En su carácter de superintendente de la planta de Luminant (subsidiaria de Vistra Corp.) en Martin Lake, TX, Wayne Brown es experto en generación eléctrica. Vistra es el mayor productor de electricidad del mercado competitivo en Estados Unidos, y opera centrales en 12 estados que generan más de 39 gigawatts de electricidad – suficientes para abastecer a cerca de 20 millones de hogares. La compañía ha encarado un programa para impulsar la excelencia operacional en su portafolio de generación. Lanzada en 2016, la Iniciativa de Desempeño Operacional ha promovido mejoras significativas en la eficiencia de sus activos, generando cientos de millones en EBITDA adicionales a lo largo de ese recorrido.
Para sostener y mejorar su posición, Vistra investiga constantemente herramientas, tecnologías y metodologías que le ayuden a alcanzar un nivel de desempeño superior. Recientemente, la compañía se volcó hacia la tecnología digital y analítica, incluida inteligencia artificial en manufactura y operaciones o “machine intelligence” (en adelante “MI”). En la central de Martin Lake, Brown y su equipo utilizan el consumo calorífico como principal métrica de eficiencia. Esta tasa mide cuánta electricidad se genera con cada tonelada de combustible consumido por la planta. Sin embargo, optimizar el consumo calorífico es una tarea extremadamente difícil. Históricamente, los operadores han tenido que monitorear y ajustar continuamente cientos de puntos de control, como temperatura y presión de vapor, niveles de oxígeno y velocidad de bombas y ventiladores. Es muy complejo para un operador hacer todo correctamente el 100 por ciento del tiempo, en especial cuando las condiciones ambientales y la disponibilidad de los diferentes activos cambia constantemente.
Ahora, los operadores tienen un nuevo e inteligente aliado en su cruzada por la eficiencia. Brown y un grupo de científicos de datos han desarrollado un optimizador del consumo calorífico, que analiza automáticamente cientos de datos en tiempo real usando inteligencia artificial (IA). Cada 30 minutos, el sistema genera recomendaciones de correcciones y ajustes para maximizar el desempeño de la planta. El optimizador de consumo calorífico ya lleva casi nueve meses operando, y la planta ha mejorado su eficiencia consistentemente en el orden del uno por ciento. Esto puede no parecer demasiado, pero equivale a millones de dólares anuales, además de reducir las emisiones de gases de efecto invernadero (GHG) y liberar tiempo de los trabajadores para concentrarse en otras tareas. Si lo escalamos a la extensa y diversa cartera de plantas generadoras y lo aplicamos a decenas de otras oportunidades operacionales, el potencial de MI para el negocio es enorme.
El surgimiento de las máquinas inteligentes
La experiencia de Vistra en la aplicación de tecnologías avanzadas de producción se está materializando en empresas de todos los sectores. Un estudio reciente llevado a cabo por McKinsey y el programa de Machine Intelligence para Operaciones y Fabricación (MIMO) del MIT muestra que las compañías líderes están empleando tecnologías de MI para mejorar una amplia gama de indicadores de desempeño, con resultados que triplican o cuadruplican los promedios de la industria.
Este trabajo, llevado adelante durante la primera mitad de 2021, se enfocó en dónde, cuándo y cómo se están desplegando estas tecnologías en las organizaciones y en su impacto en el desempeño operacional (ver recuadro “Acerca de este estudio”).
Luego analizamos nuestras conclusiones para identificar las relaciones entre las medidas adoptadas y las inversiones realizadas y los resultados tangibles y sostenibles. Por ejemplo, los líderes en este terreno afirmaron haber obtenido más del doble de impacto que quienes recién inician el recorrido.
¿Cómo están lográndolo? ¿Están seleccionando diferentes casos de uso? ¿Tienen una única metodología? A medida que indagamos más en nuestras entrevistas y en los datos de la encuesta, los verdaderos factores de resultados y de desempeño se volvieron más específicos.
