La industria manufacturera puede generar un sin número de datos, pero los esfuerzos de las compañías por utilizar esos datos para lograr mejoras en su desempeño aún están en una fase incipiente. Sin embargo, avances como sensores más económicos, mejor conectividad y capacidades de cómputo cada vez mayores se combinan para llevar los “analytics” y la inteligencia mucho más allá de lo conocido.
Stay current on your favorite topics
El desafío consiste en saber por dónde empezar – y cómo alcanzar resultados significativos y sostenibles. Nuestro trabajo con productores de todo el mundo indica que, si se siguen las siete “reglas de oro”, las compañías pueden comenzar a capturar los beneficios de los “analytics” avanzados para IoT más rápidamente, y construir una base sólida para seguir mejorando.
Regla #1: Comenzar por lo simple y con los datos existentes
Debido a los crecientes rumores sobre Internet de las Cosas (IoT) en el campo de la industria manufacturera, muchas compañías se muestran entusiasmadas con la posibilidad de instalar miles de sensores de bajo costo en sus operaciones. Si bien creemos que la idea es valiosa, nuestra experiencia demuestra que la mayor parte de los datos que se generan en la actualidad no son utilizados (ver Gráfico). Analytics sencillos, correctamente implementados, pueden generar enorme valor en el corto plazo para los productores con el cúmulo de datos disponibles. Esas victorias rápidas ayudan a ganar el apoyo de los empleados, y a fortalecer una cultura de decisiones basadas en datos – y un “business case” para continuar invirtiendo en ”analytics” avanzados de datos.
Por ejemplo, digitalizar la gestión del desempeño usando visualización en tiempo real de datos sobre rendimiento de personas y máquinas requiere una inversión mínima de recursos, dado que utiliza soluciones simples y fáciles de implementar. Pero pese a esa simplicidad, los resultados cuantificados pueden servir como un primer paso lograr mejoras rápidas y el compromiso de los ejecutivos con los cambios.
Would you like to learn more about our Operations Practice?
Un productor parecía estar teniendo buen desempeño: Había alcanzado cierta madurez en la implementación de principios de Lean Management y contaba con una cultura robusta de resolución de problemas. Pese a ello, percibió una oportunidad para ir aún más lejos, y desplegó una solución que aplicaba “analytics” sofisticados y en tiempo real a los datos existentes (aunque no utilizados), produciendo visualizaciones de fácil comprensión. En cuestión de semanas, el sistema permitió a una planta con problemas de capacidad disponer de información adicional para sus reuniones de área diarias y las sesiones de resolución de problemas de los operarios, revelando las causas anteriormente desconocidas de ralentizaciones y paradas menores. Y en el cuello de botella más importante, los cambios resultantes permitieron incrementar la efectividad global de los equipos en un 50 por ciento.
Regla #2: Capturar los datos correctos, no simplemente más datos
Contar con los datos correctos es más importante que tener grandes cantidades de ellos. Una compañía del sector de materiales básicos invirtió varios millones de dólares en un sistema de fabricación “inteligente” que hacía seguimiento de más de un millón de variables. Pero cuando la compañía analizó 500 etiquetas de datos del sistema, pertenecientes a un caso de uso específico, notó que la mitad de ellas contenían información incompleta o duplicada. Otro 25 por ciento de los datos fue descartado por un panel de expertos en procesos y científicos de datos por no resultar aptos para el análisis. Y más adelante en la etapa de análisis exploratorio, la compañía identificó que 20 variables críticas – incluida una variable dependiente clave – no estaban siendo medidas, lo que tornaba inviable un análisis predictivo preciso. Esto derivó en la instalación de sensores adicionales en la planta, y adicionalmente la compañía empleó ”analytics” para proveer de herramientas críticas de soporte para decisiones a los ingenieros de procesos como primer paso con miras a mejorar el rendimiento el 1 por ciento.
Regla #3: No dejar que la búsqueda de la perfección final impida avanzar en el corto plazo
La falta de datos amenaza con parar los proyectos analíticos a la espera de una transformación de la arquitectura de datos que podría llevar años. Es sabido que para capturar todo el valor de los ”analytics” avanzados aplicado a IoT son necesarias inversiones en tecnología. Pero esto no implica que las organizaciones deban paralizarse a la espera de la finalización de largos proyectos de TI. Las pequeñas inversiones pueden crear mucho valor.
Una alternativa es crear un “lago de datos”, es decir, un mecanismo flexible para integrar la información en toda la empresa y evitar su gestión en “silos”, sin necesidad de una centralización total. Si bien los lagos de datos necesitan contar con un sistema de gobierno y rendición de cuentas sólido en cuanto a la definición y la calidad de los datos, contribuyen sensiblemente a democratizar el acceso a ellos. Típicamente, los lagos de datos proveen información a diferentes grupos de usuarios, ya sea permitiendo el acceso a información sin procesar o a través de la extracción de datos, que provee acceso a estructuras de datos predefinidas. La metodología de desarrollo necesaria para implementar “analytics” justifica aún más una arquitectura de TI alternativa. La experimentación y la exploración analíticas requieren de métodos de desarrollo Agile de software, con ciclos de lanzamiento diarios o semanales. Esta corta frecuencia representa a menudo un desafío para los procesos de TI y la infraestructura de datos existentes. La solución es una infraestructura de TI y datos paralela de “alta velocidad”, por lo general consistente en un sistema basado en la nube que ofrece una variedad de entornos de implementación y bases de datos personalizables.
