Aplicaciones de ciencia de datos al proceso de toma de decisiones en la gestión de empresas de acuicultura

Resumen

A pesar del crecimiento experimentado a lo largo de los últimos años, la industria se sigue teniendo problemas debidos a la alta complejidad de sus procesos y la volatilidad de sus resultados. Además, la necesidad de tomar decisiones en tiempo real, analizando para ello grandes volúmenes de datos, ha provocado que los sistemas tradicionales de gestión se hayan quedado obsoletos, a la espera de que la aplicación de Inteligencia Artificial y el Big Data puedan aportar soluciones. Por esta razón, la presente Tesis Doctoral tiene como objetivo la aplicación de técnicas de análisis y procesamiento de datos para desarrollar nuevos modelos computacionales que aborden el proceso de toma de decisiones de las empresas de acuicultura, dando así una respuesta efectiva a los problemas mencionados anteriormente. Este objetivo ha sido abordado siguiendo un modelo de innovación incremental, que comienza con la determinación e integración de los criterios de decisión más importantes y avanza con el desarrollo secuencial de metodologías complejas apoyadas en técnicas de inteligencia artificial hasta conseguir la optimización de las principales decisiones estratégicas y operativas del sector. Desde nuestro punto de vista, el desarrollo de estas metodologías no solo ha significado una novedad técnica respecto a los sistemas de ayuda a la toma de decisiones actuales, sino también un avance significativo en su eficacia en diferentes escenarios. En este sentido, la aplicación de técnicas multicriterio ha permitido, en primer lugar, considerar criterios diferentes, y muchas veces subjetivos, en el proceso de toma de decisiones en función de la importancia de cada uno de ellos para el productor. Esto ha posibilitado la incorporación de los cambios en la sensibilidad del mercado hacia otros factores, como la sostenibilidad o la calidad del producto, que complementan la tradicional racionalidad económica ligada a la maximización del beneficio. Así, se ha demostrado que no solo es posible incrementar la productividad y rentabilidad de las empresas, sino también reducir el consumo de algunos insumos y sus efectos negativos sin reducir su productividad. Además, con el fin de acercar la investigación a las necesidades reales de las empresas del sector, se han aplicado diferentes técnicas de análisis de datos para el desarrollo de modelos de simulación y optimización cada vez más completos. Estos modelos han incrementado el uso de información real y su capacidad de ser aplicados a un gran número de unidades productivas con un horizonte temporal más amplio. Esto ha permitido también abordar por primera vez problemas de los gestores como la introducción de restricciones comerciales o la consideración de la incertidumbre en torno a algunos factores, con el fin último de reducir el riesgo.