de agentes
32
Gráfico 17. Mapa concentraciones del desempeño organizacional Jerarquía-Promedio
En cuanto a la omisión de errores teniendo en cuenta la cantidad de agentes, no se puede ver una
tendencia de los datos a menor o a mayor número de agentes sin embargo, el mayor de los casos es
igual a 42 cuando se tiene un total de 15 agentes.
Tabla 31. Cantidad de errores de omisión por cantidad de agentes
Cuando se tiene en cuenta el porcentaje de agentes exploradores, y los errores de omisión podemos
ver que se cometieron más de estos errores cuando se tiene un porcentaje del 50% con un máximo
de 42 veces cometido este error y el menor número de veces que se cometió este error es cuando se
tiene un 75% de agentes exploradores con un valor de 17 como valor máximo.
Tabla 32. Cantidad de errores de omisión por porcentaje de agentes exploradores
En cuanto a los errores de comisión teniendo en cuenta la cantidad de agentes tomadores de
decisiones, se cometieron en mayor cantidad los errores de este tipo cuando se tiene un número de
agentes total a 10 y la menor cantidad de veces que se cometió este tipo de error es cuando se tiene
33
una cantidad de agentes igual a 30. Podemos ver también una tendencia a disminuir este tipo de
error a medida que aumentan el número de agentes.
Tabla 33. Cantidad de errores de comisión por cantidad de agentes
Para la relación en cuanto al porcentaje de agentes exploradores y la cantidad de errores de
comisión, vemos que se cometió en mayor proporción este tipo de error cuando se tiene un
porcentaje de agentes exploradores igual a 0% con un máximo de 31 veces cometido este tipo de
error y el menor número de veces cometido el error de comisión es cuando se tiene un porcentaje de
agentes exploradores igual a 25% con un máximo de 17 veces cometida este error.
Tabla 34. Cantidad de errores de comisión por porcentaje de agentes exploradores
La gráfica 18 no nos muestra tendencia alguna de los errores de omisión y comisión a disminuir o
al aumentar la participación porcentual de los agentes exploradores o aumentando el número de
agentes tomadores de decisiones.
34
Gráfica 18. Histograma de errores de omisión y comisión
La gráfica 19 nos muestra las mayores concentraciones de los resultados en cuanto a errores de
omisión que afectan el desempeño de la organización. Podemos ver que dos grandes
concentraciones de datos aquellos que no superan las cuatro veces cometido este error (azul oscuro)
y aquellos que no superan más de ocho veces (azul claro) y está proporción es la que tiene mayor
concentración de datos debido a que a lo largo de la simulación fue esta cantidad de veces que los
agentes no aprobaron proyectos que realmente eran buenos.
Gráfica 19. Mapa de concentraciones de errores de omisión Jerarquía-Promedio
De igual forma podemos ver en la gráfica 20 las concentraciones de los datos para los errores de
comisión donde se distingue un aumento en este tipo de error cuando se tiene un porcentaje de 30
agentes exploradores y una cantidad de agentes igual a 25. La mayor parte del área corresponde a
datos que no pasan las seis veces cometido este tipo de error es decir, en la mayoría de las
simulaciones solo seis veces se aprobaron proyectos que no tenían una buena calidad.
4.2
4.4
4.6
4.8
5
0 25 50 75 100
10 15 20 25 30 10 15 20 25 30 10 15 20 25 30 10 15 20 25 30 10 15 20 25 30
mean of Omisión mean of Comisión
35
Gráfica 20. Mapa de concentraciones de errores de comisión Jerarquía-Promedio
6. CONCLUSIONES
Este estudio constituye un paso inicial hacia el entendimiento de la relación entre la estructura
organizacional, los mecanismos de toma de decisiones, los tipos de agentes, la relación entre la
coordinación y la interdependencia y el desempeño organizacional. Algunas de las preguntas que se
han abordado en esta investigación: ¿Cuál es el desempeño de las estructuras organizacionales
cuando los agentes que las componen tienen diferentes niveles de experticia?; ¿Cuál es la estructura
organizacional que se desempeña mejor a diferentes porcentajes de exploración y explotación?
