Homelowertripezone500x180px.png)
Analítica que transforma datos en acciones
Zigor Lizuain
Digital Transformation Solutions Architect
Emerson Automation Solutions
INTRODUCCIÓN
El principio sobre el que se sustenta la Industria 4.0 (Transformación Digital Industrial) es el de conseguir dotar a nuestros activos de la conectividad e inteligencia para que puedan responder de forma autónoma ante situaciones cambiantes en el ámbito de la producción, predecir la aparición de fallos y provocar alertas para lanzar rutinas de mantenimiento.
Pero ¿cómo llevar a la realidad ese nirvana de mantenimiento “just-in time” y casi cero paradas no programadas?
Uno de los habilitadores tecnológicos propuestos para lograr esos objetivos es la analítica de datos.Entendida como la capacidad que dotamos a un sistema para, a partir de la interpretación y aprendizaje sobre un conjunto de datos, determinarla ocurrencia de un cierto evento de manera anticipada. De manera que, como nuestro objetivo proponía, seamos capaces de predecir esos fallos y, si conocemos el mecanismo o causalidad de este, incluyamos también la acción prescriptiva (de la naturaleza que sea) de forma que podamos impactar positivamente, no sólo en la reducción de paradas no programadas, si no en la optimización y coordinación de las actividades de mantenimiento para contribuir en la mejora de la productividad.
Entendidos los beneficios que la analítica de datos puede aportar, y aunque quizá sea precisamente en el ámbito del mantenimiento y fiabilidad donde haya una mayor tradición en el uso y aprendizaje basado en datos, pueden existir ciertas dudas a la hora de decidir dónde y cómo implementar estos proyectos. El presente trabajo pretende describir las cinco claves principales identificadas a través de la implementación y lecciones aprendidas capturadas durante la implementación de acciones de esta naturaleza.
IDENTIFICA UN CASO DE ÉXITO (CON RÁPIDO RETORNO DE INVERSIÓN O QUICK-WIN)
A medida que vayamos adquiriendo un mayor conocimiento de las capacidades de la tecnología, vamos a tener cada vez una mayor demanda en identificar cuál es el impacto esperado para la inversión realizada en, por ejemplo, una prueba de concepto. En ese sentido, lo más relevante es hacer una buena selección del caso de uso o escenario sobre el que vamos a realizar la prueba e inversión de nuestros recursos. Existen múltiples criterios para la selección de ese escenario, pero trataremos de resumir algunos a considerar a la hora de identificar nuestros potenciales “quick-wins”:
Primar cantidad frente a calidad
Uno de los principales errores que es posible cometer a la hora de seleccionar un caso de uso, es intentar aplicarlo sobre los equipos más comunes. Esto es, aquellos que son más numerosos. Pensando que disponiendo de más equipos sobre los que aplicar, y por lo tanto, más datos (en cantidad) disponibles, seré capaz de encontrar mayores beneficios.
Pero lo importante no es la cantidad de esos activos, si no la calidad en términos de oportunidades de mejora que nos ofrecen. Es muy posible que gran parte de esos equipos numerosos operen de manera muy estable, con lo que tendremos poco margen para la demostración o cuantificación de los resultados. Quizá una mejor estrategia venga dada por hacer una selección de activos problemáticos donde, de una forma más evidente, vamos a poder cuantificar los beneficios obtenidos.
Compromiso y participación
Identificar escenarios más problemáticos donde podamos observar los beneficios de forma más evidente, no solo beneficia desde el punto de vista de obtención de un retorno de las inversiones y justificar proyectos más ambiciosos y con retornos más difíciles de determinar o justificar, sino que son fundamentales para incrementar el nivel de colaboración e involucración de las personas afectadas por el proyecto.
Los proyectos de analítica de datos son proyectos altamente iterativos, de permanente descubrimiento y que exigen de la colaboración y contribución de múltiples perfiles.Una de las claves en el éxito de estas iniciativas es la de entender esta tipología de proyectos, mucho más ágiles, iterativos y cercanos al desarrollo del software, que a los habituales proyectos en cascada o llave en mano.
Por tanto, a la selección del escenario, es necesario acompañarla con una correcta identificación y selección de colaboradores y ámbitos de trabajo con la correcta predisposición. Además, cierta pedagogía, es clave en esta fase.
