Skip to main content

Cómo puede la analítica facilitar mejores decisiones de ingeniería y construcción

Tres aplicaciones ilustran la manera en que las compañías están comenzando a aplicar soluciones basadas en datos y sentando las bases para iniciativas futuras.

El negocio de la construcción se enfrenta a un serio desafío de productividad. Mientras que la productividad laboral en la economía global ha aumentado en promedio un 2,8 por ciento anual durante las dos últimas décadas, y un sorprendente 3,6 por ciento en el sector de manufacturas, la construcción apenas registró una mejora del uno por ciento anual. En su carácter de socios responsables por la ejecución de proyectos de capital, las empresas de ingeniería y construcción (I&C) están bien posicionadas para ayudar a cerrar esta preocupante brecha.

Para ello, algunas están recurriendo a soluciones basadas en datos que ya han revolucionado otras áreas de la economía. Estas técnicas están emergiendo como herramientas vitales para mejorar los resultados de los proyectos de capital y reducir sus riesgos. Al permitir a las compañías de I&C aprovechar los enormes volúmenes de datos con que ya cuentan, la analítica puede sacar a la luz información clave capaz de acelerar y mejorar la calidad de las decisiones de gestión. En particular, puede ayudar a los equipos de proyecto a evaluar las condiciones del mercado, la composición de las carteras y el desempeño de proyectos individuales.

Por cierto, la adopción de herramientas analíticas puede plantear desafíos para las empresas del sector de la construcción que operan en base a proyectos. A diferencia de los productores industriales, por ejemplo, que aplican procesos predecibles y repetibles, las empresas de I&C deben lidiar con una alta variabilidad. Los sistemas de seguimiento de avances a veces cambian en medio de un proyecto, provocando incompatibilidades e inconsistencias en los datos capturados. Parámetros como escala, materiales y subcontratistas involucrados también varían en gran medida de un proyecto a otro, lo que dificulta el establecimiento de benchmarks.

La cultura y los procesos en las organizaciones de I&C también pueden constituir barreras adicionales. La industria tiende a depositar confianza en la experiencia y el expertise individual por sobre la evidencia empírica, y pocas organizaciones cuentan en sus planteles con analistas capaces de asumir el liderazgo de iniciativas basadas en advanced analytics.

Con el tiempo, la analítica predictiva, el aprendizaje automático (machine learning) y las soluciones de inteligencia artificial abrirán las puertas a mayores cambios en la manera que las firmas de I&C ofertan por proyectos y los ejecutan. Por el momento, tres aplicaciones ilustran cómo algunas compañías están comenzando a utilizar soluciones de datos y estableciendo las bases para iniciativas más ambiciosas de cara al futuro.

1. “¿Debemos ofertar por proyecto? De ser así, ¿cuánto?”

Por lo general, las empresas de I&C deben decidir entre ofertar o no por un proyecto basándose en información incompleta. Los grandes proyectos de construcción suelen tener un plazo de ejecución de entre 5 y 10 años, si no más, lo que complica las posibilidades de definir con exactitud el alcance y prever posibles complejidades o complicaciones con tanta antelación. Adicionalmente, los oferentes no conocen de qué manera los cambios del mercado podrían afectar sus costos desde el momento de la oferta hasta el inicio del proyecto. Las compañías recurren a la experiencia de su personal para ponderar los potenciales riesgos y la rentabilidad, pero estos juicios de valor están influidos por sesgos intrínsecos y podrían verse afectados por metas de crecimiento ambiciosas o incentivos individuales.

Juzgar incorrectamente los riesgos o subestimar los costos puede tener consecuencias desastrosas. En un negocio con márgenes típicos del 5 al 7 por ciento, un error de cálculo del 10 por ciento en una oferta sin la posibilidad de recuperar los costos extra puede transformar un proyecto en una enorme pérdida para la compañía. A la inversa, presupuestar un valor excesivo mediante la incorporación de un “colchón” de contingencia demasiado grande probablemente conduzca a la pérdida del contrato, algo difícil de afrontar en una industria con tasas de adjudicación de apenas 15 a 25 por ciento.

El modelado de datos puede sustituir los sesgos cognitivos y las hipótesis equivocadas con insights objetivos sobre las probabilidades estadísticas de éxito de un proyecto. Mediante el análisis de información histórica, como tipos de acuerdos laborales y contractuales, tendencias de gasto regional y tamaño de proyectos, la analítica está en condiciones de anticipar los posibles resultados de un proyecto. Esto, a su vez, permitirá a los equipos evaluar mejor el atractivo de un proyecto determinado, re-balancear la cartera eliminando aquellos que suelen tener malos resultados, y estimar el nivel de contingencia adecuado a incorporar a una oferta.

