Hace ya más de dos años que el presidente de Telefónica, José María Álvarez-Pallete, dijo una de sus frases más recordadas: “Los datos son el petróleo del siglo XXI”. Aunque entonces causó cierto revuelo, hoy nadie puede negar que estamos inmersos en una nueva revolución basada en los datos. Sin embargo, aunque son una pieza clave de la economía del conocimiento, no nos servirán de nada si no son tratados y analizados. El dato por sí mismo no genera valor.

Por eso es importante que las compañías evolucionen cada vez más hacía un modelo data-centric en el que las decisiones se tomen de forma empírica. De hecho, tecnologías como big data e inteligencia artificial han abierto un abanico de posibilidades sin precedentes para sacar mucho más partido al dato.

Por ejemplo, en el ámbito de la industria, las empresas han encontrado nuevas aplicaciones de analítica predictiva y ciencia de datos. En una línea de producción resulta crítico maximizar el tiempo de funcionamiento de las máquinas que la conforman, ya que cualquier fallo paraliza la fabricación por completo. Este tipo de situaciones hace que el coste por unidad producida aumente, con el consiguiente recorte de los márgenes económicos. En el pasado esto simplemente se asumía como ‘ley de vida’. Actualmente se pueden corregir las anomalías antes de que se produzcan, gracias a la implantación de modelos predictivos en tiempo real que permiten aplicar estrategias proactivas para anticipar estos fallos y corregirlos.

El big data y la IA han abierto un abanico sin precedentes para sacar mucho más partido al dato

Analítica predictiva

Gracias al Internet de las Cosas (IoT), los dispositivos y sensores conectados a la nube también se convierten en fuente de información para el big data. Esto abre todo un mundo de posibilidades a la hora de capturar los distintos aspectos que intervienen en un proceso para poder analizarlo y proponer más valor para el cliente, optimizar o poner en marcha nuevos modelos… Cualquier proceso que genere cantidades masivas de información, evolucione de forma muy rápida o deba contemplar fuentes muy heterogéneas de datos debería aprovechar el beneficio que ofrece esta tecnología.

Además, los costes asociados a la sensorización de las máquinas son cada vez más bajos. Si a esto le unimos el imparable avance que están viviendo las tecnologías asociadas, la consecuencia es que su implantación sea cada vez más relevante, especialmente cuando permite el uso de aplicaciones de analítica predictiva.

Identificar las causas que han motivado el éxito o fracaso de alguna actividad permite sacar conclusiones para el futuro. Desde el punto de vista empresarial, puede ser muy útil para establecer objetivos de negocio realistas, planificar de forma más efectiva o acotar expectativas de un modo más razonable.

Cuando se trata de prever cuándo va a fallar una máquina, son muchos los conceptos que hay que tener en cuenta y que preceden a la avería, como los tiempos de un determinado proceso, las diferentes lecturas de voltajes o corrientes o los niveles de humedad o presión. A partir de todos estos datos, un modelo de analítica predictiva es capaz de aprender los patrones que suelen tener lugar antes de que falle la máquina.

En cambio, el machine learning identifica patrones complejos a partir de incalculables volúmenes de datos, procesándolos para predecir comportamientos. Su capacidad para mejorar sin ayuda externa le permite desarrollar sus propios modelos para, por ejemplo, descubrir tendencias en los gustos de los consumidores. Basa su funcionamiento en una experiencia o conocimiento previos que lo orientan en sus decisiones, característica que hace que esta tecnología se pueda aplicar en múltiples áreas.

Un modelo de analítica predictiva puede aprender los patrones que se suelen dar antes de que falle la máquina

El poder del dato

Explotar el poder del dato dentro de un contexto fabril hace posible contar con múltiples fuentes de información. Por ejemplo RFID, que permite la identificación mediante tecnologías de radiofrecuencia que incorporan determinadas etiquetas (se utiliza en las tiendas de ropa para detectar posible hurtos), lo que permite monitorizar y supervisar la actividad de los empleados, ayudando a determinar las zonas más frecuentadas, tiempo de estancia, zonas de visita o de tránsito; o, por otro lado, tener un control de los paquetes y activos físicos de la fábrica.

Otro ejemplo sería la localización por GPS. En empresas con un fuerte componente logístico permite tener controlada la flota y detectar ineficiencias en la gestión. También existen sensores para las líneas de ensamblaje, que facilitan controlar de manera detallada la producción de cada sección, detectar cuellos de botella y lanzar alertas automáticas de determinados eventos.

Algunos casos de uso en el entorno industrial podrían ser:

• Diagnósticos predictivos. El big data puede ayudar a identificar los posibles patrones en los datos de calidad del producto, en los de fabricación, en las reclamaciones de garantía y en los informes de servicio, así como en los datos de uso sobre los productos. Todo ello reduciendo los costes de garantía y optimizando los procesos de fabricación. Un caso tradicional es la posibilidad de que una empresa pueda anticipar la demanda que van a tener sus clientes en cuanto a mantenimiento y logística, para así ajustar sus procesos, ahorrar costes innecesarios y aumentar el grado de cumplimiento del servicio que presta. Otro ejemplo sería la aplicación de la analítica avanzada para anticipar —en tiempo real— la calidad del producto que se está fabricando, y con una antelación de 15 minutos. Esto ofrece un sistema predictivo y automático de control de los parámetros de la planta, orientado a asegurar una calidad constante del producto.
• Análisis de garantía. Otro uso interesante del big data es la aplicación para reducir significativamente los costes de las reclamaciones en relación con las garantías, evitando discrepancias que puedan producirse fruto de reclamaciones no válidas, una inadecuada formación de los técnicos, problemas de fraude o una advertencia temprana de fallos por las piezas. En el caso del fraude energético, es importante detectar las posibles incidencias en la red de distribución. Usando técnicas de big data y analítica predictiva, las compañías eléctricas y de gas pueden detectar y frenar el fraude energético y optimizar el servicio, algo que beneficia tanto a las distribuidoras como a los consumidores finales.
• Optimización del rendimiento de máquinas y dispositivos. En el caso de las redes de energía, las aplicaciones de predicción emplean modelos que supervisan la disponibilidad de las plantas, las tendencias históricas, la estacionalidad y la meteorología. La inteligencia artificial y el big data permiten también optimizar el rendimiento de servidores y data centers.

Los proyectos de IA y big data no son sencillos ni consiguen sus objetivos en una sola fase: requieren una aproximación iterativa y de refinamiento que, en sucesivas etapas, termine por dar el resultado esperado.