Linear Programming for Multi-Criteria Assessment with Cardinal and Ordinal Data: A Pessimistic Virtual Gap Analysis

Each language version is independently generated for its own context, not a direct translation.

¡Hola! Imagina que eres el gerente de una gran tienda de computadoras y tienes que decidir qué modelo de laptop es el "peor" para dejar de venderlo. Tienes 6 modelos diferentes. Pero aquí está el problema: algunos datos son números fáciles (como el peso en kilos o cuántas se vendieron), pero otros son opiniones subjetivas (como "qué tan buena es la marca" o "qué tan satisfecho está el cliente", medido en una escala del 1 al 5).

Hasta ahora, los métodos tradicionales para tomar esta decisión eran como intentar adivinar el clima mirando solo una nube: a veces funcionaban, pero a menudo estaban sesgados por la opinión personal del gerente o no sabían cómo mezclar los números duros con las opiniones suaves.

Este paper presenta una nueva herramienta llamada Análisis de Brecha Virtual (VGA). Vamos a explicarlo con una analogía sencilla: La Carrera de Obstáculos y el "Muro de la Verdad".

1. El Problema: ¿Quién es el último de la clase?

Imagina que tienes una clase de estudiantes (las laptops). Quieres saber quién es el peor estudiante.

El problema antiguo: Los métodos viejos a menudo decían "todos son buenos" o "todos son malos" porque no sabían cómo comparar a un estudiante que es muy rápido en matemáticas pero malo en arte, con otro que es lento pero excelente en arte. Además, si un estudiante tenía una opinión subjetiva (como "es muy creativo"), los métodos viejos se confundían.

2. La Solución: El Método de los Dos Pasos (VGA)

Los autores (Franklin Liu y Su-Chuan Shih) crearon un sistema de dos pasos que actúa como un juez imparcial y matemático. No necesita que tú digas "a mí me gusta más la marca A". El sistema descubre la verdad por sí mismo.

Paso 1: El "Muro de la Realidad" (Etapa I)

Imagina que pones a todos los estudiantes frente a un muro alto.

El sistema les dice: "Si quieren cruzar este muro, tienen que mejorar un poco sus notas o bajar su peso".
Calcula una "Brecha Virtual": ¿Cuánto les falta para ser perfectos?
El resultado: Los estudiantes que ya están tocando el muro (su brecha es cero) son los "peores" (o los que están en el fondo de la clase). Los que están lejos del muro (tienen una brecha grande) son los que realmente necesitan ayuda.
Analogía: Es como medir cuánto le falta a un corredor para llegar a la meta. Si ya está en la meta (brecha 0), es el último. Si está a 100 metros, es mejor.

Paso 2: La "Carrera de los Últimos" (Etapa II)

Ahora, el sistema toma solo a los estudiantes que quedaron en el "Muro de la Realidad" (los peores del Paso 1) y los pone a competir entre ellos.

Aquí, el sistema es aún más estricto. Les dice: "Ahora que sabemos que son los peores, veamos quién es el peor de los peores".
Calcula una "Brecha Hipo-Virtual". Quien tenga la brecha más grande en esta etapa es el candidato número 1 para ser eliminado.
Analogía: Es como una final de "El último en salir". Si todos están en el fondo, el sistema busca quién tiene el mayor déficit para decir: "Tú eres el que debe irse".

3. ¿Por qué es tan especial? (Las Ventajas)

Mezcla lo tangible con lo intangible: Imagina que tienes que evaluar un coche. Tienes el precio (número) y la "sensación de lujo" (opinión). Los métodos viejos se rompían al intentar sumar "dólares" con "sensaciones". Este nuevo método convierte la "sensación de lujo" en un valor matemático virtual, como si fuera una moneda imaginaria, para poder compararlo justo con el precio.
Sin prejuicios: No necesitas decirle al sistema "la marca X vale más". El sistema descubre los precios justos matemáticamente. Es como un juez que no conoce a los acusados y solo mira las pruebas.
Funciona con datos imperfectos: Si tienes datos que van de "Muy bueno" a "Muy malo" (escalas de opinión), el sistema sabe cómo manejarlos sin confundirse.
Es rápido y escalable: Puedes evaluar 10 laptops o 10,000 fábricas. El sistema usa computadoras para hacer los cálculos en segundos, como un GPS que encuentra la ruta más rápida entre miles de ciudades.

4. El Ejemplo Real del Papel

El paper usa un ejemplo con 6 laptops.

