Es el precio óptimo al que podemos ofertar y ganar para una probabilidad de ganar concreta.
1. ¿Cómo implementar un proceso de Precio Ganador?
1.1 ¿Quién necesita un proceso de “Precio Ganador”? Publicado el 13.sep.15
1.2 Capacidades necesarias para calcular un Precio Ganador. Publicado el 20.sep.15
1.3 Las etapas del proceso del Precio Ganador. Publicado el 10.0ct.15
1.4 Analizar el contexto de mercado. Publicado el 18.0ct.15
1.5 Modelizar un Precio Ganador
Es ahora y no antes cuando podemos empezar el Paso 4 y, modelar los precios reales. Si entras directamente en el paso 4 sin los otros 3, entonces estarías haciendo realmente un “should cost”. El modelado del Precio Ganador se merece un libro entero para sí mismo, pero nuestro consejo más valioso es seguir el Método de las Cinco Perspectivas ™. Esto significa analizar cada paquete de trabajo desde al menos 3 de 5 perspectivas posibles.
Figura 4: Cinco métodos de Estimación para Triangular tu Precio Ganador
Este ejemplo ilustra la importancia de hacerlo de la manera que proponemos. Digamos que le pides a Paco que estime un paquete de trabajo para ti. Paco hace una estimación típica botton-up y el resultado tiene mala pinta. Le pides a Paco que lo compruebe y Paco vuelve con una respuesta más afinada, pero todavía tiene mala pinta. No importa cuántas veces le pidas a Paco que haga esa tarea, Paco va a repetir los mismos errores todas las veces. Paco en realidad tiene su propio margen personal de error que podemos medir usando algo llamado el “Valorador Brier”.
Podemos mejorar esta forma de estimar de Paco con entrenamiento de calibración específico. Puede que Paco tenga simplemente un tipo de personalidad pesimista en relación a la forma en que estima los tiempos que llevará cumplimentar algunas tareas.
Paco podría tener la creencia de que “la realidad siempre consumirá el doble de lo que estimemos”. No podemos cambiar la visión y sesgos de Paco. Las investigaciones realizadas por Buehler, Griffin & Ross mostraron que los individuos tenemos una tendencia natural personal a subestimar o sobreestimar. Aunque podemos mejorar nuestra precisión con entrenamiento en calibración, siempre queda algún sesgo. Sin embargo, podemos evitar el problema pidiendo a Paco que haga una estimación utilizando técnicas diferentes.
Esto no implica directamente que sea un pesimista por la forma en que estima los trabajos a realizar. Por ejemplo, las estimaciones paramétricas utilizan descripciones técnicas, en lugar de tareas, como datos principales. Por lo tanto, cuando Paco describe los paquetes de trabajo usando una descripción técnica, su sesgo se mitiga. Esto evita los errores repetitivos. Cada vez que utilizamos una perspectiva diferente vamos a obtener una cifra ligeramente diferente. Pero al hacerlo, ganaremos mucha más precisión y una comprensión más profunda del paquete de trabajo cuando intentes conciliar los resultados de los diferentes métodos utilizados. Todos los métodos de estimación tienen sesgos, fortalezas y debilidades. Sin embargo, con la combinación de métodos de estimación diferentes por separado consigues mitigar las debilidades, o por lo menos, ser más conscientes de ellas. Además, si uno de los resultados se destaca de los otros, por lo general contiene un error.
La combinación de diferentes métodos de estimación puede consumir mucho tiempo, pero los beneficios son enormes. Imaginemos que hemos medido las estimaciones en forma botton-up con un 70% de precisión. Eso significa que hay una probabilidad del 30% de que la estimación botton-up sea incorrecta. Pero si también tenemos una estimación paramétrica mostrando una predicción similar, y sabemos que las estimaciones paramétricas son exactas al 85%, la exactitud combinada es ahora del 95,5%. Añadir una estimación comparativa con un 60% de precisión, que también apoye nuestra respuesta, nos daría una precisión combinada del 98,2%. Además, proponemos usar una herramienta llamada Arrisca que realiza un análisis de sensibilidad del modelo para ver cuáles son los datos de entrada más grandes. Nuestra “regla de oro” es que nunca una sola entrada debe contribuir a más del 5% al total. Por consiguiente, si tu estimación solamente tiene una oportunidad del 1,8% de estar equivocada, y la estimación sólo contribuye a un 5% del modelo, entonces incluso si tu estimación está salvajemente fuera de rango y duplica lo que debería ser, entonces el modelo general está solo un 2,5% desajustado. En los modelos más complejos, es relativamente fácil asegurar que ninguna entrada única contribuye a más del 2,5% del total. Esto significa que un error del 100% sólo crea un margen de error del 1,25% en el Precio Ganador consensuado.
Para combinar varios métodos de estimación y hacer este tipo de análisis de sensibilidad, necesitarás especialista de software. Por eso disponemos de “Eucles” para modelar Precios Ganadores. A diferencia de los modelos paramétricos, Eucles no genera nuevas cifras y supuestos. Su función es integrar y estandarizar las estimaciones dispares. Por ejemplo, si tienes una estimación paramétrica que proporciona un esfuerzo de diseño en horas y tienes otra estimación de costos botton-up, Eucles te puede dar el precio de ambos en un formato comparable.
Figura 5: Eucles para modelar Precios Ganadores
Eucles está diseñado para trabajar a partir de datos públicos sobre todo a partir de los datos económicos básicos y los datos de estructura de la compañía que derivamos del análisis de los estados financieros. A continuación, se integran las estimaciones de todas las formas de cálculo anteriormente mencionadas ayudando al usuario a ponerlas en un caso de negocio coherente.
Mensaje