De los insights a la autonomía
Nuestro trabajo analizó cinco maneras diferentes en que las compañías utilizan datos y analítica para mejorar la velocidad, la agilidad y el desempeño en la toma de decisiones operacionales. Esta evolución de la madurez digital comienza con herramientas simples, como tableros para asistir en la toma de decisiones por humanos, y finaliza con máquinas verdaderamente inteligentes, capaces de ajustar su propio funcionamiento en forma autónoma sobre la base de datos históricos y en tiempo real.
El recorrido desde los tableros digitales hasta las máquinas totalmente inteligentes depende de múltiples factores. El primero es contar con información confiable1: El 92 por ciento de las compañías clasificadas como líderes en nuestra encuesta contaban con un proceso para completar datos parciales o imprecisos. A medida que las compañías avanzan hacia MI, las oportunidades y las apuestas se vuelven más grandes, no únicamente en términos de habilidades e inversiones requeridas sino además debido a la mayor probabilidad de cometer errores. Muchas empresas solo utilizarán aprendizaje automático (ML) o IA en la medida que los resultados sean intuitivos y transparentes y, en ciertas industrias, pasibles de ser explicados a los reguladores. La importancia de esta transparencia quedó evidenciada en nuestra encuesta: El 67 por ciento de los líderes monitorea la trazabilidad de los resultados, frente a apenas el 14 por ciento del resto.
Pero el impacto de la autonomía (eliminar al humano del ciclo) en casos de uso bien definidos puede ser sustancial, como observamos en varias compañías con las que conversamos. Tomemos, por ejemplo, el análisis de proyecciones, donde los líderes suelen utilizar metodologías mucho más sofisticadas. Estas compañías reportan una mejora promedio en nivel de servicio y precisión de la demanda del 13 por ciento, mientras las organizaciones más retrasadas habitualmente emplean tableros y obtienen beneficios promedio no superiores al tres por ciento.
Llevar la delantera: ¿Qué hace la diferencia?
El objetivo principal de este trabajo fue observar más allá de las cifras habituales y explorar los factores de éxito subyacentes en el uso de las tecnologías emergentes. ¿Son algunas organizaciones naturalmente mejores para aplicar tecnologías digitales y analítica avanzada, o en cambio utilizan estrategias y métodos que el resto podría replicar?
Para entender esos drivers, analizamos tres grupos de atributos para cada compañía en nuestra encuesta. Primero, evaluamos los resultados obtenidos con sus programas digitales, medidos por factores como la cantidad de funciones que aplican las tecnologías, el número de KPIs optimizados y el tamaño de tales mejoras. En segundo lugar, analizamos el despliegue utilizando criterios como gasto, cantidad de años que las empresas llevan operando con las tecnologías, madurez de sus implementaciones y métodos analíticos, y la cantidad de socios involucrados. Lo interesante de todo esto es que los líderes invierten sostenidamente en el despliegue, con presupuestos entre un 30 y un 60 por ciento mayores (como porcentaje del total) en manufactura, servicio a clientes, diseño de productos y cadena de suministro. De hecho, se prevé que los presupuestos de los líderes aumenten otro 10 a 15 por ciento el año próximo, sin una variación similar en el resto de las compañías.
En tercer lugar, evaluamos un conjunto de facilitadores, incluida la madurez de la estrategia digital de la organización, su infraestructura de datos y la existencia de centros de excelencia o programas formales de desarrollo de competencias. Algunos de estos facilitadores eran los esperados: los líderes poseen estrategias bien definidas y utilizan centros de excelencia a una tasa que duplica la del resto de las organizaciones. De igual manera, los líderes tienen una propensión cinco veces superior a capacitar a su personal en digitalización y la Internet de las Cosas (IoT). A mayor madurez, estas compañías tienden a formar redes más amplias, buscando mejorar los resultados del negocio en todas las áreas, desde eficiencia de los activos hasta adquisición de talentos, en lugar de enfocarse demasiado en un puñado de casos de uso (ver recuadro “Cómo elevó una compañía la ambición de sus casos de uso”).