Cada estructura mostro un comportamiento distinto cuando era sometida a diferentes niveles
porcentuales de agentes exploradores y explotadores.
Para el primer experimento poliarquía y votación, se pudo ver que tanto la cantidad de agentes
como el porcentaje de exploradores si afecta el desempeño de la organización aunque, el análisis
ANOVA para el factor de porcentaje de agentes exploradores haya rechazado esta opción debido a
que la diferencia entre las medias de los niveles del factor es muy pequeña. El mejor desempeño
1151 se obtuvo cuando se tiene 20 agentes y el 25% de ellos son exploradores. Se puede concluir
examinando las estadísticas descriptivas del experimento que a mayor número de agentes y a mayor
porcentaje de especialistas, mayor va a ser el desempeño; esto puede que no ocurra en todos los
casos pero en la mayoría de las corridas si se puede dar este comportamiento. En cuanto a los
errores de omisión y comisión si se ve claramente en la gráfica 3 que a medida que aumenta tanto el
porcentaje de exploradores como la cantidad de agentes, ambos tipos de errores tienen una
tendencia a disminuir siendo el mayor número de veces cometido el error de omisión 16 veces y en
cuanto a la comisión 10 veces es decir, se rechazan muchos experimentos que tienen una calidad
por encima de cero en las corridas del experimento.
En el segundo experimento poliarquía y promedio, de nuevo el análisis rechaza la opción de que el
porcentaje de exploradores afecte el desempeño de las organizaciones ya que hay una estrecha
diferencia entre las medias de los desempeños a diferentes porcentajes de exploradores, esta misma
situación ocurre en el experimento 1 pero no se da por descartada la la afectación en el desempeño
por parte del porcentaje de agentes exploradores. El mejor desempeño en este experimento se
puede ver con una cantidad de 15 y 20 agentes y estos valores se logran cuando hay un 0% o 100%
de agentes exploradores y corresponde a 1158, entre los valores más extremos del porcentaje de
agentes exploradores se llega al mismo desempeño por lo cual no importan si hay o no agentes
exploradores; pero, no podemos llegar a esta conclusión ya que estos datos corresponden a corridas
puntuales del experimento donde se lograron estos valores máximos, por lo contrario, debemos
36
fijarnos en el comportamiento total de los datos como se muestra en la figura 6 donde se ve que el
mejor desempeño a lo largo del experimento se obtuvo cuando se tienen 30 agentes y el 25% de
ellos son exploradores. En este experimento los errores de omisión y comisión tienen una media
mucho mayor que en el experimento 1 es decir, se comete en mayor cantidad de corridas los errores
de omisión y comisión.
En el experimento 3 jerarquía y votación, se pudo ver que tanto la cantidad de agentes como el
porcentaje de exploradores si afecta el desempeño de la organización y ambas pruebas de análisis
de la varianza ANOVA llegaron a esta conclusión. El mejor desempeño en este experimento se
puede ver cuando se tienen 15 agentes y el 100% de ellos son exploradores. Este experimento tiene
algo que lo diferencia de los demás y consiste en que en alguna de las corridas del modelo se
obtuvo un desempeño negativo con un valor iguala a: -934 y corresponde cuando se tienen 20
agentes y 50% de ellos son exploradores; este dato se podría tomar como un dato atípico pero, se
debe hacer un análisis mucho mayor para analizar con qué frecuencia se llega a este tipo de
desempeños negativos o si es de naturaleza del experimento. Otro punto importante para resaltar es
la media de los errores de omisión ya que está por encima de la media cuando se utiliza una
estructura poliarquía y el valor máximo alcanzado en alguna de las corridas del experimento es
igual a 184 veces cometido este tipo de error. Se puede llegar a la conclusión que debido a la gran
cantidad de veces cometido el error de omisión se obtuvo un pobre desempeño siendo el más grande
de la simulación. Para los errores de comisión el mayor número de veces que se cometió este error
fue 25 y cuando vemos la gráfica 13 nos muestra una tendencia de aumentar este tipo de error
cuando se tiene un 0% de agentes exploradores.