CONOCE TU PUNTO DE PARTIDA
Infraestructura como un todo
Aunque todas las instalaciones tienen margen de mejora, la gran mayoría de ellas ya disponen de sistemas en servicio que contribuyen a alcanzar altos índices de eficiencia y correcto funcionamiento.
Las mejores iniciativas no son aquellas que proponen eliminar y reemplazar por completo; en cambio, sí lo son aquellas que están cuidadosamente dirigidas a usar nuevas tecnologías allí donde se pueda aprovechar al máximo lo que la planta ya tiene.
Por eso, hacer un análisis de la situación de partida, en cuanto a sistemas disponibles y potencialidades, y la relación de éstos con los retos de la digitalización, no exclusivamente en el ámbito de la analítica de datos o la fiabilidad, es fundamental.
En caso contrario, existe un riesgo cierto de concentrar inversiones en las diferentes iniciativas de manera independiente, llevando a una sobre inversión que puede poner en riesgo la sostenibilidad de las iniciativas en su conjunto.
Disponer de un plan de necesidades en la gestión y digestión de los datos para los diferentes retos a las que se va a enfrentar la instalación, resulta clave. Especialmente cuando deseemos poner en servicio los resultados de un desarrollo off-line o prueba de concepto y nos encontremos con barreras que no habíamos anticipado que pongan en cuestión la viabilidad de la iniciativa y por tanto, su desarrollo.
Costes de digitalización
Una de las principales barreras a la hora de implementar proyectos de analítica de datos tiene que ver precisamente con la ausencia de datos. No necesariamente en lo que se refiere a cantidad, si no en la calidad o representatividad de estos para abordar el problema al que nos queremos enfrentar.
Es necesario disponer de un conjunto de datos lo suficientemente amplio, en cuanto a rangos o condiciones de operación, y significativo, entendido como aquello que realmente puede ayudarnos a generar una relación de causalidad o conocimiento del mecanismo que nos pueda realmente servir para mejorar nuestros flujos de trabajo.
A partir de un análisis inicial del caso de uso, de las principales variables de proceso que vamos a necesitar de acuerdo al conocimiento experto, y los diferentes orígenes de datos que podemos necesitar o de los que podremos disponer debemos, de un lado, realizar de un primer análisis cualitativo de la probabilidad de éxito de la iniciativa con la situación de partida y, del otro, evaluar cuáles serán los costes de acceso del proyecto más allá de los referidos al análisis y modelado de los datos.
CONOCE LA DIFICULTAD DEL RETO
En ocasiones resulta complicado precisar cuáles son los objetivos o beneficios esperados por un proyecto de analítica de datos, acentuado si se da una falta de experiencia y/o cultura de innovación y aprendizaje a través del fracaso en la organización.
Pero también por desconocer la complejidad del reto al que nos enfrentamos, así como los mecanismos que pueden contribuir a mitigar estos riesgosa partir de la percepción del valor aportado y la complejidad de este.
Los proyectos de analítica de datos, especialmente cuando tratamos de resolver una pregunta del tipo predictivo, tienen un cierto halo mágico. Dando una serie de datos de entrada el sistema éste es capaz de proveernos de un conocimiento sobre el futuro.
Pero lo cierto es que ese conocimiento sobre el futuro tiene que ver sobre el conocimiento que tengo del pasado. Conocer ¿Qué ha ocurrido?,¿Cómo?, ¿Cuándo? y ¿Por qué?, nos habilita al conocimiento sobre el futuro y tomar una decisión / elección sobre el futuro. “Solo se pueden predecir las cosas después de que hayan ocurrido”.
En función del conocimiento ya formalizado que tengamos del pasado, y la capacidad de emplear o integrar conocimiento experto normalizado, el poder responder a una pregunta predictiva será un reto de una complejidad diferente. Saber si tenemos que dar un solo paso o tres de una sola vez nos permite aventurar la complejidad del reto para tomar la decisión de continuar, reformular o descartar el objetivo de la iniciativa.
Reconoce y da valor a los hallazgos inesperados
Como se ha mencionado ya, los proyectos de analítica de datos son altamente iterativos. De forma continua y durante todo el proceso estamos generando expectativas, contrastándolas con los resultados de los datos de nuestro análisis para, antes de seguir al siguiente paso, inferir si esa expectativa era correcta o no. Con frecuencia, y como resultado no esperado de las observaciones e inferencias, es muy probable encontrar hallazgos que, de otro modo, hubieran pasado desapercibidos.