Una compañía, por ejemplo, utilizó información de más de 100 de sus proyectos anteriores. Eso le permitió combinar datos internos de diferentes localizaciones, clases de activos, estructuras contractuales y márgenes de ganancia, con información externa como gasto total en un sector o geografía determinada y estadísticas sobre el tamaño y el nivel de sindicalización de la mano de obra local. Analizar todos estos factores en conjunto contribuyó a que la compañía descubriera características de los proyectos que influían en los márgenes de utilidad que un análisis convencional no hubiera sido capaz de identificar. Por ejemplo, pese a que las empresas analizan factores como región o tipo de proyecto para calcular la rentabilidad, estas variables pueden estar apenas correlacionadas con otras más relevantes como estrategias de contratación, tasas de sindicalización o presupuestos del sector público para la región.

Usando los insights de este análisis, la organización desarrolló un tablero de variables de riesgo susceptibles de afectar los márgenes del proyecto. El sistema crea un scorecard que identifica riesgos potenciales en base a patrones pasados – por ejemplo, si el proyecto se lleva a cabo en una región con un historial de bajos márgenes de ganancia, o si implica trabajar con un comitente estatal con requerimientos diferentes de los habituales en el sector privado.

Durante las reuniones previas a la licitación, los equipos utilizan esta información para decidir si el proyecto es suficientemente atractivo para presentar una oferta, estimar los costos y calibrar la dimensión de la contingencia a incorporar en la licitación.

2. “¿Son razonables las propuestas de los subcontratistas?”

Cuando las empresas de I&C reciben cotizaciones de sus subcontratistas, consultan a especialistas en compras para evaluarlas. Estos especialistas suelen utilizar estimaciones paramétricas para analizar los costos estimados y también recurren al expertise de gerentes de proyecto, lo que prolonga el proceso. Las estimaciones más complejas atraviesan múltiples instancias de revisión, donde cada especialista ajusta el cálculo sobre la base de su propia experiencia y criterio (incluidos sus sesgos personales).

Pese a lo exhaustivo de estas consultas, la falta de una base empírica torna difícil para una compañía de ingeniería cuestionar de manera creíble la estimación de un subcontratista más allá de ciertas reglas generales. Además, si bien varias empresas utilizan bases de datos (propias o de terceros) de factores de costos paramétricos para elaborar sus ofertas, no suelen actualizar los costos al finalizar los proyectos para confirmar la exactitud de las estimaciones iniciales.

La analítica puede brindar una solución a estos problemas. Mediante el análisis de los drivers individuales de costo de proyectos anteriores, estas herramientas permiten a las empresas de I&C evaluar rápidamente un nivel de costo y esfuerzo realista para un proyecto y comparar esas cifras con las cotizaciones de los subcontratistas.

El propietario de un importante proyecto de infraestructura en EE.UU. tomó los contratos iniciales de 17.000 proyectos, incorporó ajustes y modificaciones, y creó una base de datos detallada de todos los costos finales, incluyendo una estructura de desglose con plazos y materiales. Luego, elaboró un modelo estadístico de variables múltiples para determinar los factores que permitirían predecir mejor los costos finales de un proyecto, como la cantidad probable de horas de ingeniería estructural requeridas para reemplazar un puente, o el costo proyectado de los materiales para un carril adicional a lo largo de un tramo de seis kilómetros de una carretera rural. El resultado es una herramienta de compras que compara los costos finales de proyectos contra benchmarks. Al recibir una cotización, los gerentes saben de inmediato si está dentro del rango esperado para el tipo de trabajo en cuestión. Hoy, los líderes pueden calcular con precisión el precio de un contrato en solo dos días, en comparación con los 60 días en promedio que insumían las largas (e intensivas en mano de obra) rondas de negociaciones previas.

3. “¿Hay chances de que el proyecto enfrente dificultades?”

Los controles de proyecto tradicionales suelen demorar días o semanas en reflejar los costos incurridos, lo que los convierte en una herramienta útil para el reporte retrospectivo pero no para administrar proyectos en marcha. Además, estos controles no tienen en cuenta la interconectividad entre las distintas métricas y las combinaciones únicas capaces de tener efectos desproporcionados en el desempeño. Por ejemplo, la baja productividad de un equipo de trabajo podría recuperarse por medio de ajustes en la planeación; pero las demoras en la entrega de materiales o una cantidad poco habitual de días con mal clima podrían exacerbar esas pérdidas de productividad y requerir otro tipo de intervención por parte de la dirección del proyecto.