Para el experimento final jerarquía-promedio, el análisis ANOVA de la influencia del porcentaje de
exploradores sobre el desempeño nos sale descartado debido a que los datos tienen medias muy
parecidas. Aunque en este experimento se logró llegar al valor máximo de desempeño con un valor
igual a: 1189, la media de los resultados de las diferentes configuraciones de variables si está por
debajo de los experimentos anteriores. Observando la gráfica 18 podemos ver que no hay tendencia
alguna a disminuir o aumentar los errores de omisión y comisión a diferentes niveles de las
variables, su comportamiento es aleatorio y por lo cual no se puede determinar una tendencia de los
datos. Con los análisis de los resultados de los diferentes experimentos podemos ver como es el
comportamiento de las decisiones cuando entre sus agentes hay factores de interdependencia y
coordinación llegando a diferentes niveles de desempeño organizacional; claro está que depende de
la forma como las organizaciones miden su desempeño para establecer la estructura de toma de
decisiones para lograr los objetivos de la empresa.
Si bien este estudio corresponde a un paso más al entendimiento de la relación entre diseño
organizacional, tipo de agentes, coordinación e interdependencia; aún queda un gran camino por
recorrer y una gran cantidad de preguntas por contestar y modificaciones o variantes del modelo por
estudiar; entre ellas se podría destacar el análisis donde cada individuo tenga más de dos tareas
simultaneas y que estas tareas tengan variedad de interdependencia para la escogencia correcta de
su decisión. Para finalizar, la simulación basada en agentes es una herramienta de investigación que
será de uso frecuente para el estudio organizacional, ya que permite realizar simulaciones o
experimentos que son complicados o costosos de llevar a cabo en la realidad de las organizaciones
ya que permite plantear distintos escenarios y ver qué ocurre en cada uno de ellos sin incurrir en
mayores gastos a la organización para modelar su funcionamiento.
37
7. BIBLIOGRAFÍA
Aggarwal, V. A., Siggelkow, N., & Singh, H. (2011). Governing collaborative activity:
interdependence and the impact of coordination and exploration. Strategic Management
Journal, 32(7), 705-730.
Aguado, J.F., (2006). Fundamentos de la organización de empresas: breve historia del
management. Madrid, España: Narcea S.A. de Ediciones.
Christensen M., Knudsen T. (2010). Design of Decision-Making Organizations. Management
Science, 56(1), 71- 89.
Christensen M., Knudsen T. (2013). How decisions can be organized – and why it matters. Journal
of organization design, 2 (3), 41-50.
Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Hillsdale,NJ:
Lawrence Erlbaum.
Csaszar F. (2012). Organizational structure as a determinant of performance: evidence from mutual
funds. Strategic Management Journal, 33 (6), 611-632
Csaszar F. (2013). An Efficient Frontier in Organization Design: Organizational Structure as a
Determinant of Exploration and Exploitation. Organization Science, 24(4), 1083-1101.
Csaszar, F. A., & Eggers, J. P. (2012). Organizational Decision Making: An Information
Aggregation View. Management Science, 59(10), 2257-2277.
Daft, R. L. (2010). Management (9th Ed). Mason, OH: Cengage Learning.
Daft, R. L. (2012). Organization Theory and Design (11th Ed). Mason, OH: Cengage Learning.
Dobrajska, M., Billinger, S., & Karim, S. (2015). Delegation within hierarchies: How information
processing and knowledge characteristics influence the allocation of formal and real decision
authority. Organization Science, 26(3), 687-704.
Fang, C., Lee, J., & Schilling, M. A. (2010). Balancing exploration and exploitation through
structural design: The isolation of subgroups and organizational learning. Organization
Science, 21(3), 625-642.