Paso 1: Identifica que 5 de ellas están en el "fondo" (tienen brecha cero). Una laptop (la A) está claramente mejor que las otras.
Paso 2: De las 5 que están en el fondo, el sistema compara a la laptop D contra las demás. Descubre que la Laptop D es la que tiene la mayor "brecha de mejora" necesaria.
Conclusión: La Laptop D es la peor. ¡Elimínala!

En resumen

Este paper nos da una brújula matemática para tomar decisiones difíciles cuando tenemos datos mezclados (números y opiniones). En lugar de adivinar quién es el peor, el sistema construye un "mapa virtual" donde cada opción se mide contra la perfección. Si tienes que eliminar a alguien de tu lista de proveedores, empleados o productos, este método te dice exactamente quién es el menos eficiente, sin importar si sus datos son números fríos o opiniones calientes.

Es como tener un detective de datos que nunca se cansa, nunca tiene favoritos y siempre encuentra al culpable (el peor desempeño) basándose puramente en la evidencia matemática.

Each language version is independently generated for its own context, not a direct translation.

Aquí tienes un resumen técnico detallado del artículo en español, estructurado según los puntos solicitados:

Título: Programación Lineal para la Evaluación de Múltiples Criterios con Datos Cardinales y Ordinales: Un Análisis de Brecha Virtual Pesimista

1. El Problema

La Evaluación de Múltiples Criterios (MCA, por sus siglas en inglés) es fundamental para clasificar alternativas basándose en diversos criterios. Sin embargo, los métodos existentes presentan limitaciones críticas:

Sesgo y Subjetividad: Métodos como la Toma de Decisiones de Múltiples Criterios (MCDM) y el Análisis de Frontera Estocástica (SFA) a menudo dependen de evaluaciones subjetivas o pesos asignados manualmente, lo que afecta la fiabilidad de los resultados.
Heterogeneidad de Datos: La mayoría de los métodos no paramétricos, como el Análisis Envolvente de Datos (DEA), asumen que las Unidades de Toma de Decisiones (DMU) son homogéneas. Esto dificulta la evaluación cuando los datos son mixtos (cuantitativos/cardinales y cualitativos/ordinales) o cuando las unidades tienen estructuras de entrada/salida muy diversas.
Inconsistencias Teóricas: Se identifican errores en las formulaciones de la DEA, como la inconsistencia en las unidades de medida de las funciones objetivo y la imposibilidad de garantizar que los puntajes de ineficiencia se mantengan estrictamente dentro del rango [0, 1) sin normalizaciones arbitrarias.
Falta de Perspectiva Pesimista: Muchos enfoques se centran en la "mejor práctica" (optimista), careciendo de herramientas robustas para identificar sistemáticamente la "peor práctica" para eliminar alternativas no deseables.

2. Metodología: Análisis de Brecha Virtual (VGA)

Los autores proponen un nuevo enfoque basado en la Programación Lineal llamado Análisis de Brecha Virtual (VGA). El método se centra en una perspectiva pesimista (peor práctica) y utiliza un marco de dos etapas para evaluar DMUs con datos cardinales (cuantitativos) y ordinales (cualitativos, escalas Likert).

Componentes Clave del Método:

Enfoque Dual (Perspectiva-c vs. Perspectiva-v): El estudio se centra en la Perspectiva-c, que utiliza un enfoque de dos etapas para clasificar y eliminar las alternativas menos favorables.
Modelos Específicos: Se introducen dos modelos lineales principales para la peor práctica:
1. Modelo owPT (Ordinal-worst-Pure Technical): Utilizado en la Etapa I. Evalúa cada DMU contra todas las demás para identificar un conjunto de "peores DMUs" (aquellos con una brecha virtual de cero).
2. Modelo ohPT (Ordinal-hypo-Pure Technical): Utilizado en la Etapa II. Evalúa exclusivamente a las DMUs identificadas como "peores" en la Etapa I para determinar cuál es la absolutamente peor (la que requiere mayores ajustes para igualar a sus pares).

