Lean continúa ayudando a las empresas manufactureras y de servicios de todo el mundo a mejorar sus resultados. Pero al mismo tiempo, el desempeño “óptimo” de un sistema de producción es cada vez más difícil de definir, y con mayor razón de alcanzar. El paso siguiente para mejorar la productividad y el desempeño requerirá por lo tanto que las compañías lleven a Lean más allá de su enfoque tradicional en maximizar la eficiencia.
Nuevos desafíos
Stay current on your favorite topics
En el futuro, las compañías probablemente se enfrenten a la escasez de muchos recursos, entre ellos la energía y el agua potable, además de materias primas y de la capacidad del planeta de absorber un mayor volumen de desechos. Para ello necesitan diseñar nuevos tipos de equipos y sistemas de producción, capaces de hacer más con menos y de alternar rápidamente entre distintos tipos de productos. También tendrán que tomar decisiones complejas para operar estos sistemas de forma de maximizar la productividad global de los recursos y aumentar el valor de los activos de producción durante todo el ciclo de vida.
Los profesionales en Lean de hoy en día también necesitan pensar más allá de los muros de las fábricas o incluso de las fronteras de sus organizaciones. La volatilidad de la demanda, las fluctuaciones de los precios de los insumos, y la complejidad y extensión de las cadenas de abastecimiento requieren sistemas de producción capaces de responder adecuadamente a los cambios en las necesidades comerciales. Las compañías tendrán que reevaluar constantemente el panorama general, desde decisiones de fabricar o comprar componentes (o productos terminados) hasta reparar o reemplazar equipos antiguos.
Mientras tanto, las tecnologías de fabricación continúan evolucionando. Los mayores costos laborales, sumados a robots más baratos y otras tecnologías, están impulsando un crecimiento exponencial de la automatización. La naturaleza de la automatización también está evolucionando: máquinas inteligentes y flexibles están en condiciones de realizar tareas complejas, variables o de bajo volumen. Las máquinas inteligentes pueden diagnosticar sus propias necesidades de mantenimiento. También, en configuraciones híbridas, los humanos trabajan junto con robots o comparten tareas con los mismos.
Nuevos recursos
Las compañías no tienen por qué enfrentar estos desafíos a ciegas. Los cambios tecnológicos han traído aparejados una variedad de nuevos recursos que las compañías pueden explotar para informar y dar soporte a sus iniciativas de transformación y de mejora continua.
En primer lugar están los datos. Los productos, y las máquinas con que se fabrican, están llenos de sensores que recopilan grandes cantidades de datos sobre prácticamente cualquier cosa, desde la temperatura y la presión en los procesos de producción hasta los hábitos de los consumidores. Las compañías apenas están tocando la superficie en lo que respecta a los posibles usos de los datos: en una moderna plataforma petrolera, apenas el 1% de los datos recogidos por más de 30.000 sensores se llegan a analizar.1
Would you like to learn more about our Operations Practice?
Y las compañías no están limitadas a usar datos propios para mejorar sus procesos. También pueden acceder a amplios recursos de datos externos de una gran variedad de fuentes públicas y privadas. Las redes sociales proveen un nivel de conocimiento sin precedentes y en tiempo casi real acerca de la satisfacción de los clientes con productos y servicios. Las agencias de gobierno proveen datos sobre numerosos factores, desde el estado del clima hasta las condiciones de tránsito en autopistas.
En segundo lugar, está la comunicación. Las tecnologías de redes permiten a las empresas compartir y combinar datos acortando las distancias en tiempo real. Los fabricantes pueden conocer con exactitud cuál es el desempeño de sus equipos y procesos. Y las compañías no solo pueden monitorear sus activos remotos; también pueden controlarlos. Muchas empresas utilizan equipos centralizados de confiabilidad y expertos en procesos para solucionar problemas con los equipos remotamente. Una compañía de insumos industriales opera sus plantas de producción totalmente a distancia, y envía equipos de mantenimiento a cada sitio solo cuando es necesario.