Grimm, V., Berger, U., Bastiansen, F., Eliassen, S., Ginot, V., Giske, J., & Huth, A. (2006). A
standard protocol for describing individual-based and agent-based models. Ecological
modelling, 198(1), 115-126.
Grimm, V., Berger, U., De Angelis, D. L., Polhill, J. G., Giske, J., & Railsback, S. F. (2010). The
ODD protocol: a review and first update. Ecological modelling, 221(23), 2760-2768.
Justin J. P. Jansen, Michiel P. Tempelaar, Frans A. J. van den Bosch, Henk W. Volberda, (2009)
Structural Differentiation and Ambidexterity: The Mediating Role of Integration
Mechanisms. Organization Science, 20(4), 797-811.
38
Knudsen, T., & Srikanth, K. (2014). Coordinated exploration organizing joint search by multiple
specialists to overcome mutual confusion and joint myopia. Administrative Science
Quarterly, 0001839214538021.
Laver, M., & Sergenti, E. (2011). Party competition: An agent-based model. Princeton University
Press.
Lee, J. S., Filatova, T., Ligmann-Zielinska, A., Hassani-Mahmooei, B., Stonedahl, F., Lorscheid, I
& Parker, D. C. (2015). The complexities of agent-based modeling output analysis. Journal of
Artificial Societies and Social Simulation, 18(4), 4.
March, J. G. (1991). Exploration and exploitation in organizational learning. Organization
science, 2(1), 71-87.
Mintzberg, H. (1979). The structuring of organization: a synthesis of the research. Prentice-Hall.
Mintzberg, H. (1980). Structure in 5's: A Synthesis of the Research on Organization
Design. Management science, 26(3), 322-341.
Okhuysen, G. A., B. A. Bechky. (2009). 10 Coordination in organizations: An integrative
perspective. Acad. Management Ann, 3(1) 463–502.
Puranam, P., Raveendran, M., & Knudsen, T. (2012). Organization design: The epistemic
interdependence perspective. Academy of Management Review, 37(3), 419-440.
Radax, W., & Rengs, B. (2010). Prospects and pitfalls of statistical testing: Insights from replicating
the demographic prisoner's dilemma. Journal of Artificial Societies and Social
Simulation, 13(4), 1.
Rojas-Villafane, Jose A., (2010). "An Agent-based Model of Team Coordination and
Performance". FIU Electronic Theses and Dissertations. Paper 250.
Sah, R. K., & Stiglitz, J. E. (1986). The architecture of economic systems: Hierarchies and
polyarchies. American Economic Review, 76(4).
Srikanth, K., & Puranam, P. (2011). Integrating distributed work: comparing task design,
communication, and tacit coordination mechanisms. Strategic Management Journal, 32(8),
849-875.
Srikanth, K., & Puranam, P. (2014). The firm as a coordination system: Evidence from software
services offshoring. Organization Science, 25(4), 1253-1271.
Stan, M., & Puranam, P. (2016). Organizational adaptation to interdependence shifts: The role of
integrator structures. Strategic Management Journal.
Tay, N. S., & Lusch, R. F. (2007). Agent-based modeling of ambidextrous organizations:
virtualizing competitive strategy. IEEE Intelligent Systems, 22(5), 50-57.
Tom J. M. Mom, Frans A. J. van den Bosch, Henk W. Volberda, (2009) Understanding Variation in
Managers' Ambidexterity: Investigating Direct and Interaction Effects of Formal Structural
and Personal Coordination Mechanisms. Organization Science, 20(4), 812-828.
39
Tushman, M. L., & O'Reilly, C. A. (1996). The ambidextrous organizations: Managing
evolutionary and revolutionary change. California management review, 38(4), 8-30.
Wilhite, A. (2006). Economic activity on fixed networks. Handbook of computational economics, 2,
1013-1045.
Apéndice A: Modelo de Simulación protocolo ODD
4.3 Visión general del modelo
Propósito, el objetivo del modelo es determinar cuál es el desempeño de las estructuras
organizacionales cuando son expuestas a diferentes porcentajes de exploración y explotación en la
toma de decisiones, lo anterior teniendo en cuenta un escenario probabilístico y riesgoso donde las
decisiones de los agentes pueden tener consecuencias tanto negativas como positivas.
