La Analítica Avanzada ha encontrado en la industria un campo para la sinergia, donde el proceso productivo potencia todas las fases de su cadena de valor y las tecnologías optimizan su operatividad. Su implantación, que permite predecir eventos y encontrar patrones de comportamiento útiles para definir tácticas de gestión y tomar decisiones estratégicas, ha ido calando progresivamente en el tejido empresarial vertebrando la llamada Industria 4.0.
Las técnicas estadísticas y matemáticas han sido empleadas en los procesos industriales desde sus orígenes. Por ejemplo, en el diseño de productos se han utilizado métodos numéricos de simulación ya implementados en paquetes de software desde los años 70, y las técnicas estadísticas de control de calidad son válidas desde 1924. La analítica ha encontrado en este sector un campo para la sinergia, donde la producción potencia cada una de sus fases y las tecnologías optimizan su operatividad. La transformación digital ha traído consigo un salto -cualitativo y cuantitativo- en la recogida y tratamiento de datos, dando como resultado la llamada ‘Analítica Avanzada’, cuyo incremento en las capacidades de almacenamiento y las múltiples posibilidades de análisis y procesamiento la han convertido en un pilar fundamental de la Industria 4.0.
Desde el área de Industria de Minsait, David Carvajal (Director de Data & Analytics en la línea de productos) y Jorge Torres (Senior Manager) nos hablan de cómo la implantación parte de la generalización de una analítica descriptiva, y se ha ido desarrollando con la optimización de procesos, el uso de Inteligencia Artificial y Machine Learning o la aplicación de algoritmos avanzados. “Las nuevas tendencias en la industria, dirigidas hacia la automatización y el uso de datos en las tecnologías de producción y procesos -donde se incluyen una gran diversidad de dispositivos- requieren de una arquitectura analítica robusta y escalable, que contemple todas las etapas del ciclo de vida del dato”, explican los expertos. Estas fases abarcan desde la recolección hasta el almacenamiento de grandes volúmenes de datos, pasando por las herramientas de procesamiento en real time. Finalmente, se debe habilitar la capa de explotación que permita consumir y aprovechar los insights obtenidos de esa analítica e integrarlos en la actividad.
Despliegue de la Analítica Avanzada
Las tecnologías emergentes, principales valedoras de este análisis, son el Big Data y las técnicas de Inteligencia Artificial, materia gris de esta nueva industria. La primera “entra de lleno en la gestión y análisis de grandes cantidades de datos que no podrían ser tratados de manera convencional, y que posibilita una mejor producción con corrección de errores”, aseguran desde Minsait. Lo mismo ocurre con la gestión de riesgos: la recogida de datos en este ámbito “facilita la anticipación de los procesos, de tal manera que se puede trabajar aplicando medidas preventivas”. Además, estos datos posibilitan un acercamiento a las necesidades de los clientes, sus hábitos de consumo y los parámetros de calidad/exigencia, lo que da la posibilidad de, al margen de optimizar procesos, mejorar considerablemente la experiencia de cliente.
La Inteligencia Artificial se puede utilizar para comprender mejor los procesos de negocio. “Hemos aplicado métodos de aprendizaje automático que permiten predecir patrones que ayudan a optimizar la calidad del producto y reducir costes”, aseguran. Además, ambas tecnologías se complementan y potencian entre sí. “La capacidad del Big Data para almacenar y procesar datos desestructurados -como las imágenes- permite potenciar el uso de la Visión Artificial para la trazabilidad de los productos, mejorando los controles de calidad o la detección de unidades defectuosas”.
Los macrodatos también habilitan el tratamiento eficiente de información proveniente de sensores, imágenes, datos meteorológicos o logísticos, muy presentes en el sector industrial, y facilitan el uso de Deep Learning a escala. “Como redes neuronales que requieren de un entrenamiento complejo, es precisa la escalabilidad horizontal y una capacidad de procesamiento otorgada por las tecnologías Big Data”, a lo que se uniría la Inteligencia Artificial como base principal de sus algoritmos. De esta manera, se genera un universo de datos imposible de gestionar por la mente humana, del que las industrian extraen un valor indispensable para tomar decisiones en tiempo real y a largo plazo.
Escenario actual
La capacidad del Big Data para almacenar y procesar datos desestructurados -como las imágenes- permite potenciar el uso de la Visión Artificial para la trazabilidad de los productos.
