Apunte 34 — Simulación de escenarios e incertidumbre

Analítica de Personas · Semestre otoño 2026 · Semana 15 · Prof. René Gempp

1. Por qué no existe "el pronóstico correcto"

El Apunte 33 construyó un modelo que proyecta la dotación año a año. Ese modelo produce números con decimales: 867,3 activos al cabo de dos años; 813,1 contrataciones necesarias. La precisión numérica es una trampa. El modelo es tan bueno como sus supuestos, y los supuestos no se validan contra el futuro porque el futuro no existe todavía.

La respuesta correcta a la incertidumbre no es buscar el pronóstico más preciso, sino mapear el rango de futuros plausibles (Schoemaker, 1995). Lo que nos interesa de un plan de dotación no es que acierte el número exacto — ninguno lo hace — sino que ayude a Carolina a tomar una decisión robusta: una que sea buena a través de los distintos escenarios posibles, no solo óptima para uno.

2. Programación funcional con purrr

Simular múltiples escenarios implica correr la misma proyección muchas veces con supuestos distintos. La herramienta del tidyverse para esto es purrr: un paquete de programación funcional que reemplaza los bucles for con funciones limpias y pipelines legibles.

La idea central: map()

map(lista, función) aplica función a cada elemento de lista y devuelve una list con los resultados. El flujo de trabajo típico:

# 1. Definir la grilla de supuestos (un tibble, una fila por escenario)
escenarios <- tibble(
  escenario     = c("Optimista", "Base", "Pesimista"),
  factor_salida = c(0.75,       1.00, 1.25)
)

# 2. map() sobre la columna de supuestos
#    \(f) es la sintaxis moderna de función anónima (R 4.1+)
resultado <- escenarios |>
  mutate(
    P_esc = map(factor_salida, \(f) ajustar_rotacion(P5, f)),
    proy  = map(P_esc, \(Pe) proyectar_dotacion(Pe, n0, horizonte = 2))
  )

# 3. unnest() despliega la list-column a formato largo
simulacion <- resultado |>
  select(escenario, proy) |>
  unnest(proy)

La familia completa de map()

La función auxiliar: ajustar_rotacion()

Esta función toma la matriz P y un factor, escala la probabilidad de salida de cada nivel y reajusta las demás para que la fila siga sumando 1:

ajustar_rotacion <- function(P5, factor_salida) {
  P2 <- P5
  for (i in 1:4) {
    sal   <- P2[i, "Salida"] * factor_salida
    otras <- P2[i, 1:4]
    if (sum(otras) > 0) otras <- otras / sum(otras) * (1 - sal)
    P2[i, 1:4]      <- otras
    P2[i, "Salida"] <- sal
  }
  P2
}
# factor = 0.75: rotación baja un 25% (programa de retención exitoso)
# factor = 1.00: base (sin cambios respecto al histórico)
# factor = 1.25: rotación sube un 25% (condiciones adversas)

3. Los resultados de la simulación

Una vez que unnest() despliega la simulación, agrupamos por escenario y año para obtener el total de activos proyectados:

totales <- simulacion |>
  group_by(escenario, anio) |>
  summarise(activos = sum(headcount), .groups = "drop")

# Brecha total por escenario a 2 años (demanda = 1.680)
totales |>
  filter(anio == 2) |>
  mutate(brecha = round(1680 - activos))
#> escenario   activos  brecha
#> Optimista      946     734   ← si el programa de retención funciona
#> Base           868     812   ← manteniendo tasas históricas
#> Pesimista      794     886   ← si la rotación sube

El rango es amplio: entre 734 y 886 contrataciones según cómo evolucione la rotación. Una diferencia de 152 personas — no es un detalle.

4. Visualizar la incertidumbre: geom_ribbon() + geom_line()

La forma honesta de comunicar la proyección es mostrar la banda de incertidumbre (optimista–pesimista) junto a la trayectoria base. geom_ribbon() dibuja el área entre dos curvas; geom_line() superpone la línea central.