Entidades, variables de estado, parámetros, escalas y rangos de valores
Escenario, el modelo se ubica en un escenario donde llegan proyectos a evaluar; cada proyecto está
disponible para su realización por parte de la organización, la cual puede aceptarlo o rechazarlo
según las decisiones de los agentes tomadores de decisiones.
Entidad: Individuos, los individuos son de dos tipos: exploradores y explotadores. Cada uno tiene
una percepción acerca del proyecto que se va a evaluar, está percepción corresponde a la calidad
percibida, que a su vez depende de la experticia (como se explica en el apartado 3.2 Individuos
tomadores de decisiones).
Nombre de la variable Descripción Rango de valores
experticia
Variable aleatoria que asigna
la experticia de cada
individuo para evaluar un
proyecto.
[0,10]
% acertar
Variable que almacena qué
tan bueno es un agente
tomando decisiones.
[0,1]
calidad_percibida
Variable que almacena la
calidad percibida de un
agente frente a un proyecto.
[−∞, ∞]
decisión
Variable que almacena la
decisión de un agente al
evaluar un proyecto.
[𝐴𝑐𝑒𝑝𝑡𝑎𝑟, 𝑅𝑒𝑐ℎ𝑎𝑧𝑎𝑟, 𝑁𝑜 𝑑𝑒𝑐𝑖𝑑𝑖𝑟]
Tipo
Variable que asigna si el
agente es explorador (1) o
explotador (0).
[0,1]
Entidad: Estructuras organizacionales, el modelo ejecutado corre dos tipos de estructuras y a
cada una le llegan los mismos proyectos, lo cual podemos hacerlas comparables en cuanto a
resultados; las estructuras organizacionales que son evaluadas son jerarquía y poliarquía. La forma
como los agentes son ubicados en cada estructura se muestra en la figura 1 de la sección 3.3.
40
Nombre de la variable Descripción Rango de valores
N_agentes
Esta variable es la encargada
de asignar el número de
agentes para cada estructura de
acuerdo a las preferencias del
observador.
[10, 30]
Grupal
Variable que me permite
seleccionar qué tipo de
decisión se quiere evaluar a
nivel global.
[𝑉𝑜𝑡𝑎𝑐𝑖ó𝑛, 𝑃𝑟𝑜𝑚𝑒𝑑𝑖𝑜]
Entidad: Proyectos, cada uno de los proyectos tiene una calidad y un tipo, que corresponden al
valor en términos de los ingresos menos los costos y el tipo de conocimiento específico requerido
para evaluar correctamente el valor del proyecto respectivamente. Un tick en el modelo equivale a
un proyecto en el horizonte de planeación de 410 ticks por corrida (número especificado en el
apéndice A).
Nombre de la variable Descripción Rango de valores
Calidad Variable aleatoria que asigna la
calidad para cada proyecto. [−10,10]
Tipo Variable aleatoria que asigna el
tipo para cada proyecto. [0,10]
Variables globales del modelo
Nombre de la variable Descripción Rango de valores
Desempeño
Variable que almacena el
desempeño total de la
organización.
[−∞, ∞]
Omisión
Variable que almacena la
cantidad de errores tipo I
cometidos por la organización.
[0, ∞]
Comisión
Variable que almacena la
cantidad de errores tipo II
cometidos por la organización
[0, ∞]
porcentaje_exploradores
Esta variable es la cargada de
asignar el porcentaje de agentes
exploradores o explotadores, de
acuerdo a las preferencias del
observador.
[0,1]
V (votación)
Variable que almacena la
diferencia entre las decisiones
de los agentes que aceptaron un
proyecto y los que lo
rechazaron.
[−∞, ∞]
q’’(promedio)
Variable que almacena la
diferencia entre las calidades
percibidas de los agentes que
aprobaron y los que rechazaron
[−∞, ∞]
41
un proyecto sobre la cantidad
de agentes.
