Las compañías que llevan a cabo procesos de fabricación han estado soportando presiones de todas partes en los últimos años, debido a los aumentos de precios experimentados en las materias primas o la dificultad para obtenerlas, así como por la desaceleración del crecimiento. La mejora de la productividad en empresas industriales de la Unión Europea cayó de un 2,9 por ciento promedio en el período 1996-2005 a apenas el 1,6 por ciento entre 2006 y 2015, según datos de la Organización para la Cooperación y el Desarrollo Económico (OCDE). Si bien se observan señales de una posible recuperación cíclica, la incertidumbre política podría continuar afectando el comercio internacional.
Stay current on your favorite topics
La mayoría de los fabricantes ya han efectuado los cambios más obvios en un esfuerzo por racionalizar sus operaciones, usando métodos tradicionales para extraer la mayor productividad posible de sus plantas y cadenas de suministro. Para poder hacer más con menos recursos en un contexto incierto y de lento crecimiento, las compañías deberán buscar nuevas maneras de potenciar la productividad y la rentabilidad de sus operaciones.
Pero existe un activo muy significativo que los fabricantes aún no han optimizado: sus propios datos. Las industrias de procesos generan enormes volúmenes de información, pero hasta el momento muchas no han sabido explotar esta montaña de inteligencia potencial. Históricamente, los fabricantes han estado retrasados con relación a otras industrias en lo referido al desarrollo de sus capacidades tecnológicas. Pero gracias a la disponibilidad de poder de cómputo más económico y al rápido avance de las oportunidades analíticas, ha llegado el momento de que los fabricantes pongan a trabajar esos datos, reuniendo información de múltiples fuentes y sacando provecho de modelos de aprendizaje automático y plataformas de visualización para descubrir nuevas maneras de optimizar sus procesos, desde el abastecimiento de materias primas hasta la venta de productos terminados.
Los advanced analytics también puede ayudar a los fabricantes a resolver problemas antes inexpugnables y a revelar otros que ni siquiera conocían, como cuellos de botella ocultos o líneas de producción no rentables. Existen tres aplicaciones en particular de advanced analytics que en conjunto representan una herramienta muy poderosa para maximizar el desempeño físico y financiero de los activos y de cadenas de suministro por lo general muy complejas (Gráfico 1).
El mantenimiento predictivo analiza datos sobre el desempeño histórico de los equipos para predecir cuándo es probable que éstos fallen, limitar la duración de las salidas de servicio, e identificar las causas raíz de los problemas. El análisis de rendimiento y energía (yield-energy-throughput, o YET) sirve para asegurar que cada una de las máquinas sean lo más eficientes posible, ayudando a mejorar su rendimiento y capacidad de producción y a reducir la cantidad de energía consumida. El análisis de maximización de beneficios por hora (PPH), en tanto, examina a fondo los miles de parámetros y condiciones que impactan en la rentabilidad total de una cadena de suministro integrada (desde la compra de los insumos hasta la venta del producto), y provee información acerca de cómo sacar el mayor provecho bajo las condiciones reinantes.
Juntas, estas metodologías de advanced analytics pueden lograr mejoras de los márgenes de EBITDA (ganancias antes de intereses, impuestos, depreciación y amortizaciones) de hasta el 4 al 10 por ciento. Y también pueden potenciar iniciativas de mejora continua en momentos donde los fabricantes parecían haber agotado todas sus opciones para aumentar la productividad. Además, constituyen una palanca de ventaja competitiva, incluso para compañías con capacidad excedente, al ayudarlas a gestionar mejor sus sistemas de producción y a reasignar los recursos en forma óptima y en tiempo real.
Reducir el tiempo ocioso en un mundo activo en todo momento
Las máquinas se rompen. Ésta es la regla más conocida y probablemente más antigua en el sector de fabricación. La mejor forma de contrarrestar este efecto era la esperanza de que alguien en el piso de trabajo, dotado de una combinación de experiencia e instinto, fuera capaz de reconocer indicios de que un activo estaba a punto de tener una falla y repararla a tiempo. Sin embargo, con la evolución en la cantidad (y en el costo) de los equipos, la presión continua por aumentar el tiempo útil y la productividad, y la creciente demanda por operaciones flexibles, la “esperanza” ya no constituye una estrategia viable.
