Qué datos mirar: creación de datos dentro de la industria
Foto: ST-One – derechos reservados
Dentro de la industria, el día a día es una intensa demanda por mejores resultados, y esto se materializa de varias maneras: para lograr los objetivos de producción deseados, el aumento del rendimiento de las máquinas, el mejor uso de los insumos y el uso más sostenible de los recursos naturales.
Para mantener una industria de alto rendimiento, que opere con un alto estándar de eficiencia, es esencial utilizar la ciencia de datos para monitorear los indicadores más importantes. Con él, es posible estudiar y tomar decisiones con base en la planta de fábrica -entendiendo sus perspectivas-, brindar información precisa sobre la línea de producción, monitorear y tener control sobre el estado de calidad ininterrumpido, entender el consumo de agua y energía, entre otros.
A pesar de las notables ventajas de la digitalización de la industria, según el estudio Data Paradox (2021) –realizado por la consultora Forrester, y por encargo de Dell Technologies–, en el mundo solo el 66% de las empresas utilizan datos, y sólo el 21% de este total sabe aprovecharlos adecuadamente para generar resultados. En Brasil este escenario no es muy diferente, como en 2016, según un estudio de la Confederación Nacional de la Industria (CNI), denominado Especial Soldadura en la Industria 4.0 en Brasil (2021): solo el 48% de las industrias utilizaron alguna tecnología digital en un dada la etapa de producción, en 2021 este porcentaje ascendió al 69%. La mayoría de ellos aún se encuentran en el proceso inicial, conocidos como “datos novatos”, y aún no saben muy bien cómo afrontar ese acceso a la información.
En resumen, realizar un seguimiento inteligente de las métricas relevantes es esencial para aumentar la productividad de la fábrica. Según el artículo “ Comprender por qué el análisis de datos es esencial para la industria”, publicado en 2021 por el sitio web Voz da Indústria, “estructurar un buen análisis de datos garantiza a la industria la posibilidad de tomar decisiones mucho mejores, asertivas y basado en información confiable, que representa el escenario real”, lo que refuerza la importancia de dichos KPI.
Cómo maneja una industria los datos
Foto ST-One – direitos reservados
Los datos no siempre están disponibles y formateados en un modelo fácil de interpretar que contribuya a la toma de decisiones asertiva. Es común informar que el volumen de información recopilada dentro de la industria está creciendo, pero que no está categorizada, jerarquizada y mucho menos integrada – como se ilustra en el artículo “Utilización de datos en el sector manufacturero: cuatro desafíos y soluciones explicados</ a> ” publicado por el Blog STRATUS en 2023. A partir de esta frustración, muchos directivos se enfrentan a la pregunta: “¿Qué datos debo mirar?”
Para responder a esta pregunta es necesario, desde el principio, definir qué análisis se debe realizar y comprobar si su objetivo está alineado con las metas estratégicas del negocio. Después de eso, es necesario comprender qué datos están disponibles para luego llegar al punto principal de la cuestión, que es identificar los datos relevantes.
Sin embargo, varios aspectos de la rutina de un proceso de producción complican la visualización clara y la comprensión de datos importantes. Algunas serían, tener un parque de fabricación con máquinas de diferentes tecnologías, procesos manuales de baja resolución (con información incompleta) o incluso desfases de tiempo entre un dato y otro, que impiden un análisis estable.
A menudo los datos más importantes no están fácilmente disponibles, pero eso no significa que no puedan encontrarse. En estas situaciones, el científico de datos (descúbrelo aquí cómo convertirse en uno), a través de las herramientas adecuadas, puede crear los datos que tengan más sentido para ser monitoreados, basándose en la combinación de dos o más variables que se pueden extraer de forma nativa desde la fábrica.
Creando datos a partir de datos
Una forma de crear los datos que deben monitorearse es utilizar fórmulas con la información disponible para calcular el indicador clave. Los siguientes párrafos detallan un proceso en el que se utiliza esta característica.
En una industria, mejorar el rendimiento de una línea de producción muchas veces significa innovar: a través de diferentes prácticas de gestión, nuevas tecnologías, diseños eficientes, repensar el uso de insumos, etc. Según el artículo “Productividad en la industria< / a>” de Portal de la Industria (2022), “No hay límites para la innovación, por lo tanto, no hay límites para el aumento de la productividad”.