Decisión_global
Variable que almacena la
decisión a nivel grupal de
aceptar o rechazar un proyecto.
[𝐴𝑐𝑒𝑝𝑡𝑎𝑟, 𝑅𝑒𝑐ℎ𝑎𝑧𝑎𝑟]
Introducción al proceso y programación
42
Diagrama de flujo de interacción del modelo
A N
ivel
Gru
pal
Mo
del
o e
n G
ener
alA
niv
el d
el I
nd
ivid
uo
Inicio
Asignación de experticia (e) a cada
individuo
Preparación de la simulación (jerarquía/poliarquía)
Toma una decisión de acuerdo a la
calidad percibida del proyecto
Comunica la decisión tomada de acuerdo a su tipo de
estructura
¿Se tiene una decisión?
¿Está de acuerdo con la
decisión?
Si
No
Coordinación entre agentes
Si
Si
¿El modelo alcanza los parámetros de
parada establecidas por el usuario?
No
Fin
Si
Generación de un proyecto
Toma de decisión grupal
Cambia de decisión si hay un agente con mayor
experticia y porcentaje de acertar
¿Agente explorador?
Si
No
43
4.4 Conceptos del diseño
Principios básicos, los supuestos que tiene el modelo es una total comunicación y cooperación por
parte de los agentes, esto con el fin de permitir a la organización tomar la decisión más adecuada o
menos perjudicial para su desempeño.
Emergencia, la dinámica del comportamiento organizacional emerge a partir del comportamiento
individual del agente, de cuya interacción surge el desempeño de la compañía. Los individuos
actúan teniendo en cuenta las decisiones de los demás (100% comunicación) ya que esto les
permite coordinar sus acciones para alinear modelos mentales y tomar la mejor decisión.
Adaptación, los individuos de tipo explorador se adaptan a tomar decisiones teniendo en cuenta su
naturaleza, permitiendo cambiar de decisión si considera que la suya no es la correcta. De igual
forma, el mecanismo de coordinación e interdependencia adapta la percepción que tiene un
individuo sobre un proyecto para tomar de la mejor decisión a nivel general.
Objetivos, cuando los agentes tienen que hacer la valoración de un proyecto, se tiene en cuenta el
porcentaje de acertar de cada individuo, el cual califica que tan bueno es un agente tomando
decisiones de acuerdo a su nivel de experticia; mientras mejor sea tomando decisiones, mayor va a
ser el porcentaje de experticia y, la decisiones de la organización van a ser mejores.
Sensibilidad, cuando un agente toma una decisión y es de tipo explorador, puede darse cuenta de la
decisión de los otros agentes con los cuales se puede comunicar y puede cambiar de decisión si
considera que otro agente tiene mayor capacidad de evaluar el proyecto en curso.
Aprendizaje, cuando un agente toma una buena decisión ya sea rechazar malos proyectos o aprobar
buenos proyectos, se vuelve cada vez mejor como tomador de decisiones, lo que permite tener el
mejor desempeño de la organización.
Interacción, el tipo de interacciones que se presenta en el modelo es directa al conocer la decisión
de los otros agentes para poder tomar una mejor decisión a nivel global.
Probabilidades, los procesos aleatorios que se modelan son: los proyectos, ya que me estos surgen
de manera aleatoria dentro de un rango de valores que describe su rentabilidad; otro proceso que
contiene probabilidades es la calidad percibida del agente en cuanto a un proyecto y la aleatoriedad
del agente a tener indecisión cuando evalúa un proyecto.
Observación, es este caso se tuvieron en cuenta las ganancias acumuladas en cada una de las
estructuras organizacionales.
4.5 Detalles
Inicialización, el número de agentes mínimo con el que puede iniciar el modelo son 10, y el
porcentaje de exploradores siempre empieza en 0% para la elaboración de los experimentos
mencionados en el apartado 4.4; para determinar el número de corridas y el número de repeticiones
por corrida que fue igual para todos los experimentos, se hizo uso de diferentes metodologías que se
pueden ver con claridad en el apéndice B.