Proceso de Dos Etapas:

Etapa I (Identificación del Grupo de Peores):
- Se aplica el modelo owPT a todas las DMUs.
- Se calcula una "Brecha Virtual Total" (TVG). Las DMUs con una brecha de cero ( $\Delta = 0$ ) se clasifican como el grupo de "peores prácticas" ( $E_{owPT}$ ).
- Las DMUs con brecha positiva se consideran "no peores" y se clasifican por separado.
- Se establece un Precio Objetivo Unificado ( $\tau_o$ ) para normalizar los precios virtuales de entrada y salida, eliminando la subjetividad.
Etapa II (Ranking dentro del Grupo de Peores):
- Se aplica el modelo ohPT solo a las DMUs del conjunto $E_{owPT}$ .
- Este modelo busca una "hiper-brecha virtual" (o brecha hipotética).
- La DMU con la mayor brecha virtual positiva en esta etapa se identifica como la alternativa menos favorable (la peor de todas) y debe ser eliminada o reasignada.
- El proceso permite un ranking completo eliminando iterativamente la peor opción.

Tratamiento de Datos Ordinales:

Los datos ordinales (ej. escalas Likert) se integran mediante restricciones en los modelos de programación lineal.
Se utilizan variables de ajuste virtual ($dx, dy$) y precios virtuales unitarios para manejar las transiciones entre los puntos de la escala Likert, asegurando que las evaluaciones respeten los límites de la escala (mínimo y máximo).

3. Contribuciones Clave

Método No Paramétrico Puro: A diferencia de la DEA (semi-paramétrica) o SFA (paramétrica), VGA no asume una función de producción específica ni requiere pesos subjetivos. Todos los parámetros se derivan matemáticamente de los datos.
Manejo de Heterogeneidad: El método es robusto frente a la diversidad en las unidades de medida y la estructura de datos (mezcla de cardinales y ordinales), sin necesidad de normalización previa que distorsione los resultados.
Eliminación de Sesgos: Al utilizar un "precio objetivo unificado" derivado matemáticamente en lugar de pesos asignados por expertos, se elimina el sesgo humano en la evaluación.
Invariancia de Unidades: Los resultados de la clasificación son invariantes al cambio de unidades de medida (ej. kilogramos vs. toneladas), una propiedad que muchos métodos DEA tradicionales no garantizan sin ajustes complejos.
Escalabilidad y Eficiencia: El enfoque se basa en programación lineal estándar, lo que permite su implementación en sistemas de soporte a decisiones (DSS) y su escalabilidad a matrices grandes (cientos de columnas y filas) en tiempo real.

4. Resultados

Los autores validaron el método mediante dos casos de estudio:

Ejemplo Mínimo (6 DMUs): Evaluación de modelos de portátiles con datos mixtos (peso, ventas, percepción de marca, satisfacción del usuario).
- El modelo identificó correctamente a la DMU "D" como la peor opción en la Etapa II, con una brecha virtual significativa ( $\Delta = 0.474$ ).
- Se demostró la capacidad de calcular ajustes específicos (reducción de entrada, aumento de salida) necesarios para que una DMU ineficiente alcance el nivel de sus pares.
Problema Real a Gran Escala (29 Provincias de China): Evaluación de eficiencia energética.
- Se identificó un conjunto de 11 provincias como "peores DMUs" en la Etapa I.
- En la Etapa II, la provincia "DMU1" fue clasificada como la peor alternativa con la mayor brecha hipotética ($0.426$), requiriendo ajustes sustanciales en sus inputs y outputs para igualar a las mejores de su grupo (DMU11 y DMU19).
- Los resultados confirmaron que el método es capaz de manejar datos ordinales (tercer indicador de salida medido en escala Likert) sin perder precisión.

5. Significado e Impacto

Avance Teórico: El artículo resuelve inconsistencias teóricas de la DEA y ofrece un marco riguroso para la evaluación de "peor práctica", un área a menudo descuidada en la literatura MCA.
Aplicabilidad Práctica: Proporciona una herramienta decisiva para la gestión de operaciones, políticas públicas y selección de proveedores, permitiendo no solo clasificar, sino también eliminar sistemáticamente las opciones ineficientes.
Integración con IA y Big Data: La naturaleza algorítmica y lineal del método facilita su integración con sistemas de Inteligencia Artificial, Internet de las Cosas (IoT) y análisis de Big Data, permitiendo decisiones en tiempo real en entornos complejos (Ciudades Inteligentes, Industria 4.0).
Objetividad: Al eliminar la subjetividad en la asignación de pesos, el método ofrece una base más justa y transparente para la toma de decisiones críticas, especialmente cuando se involucran criterios cualitativos sensibles.

En resumen, este trabajo presenta una metodología robusta, escalable y matemáticamente sólida para la evaluación de múltiples criterios, superando las limitaciones de los métodos tradicionales al integrar datos mixtos y ofrecer una perspectiva pesimista objetiva para la eliminación de alternativas ineficientes.