Se trata de un arma de doble filo porque, aun siendo un claro indicador de los beneficios que analizar datos proporciona permitiendo disipar escepticismo y realimentar la motivación del proyecto, puede distraer del objetivo inicial y convertirse en un consumidor de recursos sin resolver el reto inicialmente planteado.
CONOCE A LOS AFECTADOS
Existe una respuesta sencilla a la pregunta de, “¿Qué iniciativas tienen menos éxito?; Aquellas que nadie conoce”. Es importante que todos los involucrados conozcan la iniciativa y los cambios que ésta va a provocar. Y en particular para un proyecto de analítica de datos donde, es más que probable, necesitemos implicar a otros grupos operacionales a la hora de obtener datos o poner en servicio los resultados de las iniciativas. Generalizar este conocimiento permite entender mejor el impacto sobre las infraestructuras, ahorrando tiempo y burocracia, así como un mayor nivel de compromiso y participación.
Empoderamiento
Otro de los motivos por los que una innovación tecnológica puede fallar tiene que ver con la escasa aceptación o asimilación por parte de quienes tienen que usarla. En el caso que nos ocupa, es necesario entender de qué manera los usuarios de los resultados de nuestros proyectos van a interactuar y cómo este cambio va a afectar a las capacidades que vamos a requerir de ellos. Es absolutamente necesario considerar este aspecto a la hora de seleccionar dónde implementar una iniciativa de esta naturaleza.
Equipo multidisciplinar
La clave fundamental en el éxito de un proyecto de analítica de datos tiene que ver con conjugar cuatro aspectos fundamentales: conocimiento operacional o de negocio (para qué), conocimiento en el ámbito o dominio de aplicación (por qué), conocimiento en el ámbito de la ciencia de datos (cómo) y conocimiento en el ámbito de tecnologías IT (despliegue).
En particular, y una vez identificado el caso de uso, el experto en el ámbito de aplicación se convierte en agente relevante.
Más importante que inferir relaciones, es hacer una correcta evaluación e interpretación de estas. Porque más allá de lo que pueda decir un conjunto de datos, es el experto quien es capaz de ayudar a juzgar si las relaciones encontradas son causales o casuales, así como contribuir a determinar cuáles son los mecanismos que pueden existir de manera que, de esa inferencia en la observación de los datos, se pueda establecer un conocimiento generalizable a un conjunto más amplio.
Serán pues las herramientas de analítica de datos clave para incrementar la eficiencia de los profesionales expertos en el ámbito, que son quienes tienen la capacidad de traducir la inferencia en certeza.
CONOCE CÓMO VAS A DESPLEGAR LOS RESULTADOS
Otro lugar común ala hora de no lograr implementar con éxito una iniciativa de analítica de datos, tiene que ver con la falta de planificación sobre cómo se piensa utilizar e integrar el resultado, generalmente un algoritmo o una aplicación, y cómo esta se va a integrar de manera efectiva en los flujos de trabajo de la organización.
Implantación
Es muy habitual que cuando desarrollemos un proyecto de analítica de datos, lo hagamos de manera “off-line”. Esto es, extraído un conjunto de datos suficientemente representativo como para poder desarrollar los modelos, evaluemos y obtengamos el conjunto de modelo (s) como resultado en forma de algoritmo. Pero corremos el riesgo de que ese resultado nunca llegue a ponerse en servicio porque nunca fue pensado para nada diferente a ser una prueba de concepto.
Contemplar este aspecto a la hora de seleccionar las herramientas que vamos a emplear y las alianzas que vamos a generar, es sumamente relevante. Además, algo que funcionó bajo unas determinadas circunstancias no necesariamente va a funcionar bajo las de estrés real de un entorno como el industrial, donde sólo una disponibilidad prácticamente total es aceptable y que, además, es necesario mantener a lo largo del tiempo.
Flujos de trabajo
Otro de los principales motivos de no éxito de la implantación de los resultados de los proyectos de analítica de datos tiene que ver con la percepción de poca utilidad o dificultad adicional por parte de los potenciales beneficiarios. Una tecnología puede ser brillante y llamativa, pero de nada sirve si no la podemos emplear para mejorar o reducir el volumen de trabajo de sus usuarios.
