La Importancia del Análisis Causal en la Toma de Decisiones en AEC

En los últimos años, la industria de arquitectura, ingeniería y construcción (AEC) ha visto un aumento en el uso de Modelos basados en datos para la toma de decisiones. Estos modelos utilizan grandes cantidades de datos para guiar elecciones sobre diseños de edificios y uso de energía. Sin embargo, confiar demasiado en estos modelos sin considerar las relaciones de causa-efecto entre diferentes factores puede llevar a errores y conceptos erróneos.

Este artículo explora la importancia de analizar estas relaciones causales al usar métodos basados en datos. Vamos a ver un estudio de caso donde se evaluó la relación entre diferentes Elecciones de diseño y el Consumo de energía, destacando cómo ignorar las dependencias causales puede desviar la toma de decisiones.

#El papel de los datos en la toma de decisiones

Los modelos basados en datos son populares porque pueden procesar rápidamente grandes cantidades de información. En el contexto del diseño de edificios, estos modelos pueden analizar cómo diferentes elementos de diseño, como el aislamiento y los sistemas de calefacción, afectan el consumo de energía. Sin embargo, estos modelos funcionan mejor cuando los factores analizados son independientes entre sí. En la vida real, esta suposición a menudo no se cumple. Muchos factores pueden influirse mutuamente, lo que lleva a posibles sesgos en los resultados.

Un malentendido común es el viejo dicho, “la correlación no implica causalidad.” Esto es especialmente relevante en campos de ingeniería, donde los métodos basados en datos se aplican a menudo sin considerar las relaciones causales subyacentes. A diferencia de los modelos que se basan en leyes y principios científicos establecidos, los modelos basados en datos pueden perder estos vínculos causales, lo que resulta en conclusiones erróneas.

#Entendiendo el Análisis causal

Para evitar resultados engañosos de los modelos basados en datos, es esencial incorporar el análisis causal. Este enfoque ayuda a identificar qué factores se influyen mutuamente. Al establecer una comprensión clara de estas relaciones, los ingenieros pueden tomar decisiones más informadas sobre el diseño del edificio.

En términos prácticos, el análisis causal implica crear una representación visual de cómo están vinculados los diferentes factores. Esto podría implicar dibujar diagramas que muestren la relación entre los estándares de aislamiento, los sistemas de calefacción y el consumo de energía. Al analizar estos diagramas, los ingenieros pueden identificar posibles sesgos y problemas en sus modelos basados en datos.

#Estudio de caso: diseño de edificios y consumo de energía

Para ilustrar el valor del análisis causal, vamos a revisar un estudio de caso que evaluó cómo diferentes elecciones de diseño impactan el consumo de energía de un edificio. El análisis involucró dos escenarios principales.

#Configuración del escenario

En este estudio, se probaron diferentes estándares de aislamiento y sistemas de calefacción para ver cómo afectaban el uso de energía para calefacción. La estructura evaluada fue un edificio de uso mixto de cuatro pisos. Se utilizó un modelo para crear varias configuraciones del edificio que reflejaban opciones de diseño del mundo real.

#Escenario I: Modelos a gran escala

En el primer escenario, se incluyeron todas las características de entrada relevantes en el modelo para predecir el uso de energía. Este enfoque proporciona una vista completa de cómo interactúan los diferentes factores y contribuye a predicciones precisas. Los resultados mostraron que los modelos funcionaron bien, con un alto grado de precisión en la predicción del consumo de energía.

#Escenario II: Características de entrada enmascaradas

En el segundo escenario, se dejaron fuera ciertas características de entrada. Esto imita situaciones comunes del mundo real donde los ingenieros podrían no tener acceso a datos completos. Aunque los modelos aún funcionaron razonablemente bien, ahora faltaba información importante, lo que llevó a resultados inesperados. Por ejemplo, se mostró que un estándar de aislamiento más alto conducía a un mayor consumo de energía, lo que contradijo el conocimiento establecido sobre el aislamiento.

#El escenario de fallout y su impacto

Los resultados inesperados del Escenario II destacan un error significativo en el modelado basado en datos. Cuando se omiten características críticas, puede crear una situación de "fallout". Esto significa que el modelo produce resultados que son engañosos y pueden llevar a conclusiones incorrectas.

Por ejemplo, una conclusión extraída de los resultados defectuosos podría sugerir que los estándares de aislamiento más altos no son importantes o que usar estándares más bajos podría reducir el uso de energía. Tales conclusiones pueden crear confusión y llevar a una mala toma de decisiones en proyectos reales, resultando potencialmente en pérdidas financieras y un aumento en el consumo de energía.

#Importancia de las dependencias causales

Las discrepancias observadas en el Escenario II se debieron principalmente a una falta de comprensión de las relaciones causales. Al examinar estas dependencias, podemos identificar las influencias entre diferentes características, asegurando que los modelos reflejen con precisión cómo las elecciones de diseño impactan el uso de energía.

El análisis causal implica identificar qué factores afectan directamente el consumo de energía y cuáles son simplemente correlacionados. Al entender estas conexiones, los ingenieros pueden refinar sus modelos, asegurándose de tomar decisiones informadas basadas en predicciones precisas.

#Implementando el análisis causal en ingeniería

Para integrar efectivamente el análisis causal en el modelado basado en datos, los ingenieros pueden seguir un enfoque sistemático:

1. Identificar variables clave: Determinar qué factores son más relevantes para la decisión de diseño en cuestión.

2. Construir diagramas causales: Crear diagramas que ilustren las relaciones entre estos factores. Esta representación visual puede ayudar a identificar fácilmente influencias directas y posibles sesgos.

3. Analizar relaciones: Usar métodos estadísticos para analizar los datos y confirmar las relaciones mostradas en los diagramas. Esto ayudará a validar las suposiciones causales.

4. Ajustar modelos en consecuencia: Refinar los modelos basados en datos incorporando las ideas obtenidas del análisis causal. Esto podría involucrar agregar características que faltan o ajustar cómo se evalúan ciertos factores.

5. Validar hallazgos cruzando datos: Comparar los resultados con el conocimiento establecido o resultados del mundo real para asegurar precisión.

#Conclusión

Incorporar el análisis causal en el modelado basado en datos es crucial para evitar resultados engañosos en la industria de arquitectura, ingeniería y construcción. Al entender las relaciones entre diferentes elecciones de diseño y sus impactos en el consumo de energía, los ingenieros pueden tomar decisiones mejor informadas que lleven a diseños de edificios más eficientes y efectivos.

El estudio de caso discutido ilustra las posibles trampas de depender únicamente de métodos basados en datos sin considerar las dependencias causales. Subraya la importancia de combinar conocimiento empírico, simulaciones basadas en principios fundamentales y métodos basados en datos para crear un marco más robusto de toma de decisiones en contextos de ingeniería.

A medida que la industria sigue evolucionando y adoptando enfoques basados en datos, es esencial integrar el análisis causal para mejorar la precisión y fiabilidad de los modelos. De esta manera, los ingenieros pueden mitigar riesgos y concentrarse en crear soluciones sostenibles que se alineen con las mejores prácticas en diseño de edificios y eficiencia energética.