Los fabricantes pueden maximizar el tiempo de operación de los activos críticos utilizando big data para anticipar sus potenciales fallas. Los sistemas de mantenimiento predictivo reúnen información histórica (estructurada y desestructurada, y automatizada o no), para generar ideas imposibles de observar usando técnicas convencionales. Gracias a advanced analytics, las compañías pueden determinar las circunstancias que tienden a provocar que un equipo se rompa, y así monitorear sus parámetros de manera de poder intervenir antes de una falla grave – o estar listas para repararla cuando ocurra, minimizando así el tiempo de inactividad. Por lo general, el mantenimiento predictivo reduce el tiempo ocioso de los equipos del 30 al 50 por ciento, además de extender su vida útil un 20-40 por ciento.
Las compañías de petróleo y gas estuvieron entre los primeros adoptantes de advanced analytics con fines de mantenimiento predictivo. Un productor de petróleo, por ejemplo, solía enfrentar problemas continuos con los compresores en sus plataformas de producción offshore. Cuando uno de ellos se rompía, la plataforma debía cesar de operar por completo, con un costo para la compañía de 1 a 2 millones de dólares diarios. Los ingenieros trataron durante años de descubrir el origen de la falla, con escaso éxito. Sospechaban que la temperatura o la presión de los fluidos entrantes podía ser la causa, pero no lograban identificar una correlación entre estos factores y la falla en sí. Pero luego de analizar datos de cientos de sensores con información sobre más de 1.000 parámetros diferentes, el estudio analítico reveló que la alta presión y la alta temperatura, sumadas a una serie de factores adicionales, tenía efectivamente una correlación con las fallas. El algoritmo que desarrollaron podía predecir con varias semanas de anticipación la potencial salida de servicio de un compresor, y si bien no podía impedir que la falla sucediera, al menos permitía reducir el tiempo de inactividad de 14 días a solo 6 pre-posicionando el personal y los equipos de reparación en el sitio, lo que representaba un ahorro de varios millones de dólares en cada ocasión.
Hacer más con menos
De la misma manera que el mantenimiento predictivo ayuda a aumentar el tiempo de operación de un activo individual, el análisis YET permite mejorar su efectividad. Incluso un incremento porcentual pequeño de la eficiencia operacional puede generar aumentos significativos en las ganancias antes de intereses e impuestos (EBIT). La metodología YET lo logra balanceando rendimiento, producción y costo de materiales para maximizar la rentabilidad de cada paso del proceso de fabricación.
Una compañía química global estaba experimentando alta variabilidad y bajos niveles de producción en una de sus plantas europeas. El horno de monómeros presentaba tasas de producción muy variables, y un nivel de producción sub-óptimo. Los sensores de la planta habían reunido una gran cantidad de datos acerca de la operación del horno a lo largo de 615 días de producción: 600.000 muestras, cada una con 63 parámetros, lo que hacía un total de casi 40 millones de puntos de datos. El análisis mediante advanced analytics identificó factores críticos y facilitó la elaboración de un modelo que cuantificó la interdependencia de las variables clave, de las cuales la compañía previamente solo conocía sus correlaciones cualitativas, e hizo posible un mejor entendimiento de todo el proceso. Una prueba llevada a cabo en el horno confirmó las conclusiones del modelo.
Los expertos de la compañía sospechaban que algunas de las palancas identificadas por el modelo podrían mejorar la productividad, pero carecían de las herramientas o de la información para confirmarlo. Con un nuevo entendimiento del proceso y de los principales factores que inciden sobre él, la compañía organizó una serie de experimentos para optimizar la producción. El resultado fue un aumento de entre el 18 y el 30 por ciento, que representó una mejora de la contribución neta de alrededor de 5 millones de euros. La aplicación del análisis YET a toda la planta evidenció una ganancia potencial de €30 millones.
En algunos casos, los cambios sugeridos por un modelo YET pueden ser simples. Un productor de acero, por ejemplo, solo tuvo que ajustar una fórmula para lograr una mejora sustancial. Y otras veces el análisis saca a la luz la influencia de parámetros que varían con el paso del tiempo. En esas ocasiones, el fabricante puede establecer nuevos procedimientos operativos estándar para utilizar en múltiples situaciones. No obstante ello, el abordaje que muchos fabricantes están siguiendo es crear un tablero de desempeño basado en el análisis YET en la sala de control, que se alimenta con datos en vivo de las operaciones, facultando así al personal de producción para modificar las condiciones de operación según los resultados del análisis.
Optimizando redes de producción complejas
Mientras que el mantenimiento predictivo y el análisis de rendimiento, energía y producción (YET) han sido diseñados para mejorar el desempeño y la rentabilidad de máquinas o procesos individuales, la maximización de beneficios por hora (PPH) permite optimizar la interacción entre tales máquinas y procesos. Al abarcar todos los pasos, desde la compra de materias primas hasta la venta de los productos terminados, pasando por su fabricación, esta técnica de modelado avanzado maximiza dinámicamente la generación de beneficios en el contexto de sistemas de producción y cadenas de suministro complejas. A diferencia de los planificadores humanos, este abordaje basado en advanced analytics toma en cuenta hasta 1.000 variables y 10.000 restricciones para ayudar a los fabricantes a identificar qué comprar, qué producir, y cómo hacerlo de manera de obtener el máximo rendimiento en cada período.
