Los datos no siempre están disponibles y formateados de manera que faciliten la interpretación y contribuyan a la toma de decisiones asertivas. Es común escuchar informes de que el volumen de información recopilada en la industria está creciendo, pero esta información no está categorizada, jerarquizada y mucho menos integrada, como lo ilustra el artículo «Uso de datos en el sector manufacturero«, publicado por STRATUS Blog en 2023.
A pesar de las notables ventajas de la digitalización de la industria, según el estudio Data Paradox (2021) -realizado por la consultora Forrester y encargado por Dell Technologies- solo el 66% de las empresas en el mundo utilizan datos, y solo el 21% de estas saben aprovecharlos adecuadamente para generar resultados.
En Brasil, el escenario no es muy diferente. En 2016, según un estudio de la Confederación Nacional de la Industria (CNI), denominado Encuesta Especial sobre Industria 4.0 en Brasil (2021), solo el 48% de las industrias utilizaban alguna tecnología digital en una determinada etapa de la producción. En 2021, este porcentaje se elevó al 69%. La mayoría de estas empresas todavía están en el proceso inicial, conocidas como «novatas en datos», y no saben muy bien cómo lidiar con el gran volumen de información.
Para identificar las principales variables de una maquinaria, es necesario definir qué análisis se debe realizar y verificar que el objetivo esté alineado con las metas estratégicas del negocio. Después de eso, es necesario comprender qué datos están disponibles para identificar los datos relevantes.
Sin embargo, factores como la presencia de máquinas de diferentes tecnologías en el parque industrial, procesos manuales de baja resolución (con información incompleta) o intervalos de tiempo entre unos datos y otros suelen impedir un análisis estable.
A menudo, los datos más importantes no están fácilmente disponibles, pero eso no significa que no se puedan encontrar. En estas situaciones, el científico de datos, utilizando las herramientas adecuadas, puede crear los datos que tengan más sentido para ser monitoreados, a partir de la combinación de dos o más variables que se pueden extraer de forma nativa de la planta de producción.
Creación de datos a partir de datos
Una forma de crear los datos que se deben monitorear es usar fórmulas con la información disponible para calcular el indicador clave. En la industria, mejorar el rendimiento de una línea de producción a menudo significa innovar: a través de diferentes prácticas de gestión, nuevas tecnologías, diseños eficientes y repensar el uso de insumos.
Para realizar análisis de productividad, es necesario medir y comparar indicadores de rendimiento, como la cantidad y la 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 rendimiento general de la planta.
En este ejemplo, consideraremos 2 máquinas que, durante unos 40 minutos, han estado 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 en el resultado de todo el mes si no se resuelve. Al buscar los datos de productividad de estas máquinas, se obtiene la siguiente información:
El análisis de gráficos por separado puede dificultar la identificación de problemas y la optimización del uso de máquinas de bajo rendimiento. Por lo tanto, una técnica eficaz es combinar ambas informaciones en una sola imagen. Si bien esto puede no proporcionar una conclusión clara, permite la comparación de rendimientos.
Datos encontrados: cómo realizar un análisis relevante
Dentro del análisis de productividad, uno de los indicadores que se pueden monitorear es la velocidad de las máquinas, como se mencionó anteriormente. Dado que los datos de producción se recopilan cada 5 segundos, es posible calcular la velocidad cada 30 segundos con la fórmula:
Velocidad=∆Producción/∆Tiempo
Incluso si la variable de «velocidad» no se puede extraer directamente de la maquinaria, es posible descubrirla y concentrarse solo en los datos más relevantes para comprender el rendimiento de la línea. La respuesta a la pregunta «¿cuál debo mirar?» es a menudo nebulosa, precisamente porque la información buscada no se puede recoger directamente del equipo, sino que se puede crear. Al comparar los datos, es evidente en qué período hubo la mayor discrepancia y qué se puede hacer para mejorar el rendimiento.
En esta comparación, está claro que la velocidad de la máquina 1 es menor que la de la máquina 2. En ningún momento la máquina 1 puede alcanzar el mismo nivel de velocidad que la máquina 2, estando aproximadamente un 6% por debajo en los momentos de máximo rendimiento.
Con esta información, se hace evidente que el trabajo para mejorar el rendimiento general de la línea debe centrarse en aumentar la velocidad de producción de la máquina 1, con un margen de ganancia de más del 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 máquina 1, el resultado será un mayor rendimiento en menos tiempo.
Este trabajo debe tener en cuenta las velocidades nominales de las máquinas posteriores. En este caso, un V-Graph puede ser una gran herramienta de ayuda.
Datos que desbloquean los resultados
El uso de datos en la industria es una realidad cada vez más presente en Brasil y en el mundo. Con una demanda creciente, la digitalización permite a las fábricas lograr una mayor optimización de la producción, satisfaciendo las necesidades y requisitos en menos tiempo y de forma más automatizada.
Para ello, es necesario monitorizar los datos adecuados, que no siempre están disponibles de forma nativa. Eso no significa que no se pueda encontrar. Por el contrario, con un equipo de científicos de datos, es posible calcular la variable que se debe observar, ya sea comparando dos variables o utilizando fórmulas.
Si bien el ejemplo utilizado se refiere a un análisis de desempeño, esta línea de razonamiento (comparación de datos) también funciona para monitorear otras áreas, como el uso de materias primas, recursos naturales, mantenimiento, calidad del producto, entre otros. Este escenario se concreta gracias al abanico de posibilidades que permite la ciencia de datos y a la capacidad analítica de los científicos, que utilizan su experiencia, creatividad y visión de mercado para encontrar las métricas más relevantes para la industria. El uso de métodos como estos transforma los datos en información valiosa que desbloquea los resultados.
Descubra cómo la ciencia de datos contribuye a diferentes aplicaciones:Rendimiento
Materia prima Recursos
naturales
Calidad
Investigación y desarrollo