44
Pseudocódigo
Inicio
Lea Porcentaje_exploradores, N_agentes, decisión_global
Setup Genere proyecto
Genere agentes de acuerdo al parámetro leído N_agentes y asigne experticia
Genere agentes exploradores de acuerdo al parámetro porcentaje_exploradores
Cree la estructura organizacional
Asigne I experticia para cada agente
Go Asigne II tipo y calidad para el proyecto
Calcule I calidad percibida para cada agente
Calcule II agentes que no tienen decisión
Si (calidad percibida > 0) then
“Aceptar”
Fin si
Si (calidad percibida <0) then
“Rechazar”
Fin si
Si (decisión = no tener) then
Go
Fin si
Si (agente = explorador)
X Max calidad_percibida entre los agentes
Y decisión de agente con mayor X
Si (X > mi calidad _percibida) then
Mi decisión = Y
Fin si
Coordinación_
Interdependencia
Si(decisión=aceptar and calidad >0) or (decisión=rechazar and calidad<0) then
%_acertar = (% acertar +1)/(cantidad de proyectos evaluados)
W Max %_acertar entre los agentes
Z decisión de agente con mayor W
Fin si
Si(decisión <> Z and %_acertar < W) then
Mi decisión= Z
Fin si
Decisión_general Si (grupal = votación) then
v= cantidad aprobar – cantidad rechazar
Si(v > 0) (decisión_global = aprobar) else ( decisión_global = rechazar) Fin si
else
q’’=(calidades percibidas aprobar – calidades percibidas rechazar) / N_agentes
Si(q’’ > 0) )(decisión_global = aprobar) else (decisión_global = rechazar) Fin si
Fin si
Si (decisión_global = aprobar and calidad proyecto > 0) then
B0= B0 + calidad del proyecto
Fin si
Si decisión_global = aprobar and calidad proyecto < = 0) then
B2= B2 + calidad del proyecto
Fin si
45
Si (decisión_global = rechazar and calidad proyecto > 0) then
B1= B1 + calidad del proyecto
Fin si
Desempeño= B0 – B1 + B2
Apéndice B: Estimación del número de corridas y repeticiones de la simulación
Como se mencionó anteriormente, hay una serie de pasos que se debe seguir para la determinación
del estado estable y así poder tener una estimación significa de 𝜇 de las variables de resultados
evaluadas, en nuestro caso la variable “Desempeño”. El primer paso, es determinar aquellas
combinaciones de parámetros que a simple vista requieren más tiempo para alcanzar el estado
estable; para esto, se utilizaron los casos extremos de combinaciones de parámetros a los que se
puede llegar en ambos escenarios (Poliarquía y Jerarquía)
# De agentes: 35
% de especialistas: 50
# De iteraciones: 500
# De repeticiones: 2000
Segundo, se hace la correspondiente ejecución del modelo con los parámetros ya definidos y se
descartan las primeras N/2 repeticiones para poder estimar 𝜇 para la variable de resultado
“Desempeño”. El paquete estadístico utilizado para la ejecución del procedimiento es Stata.
La estadística descriptiva de los escenarios donde se evalúa la variable de resultado “Desempeño”,
es:
[Summ desem_j desem_p]
Ahora que ya tenemos la media estimada de la variable de resultado desempeño para cada uno de
los escenarios (jerarquía y poliarquía), como tercer paso, se debe hacer la inspección gráfica para
determinar aquellos valores que se encuentran a menos de una desviación estándar de la media y así
poder especificar el estado estable.
[Scatter desem_j ticks]
[Scatter desem_p ticks]
46
La figura anterior nos muestra que la estructura jerárquica tiene mayor cantidad de datos que se
alejan del valor de la media estimada a una desviación estándar, el rango de datos que se ve con
mayor claridad donde los valores están sobre el rango estimado es 640; en cambio cuando
observamos la variable desempeño en la estructura poliarquía, no es muy claro ver en qué rango los
valores tienen menor fluctuación a una desviación estándar de la media estimada, sin embargo,
haciendo una inspección visual podemos notar que el rango el cual cumple con las características
mencionadas con anterioridad se encuentra en el tick 450. Como último paso, determinamos que el
número de ticks necesarios para cada uno de los escenarios de los experimentos del proyecto es:
640.