Las tecnologías de comunicación con gran ancho de banda son complementadas por una mayor capacidad de almacenamiento de datos. El “universo digital” de datos almacenados se duplica cada dos años. Para 2020, se espera que alcance los 44 zettabytes.2 Esto equivale a 1.500 millones de años de contenido en video HD, o al espacio suficiente para almacenar en audio todas las comunicaciones verbales humanas hasta el momento. Las tecnologías inteligentes de organización, búsqueda y recuperación de información facilitan el acceso a los datos – y permiten a las compañías comparar las condiciones de producción actuales con eventos similares a lo largo de la vida útil del activo, o analizar información del proceso de fabricación para hallar la causa raíz de fallas en los productos.
Por último, está la inteligencia. Las computadoras rápidas y las tecnologías analíticas inteligentes pueden detectar tendencias y patrones en grandes conjuntos de datos. Los modelos digitales son capaces de testear miles de escenarios diferentes para hallar la solución óptima. Es posible incorporar décadas de experiencias humanas en bases de datos de conocimientos, para permitir a los sistemas de control de procesos tomar decisiones más rápidas y acertadas que un operador humano. Las tecnologías de inteligencia artificial permiten a las computadoras aprender de la experiencia y mejorar sus resultados día tras día.
Usar nuevas herramientas para tomar mejores decisiones
Una tarea clave para las empresas de manufactura consiste en adaptar y extender su capacidad de mejora para hacer el mejor uso posible de los nuevos recursos con el fin de resolver los desafíos actuales. Los ejemplos de algunas de las compañías más destacadas hoy en día proveen un indicio del potencial de este conjunto extendido de herramientas Lean.
Optimizar sistemas con insumos complejos
Algunas formas convencionales para optimizar la producción pueden provocar efectos secundarios no deseados. Por ejemplo, enfocarse en lograr el máximo rendimiento en la operación de una planta puede llevar a un consumo excesivo de energía, gastos innecesarios de procesamiento de aguas residuales, o mayores costos de mantenimiento y tiempo ocioso. Acceder a más datos sobre desempeño histórico, y utilizarlos para elaborar modelos exhaustivos de comportamiento de los equipos, permite a las organizaciones adoptar un acercamiento mucho más holístico en sus esfuerzos de control y gestión de procesos.
Una forma particularmente poderosa de lograrlo es expresar el desempeño de la planta en términos de ganancias por hora.3 Una compañía minera utilizó esta metodología cuando una baja en la calidad del mineral provocó una caída de la producción de una mina importante. La compañía estructuró sus datos históricos para expresar el desempeño en procesamiento en términos de ganancia por hora, y luego utilizó un modelo de red neural (un tipo de inteligencia artificial que emula la forma de aprender del cerebro humano) para explorar la relación entre ciertas variables del proceso, como la concentración de reactivos utilizada y la recuperación de material.
Este análisis reveló que optimizando unas pocas variables hace posible aumentar la cantidad de material extraído de un mineral en más del 7,5 por ciento – con un aumento ligeramente superior en las ganancias por hora, ya que el proceso de optimización también disminuye el consumo de otros insumos. Este sorprendente hallazgo resultó contrario a lo que el departamento de ingeniería suponía acerca de cómo optimizar los procesos. Reducir el desperdicio de materiales durante el procesamiento no solo ayudó a la mina a cumplir sus objetivos de producción, sino que además redujo sensiblemente los costos porque la mina extrajo y procesó menos material y en consecuencia pudo operar a un ritmo menos exigente. Como resultado, las ganancias por hora crecieron el 9 por ciento.
Modelado de escenarios
Los sistemas de fabricación modernos y sus cadenas de suministro son extremadamente complejos. Los materiales y componentes son obtenidos de múltiples proveedores, con niveles de precio y calidad muy variables. Estos insumos fluyen a través de distintas rutas de producción y diferentes equipos en cada planta, o a lo largo de procesos que se llevan a cabo en plantas o con subcontratistas diferentes. Luego pueden ser transformados en distintos productos, sub-productos, derivados y desperdicio, cada uno con sus respectivas interacciones y restricciones. Diferentes clientes en diferentes mercados compran esos productos, a precios que fluctúan con frecuencia. Toda esta complejidad hace difícil que los productores estén seguros de que están tomando las mejores decisiones acerca de lo que compran, fabrican o venden en un momento determinado.