Los grandes fabricantes de productos químicos pueden ser los más beneficiados con la maximización de PPH, ya que deben administrar un alto volumen de complejidad: Costos y precios volátiles, múltiples plantas, y productos que pueden fabricarse de diversas maneras y a partir de combinaciones de materiales diferentes (y frecuentemente no lineales. Una compañía global de productos químicos comercializaba un amplio rango de productos en el mercado global mediante una combinación de contratos spot y a largo plazo. Las decisiones sobre producción y ventas se basaban en un sistema complejo y conocido por pocos de precios de transferencia, fijados arbitrariamente por cada región y departamento. Las responsabilidades organizacionales estaban repartidas entre múltiples unidades de negocios y funciones corporativas, y la dirección de la empresa sentía que las decisiones sub-óptimas referidas a producción y distribución estaban desperdiciando demasiado dinero.
Estaban en lo cierto. Un modelo de programación entera mixta con más de 500 variables exploró curvas de costo no lineales y más de 3.000 restricciones referidas a capacidad de producción, transporte y contratos, al igual que cientos de pasos de producción (con rutas alternativas y ciclos de feedback), curvas de precio no lineales y estructuras de costos de materias primas, e inventarios intermedios.
Con la ayuda del modelo, la compañía pudo identificar cambios tácticos inmediatos que resultaron en ahorros de costos por varios millones de euros anuales. Por ejemplo, comenzó a fabricar internamente un producto intermedio clave en una línea sub-utilizada en lugar de adquirirlo a un tercero, y redujo los costos de las materias primas trasladando la producción de otro insumo esencial a máquinas con mayor rendimiento. Así, la empresa logró identificar oportunidades estratégicas a mediano plazo para expandir la capacidad aumentando la productividad de activos críticos. Y adicionalmente, logró aumentar las ventas al expandir la capacidad de producción de algunas categorías de productos.
El abordaje analítico reveló además algunas mejoras que parecían contra-intuitivas. El modelo sugirió que eliminar la producción de PVC en la planta de solventes mejoraría la rentabilidad. La compañía vendía PVC de bajo grado a China, un mercado commoditizado con altos costos logísticos. Pero si destinaba el material intermedio requerido para producir PVC a la fabricación de un producto diferente, la empresa podría mejorar sus beneficios por hora (PPH). Si el responsable por la línea de negocios de PVC hubiera tenido que tomar esta decisión, que era la situación normal antes de la introducción del modelo PPH, ese cambio nunca habría tenido lugar.
Con las mejoras descritas, este fabricante de productos químicos logró aumentar su EBIT en más del 50 por ciento en una industria de commodities caracterizada por los bajos retornos de las ventas.
El fabricante que decide en base a datos
Aplicar advanced analytics a los datos de los fabricantes puede generar conceptos útiles para optimizar la productividad de activos individuales, o la operación en su totalidad. Desplegadas en combinación, estas herramientas permiten a los operadores maximizar su productividad y la rentabilidad.
Por ejemplo, una importante planta de la industria de metales ha aplicado una combinación de herramientas analíticas avanzadas como base para un programa de mejora continua. La visualización en tiempo real de las estaciones de trabajo hizo que la compañía pudiera aumentar las tasas de producción en una de sus líneas un 50 por ciento. Los ingenieros están desarrollando nuevos conocimientos acerca de las características de las fallas de los principales equipos, y realizando mejoras continuamente para aumentar su confiabilidad. La compañía espera mejorar la producción total el 30 por ciento sin aumentar sustancialmente los costos operativos, usando monitoreo de estado y mantenimiento predictivo en combinación con controles de procesos y monitoreo automatizado de materiales.
En un contexto de fabricación cada vez más complejo, una transformación basada en el uso de los datos permite a las compañías optimizar en forma dinámica su planeación táctica y tomar mejores decisiones estratégicas para el largo plazo. Sin embargo, las herramientas de advanced analytics no transformarán mágicamente por sí solas los procesos de fabricación. El valor de las nuevas herramientas sólo puede ser capturado combinándolas con los conocimientos y el expertise de las personas. Estos nuevos abordajes hacen posible para los profesionales del sector de fabricación llevar a cabo discusiones efectivas y basadas en información objetiva, que permiten comparar el impacto real de diferentes parámetros en los resultados del negocio antes de tomar decisiones y, en muchos casos, considerar acciones contrarias a la intuición y capaces de mejorar la productividad o la rentabilidad.
