Los informes técnicos que tienen como objetivo estimar la indemnización por la frustración de la utilidad en un proyecto de construcción, que una de las partes dejó de percibir como consecuencia del daño ocasionado por la otra parte, muchas veces se sustentan en la presunción de un escenario contrafactual de cómo se habrían sucedido los acontecimientos en el supuesto de no haber ocurrido el hecho que ocasionó el daño, esto con el objetivo de acreditar y probar el nexo causal entre el daño y la ganancia frustrada. La estimación de la indemnización de la ganancia frustrada tiene la problemática de requerir pruebas rigurosas para establecer con exactitud su alcance y probanza. Es probable que los tribunales arbitrales no solo se limiten a requerir una proyección de las ganancias dejadas de percibir sino que exijan una posibilidad objetiva del éxito del proyecto del que se reclama, considerando variables que no estén sustentadas en supuestos imprecisos e inciertos, por lo que el informe pericial además de contar con una metodología económica y financiera, debe acreditar en la construcción de su hipótesis, la probabilidad del éxito del proyecto, con el fin construir un modelo de valoración consistente.
En este sentido, la metodología “Ingeniería ANETRIC RNA” propone un modelo predicción de la probabilidad de éxito o fracaso de un proyecto de construcción antes de iniciarse. Asumiendo la existencia de un proyecto con contrato suscrito, cuyo inicio de ejecución fue frustrado al contratista por un hecho imputable a la parte contratante. El modelo de predicción se sustenta en un mecanismo de calificación del riesgo de un proyecto, mediante la creación y empleo de una base de datos con indicadores históricos para medir el impacto de los factores de riesgos sobre los objetivos de un proyecto de infraestructura, bajo un esquema de rentabilidad, comparando los datos históricos con los riesgos identificados en el negocio, usando para tal fin las redes neuronales artificiales como herramienta de análisis.
Sin embargo, debe tenerse en cuenta que predecir el éxito o fracaso de un proyecto implica predecir el riesgo de tener éxito o fracaso en su ejecución, por tal motivo se hace necesario realizar una evaluación del riesgo que se podría asumir, escogiendo una métrica adecuada. El riesgo no solo hay que evaluarlo por la probabilidad de éxito o fracaso del proyecto sino también por la importancia de la meta que se quiere llegar. Es importante por lo tanto una propuesta de indicadores de medición de los factores de riesgo, que impactan sobre los objetivos del proyecto bajo un esquema de rentabilidad, aplicando un mecanismo de control que compare los riesgos actuales con los datos históricos de proyectos pasados de la organización, utilizando como herramienta de análisis las redes neuronales artificiales.
Es necesario establecer un modelo que estime con el mínimo error posible la probabilidad de ocurrencia de éxito o fracaso de un proyecto de infraestructura en las condiciones normales y previsibles estimadas, antes de ser iniciado, esto porque estamos en el supuesto que el proyecto pactado fue frustrado antes de iniciarse por un hecho imputable a la parte contratante y es necesario que el informe pericial además de contar con una metodología económica y financiera que cuantifique la utilidad frustrada, acredite también en la construcción de su hipótesis, la probabilidad del éxito del proyecto de manera sólida, puesto que si la probabilidad es la de fracasar, no tendrían sentido las proyecciones positivas financieras.
Sin embargo, es posible que se logre realizar un cálculo subjetivo de la probabilidad de éxito o fracaso de un proyecto antes de ser iniciado, basándose en las consultas a expertos o en consultas directas a todas las partes interesadas del proyecto, lo que debería proporcionar una calificación subjetiva para cada riesgo identificado. No obstante, este proceso de estimación del riesgo contiene demasiada incertidumbre y no puede ser calificado como confiable.
Asimismo, es posible realizar un cálculo objetivo de estimación del riesgo del proyecto antes de ser iniciado en base a una evaluación de variables mediante la comparación de valores umbrales con proyectos similares ejecutados por el contratista afectado, de modo que podamos calificar cuantitativamente el proyecto antes de ser iniciado como éxito o fracaso. No obstante, el problema que puede ocurrir es que los valores umbrales considerados pueden contener demasiada incertidumbre para definir el umbral de comparación, ya que simplemente se basa en una media ponderada de la exposición al riesgo de los datos históricos de la organización, o en algunos casos el problema que puede ocurrir es que la empresa adopte valores teóricos de comparación (por ejemplo valores pertenecientes a otras organizaciones), a de fin predecir el éxito o fracaso de un proyecto. En ambos casos el proceso de estimación del riesgo contiene demasiada incertidumbre y no es confiable.
Estrategia de solución
La propuesta consiste en establecer un modelo que utilice los datos históricos de proyectos similares ejecutados por la organización, buscando identificar los factores de riesgo que afecten las variables de éxito del proyecto. El modelo propuesto usa como herramienta de análisis las redes neuronales artificiales, afín que pueda determinar los umbrales de comparación de éxito o fracaso de un proyecto antes de ser iniciado.
El modelo propuesto será construido en base a los datos históricos de proyectos similares ejecutados por la organización, usando como herramienta las redes neuronales artificiales y tendrá como salida o variable de evaluación estimada el indicador del objetivo del proyecto (efectividad, eficiencia y calidad) y cálculo del riesgo en términos de la probabilidad de éxito o fracaso del proyecto antes de ser iniciado, por lo tanto nos encontramos con el problema de averiguar en qué medida los riesgos pueden repercutir en los objetivos del proyecto. Por ejemplo, si los riesgos impactan demasiado sobre el proyecto, debemos obtener baja probabilidad de éxito. Sin embargo debemos tener en cuenta para los resultados, la base o umbral de comparación que arroja el modelo. Por ejemplo, supóngase como objetivo del proyecto la efectividad que se mide en el índice de efectividad (resultados alcanzados sobre resultados planificados) a fin de definir el éxito o fracaso de un proyecto, y lo comparamos con los índices de efectividad de proyectos similares de la empresa. Supongamos que para un proyecto se obtiene el índice de Efectividad “E1” entre 0,7 y 0,8. Si se define un índice de efectividad teórico de éxito E2=1.0 como umbral de comparación, entonces el proyecto es considerado como fracaso, porque E1E3). Esto último ocurre porque el objeto de comparación se basa en experiencia reales de la organización. Por lo tanto, debemos procurar calibrar el criterio de evaluación de los datos observados en base a las actuaciones reales de la empresa, procurando que la información sea suficiente y lo más actualizada como sea posible, a fin de estimar un modelo óptimo que use la herramienta de las redes neuronales artificiales.
La estrategia que se propone está basada en el diseño de indicadores históricos comunes a los proyectos de una organización, que permitan construir una base de datos históricos del comportamiento de la organización en la ejecución de proyectos similares, con el fin de calcular el impacto de los factores de riesgo sobre los objetivos del proyecto. El propósito en esta estrategia es generar una base de comparación del valor del riesgo.