Históricamente, para tomar estos decisiones los productores han usado modelos basados mayormente en presunciones y simplificaciones, como el uso de un “precio de transferencia” aproximado para decidir qué materias primas comprar, qué producto fabricar, e incluso qué unidad de producción o planta debería fabricar cada producto. Tales suposiciones y simplificaciones pueden conducir a malas decisiones. Un precio de transferencia artificialmente alto puede derivar en un uso sub-óptimo de los activos de la red, o hacer parecer como no rentables oportunidades con alto potencial.
Los poderosos sistemas de computación actuales permiten a las compañías elaborar modelos detallados de toda su cadena de valor, desde el abastecimiento hasta los pedidos de clientes y su entrega final. Los paquetes avanzados de optimización, utilizando datos detallados, pueden testear rápidamente cientos y hasta miles de combinaciones de productos, plantas de producción y procesos, con el propósito de maximizar los márgenes para la organización dentro de los límites definidos. Y a pesar de que el análisis subyacente en estos sistemas es de muy avanzado, las herramientas más modernas son simples de operar y poseen interfaces de usuario simples similares a una planilla de cálculo.
Un productor europeo utilizó esta metodología para identificar cambios inmediatos en sus tácticas que generaron ahorros de costos por varios millones de euros anuales. La compañía comenzó a fabricar un producto intermedio muy importante en una línea sub-utilizada en lugar de adquirirlo a un tercero. También trasladó la producción de otro componente intermedio a una máquina diferente con mejores rendimientos para reducir los costos de materias primas. Luego, identificó una serie de oportunidades estratégicas de corto plazo para aumentar la capacidad mediante un programa de excelencia operacional y de confiabilidad que abarcó los activos de producción claves. El resultado fue un aumento en el volumen de ventas, gracias a una mayor capacidad de producción a lo largo de varias categorías de productos de alto margen. En conjunto, estos cambios permitieron a la organización aumentar sus ganancias antes de intereses e impuestos (EBIT) en más del 50% una industria de commodities habituada a bajos retornos de ventas.
Uso de datos en tiempo real
La recolección y el análisis rápido de datos ayudan a las empresas a ajustar los parámetros de sus procesos en tiempo real o muy cercano este. Una compañía química empleó un método de este tipo para optimizar los rendimientos en un proceso de reacción continua. La compañía aplicó un modelo de redes neuronales para ajustar el punto de operación de la reacción, basándose en la calidad de los insumos y la vida útil de los catalizadores. La nueva metodología mejoró los rendimientos el 0,5%, un salto significativo para un proceso muy optimizado que ya contaba con una eficiencia superior al 90%.
Aprendizaje automatizado y toma de decisiones
La disponibilidad de más información y el poder de procesamiento para administrar grandes volúmenes de datos están cambiando la forma de controlar los sistemas de producción. Las plantas pueden usar datos históricos de procesos para ajustar automáticamente sus sistemas de control y desarrollar sistemas capaces de reconocer y reaccionar instantáneamente a perturbaciones, como cambios en la calidad del material que ingresa al proceso. Las máquinas también pueden utilizar esta información para mejorar su desempeño continuamente.
Las técnicas de advanced analytics también son muy efectivas para lidiar con problemas complejos que anteriormente requerían la intervención de operadores experimentados o pruebas de “ensayo y error”. Un cambio en el producto final de un proceso de fabricación puede tener numerosas causas raíz – desde el desgaste de piezas o herramientas hasta la contaminación de materias primas. Provistos de datos acerca de las características del sistema, los mecanismos de detección y clasificación de fallas (FDC, por sus siglas en inglés) utilizan modelos estadísticos para interpretar las causas más probables y ajustar automáticamente los parámetros o recomendar acciones correctivas a los operadores.
Integración de actividades/funciones
Hoy en día las empresas pueden integrar datos de la actividad de los sistemas de producción con datos sobre el producto de dichos sistemas, y de esta manera identificar correlaciones entre ambos. Estas correlaciones ayudan a garantizar que el sistema Lean esté operando correctamente para así identificar y solucionar los problemas rápidamente.
Un ejemplo de ello es la efectividad global de los equipos (OEE, por sus siglas en inglés), una métrica común de productividad operacional. Combinando niveles históricos de OEE con información de otras funciones organizacionales, como datos de cadena de abastecimiento y de ventas, una organización puede analizar y entender el verdadero impacto en el negocio de las pérdidas de productividad de los procesos y los equipos, derivadas de paradas no planificadas, ralentización de equipos o demoras en las conversiones, entre otras causas.