Un fabricante logró aumentar sus ganancias el 55 por ciento aplicando cambios identificados mediante advanced analytics y modelos de datos (Gráfico 2).
Cómo llegar a ese punto desde el estado actual
Al igual que sucede con la mayoría de los cambios tecnológicos, las nuevas herramientas analíticas no son capaces de lograr las mejoras descritas por sí solas. Los fabricantes deben realizar múltiples cambios en las personas, los procesos y la tecnología para asegurarse no solo de poder agregar y analizar los datos, sino también de sacar el mayor provecho de las conclusiones.
Dominar la gestión de datos
Los advanced analytics y el modelado requieren extraer y depurar datos adecuadamente estructurados para la plataforma en que se utilizarán. Ésta es la parte más complicada de advanced analytics, y puede consumir casi la mitad del tiempo de un científico de datos – un esfuerzo mucho mayor que el que muchas compañías creen. También exige un alto grado de expertise en TI, es decir, empleados con los conocimientos necesarios para agregar la información de los sensores (incluida su localización, tipo y precisión), así como capacidad para almacenar la información en diversas plataformas.
Combinar capacidades analíticas y expertise en dominios
Para aplicar advanced analytics a las operaciones de fabricación se requiere una combinación de científicos de datos, especialistas en plataformas de AA, y expertos en áreas de fabricación (como tecnología de procesos, mantenimiento de activos y gestión de cadenas de suministro), además de personas que actúen como enlaces entre todos estos elementos.
Realizar pilotos
Una transformación analítica comienza identificando procesos específicos para realizar pilotos (problemas y oportunidades reales susceptibles de ser abordadas mediante advanced analytics), con el objetivo de demostrar la viabilidad y el valor de la analítica y capturar los beneficios rápidamente.
Algunas compañías establecen laboratorios analíticos dentro de sus unidades operacionales, en los que equipos de especialistas multifuncionales combinan sus conocimientos analíticos con el know-how de las respectivas áreas. Estos laboratorios funcionan como plataforma de lanzamiento de nuevas iniciativas y como fuente de aprendizaje y de mejores prácticas a medida que el fabricante aumenta la escala del programa. Al priorizar los casos de uso de mayor valor, en muchos casos los programas de advanced analytics pueden autofinanciarse, al menos en parte.
Repensar los procesos de negocios
Un operador ferroviario utilizó advanced analytics para predecir fallas en las baterías de sus locomotoras. Pero hasta que la compañía no transformó sus procesos de mantenimiento, las notificaciones de fallas no fueron de gran utilidad. Así, la empresa debió reformular sus procesos, la distribución de sus técnicos y la cadena de abastecimiento de repuestos para lograr verdadero impacto. Esto sucede con frecuencia en entornos de fabricación donde es necesario actualizar procesos con décadas de antigüedad para que los conceptos analíticos tengan impacto concreto. Solo es posible extraer el mayor impacto de advanced analytics cuando las nuevas soluciones son integradas a los métodos de trabajo y a las operaciones cotidianas.
Incorporar gestión del cambio
Para lograr un impacto financiero sustancial con las mejoras en analítica, los fabricantes deben tener presente el aspecto humano. Ayudar a los empleados a adaptarse a usar analytics efectivamente es el elemento facilitador más significativo para una transformación de este tipo. Todos deben entender de qué manera estas herramientas pueden ayudarlos, para así sentirse identificados y confiar en ellas. Asimismo, los empleados necesitan saber de qué manera impactarán en sus roles y potencialmente mejorarán sus vidas. Si no existe esta identificación, el personal percibirá a las nuevas herramientas como una amenaza, y no como una oportunidad, y los fabricantes no podrán avanzar de los datos a las ideas y luego a beneficios concretos para el negocio.
La introducción de advanced analytics en las operaciones de fabricación no es una tarea que se lleva a cabo una sola vez. Estos analytics necesitan aplicarse en forma reiterada para alcanzar los resultados deseados, por lo que las compañías del sector deben encararla como una transformación continua que exige cambios en las mentalidades y los métodos de trabajo por parte de todos los actores involucrados: Altos ejecutivos, gerentes, ingenieros de procesos y operadores de línea. Las organizaciones que sean capaces de adoptar exitosamente esta metodología, aplicando y aprendiendo continuamente de los análisis, máquina por máquina, proceso por proceso y planta por planta, capturarán todo el valor de estas nuevas tecnologías y lograrán nuevas marcas de productividad y rentabilidad.