Para evitar esto, a la hora de seleccionar las iniciativas en las que deseamos trabajar, es útil realizar un estudio de flujos de trabajo para identificar y catalogar los flujos de trabajo críticos que la organización utiliza actualmente, y cómo esos flujos de trabajo están interconectados con los resultados de nuestro proyecto de analítica de datos.
La información recogida de un estudio de este tipo puede servir no sólo para integrar los resultados de la iniciativa de una manera más eficaz, sino también para identificar nuevas necesidades y redundancias. Esto ayudará a decidir dónde modificar o desarrollar nuevos flujos de trabajo y puede proporcionar oportunidades para mejorar la eficiencia mediante la eliminación de aquellos que pueden resultar ahora innecesarios.
Otros beneficios de un estudio de estas características, es que pueden ayudar a identificar al personal clave y desarrollar reglas y documentación que ayuden a que cualquier iniciativa, no necesariamente relacionada con la analítica de datos, tenga más éxito.
CONCLUSIONES
La analítica de datos, sobre todo cuando alcanza niveles predictivos y prescriptivos, puede contribuir a una gestión más eficiente de las tareas de mantenimiento y un incremento de la disponibilidad, para tener un efecto favorable en la productividad de nuestras instalaciones.
Aún estamos más ocupados en el proceso de identificar, entender y convencernos de cómo, dónde y para qué podemos obtener los mejores beneficios de la aplicación de la analítica de datos a partir de las nuevas formas que tenemos de mirar, decidir y actuar. Pero para el éxito en nuestro plan y poder observar los beneficios esperados y después generalizarlos, hemos revisado cinco claves principales en la selección e implantación:
- Conoce cómo identificar una Oportunidad de Éxito.
- Conoce cuál es tu Punto de Partida.
- Conoce la Dificultad del Reto.
- Conoce a los Afectados.
- Conoce cómo vas a Desplegar los Resultados.
Quizá lo más relevante sea remarcar que estas iniciativas deben perseguir como objetivo ser efectivas en la adopción de aquellas tecnologías que sirvan para eliminar tareas rutinarias, mejorar flujos de trabajo, agilizar la toma de decisiones informadas y empoderar a las personas para que, efectivamente, abracen el cambio.
ADENDA: EVOLUCIÓN DEL MANTENIMIENTO DIGITALIZADO
Pero ¿y de qué otras maneras podemos beneficiarnos de las tecnologías habilitadoras sobre lasque se sustenta la Industria 4.0? ¿cuál es la evolución del mantenimiento y de qué manera la analítica de datos es un habilitador?
Conectividad
Además de disponer de la capacidad automatizada de interpretación de los datos, la posibilidad de poder mover el dato a la persona y no la persona al dato, abre posibilidades sobre nuevas formas de organización y colaboración para impactar favorablemente en nuestros costes operacionales.
Esta infraestructura nos habilita, entre otras cosas, para:
- Acceder al mejor conocimiento experto de cualquier parte del mundo desde cualquier parte del mundo.
- Agrupar y organizar nuestros equipos de expertos para que puedan dar servicio a múltiples usuarios desde un mismo lugar, facilitando la cohesión y transferencia del conocimiento entre esos equipos.
- Establecer colaboraciones con suministradores que puedan dotarnos de esos servicios expertos de los que, por tipo de organización, quizá no nos resulta posible disponer o no deseemos incorporar.
Servitización
Especialmente relevante para fabricantes de equipos, la analítica de datos permite enfocar el uso y explotación de los datos generados por los activos hacía lo que el activo hace, no hacia el activo en sí mismo, para ofrecer nuevos servicios y productos.
Más allá de poder empaquetar nuevas aplicaciones para mejorar la fiabilidad o facilitar el uso de esos datos por parte de los usuarios, el acceso a los datos recogidos por los equipos puede servir para conocer de una manera más precisa cómo nuestros clientes utilizan nuestros productos y en qué condiciones lo están haciendo.
Se puede así llegara soluciones más personalizadas, a diseños más a medida de acuerdo con las necesidades reales y no las diseñadas, o incluso a aplicaciones para la optimización del uso de los equipos y recomendaciones sobre cómo y cuáles emplear en cada momento.Este punto puede resultar especialmente relevante para PYMES, caracterizadas por disponer de un conocimiento experto muy especializado o de nicho, que puede ser monetizado bajo estos nuevos escenarios.
.jpg)