Las compañías líderes en Lean utilizan benchmarking para definir metas ambiciosas para indicadores de productividad de los activos (como utilización de equipos) y eficiencia operacional (como costo unitario, por planta y por producto). Vinculando las métricas de desempeño del negocio con los datos de OEE de líneas de producción individuales, las compañías pueden visualizar el impacto probable de incumplir las metas financieras, lo que las ayuda a priorizar la implementación de medidas de respuesta para prevenir pérdidas.
Cuando partes de un sistema de producción presentan problemas de desempeño, el análisis de datos puede contribuir a la identificación de las causas raíz – por ejemplo, correlacionando las mediciones de OEE con la adherencia a los estándares operativos para mediciones, como niveles de personal o el uso de procedimientos estandarizados para las conversiones. La misma metodología puede ayudar a demostrar el valor de las actividades Lean, como estándares de trabajo de líderes, para mejorar el desempeño y la productividad, lo cual no ha sido tarea fácil hasta el momento.
Contar con datos de las distintas funciones también contribuye a mejorar la planificación de la producción. En lugar de ajustar estándares de tamaño de lote, secuencias de producción o conversiones de equipos de manera ad-hoc o periódica, las compañías pueden combinar datos históricos con tendencias y proyecciones para elaborar cronogramas y planes de producción en línea con las variaciones de la demanda.
Captura e intercambio de conocimientos
Las herramientas de software avanzadas también están revolucionando la manera en que las organizaciones almacenan y comunican su know how en toda la empresa. Las compañías líderes se caracterizan por sus esfuerzos constantes por capturar y codificar mejores prácticas, desde ideas para reducir el desperdicio, hasta técnicas para ajustar parámetros de operación y actividades de mantenimiento. La nueva generación de sistemas de software es mucho más poderosa (en parte gracias a herramientas de cálculo incorporadas) y está mejor integrada con los sistemas de planificación, mantenimiento y control de fabricación empresariales.
Esta combinación de poder e integración ayuda a las empresas a usar el conocimiento en todo su potencial. Si una idea para ahorrar energía es implementada exitosamente en una planta, por ejemplo, los sistemas permiten identificar otras instalaciones de la red global de la compañía donde replicar esta idea. También estos sistemas pueden calcular los ahorros probables, permitiendo a los empleados priorizar los cambios dentro de sus planes de optimización.
Presentación de la información de nuevas maneras
En los sectores de consumo, el mayor poder de procesamiento y los avances en la tecnología de visualización han producido una revolución de las interfaces de usuario. Las pantallas de alta resolución, los gráficos 3D y las tecnologías de detección de movimiento prometen generar una revolución similar en el sector manufacturero.
Los sistemas de realidad aumentada muestran la información digital directamente en el campo visual de los operadores por medio de dispositivos portátiles como lentes inteligentes. Durante ensayos, estos adelantos demostraron ser útiles para ayudar al personal de bodegas a encontrar más rápido productos determinados, con mejoras de la productividad en torno al 25%. Un fabricante industrial está desarrollando un sistema de realidad aumentada para guiar a los técnicos paso a paso durante las tareas de mantenimiento, como inspecciones y reemplazo de piezas, e incluso para localizar las piezas necesarias. Algunas aerolíneas están testeando lentes equipados con cámaras de video con las que los empleados de mantenimiento pueden analizar fallas junto con colegas localizados remotamente, mediante la transmisión de la imagen, para resolver juntos los problemas.
Capturar los beneficios
Tal como sucede con muchos otros nuevos y prometedores cambios, las compañías se enfrentan al desafío de avanzar de experimentos, proyectos piloto e historias de éxito aisladas, a una metodología de mejora de la productividad sostenible y aplicable en toda la organización como parte de sus sistemas de producción. Para lograrlo, deben contar con tres elementos clave: Una infraestructura técnica sólida, un conjunto de competencias adecuado, y nuevas ideas sobre métodos de organización y gestión.