Usando estos conjuntos de atributos, aplicamos un algoritmo de clustering2 a los datos para identificar cuatro grupos de compañías con diferentes características (Gráfico 1).
En la parte superior derecha del gráfico se ubican los “líderes”, organizaciones que han capturado las mayores ventajas con sus esfuerzos de MI y que cuentan con el más alto nivel de capacidades e infraestructura de soporte.
En la parte inferior izquierda aparece un grupo de compañías “emergentes”, que poseen el nivel más bajo de madurez de facilitadores y obtuvieron las menores ganancias. Algunas de estas empresas tuvieron un éxito moderado con casos de uso seleccionados. Muchas acaban de iniciar su recorrido, pero todavía no poseen la escala o la infraestructura de otros especialistas en MI más maduros. Otras tienen dificultad para identificar las mejores oportunidades para invertir. Por ejemplo, una de estas empresas emergentes nos contó que se enfocó en el mantenimiento predictivo por su uso extendido, y no porque se tratara necesariamente de una prioridad para la organización. Ese esfuerzo tuvo impacto escaso a nulo. Pero cuando la compañía se concentró más en las prioridades de su negocio (como mejorar los niveles de servicio), los resultados fueron mucho más positivos.
La zona media tiene matices. En el centro del gráfico identificamos dos grupos. Un conjunto de compañías, que llamamos “planificadoras”, exhibe un grado de madurez de facilitadores casi a la par con el del grupo de líderes. Los planificadores todavía no han logrado los mismos resultados que sus pares más avanzados, aunque algunos ya están en la antesala de convertirse en líderes. Dialogamos con varios “planificadores” que tuvieron implementaciones muy exitosas y están encaminados a desplegar casos de uso a la misma escala que los líderes. Sin embargo, también observamos que otras empresas de este grupo no han podido lograr el mismo nivel de impacto, aun cuando destinaron tiempo y recursos significativos a sus proyectos digitales.
Otro grupo, al que llamamos “ejecutores”, ya ha logrado ganancias significativas, a pesar de haber construido mucha menos infraestructura que los líderes o los planificadores e incluso menos también que algunas compañías en el grupo de emergentes. Los ejecutores habitualmente identifican unos pocos casos de uso de alto impacto, buscan socios para crear una solución, y luego inician el recorrido para poner en práctica esas soluciones puntuales con la mayor amplitud posible. Un ejecutor que dialogó con nosotros nos comentó que una estructura de gobierno robusta capaz de identificar e implementar casos de uso prometedores fue clave para su éxito.
Este patrón refleja la manera en que MI se ha industrializado en los últimos años. Una década atrás, cualquier compañía que pretendiera aplicar MI en sus operaciones tenía pocas opciones fuera de construir la infraestructura y los sistemas necesarios internamente. Hoy día, las organizaciones tienen la posibilidad de adquirir herramientas y expertise en un extenso ecosistema de proveedores. Eso hace posible para los ejecutores lograr ventajas significativas en casos de uso específicos sin necesidad de demasiado trabajo previo.
Al mismo tiempo, la gran cantidad de compañías en el grupo de planificadoras indica que muchas organizaciones aún deben descifrar el código para aplicar tecnologías MI a escala en los casos de uso realmente relevantes. Algunas de ellas todavía luchan por escapar del “purgatorio de los pilotos”, un concepto que nuestros colegas de McKinsey describieron por primera vez allí por 2018.
Eso no significa que los planificadores hayan tomado el camino equivocado. Las compañías de nuestro estudio que obtuvieron los mejores resultados con sus iniciativas de MI también alcanzaron altos niveles de madurez en infraestructura y capacidades. La investigación indica que cualquier compañía que aspire alcanzar las fronteras del desempeño impulsado por MI deberá contar con los elementos facilitadores apropiados.
Mientras tanto, el grupo emergente está ante una decisión estratégica. ¿Deben seguir la ruta del planificador, invirtiendo inicialmente en los facilitadores que darán soporte a su recorrido en el largo plazo? ¿O perseguir beneficios rápidos, adquiriendo tecnología y know-how de socios y construyendo únicamente los facilitadores esenciales para casos de uso específicos?