La implantación de la Analítica Avanzada en el tejido empresarial es dispar, dependiendo incluso del área que abordemos. “En general, se puede decir que la industria es de los sectores más avanzados en la captura de datos estructurados y en su aplicación, sobre todo en el área de operaciones/producción, en el cual la automatización está muy integrada”, aseguran desde Minsait. “Incluso cuando contábamos con gran cantidad de datos, se atravesó un periodo en el que el reto era conseguir acceder a ellos de manera explotable. Ahora mismo, una vez conseguido este acceso, se está potenciando su aprovechamiento, e incluso se incluye dentro de la propuesta de producto/servicio”.
La algoritmia compleja y la analítica en general es susceptible de ser utilizada en cualquier sector, aunque la modalidad escogida tendrá más potencial dependiendo de su actividad. “En líneas de montaje, las aplicaciones de Inteligencia Artificial son de gran impacto, mientras que en compañías de proceso -químicas, algunas empresas de consumo, etc.- , en las que la calidad del producto depende de la evolución de los parámetros clave durante el proceso, se benefician más de modelos de Machine Learning”, exponen; “Así mismo, compañías en las que se trabaja en líneas multiproducto se pueden beneficiar de emplear algoritmos de optimización para resolver las casuísticas a las que se enfrentan a la hora de planificar y programar la producción”.
Para que una empresa pueda implementar esta tecnología en su actividad, debe “tener instaurada una democratización de los datos, donde los empleados tengan acceso amplio e instantáneo a la información que requieren para tomar decisiones propias de su rol”. En este sentido, es indispensable una formación de todos los miembros del equipo, para que puedan manejar dicha información. “También es clave automatizar todos los procesos relativos al ciclo de vida del dato que nos permita extraer conocimiento de forma sencilla y transparente a todos los niveles”, además de un cambio cultural que coloque la información en el epicentro de las tomas de decisiones corporativas. “Partiendo de una reflexión estratégica, se debe construir la visión sobre la transformación de la empresa hacia una ‘Data Driven Comany’. Alcanzar esta visión requiere una transformación que debe actuar sobre las personas y su forma de trabajar, dotándose de nuevos métodos (Agile, Devops, Crisp DM), skills (Talento Data) y herramientas (Data Lake, Arquitecturas Data Centric)”.
Esta transformación cultural debe centrarse en un enfoque colaborativo que garantice la instauración de una cultura analítica, Analytics First, en todos los niveles de la organización, con un mecanismo robusto de priorización, implementación, análisis y seguimiento de resultados de casos de uso orientados de forma directa al cumplimiento de los retos de negocio. Pero ¿qué directrices marcarán el futuro de la Analítica Avanzada? A corto plazo, la tendencia indica que se continuará con la automatización y el uso de Machine Learning para el mantenimiento preventivo, así como con el uso de la visión artificial. Desde un punto de vista disruptivo, se evolucionará en el Smart Manufacturing con la monitorización completa a través de sensores para optimizar procesos, reducir costes y mejorar la calidad del producto. “Estamos vislumbrando la era del trabajo colaborativo entre robots cada vez más autónomos y los seres humanos, aprendiendo de ellos y ofreciendo una gama de capacidades muy superiores a las utilizadas en la fabricación de hoy en día”, concluyen.
Campos analíticos y aplicaciones
La evolución de la Analítica Avanzada es imparable, y destaca especialmente como herramienta esencial de la Industria 4.0. Los expertos de Minsait nos desgranan las distintas aplicaciones de esta tecnología en el sector:
Descriptiva
Es fundamental en las áreas de producción y soporte, y se implementa mediante técnicas de recogida y análisis de datos en tiempo real, con soluciones que permiten la monitorización. Gracias a su aplicación se pueden buscar e identificar las causas principales de malos rendimientos, calidades o averías y, además, subsanarlas. Las desviaciones observadas se convierten en alarmas que, de manera digital, alertan a los responsables de la operación.
Esta técnica, adaptable a cualquier sector o actividad, permite reaccionar y evitar desde casos graves de seguridad hasta posibles retrasos en la entrega de productos y servicios.
