Blog H2OWorks

Más de una vez nos hemos sentado en la mesa de negociación con un cliente, para darnos cuenta de lo siguiente: sus instalaciones ya están generando una gran cantidad de datos, tienen la tecnología más moderna en sus líneas de producción y un sinnúmero de “smart devices” conectados; y, sin embargo, no están obteniendo el valor que esperaban.

¿Y quién los culpa? Para que los datos sean valiosos, se deben de convertir en acciones, la información debe estar disponible para reporteo y análisis, a fin de tomar decisiones provechosas para todos los miembros de la cadena de valor.

Recordemos que el mero hecho de recolectar datos no quiere decir que de verdad los estemos aprovechando. Todo proyecto de big data debe ir alineado a necesidades de negocio puntuales para generar big saving y big results.

Paso 1. Enmarca el problema

Entender profundamente el negocio es el primer paso vital para garantizar el éxito de un proyecto de big data. Es esencial entender quiénes son los actores involucrados y en qué etapas van a ser utilizados los datos recolectados para la toma de decisiones. ¿Son datos que van a ser usados en las capas operativas? ¿Tu proyecto de big data tiene un claro objetivo a nivel negocio?

Recordemos a Steve Jobs, quien afirmó que “si defines un problema correctamente, casi tendrás la solución”.

Esto es tan preciso como lo siguiente: “integraremos sensores para recolectar datos de la línea 4, a fin de establecer una estrategia de mantenimiento predictivo que contempla tres procesos clave de negocio, en razón de que no todos los datos pueden ser extraídos directamente de los sistemas actualmente establecidos, ya que hay pruebas de calidad que los operadores deben ir y realizar manualmente”.

Entonces sí que sabremos qué estamos buscando y cómo los datos recolectados estarán agregando valor.

Paso 2. Aprovecha todos los recursos existentes

Una vez que ya tenemos definido un objetivo, el siguiente paso es ver si contamos con los activos necesarios para lograr el mismo.

Exploremos las bases de datos ya existentes, los sistemas con los que ya contamos, la información que nos están arrojando, de modo que sólo instrumentemos lo que sea necesario agregar. En este caso, el depender de que un operador tome los datos de calidad nos pone en riesgo de que la información no sea recolectada de la manera correcta y provoque errores; lograr independencia de las fuentes es muy importante.

Una vez que hemos instalado con todos los activos, recordemos que el contar con los datos organizados es un gran reto: debemos estructurarlos y limpiarlos para poder contextualizarlos de acuerdo al negocio y de ahí derivar el logro de nuestro objetivo.

3. Empieza en pequeño y escala rápido

Un gran error que se experimenta a menudo en la implementación de las estrategias de big data es esperar grandes resultados de inmediato. Las aplicaciones iniciales deben ser proyectos pequeños, en los que podamos tener grandes resultados enfrentando la menor cantidad de riesgos posibles.

De esta manera podremos crecer a un mayor número de proyectos pequeños que se convertirán en proyectos cada vez mayores.

Las compañías manufactureras están aplicando el big data analytics para obtener ganancias de la gran cantidad de datos que han generando previamente. De ese modo, muchas empresas maduras en lo que a “data capabilities” se refiere, están usando la información del piso de producción aunados a sus plataformas de gestión y las solicitudes del mercado, con el fin de generar análisis más amplios y precisos, reportando ahorros de 10% y más en términos del costo de la calidad y de la eficiencia de la producción.

Big data, big saving, big results, isn’t it?

Colaboración de Pedro Flores, Data Science Manager en H2OWorks |