Imposibilitados de monitorear y lidiar con todos los datos que un proyecto suele generar, los gerentes tienden a centrarse en unos pocos KPIs. La imagen incompleta del avance diario del proyecto resultante podría conducir a decisiones equivocadas en el terreno.

Las herramientas analíticas tienen potencial para generar una mejora significativa en este frente al permitir a las compañías analizar rápida y continuamente la información de los proyectos y medir sus avances, posibilitando a los gerentes reaccionar más rápidamente ante posibles problemas. Al contar con controles de proyecto en tiempo real o cuasi-real, una compañía de I&C puede hacer seguimiento de los eventos o problemas que guardan correlación con la erosión de márgenes, como un retraso de un día por factores climáticos o el incumplimiento durante tres jornadas consecutivas de las tareas que un subcontratista tiene a su cargo.

Los líderes de la industria han diseñado una metodología, correlacionada estadísticamente con la erosión de márgenes, para monitorear el desempeño de sus proyectos. Diariamente, el modelo analítico procesa la información generada por el proyecto y la analiza en busca de alertas; si surgiera alguna, la dirección es informada de inmediato a fines de intervenir antes de que el problema llegue a materializarse.


Como ya hemos comentado en artículos anteriores, las empresas de ingeniería y construcción que deseen prepararse para la era digital tendrán que establecer un nuevo modelo operativo. Un cambio de esta magnitud requiere colocar a las iniciativas digitales en el centro de la estrategia, adaptar los procesos y las estructuras organizacionales, y asegurar que el personal cuente con el entrenamiento necesario para implementar y liderar dichas iniciativas. Pero el primer paso en estas transformaciones consiste en aplicar analytics para diagnosticar las operaciones y su desempeño actual.

A menudo, el mayor obstáculo para poner en práctica estas soluciones es conciliar los datos históricos. La mayoría de las empresas han recopilado grandes volúmenes de información a lo largo de los años, que almacenaron en múltiples sistemas y formatos inconsistentes. Ante esa situación, el primer paso es determinar cuál es la información disponible – muchas se dan cuenta de que tienen más información de la que creían, como registros contables y órdenes de compra – y ponerla en un formato susceptible de ser analizado digitalmente. Este proceso puede resultar tedioso y demandar muchos recursos, pero es esencial para sentar las bases de un mecanismo de recolección de datos más sofisticado y de técnicas analíticas más avanzadas en adelante. Adicionalmente, esta tarea por única vez creará una base para estructurar la información (por ejemplo, en data lakes o “lagos” de datos) que facilitarán aún más las futuras iniciativas digitales.

Las compañías necesitan además establecer estándares para los datos a reunir en el futuro. Se trate de un sistema integral de gestión de datos o simplemente de un método estandarizado para reunir y clasificar información, los estándares acerca de qué y cómo se recolecta son clave para una estrategia analítica exitosa en el largo plazo.

A medida que la digitalización penetre en todas las áreas de la economía, incluyendo la ingeniería y la construcción, capitalizar los insights ocultos en los datos será un factor de éxito fundamental. Las compañías de I&C más reacias a invertir en sistemas y en competencias necesarias para aprovechar al máximo la información disponible deben tener presente que los competidores que sí lo han hecho ya están capturando beneficios significativos. Las organizaciones que adoptan analytics pueden hacer ofertas más precisas para evitar los proyectos poco rentables y al mismo tiempo aumentar sus chances de éxito en aquellos con mayores márgenes potenciales. Estas organizaciones pueden desarrollar negociaciones más inteligentes con sus subcontratistas, reduciendo costos y acelerando decisiones. Además, tienen la posibilidad de anticipar problemas en proyectos en marcha, permitiendo a los gerentes intervenir antes de que los posibles retrasos o mayores costos potenciales se conviertan en trastornos reales. A medida que la industria incorpore cada vez más estas nuevas herramientas, quienes tomen la delantera probablemente emerjan como líderes.

Sobre los autores

Garo Hovnanian es Vicepresidente de Grandes Proyectos con base en la oficina de Filadelfia de McKinsey & Company; Kevin Kroll es Consultor de la oficina de Chicago; y Erik Sjödin es Socio de la oficina de Estocolmo.