Eliminando cuellos de botella: Aprovechando la analítica para la eficiencia manufacturera

Ruban Phukan, cofundador y Director de Producto y Analítica en Progress DataRPM, analiza la batalla ancestral contra los cuellos de botella y el papel de la analítica predictiva en la manufactura.

Los problemas relacionados con los cuellos de botella en la manufactura están bien documentados. Desde retrasos en la producción, exceso de stock, aumento de la presión de los clientes y más allá, los problemas causados por una limitación repentina e imprevista de la capacidad pueden ser devastadores para cualquier negocio en la industria. Con esto en mente, Manufacturing Global habla con el ex científico de datos de Yahoo y figura destacada en Progress DataRPM, Ruban Phukan, sobre el uso de modelos de mantenimiento predictivo y cómo pueden ayudar a establecer un entorno a prueba de fallos.

Llegando al corazón del problema

Como ex miembro del equipo de análisis de datos de Yahoo, Phukan conoce bien las complicaciones del uso de big data. «Fui parte del primer equipo de ciencia de datos que se creó en Yahoo hace muchos años», dice. «El gran aprendizaje allí fue que la ciencia de datos es muy difícil de escalar manualmente para grandes organizaciones. Lo que nos dimos cuenta es que la única forma de resolver realmente el problema de la ciencia de datos, de una manera que aporte valor al negocio, es automatizar los procesos que hay detrás de ese análisis de datos».

Tras dejar Yahoo, Phukan fundó su propio negocio de motor de búsqueda vertical, usando aprendizaje automático para comprender el comportamiento del usuario, específicamente en analítica predictiva. Tras venderlo, se asoció con sus cofundadores actuales, donde comienza la historia de Progress DataRPM y cómo está avanzando hacia, entre muchas otras cosas, abordar los cuellos de botella.

«Cuando nos reunimos por primera vez, nos dimos cuenta de que se generaba una enorme cantidad de datos digitales, pero el problema seguía siendo el mismo: no se puede resolver manualmente. Simplemente no hay suficientes científicos de datos. Incluso con la enorme cantidad de datos que existe, el tipo de valor que las empresas obtenían no justificaba el ROI», dice.

«Así que empezamos a preguntarnos: "¿Podemos crear una plataforma que haga que los procesos de ciencia de datos sean fluidos y automatizados?" Queríamos que las empresas pudieran aprovechar las mejores prácticas, aplicarlas a sus problemas y resolverlos a escala».

Avances en el aprendizaje automático

Con el avance en la capacidad tecnológica del aprendizaje automático, Phukan y sus cofundadores pudieron abordar el enorme volumen de datos e información disponibles para sus clientes de una manera que no era posible antes. Crucialmente, para las empresas manufactureras, esto significaba que también podían iniciar un impacto positivo en aspectos como la línea de producción.

«Por ejemplo, con sensores habilitados, nos ayuda a entender a un nivel muy detallado el funcionamiento normal de una máquina bajo diferentes condiciones operativas y ambientales. Luego podemos evaluar cómo esto afecta la salud de la máquina y, en consecuencia, qué hace a la línea de producción en términos de eficiencia», nos cuenta.

Al implementar una granja de plantas automatizada que no requiere que alguien sea un experto en ciencia de datos, Progress DataRPM esencialmente ayuda a las grandes industrias basadas en activos a resolver dos problemas: cómo minimizar el tiempo de inactividad no planificado y cómo maximizar la calidad y eficiencia de la salida de sus activos. Todo esto se hace a través de su software de predicción de anomalías cognitivas. En el momento en que se conecta a datos basados en sensores, automáticamente establece una línea base de las condiciones normales de operación de la máquina. Luego busca cosas que se desvían de estas condiciones y crea una alerta antes de predecir los problemas potenciales que podrían ocurrir.

Es esta capacidad de predecir lo desconocido lo que Phukan cree que representa una gran salida de los procesos tradicionales anteriores. «Necesitamos poder examinar por qué las cosas han sucedido en el pasado, pero, más importante aún, también necesitamos predecir cosas que no han sucedido», explica.

Impactando la línea de ensamblaje

Una de las áreas clave que las empresas manufactureras necesitan examinar son los procesos que impactan lo que sucede en la línea de producción, específicamente el momento del control de calidad. «Hemos trabajado con varios fabricantes en las industrias automotriz y de salud, por ejemplo, y uno de los mayores desafíos que enfrentan es que la verificación de calidad ocurre al final del proceso de manufactura. Así que, una vez que se fabrica un lote completo de un producto, se ejecutan las pruebas para determinar si está bien. Esto puede llevar a tasas de desecho de hasta el 75 %», dice Phukan.

Como la mayoría de las reglas de los conjuntos de pruebas solo pueden escribirse basándose en la experiencia previa, cuando surge un nuevo problema que no se ha tenido en cuenta, esto puede llevar a problemas graves como retiradas de productos. Según Phukan, el uso de plataformas de analítica predictiva se convertirá, por tanto, en la norma. De hecho, esto es algo que ya ha identificado cada vez más en la manufactura.

«Cuando los fabricantes nos hablan, preguntan si pueden usar aprendizaje automático para determinar, a lo largo del camino, si un lote es defectuoso. Saben que podemos detectar cosas mucho antes, para que puedan detener el proceso y minimizar costes y pérdidas».

¿Tiene algún ejemplo específico de esto en acción? «Trabajamos con un gran proveedor de telecomunicaciones en Francia y tenían un verdadero desafío con su decodificador, que no es algo que asumirías que requiere un mantenimiento predictivo pesado. El problema que tenían era que cada vez que uno fallaba, tenían que ir a identificar el problema y reemplazarlo. Obviamente, esto es costoso en términos de tiempo y dinero. También hay un enorme riesgo de perder clientes», dice.

«Identificamos proactivamente que un tercio de sus cajas tenían un problema, lo que permitió al servicio al cliente llamar y decir a la gente que actualizara su caja o enviara un reemplazo antes de que ocurriera una falla».

El futuro del análisis de cuellos de botella

Los fabricantes claramente se están volviendo más conscientes de los beneficios de la tecnología cognitiva máquina-primero, que les permite identificar anomalías y potencialmente incorporar a un experto en la materia para ayudar a determinar las ramificaciones de los hallazgos de la máquina.

De hecho, Phukan discute cómo la RA, IoT, garantías, computación en nube híbrida y blockchain jugarán un papel cada vez mayor, sin embargo, es la detección de lo desconocido lo que siente que será clave. «La clave no es lo que ya se sabe; los expertos en el dominio pueden hacer un gran trabajo manejando eso, pero el gran desafío es lo desconocido y lo que va a golpear a las empresas a continuación. Eso es lo que necesitamos prevenir y ese es el núcleo de lo que cambiará el juego de la manufactura», concluye Phukan.