Los lagos de datos y las soluciones en la nube facilitan un comienzo más rápido para las iniciativas analíticas, y permiten a las compañías desarrollar, testear e implementar nuevos casos de uso ágilmente. Esto contribuye a la creación de la prueba de concepto necesaria antes de proceder al despliegue de las nuevas soluciones. También representa una manera valiosa de formar el “músculo” analítico de la organización, a medida que sus integrantes se habitúan a las nuevas formas de trabajar y de tomar decisiones basadas en la analítica.
Regla #4: Enfocarse en los resultados, no en la tecnología
Invertir en productos y soluciones digitales sin conocer de qué manera generarán impacto puede derivar en discusiones frustrantes con los líderes del negocio. Un enfoque basado en casos de uso puede ser útil para prevenirlo (ver recuadro, “Casos de uso de “analytics” exitosos”). A la hora de definir un caso de uso, es recomendable responder previamente cuatro preguntas fundamentales:
- ¿Qué resultado buscamos para el negocio? ¿Se trata de una nueva oportunidad comercial, de reducción de costos o una mejora de la capacidad de innovación?
- ¿Cuáles son las palancas de valor? ¿Debemos enfocarnos en ahorrar energía, volver más eficiente el mantenimiento, utilizar mejor los activos, reducir el inventario, aumentar la producción?
- ¿Qué requerimientos técnicos debe cumplir el enfoque propuesto para poder extenderlo al resto de la organización? ¿Son necesarias nuevas fuentes de información? ¿Cómo se integrará la solución a los sistemas de TI existentes? ¿De qué manera podemos administrar en forma segura el mayor volumen de datos? ¿Qué técnicas analíticas utilizaremos? ¿Qué nuevos tableros de control son necesarios?
- ¿Cómo se encajará el nuevo enfoque con los procesos existentes? ¿Quiénes utilizarán el nuevo sistema? ¿Qué comportamientos y procesos de decisión es necesario modificar para convertir los conceptos analíticos en resultados concretos para el negocio?
Regla #5: Buscar valor en el conjunto de actividades y dentro de cada una de ellas
Si bien los métodos basados en ”analytics” avanzados han sido aplicados con gran éxito a muchas actividades específicas que se llevan a cabo dentro de una planta de producción, gran parte del valor de la digitalización reside en los espacios en blanco entre los silos organizacionales – al cerrar la brecha entre diseño y fabricación, y entre fabricación y la red de abastecimiento, y por último estableciendo una conexión con el usuario final. Un fabricante de maquinaria especializada llevó a cabo recientemente un “diagnóstico del hilo digital”, que identificó mejoras de productividad estimadas en $300 millones susceptibles de ser capturadas mediante un mejor flujo de datos entre diseño y fabricación, gestión del desempeño en tiempo real y otras palancas similares.
Regla #6: Evitar la trampa del “piloto”
A pilot project is a powerful, and important, way to demonstrate the value of advanced analytics, build momentum, and encourage buy-in. Capturing that value, however, means scaling the approach across the entire company. That’s hard, and failure to scale can turn supporters into critics very quickly. Leaders must therefore think through the full end-to-end journey needed to turn attractive use cases into widespread impact. Some common pitfalls:
- Enfocarse en la tecnología o en la metodología, en lugar de la verdadera fuente de valor: Al definir el caso de uso, es importante comenzar por la verdadera fuente de valor, que por lo general son las necesidades del usuario o cliente. Una herramienta de software casi nunca es una panacea; además, la selección de la tecnología adecuada depende del universo de casos de uso que la compañía decide desplegar.
- Resolver un solo caso de uso a la vez: Poner demasiada atención en un único caso de uso puede conducir a decisiones que podrían afectar la escalabilidad futura. Algunos requerimientos técnicos clave para alcanzar escala incluyen una arquitectura operacional y “analytics” avanzados, como lagos y capas de búsqueda de datos, sumadas a plataformas de IoT, herramientas de digitalización y ”analytics”, y un conjunto de recursos y técnicas de modelado.
En el contexto de una fábrica, contar con la plataforma de IoT correcta puede ayudar a analizar múltiples funciones independientemente de la aplicación específica, y en consecuencia escalar una variedad de casos de uso al mismo tiempo. Las necesidades tecnológicas subyacentes son esencialmente las mismas, ya sea que la organización desee optimizar el rendimiento o predecir las fallas de los equipos críticos. Una plataforma de IoT puede proporcionar capacidades de cómputo, almacenamiento o seguridad, y a la vez reducir el costo de mantenimiento y desarrollo de aplicaciones.