Predictiva
Se emplea fundamentalmente en procesos de fabricación, y consiste en hacer un análisis de los datos lo más cercano posible a su recogida (Edge Analytics). Entre los principales modelos predictivos podemos destacar la regresión lineal o logística, Random Forest, árboles de decisión y redes neuronales. Cada uno de estos modelos tiene un uso particular y responde a una pregunta específica o utiliza un determinado tipo de conjunto de datos, con el objetivo compartido de predecir resultados futuros basándose en datos históricos.
El modelado proporciona los resultados en forma de predicciones representadas mediante el grado de probabilidad de la variable ‘objetivo’, basado en la estimación de un conjunto de variables de entrada. A mayor número de índices predictores y mayor profundidad en su investigación, aumentará la complejidad del análisis.
Estos modelos, al adelantarse a la ocurrencia de los eventos, son perfectos para evitar situaciones anómalas. El caso más claro es la aplicación al mantenimiento. Una vez entrenados, son capaces de avisar antes de que se produzcan las averías con tiempo suficiente como para poder reducir las consecuencias de dos maneras diferentes: la primera reduciendo la gravedad de la avería, al predecirla antes de que el mecanismo de degradación que la causa provoque roturas mayores y más costosas; y la segunda reduciendo el impacto en la producción perdida, al poder planificar por adelantando la reparación, teniendo los materiales listos y pudiendo realizar una intervención más corta.
Prescriptiva
Se puede emplear en cualquier proceso industrial que necesite una mejora. Su campo natural es la optimización de procesos, aunque también se pueden desarrollar en el entorno de la Visión Artificial aplicada a la robótica, que da solución a fases tan decisivas como los controles de calidad o la detección de productos defectuosos. Debido al procesamiento y aplicación de algoritmos de Machine Learning para tratar inteligentemente esas imágenes, el sistema puede tomar decisiones automatizadas para revertir los errores, desechar productos y, todo ello, siguiendo los parámetros con los que el sistema ha sido programado.
En la actualidad, se ha abierto una línea de investigación en este campo basada en la utilización de la inferencia bayesiana, un método de razonamiento que suma a la información preliminar los datos muestrales -o experimentales- utilizando el Teorema de Bayes, lo que mejora la toma de decisiones y la automatización de acciones, dos outputs inherentes al proceso productivo, especialmente en el sector de la gran industria.
Dentro de la analítica prescriptiva podríamos encuadrar una categoría adicional: la “OPTIMIZACIÓN”, por la aplicación específica que tiene dentro del área de cadena de suministro. Como nos explican desde Minsait, aplicar técnicas de optimización a los procesos de negocio implicados en la gestión de la cadena de suministro (definición de cadena, definición de políticas de inventario, planificación de producción, producción de programación, etc.) tiene un impacto en el negocio muy grande.
Han colaborado en este artículo…
Jorge Torres es Senior Manager en Minsait. Jorge lidera el desarrollo de productos y proyectos sobre manufactura en el área de Industria 4.0. Tiene 17 años de experiencia internacional en consultoría de negocio, industria e investigación. Ha trabajado 7 años como Jefe de Proyecto e Ingeniería en empresas industriales (Auto, Energía e Ingeniería). Ha liderado proyectos de transformación a nivel internacional con foco en excelencia operativa y proyectos de diseño e industrialización de productos. Es responsable del desarrollo de las soluciones de Onesait que aplican analítica avanzada a manufactura (Prediction y Scheduler) y actúa como experto en proyectos de analítica avanzada aplicada a la industria. Jorge es Ingeniero Industrial por la Universidad Politécnica de Madrid y Executive MBA por la Escuela de Organización Industrial.
David Carvajal es director del área de Data & Analytics en la línea de productos de Minsait. Tiene 20 años de experiencia laboral dentro del área tecnológica de datos en grandes empresas y más de 10 años de experiencia directiva en gerencia y dirección de áreas relacionadas con Big Data, Advanced Analytics, Transformación Digital o Data Governance, siendo el encargado de crear, liderar, transformar y evolucionar el área de datos cubriendo la cadena de valor de extremo a extremo, desde la gobernabilidad hasta la analítica prescriptiva, ayudando a los clientes a adaptar sus negocios y procesos al modelo impulsado por datos (data driven company).Es Licenciado en Derecho e Ingeniero Informático, posee un EMBA por el Instituto de Directivos de Empresa y habitual colaborador en revistas , impartición de conferencias , seminarios y docencia en escuelas de negocio como el Instituto de Empresa.