Para realizar análisis de productividad es necesario medir y comparar indicadores de desempeño, como cantidad y velocidad de producción, entre otros estándares predefinidos. De esta manera, es posible identificar áreas de mejora, implementar acciones correctivas y monitorear el impacto de estas acciones en la productividad y el desempeño general de la fábrica.
En este ejemplo se considerarán 2 máquinas que, durante unos 40 minutos, estuvieron produciendo al mismo tiempo (misma disponibilidad), y que obtuvieron los siguientes resultados:
Máquina 1: 10.287 productos
Máquina 2: 11.120 productos
Al comparar los resultados hay una diferencia de casi el 8%, lo que impactará los resultados de todo el mes si no se resuelve. Al buscar datos de productividad de estas máquinas se obtiene la siguiente información:
Al analizar los gráficos por separado, resulta desafiante encontrar dónde está el problema y cómo es posible optimizar el uso de la máquina que tiene bajo rendimiento. Por tanto, una de las técnicas a aplicar es la combinación de ambas informaciones en una sola imagen que, si bien no deja una conclusión clara, permite comparar el rendimiento:
Datos encontrados: cómo realizar un análisis relevante
Dentro del análisis de productividad, uno de los indicadores que se puede monitorear es la velocidad de las máquinas, como se mencionó anteriormente. Dado que los datos de producción se recopilan cada 5 segundos, es posible, por ejemplo, calcular la velocidad cada 30 segundos con la fórmula:
Velocidad=∆Producción/∆Tiempo
Aunque la variable “velocidad” no puede haber sido extraída de forma nativa de la maquinaria, es posible descubrirla y observar solo los datos más relevantes para comprender el desempeño de la línea. La respuesta a la pregunta mencionada unos párrafos más arriba “cuál debería mirar” es a menudo confusa precisamente porque la información que se busca no puede recopilarse directamente del equipo, pero sí puede crearse. Al comparar, queda claro en qué período hubo la mayor discrepancia y qué se puede hacer para mejorar el desempeño.
En esta comparativa queda claro que la velocidad de la máquina 1 es inferior a la de la máquina 2, y en ningún momento la máquina 1 puede alcanzar el mismo nivel de velocidad que la máquina 2, manteniéndose alrededor de un 6% inferior en los momentos de máximo rendimiento.
Con este tipo de información, queda claro que el trabajo a realizar para mejorar el rendimiento global de la línea debe centrarse en aumentar la velocidad de producción de la máquina 1, con un margen de ganancia superior al 6%. La máquina 1 todavía no funciona tan rápido como la máquina 2, que es más eficiente. Con esto, y con el descubrimiento de que es posible aumentar la velocidad de la primera máquina, el resultado es un mayor rendimiento en menos tiempo.
Este trabajo debe tener en cuenta las velocidades nominales de las máquinas posteriores y, en este caso, un V-Graph puede ser una gran herramienta de ayuda.
Datos que desbloquean resultados
El uso de datos en la industria es una realidad cada vez más presente en Brasil y en todo el mundo. Con una demanda cada vez mayor, la digitalización permite a las fábricas lograr una mayor optimización de la producción, satisfaciendo necesidades y requisitos en menos tiempo y de forma más automatizada.
Para hacer esto, es necesario monitorear los datos correctos, que no siempre están disponibles de forma nativa. Esto no significa que no se pueda encontrar, al contrario, con un equipo de científicos de datos es posible encontrar el cálculo más adecuado para llegar a la variable que se debe observar, como por ejemplo comparando dos variables o utilizando fórmulas.
Si bien el caso utilizado es un análisis de desempeño, esta línea de razonamiento (comparación de datos) también sirve para monitorear otras áreas, como uso de materias primas, recursos naturales, mantenimiento, calidad del producto, etc. Este escenario se materializa gracias al abanico de posibilidades que permite la ciencia de datos y la capacidad de análisis de los científicos, quienes utilizan su experiencia, creatividad y visión de mercado para encontrar las métricas más relevantes para la industria. Usar métodos como estos significa que los datos dejan de ser solo datos y se convierten en información que desbloquea resultados.
Descubra cómo la ciencia de datos contribuye a diferentes aplicaciones:
Rendimiento
Materia prima
Recursos naturales
Mantenimiento y Calidad
Investigación y desarrollo