Infraestructura técnica
Los fundamentos técnicos de la nueva metodología comienzan por los datos. Y el primer desafío para muchas organizaciones será garantizar el acceso a datos suficientes, ya sea propios o de terceros. Los fabricantes de equipamiento de producción probablemente tendrán el mismo interés que sus clientes en contar con los datos generados por sus equipos. Los OEMs ya están de hecho incorporando el derecho de acceder a la información sobre uso y desempeño de sus productos a los contratos de servicio y soporte post-venta. Del mismo modo, los fabricantes que están analizando la conveniencia de tercerizar en el corto plazo tendrán que asegurarse de no sacrificar el acceso a datos valiosos y a las posibles mejoras derivadas de estos.
Industry 4.0 demystified—lean’s next level
El siguiente desafío será disponer de los sistemas y las herramientas adecuadas para almacenar, limpiar, organizar y visualizar los datos. Hoy día, los datos suelen estar distribuidos en múltiples sistemas y formatos. Un enfoque de productividad total requiere una mejor integración para que todos los sectores de la organización operen sobre la base de una única fuente de la verdad. Pero crear una arquitectura y sistemas aptos para lograr ese cometido en grandes organizaciones representa un desafío de envergadura.
El desarrollo de una infraestructura de producción que pueda soportar ese nivel de integración también dependerá de la colaboración y la formación de alianzas. En la actualidad, la convivencia de estándares diferentes (y a veces de uso exclusivo) vuelve difícil para una compañía reunir input de todos sus equipos. Pero hay iniciativas en marcha para cambiar esta situación. Un ejemplo de ello es el estándar para APIs (interfaz de programación de aplicaciones) de tecnología a bordo de maquinaria móvil de minería, publicado por Global Mining Standards and Guidelines Group, un consorcio de operadores, fabricantes de equipamiento y organizaciones del sector.
Competencias
La mejora de la productividad total también va a requerir nuevas capacidades. Este método involucrará todas las competencias tradicionales Lean y de mejora de procesos que las compañías se han esforzado en desarrollar a lo largo de estos años. También se necesitarán nuevas habilidades, particularmente en áreas como gestión de datos y advanced analytics.
Las compañías tendrán que crear nuevos roles para incorporar científicos de datos y especialistas en TI a sus equipos de operaciones. También deberán invertir en el desarrollo de nuevas competencias inter-funcionales, con entrenamiento específico para el personal de operaciones en toma de decisiones basadas en datos. Los gerentes también necesitarán nuevas capacidades, ya que aumentará la importancia de comprender, interpretar y reaccionar a los datos para sus roles. Debe tenerse cuidado, no obstante, en asegurar que las decisiones sean adoptadas en el nivel apropiado de la organización. El exceso de información puede provocar confusión en los niveles más senior.
Organización y gestión
Las empresas productoras están obligadas a cambiar para incorporar una función de TI más relevante e integrada, además de un mejor manejo de datos y análisis para dar soporte a los roles de producción. También tendrán que redefinir todos los roles en la organización, desde la primera línea operacional hasta el CEO. Las metas y los indicadores de desempeño tendrán que evolucionar, por ejemplo, para evitar generar incentivos para un desempeño sub-óptimo.
Y será necesario identificar nuevas maneras de monitorear los avances, como medir la velocidad con que se capacita al personal en las nuevas técnicas, así como su nivel de aceptación de las nuevas herramientas y formas de abordar desafíos. La tecnología también desempeñará un rol clave. Las herramientas de software pueden recopilar datos acerca de su forma y frecuencia de uso, para informar a los gerentes acerca de la madurez en el uso de las aplicaciones en toda la organización.
Los ingenieros y gerentes a cargo de las plantas de fabricación del mañana se enfrentarán a presiones crecientes y constantes para mejorar el desempeño. Sus objetivos no solo serán más rigurosos; también serán más complejos, y se les sumará la necesidad de balancear una serie de factores, entre ellos la calidad, el rendimiento, el consumo de energía y la vida útil de los activos, todo ello en el contexto de cambios rápidos en la demanda de los clientes y en el negocio en general. Para cumplirlos, las compañías tendrán que desarrollar, aplicar y mejorar sistemáticamente nuevas tecnologías, métodos y técnicas analíticas. Hemos descripto algunos de esos métodos en las líneas precedentes, pero otros aún están por inventarse.
