Blog H2OWorks

En los últimos años, la cantidad de datos que se generan en la industria ha crecido de tal manera que su captura, procesamiento, gestión y análisis se han hecho imposibles con herramientas digitales comunes, no se diga mediante instrumentos de registro mecánico. Hojas de cálculo y gráficas ya no soportan el volumen de datos que arrojan los procesos de casi cualquier tipo de planta productiva. Por ese motivo, fue necesario desarrollar herramientas más poderosas en velocidad, capacidad de procesamiento y adaptabilidad. Estos tres requerimientos se conocen como las 3V del big data (Volumen, Velocidad y Variedad).

Analytics: lo que nadie puede obviar

Nadie debería poner en duda la importancia de los datos capturados por los diversos sensores que hoy recolectan data en tiempo real durante los procesos productivos; tales sensores informan, por ejemplo, sobre las condiciones de humedad, temperatura, presión o cantidad de piezas producidas que existen en una determinada instalación y, al conocerlas, nos ayudan a la toma de decisiones, mejorando los procesos productivos, reduciendo errores y habilitando la transformación digital.

En todo ello debemos partir de que la transformación digital es una decisión más estratégica que tecnológica, por ello el primer paso debe ser una visión de a dónde se pretende llegar con el cambio y, en simultáneo, realizar una revisión de los procesos de negocio existentes, mediante una consultoría de operaciones que integre data analytics, a fin de verificar la pertinencia de la visión y estar seguros que los pasos tecnológicos que se emprendan enseguida estén alineados con sus objetivos empresariales.

El análisis de datos combina sistemas de alta tecnología y matemáticas avanzadas, con objeto de agilizar la organización de los datos obtenidos, analizándolos al menos en las siguientes cuatro capas: 

• primero, un análisis descriptivo, que aporte datos sobre el estado de cosas en el pasado y el presente; 

• segundo, un análisis de diagnóstico, que busca explicar el por qué de esos datos, sin importar qué tan positivos o negativos parezcan; 

• tercero, un análisis predictivo, que nos indique las tendencias que se darán en el futuro sobre la base de los datos analizados; 

• y, por último, un análisis prescriptivo, que aconseje –mediante el diseño de algoritmos y otras herramientas analíticas– cómo proceder para ampliar o corregir la información, intervenir en la operación o replantear los lineamientos estratégicos.

Utilizando data analytics

Pongamos un ejemplo en el área de mantenimiento. Supongamos que llevas algún tiempo midiendo el desgaste de las piezas críticas en tus principales máquinas productivas. Entre otras cosas, estás midiendo la temperatura de tus calderas y, de ese modo, no sólo has ubicado fugas de energía con precisión, sino que también has comenzado a controlar defectos en el aislamiento térmico, detectado fugas y monitoreado el funcionamiento correcto del sistema de recuperación de condensados. Eso te ha ayudado a conocer mejor tus equipos y ha determinar con anticipación y precisión, cuando una brida, válvula o alguna otra pieza mecánica son susceptibles a sufrir daños y es conveniente sustituirlas, antes de provocar un paro de producción.

Llevándolo más lejos, hoy una máquina con sensores que midan corrosión, vibración, consumo energético y otros factores similares, podría reaccionar y actuar en consecuencia, basándose en todos sus datos, con la finalidad de no presentar fallas. En este caso hablaríamos de “machine learning” o aprendizaje automatizado de la máquina, pues a través de todos los datos recolectados y analizados, las máquinas ya son capaces de hacer más eficiente su funcionamiento por medio de autocorrecciones.

Analítica y ventas

Las empresas han comenzado a cruzar información entre lo que sucede en sus áreas de producción y sus mecanismos de captación de clientes. Con el aprovechamiento del inbound marketing y, por lo tanto, escuchando al mercado por medio de las redes sociales y otros canales digitales, es posible conocer las preferencias de los consumidores, por ejemplo, la posible demanda de los clientes por los autos de color azul y una determinada marca y variedad. 

Si el gerente de producción analiza la información en conjunto con los encargados de mercadotecnia y ventas, es posible cambiar ágilmente la planeación de producción y atender la demanda de un modo más puntual y personalizado.

Si pensamos en todo el tiempo y trabajo que nos llevaría analizar este tipo de datos manualmente, concluiríamos que, al acabar con ello, el resultado seguramente sería inservible, pues después de todo el desfase de tiempo entre la generación de los datos y la entrega de la información, además de todos los factores humanos que podrían haber generado errores en los resultados, el aprendizaje sería inútil y existiría una gran brecha que impediría con ello mejorar el proceso de toma de decisiones. 

Dado el entorno hiperconectado de la actualidad, la inmensa competencia que enfrentamos a nivel local, regional y global, y la creciente velocidad de cambio que caracteriza todos los mercados, no importa qué tan aguzada sea nuestra intuición y nuestro conocimiento empírico del negocio: hoy la correcta toma de decisiones requiere de data analytics.

Colaboración de Ana Karen Bocanegra, Ingerniero en Automatización en H2OWorks |