Seleccionar página

Una pregunta habitual de un director de operaciones en el sector industrial es: ¿Cuáles son las condiciones de operación que permiten maximizar la calidad del producto al menor coste?

A pesar de la complejidad inherente a decisiones como ésta, con frecuencia se toman en base a la intuición y análisis básicos de datos. Sin embargo, hoy en día, es posible acceder a técnicas avanzadas de análisis que podrían suponer una mejora significativa en el proceso de toma de decisiones.

El “Data Analytics” abarca diferentes disciplinas en función de la pregunta a responder:

Descriptiva y diagnóstica: ¿Qué y por qué ha pasado?

Estas dos primeras disciplinas se basan en analizar datos acerca de la actividad de la compañía en el pasado. Describen y resumen un conjunto de indicadores de negocio, para obtener ideas acerca de los factores clave para su actividad.

Habitualmente, se utilizan herramientas de Business Intelligence para visualizar cuadros de mando con objeto de tomar decisiones en base a lo que esta información muestra.

Predictiva (modelización): ¿Qué va a pasar?

El objetivo de esta disciplina es la generación de modelos que calculen el impacto que tendría en un proceso, tomar una determinada decisión.

Un modelo, es un algoritmo que podría representar el comportamiento de un proceso, en el que la entrada son sus variables y la salida el resultado del proceso. La modelización permite predecir, por ejemplo, la calidad de un producto ante variaciones en las condiciones de fabricación, con objeto de identificar áreas de mejora.

Asimismo, permite identificar las causas que han provocado un comportamiento anómalo del proceso y las variables que han influido en el mismo.

Las técnicas de aprendizaje automático (“machine learning”), permiten obtener patrones del comportamiento en base al histórico de datos de aquellas variables que intervienen en el proceso, sin importar el número ni la complejidad de la relación entre ellas.

Su uso se ha “democratizado”, hasta el punto de mejorar los resultados obtenidos mediante las técnicas tradicionales de formulación.

Prescriptiva (Optimización): ¿Qué se debe hacer?

Aún se puede “dar una vuelta de tuerca” más. El uso de los modelos de la disciplina anterior permite predecir el impacto de cada decisión. Cuando existen muchas decisiones posibles, lo complicado es seleccionar la mejor. Y esto es precisamente lo que persigue resolver la disciplina analítica de optimización.

Las técnicas de optimización son algoritmos que seleccionan, de entre todas las posibles, aquellas decisiones que maximizan un resultado, sin dejar de cumplir las restricciones del proceso. Por ejemplo, seleccionar las condiciones óptimas de operación maximizando la calidad del producto y minimizando el coste, teniendo en cuenta las especificaciones técnicas, etc.

Los problemas de prescripción, tradicionalmente se han apoyado en modelos matemáticos, cuya optimización es tremendamente compleja.

El uso de nuevas técnicas para la obtención de modelos predictivos, junto con el incremento en el poder de computación, han permitido un desarrollo exponencial de nuevas técnicas de optimización de carácter heurístico que permiten dar respuesta a una gran variedad de problemas para los que antes no la había.

A partir de aquí, … quitar el miedo y sacar el máximo partido de los datos.


Fuente:

Estrategia Empresarial. Tribuna de Germán Garitaonaindia. Socio de Data Analytics en PKF Attest

Este sitio web utiliza cookies para que usted tenga la mejor experiencia de usuario. Si continúa navegando está dando su consentimiento para la aceptación de las mencionadas cookies y la aceptación de nuestra política de cookies ACEPTAR

Aviso de cookies