Para calcular el número de corridas se han diseñado los experimentos de acuerdo a la metodología
Grid-Sweep. Laver y Sergenti (2011), dicen que en la mayoría de los casos se tiene la expectativa
de que 𝜇 sea diferente para diferentes configuraciones de parámetros de entrada; en estos casos, se
quiere que la media estimada para cada variable de resultados para un ajuste de parámetros sea
estadísticamente diferente de la media estimada para un ajuste de parámetros adyacentes en el
experimento. Para comprobar esto, se examina el “poder” de una prueba t de diferencia de medias
de dos muestras (two-sample). Primero se determina los dos escenarios con diferentes
configuraciones de parámetros y se realizan las correspondientes simulaciones.
# De agentes: 35
% de especialistas: 0
# De iteraciones: 500
# De repeticiones: 1000
Estructura: Poliarquía
# De agentes: 35
% de especialistas: 100
# De iteraciones: 500
# De repeticiones: 1000
Estructura: Poliarquía
Utilizando el software estadístico Stata, hayamos la estadística descriptiva de los datos de los
escenarios que han sido simulados ya que son los valores de entrada para realizar el poder de la
prueba t.
[Sum desem_0 desem_1] donde,
𝑑𝑒𝑠𝑒𝑚_0 El desempeño de la estructura poliarquía con 0% de agentes especialistas 𝑑𝑒𝑠𝑒𝑚_1 𝐸𝑙 𝑑𝑒𝑠𝑒𝑚𝑝𝑒ñ𝑜 𝑑𝑒 𝑙𝑎 𝑒𝑠𝑡𝑟𝑢𝑐𝑡𝑢𝑟𝑎 𝑝𝑜𝑙𝑖𝑎𝑟𝑞𝑢í𝑎 𝑐𝑜𝑛 100% 𝑑𝑒 𝑎𝑔𝑒𝑛𝑡𝑒𝑠 𝑒𝑠𝑝𝑒𝑐𝑖𝑎𝑙𝑖𝑠𝑡𝑎𝑠
Para determinar el número de las corridas, se hace uso del comando, “power.t.test” del paquete
estadístico R el cual tiene los siguientes argumentos:
47
power.t.test (n=, d=, sig.level=, power=, type=,)
n, número de observaciones
d, verdadera diferencia entre medias (Effect size)
sig.level nivel de significancia (probabilidad del error Tipo II)
Power, poder de la prueba (un mínimo de probabilidad del error Tipo II)
Type, tipo de prueba “t” (en nuestro caso “two.sample”)
Laver y Sergenti (2011), consideran que se tienen suficientes observaciones cuando el “power” de
la prueba t de diferencia de medias de dos muestras es al menos 0,8 y el nivel de significancia en
0,05. En cuanto a la diferencia entre medias, nos dirigimos al autor al cual la prueba t del paquete
estadístico R toma como base para su programación, el autor de este tipo de prueba, Jacob Cohen en
su libro Statical power analysis for the behavioral sciences (2nd ed.), define a “d” como la
diferencia entre dos medias dividido por una desviación estándar para los datos 𝑑 = �̅�1 − �̅�2
𝑠 y define
a “s” como la desviación estándar combinada para dos ejemplos independientes 𝑠 =
√(𝑛1−1)𝑠1
2+(𝑛2−1)𝑠22
𝑛1+𝑛2−2, donde 𝑠1
2 y 𝑠22 son las varianzas de cada uno de los grupos respectivamente.
Después de realizar los cálculos correspondientes, el valor de la diferencia entre medias “d” es igual
a: -0.008; entonces, el número de corridas para cada experimento es n=1000.
Recommended