# 1. Calcular el piso (Pesimista) y techo (Optimista) por año
banda <- totales |>
  group_by(anio) |>
  summarise(ymin = min(activos), ymax = max(activos), .groups = "drop")

linea_base <- totales |> filter(escenario == "Base")

# 2. Graficar
ggplot() +
  geom_ribbon(data = banda, aes(x = anio, ymin = ymin, ymax = ymax),
              fill = "#B85042", alpha = 0.18) +
  geom_line(data = linea_base, aes(x = anio, y = activos),
            color = "#1B2A4A", linewidth = 1.3) +
  geom_point(data = linea_base, aes(x = anio, y = activos),
             color = "#1B2A4A", size = 2.5) +
  geom_hline(yintercept = 1680, linetype = "dashed", color = "#E8B96E") +
  annotate("text", x = 0.1, y = 1705, hjust = 0,
           label = "Demanda objetivo (+40%) = 1.680", color = "#E8B96E") +
  scale_x_continuous(breaks = 0:2) +
  scale_y_continuous(labels = scales::comma) +
  labs(title = "Plan de dotación: rango de escenarios",
       subtitle = "Banda = optimista–pesimista (rotación ±25%) · línea = base",
       x = "Año", y = "Dotación activa proyectada (sin contratar)") +
  theme_minimal()

El resultado muestra que la brecha es la distancia vertical entre la línea punteada (demanda) y la banda sombreada. El mensaje visual es inmediato: la organización necesita contratar masivamente para llegar a la meta, y el rango de incertidumbre es considerable.

5. Tablas ejecutivas con gt

Para la presentación al directorio, la visualización se complementa con una tabla que muestra las cifras por escenario:

# Construir la tabla de brechas por escenario
plan_esc <- totales |>
  filter(anio == 2) |>
  transmute(escenario,
            oferta_interna = round(activos),
            demanda        = 1680,
            contratar      = round(1680 - activos))

# Formatear con gt
plan_esc |>
  gt() |>
  tab_header(title    = "Plan de contratación a 2 años — InnovaCo SpA",
             subtitle = "Objetivo +40% · tres escenarios de rotación") |>
  fmt_number(columns = c(oferta_interna, demanda, contratar), decimals = 0) |>
  cols_label(escenario = "Escenario", oferta_interna = "Oferta interna",
             demanda = "Demanda", contratar = "A contratar (neto)")

El resultado es una tabla limpia con los tres escenarios: Optimista (~734), Base (~812), Pesimista (~886).

6. La decisión robusta bajo incertidumbre

Una decisión robusta es buena a través del rango de futuros plausibles, no solo óptima para el escenario más probable. Para el plan de dotación de InnovaCo, la recomendación operativa emerge directamente de los tres escenarios:

1. Comprometer en firme el piso del rango: ~734 contrataciones son necesarias incluso en el mejor escenario (si la rotación baja un 25%). Esas se contratan sin condición.
2. Escalonar el resto según la rotación observada: las ~78–152 restantes (Base minus Optimista; Pesimista minus Base) se contratan trimestralmente según si la rotación efectiva está bajando o subiendo.
3. Concentrar en la base: el 95% de la brecha está en Operativo y Profesional. No forzar contratación directa de Jefaturas o Gerencias en el corto plazo: el pipeline interno cubre parcialmente esos niveles; la urgencia es en la base.

7. Los supuestos que van en el reporte

Declarar los supuestos no es una debilidad; es la marca de un análista competente. El directorio de InnovaCo necesita saber de qué depende el plan para poder cuestionar los supuestos con los que está en desacuerdo.

8. Ética de la planificación de dotación

El modelo de Markov que construimos está orientado al crecimiento: proyectar cuántos contratar. Pero la misma herramienta puede usarse para proyectar reducciones. Si la demanda cayera un 20% en vez de crecer un 40%, el análisis diría que sobran ~400 personas. El modelo no distingue entre crecimiento y ajuste — produce números en ambos casos con la misma indiferencia matemática.

Esto plantea preguntas que el analista de personas necesita poder sostener:

• ¿Quién tiene acceso a estas proyecciones? Un plan que proyecta reducción de dotación puede afectar decisiones sobre personas específicas antes de que exista un proceso formal.
• ¿Cómo se comunica a los empleados? La transparencia organizacional exige no usar la planificación estratégica como pretexto para decisiones ya tomadas.
• ¿Con qué criterios se decide a quiénes desvincular? El modelo dice "cuántos"; las decisiones sobre "quiénes" son de personas, y deben sostenerse con procesos legítimos y transparentes.
• ¿Cuándo se activa la obligación de informar a los trabajadores? En Chile, la Ley 19.728 obliga a negociar condiciones de desvinculación con las organizaciones sindicales en reestructuraciones de cierta escala.

9. Glosario

Referencias