Al momento de evaluar las necesidades de su plataforma, las compañías deben tener en cuenta cinco factores: El entorno de la aplicación y la conectividad de la plataforma a la infraestructura de TI existente; la capacidad de la plataforma para ingerir flujos de datos variables a alta velocidad y de proveer contexto para esos datos; su compatibilidad con la estrategia de la nube empresarial; las cuestiones relacionadas con la soberanía y la seguridad de los datos; y la capacidad de la plataforma para procesamiento y control cerca de la fuente, en lugar de hacerlo solo centralmente.
- Celebrar logros prematuramente: Las compañías necesitan visualizar el recorrido completo de principio a fin, más allá de los elementos técnicos requeridos para alcanzar escala y de una única prueba de concepto. Las cuestiones sobre gobierno de datos, como dominios, elementos de datos críticos, modelos de rendición de cuentas y definiciones de roles pueden plantear interrogantes complejos a nivel organizacional y de personal, especialmente con relación a los puestos analíticos y técnicos a crear. Asimismo, los insights generados mediante ”analytics” deben integrarse a los flujos de trabajo existentes, muchas veces con cambios en los procesos de negocios.
- Acertar con la solución técnica pero olvidar a las personas: La tecnología es apasionante – pero son las personas quienes capturan el impacto. Y si bien los “analytics” puede ayudar a identificar la respuesta correcta, para lograr impacto es necesario que las personas cambien su forma de actuar. La captura de oportunidades digitales es un deporte en equipo, que exige una colaboración estrecha e interfuncional. Un equipo de personas con profundos conocimientos de procesos, sagacidad analítica y experiencia en TI debe trabajar en conjunto para estructurar el problema, traducir un problema de negocios en uno analítico, y definir el sistema adecuado y los requerimientos técnicos desde una perspectiva de TI. Traducir el producto analítico en una plantilla capaz de ser utilizada por un empleado y modificar las conductas de los operarios para aprovechar la nueva información requiere conocimiento de factores humanos, diseño persuasivo y experiencia en la gestión de cambios. A algunas compañías les resulta útil crear un nuevo rol – traductor digital – en la intersección de conocimiento de procesos, ciencia de los datos y TI, para reunir a los equipos de todas las funciones y dirigir el esfuerzo analítico desde el concepto hasta lograr impacto real.
Para evitar estos errores, las empresas necesitan una metodología estructurada para administrar las iniciativas analíticas y así identificar y gestionar casos prácticos y construir el apilamiento tecnológico apropiado. Luego de seleccionar un caso práctico, la compañía debe proceder a planificar, testear, escalar e incorporar sistemáticamente análisis de datos a sus procesos rutinarios, gestionando los cambios y desarrollando capacidades a gran escala.
Regla #7: Desarrollar las capacidades
La aplicación de análisis de datos a gran escala también requiere de cambios en la organización. Por ejemplo, las compañías necesitan definir su estrategia de talento a medida que surgen nuevos roles y planes de carrera. En el futuro cercano habrá una fuerte demanda de científicos de datos, equipos de TI Agile, y diseñadores de experiencia del usuario (UX), que desempeñaran un papel crucial para dar soporte al uso del análisis en el mundo real. Un diseño persuasivo creado con participación del personal suele ser a menudo la clave para lograr altas tasas de adopción de las soluciones analíticas. En línea con esta postura, los profesionales en UX deben involucrarse desde el momento en que un caso de uso es diseñado, en lugar de limitarse a aplicar una interfaz visual después de que la solución ha sido construida en su mayor parte.
Pushing manufacturing productivity to the max
Asimismo, las empresas necesitan “traductores” – individuos con múltiples habilidades capaces de conducir el proceso de principio a fin. Los traductores deben contar con un profundo conocimiento del negocio y la capacidad para intervenir en el flujo de trabajo de los equipos de operaciones y mantenimiento. También deben dominar las técnicas analíticas y estar en condiciones de cuestionar a los científicos de datos, poseer sólidos conocimientos de sistemas de TI y “design thinking”, y saber cómo comunicar el impacto al equipo de liderazgo. Como surge a primera vista, se trata de una combinación de habilidades muy difícil de hallar.
Además de estos roles internos, es importante contar con una buena estrategia de colaboración. Hay una explosión de grandes compañías y start-ups con sólidas capacidades de IoT. Las más exitosas explotarán propuestas de valor innovadoras y se asociarán en áreas que las ayuden a acelerar sus capacidades.
El uso de “analytics” avanzados en el contexto de IoT puede cambiar las reglas de juego. Y pese a que puede parecer fácil para una compañía lanzarse y sumar sus primeros logros, resulta mucho más complicado escalar los cambios a nivel de toda la empresa y lograr impacto en los resultados en forma consistente. Las organizaciones más exitosas serán las que analicen cuidadosamente las implicaciones, inviertan en tecnología pero también en recursos humanos, se asocien inteligentemente, y mantengan un apetito de liderazgo suficiente para perseverar.