¿Cuál es el tamaño del premio para los líderes?
Los beneficios son significativos. En la muestra, aislamos a los jugadores más destacados y los comparamos con el 50 por ciento menos exitoso en una variedad de dimensiones.
Las 12 compañías con mejor desempeño de nuestra encuesta lograron mejoras sensiblemente superiores al resto en 20 de los 21 KPIs analizados (Gráfico 2). En 11 de esos KPIs, la mejora promedio lograda por los líderes fue del 10 por ciento o más. Y el beneficio total promedio, del 9,5 por ciento, prácticamente triplicó el 3,5 por ciento obtenido por las organizaciones menos exitosas.
Los resultados de acciones seleccionadas también pueden ser muy relevantes. Por ejemplo, Wayfair, una empresa de comercio electrónico, fue de las primeras en migrar sus datos a la nube y en usar aprendizaje automático en varias de sus funciones. Durante la crisis de COVID-19, con los rápidos cambios en la demanda de los consumidores en todas las regiones, la compañía logró optimizar el transporte de contenedores marítimos con intervenciones rápidas para determinar qué bienes eran enviados a cada puerto. Cuando los recargos en el transporte se volvieron habituales, Wayfair pudo ahorrar un 7,5 por ciento en costos logísticos como resultado de esas acciones.
En qué se destacan los líderes
Se trate de un planificador, un ejecutor o una organización emergente, cualquier compañía con ambiciones de sacar provecho de las tecnologías digitales tiene hoy la oportunidad de aprender de los abordajes más exitosos. Nuestro trabajo identificó cinco áreas donde las mejores compañías se destacan.
Gobierno: Procesos y capacidades para escalar rápidamente
MI es una prioridad estratégica para las empresas líderes. Muchas de estas organizaciones han creado centros de excelencia dedicados para apoyar sus iniciativas de MI, tanto dentro de unidades de negocios o como una función central para dar soporte a toda la organización (Gráfico 3), hacer cumplir los estándares y acelerar el despliegue. Una empresa de salud utilizó un proceso de gobierno cuidadosamente documentado para lanzar múltiples casos de uso en una oficina, que luego extendió a toda su red, generando un fuerte aumento de ingresos.
Las compañías líderes también cuentan con un gobierno fuerte para mantener bien encaminados sus programas digitales. Por ejemplo, es mucho más frecuente entre los líderes contar con un proceso definido para la evaluación y la implementación de innovaciones digitales. También adhieren sistemáticamente a ese proceso y lo actualizan a medida que la organización aprende más sobre lo que funciona mejor y lo que no (Gráfico 4).
Despliegue: Visión ambiciosa y casos de uso complejos
Las compañías líderes aplican MI más ampliamente y emplean metodologías más sofisticadas. Por ejemplo, todos los líderes en nuestra investigación están usando MI en tres áreas: proyecciones, optimización del mantenimiento, y logística y transporte (Gráfico 5). Entre las firmas menos destacadas, apenas la mitad abordan las dos primeras, y menos de un tercio lo hace en transporte y logística. Además, de los 17 casos de uso identificados en la encuesta, el 75 por ciento de las empresas líderes aplican MI en 14 o más. De igual manera, mientras que los tableros simples son la herramienta digital más común usada por las compañías de peor desempeño, los líderes suelen utilizar técnicas más avanzadas, como métodos predictivos y prescriptivos o MI. Muchos optan por avanzar con la sofisticación al contar con más facilitadores en uso.
Parecería que de algún modo los líderes han allanado el camino para sus seguidores. Hay amplio consenso entre los líderes no solo en cuanto al grado de sofisticación, sino también sobre los casos de uso principales.
Algunas compañías se enfrentan a muchos desafíos a la hora de escalar sus programas, entre ellos la falta de datos históricos de algunos productos y la necesidad de cumplir con estrictas exigencias regulatorias. En ciertos casos, el tiempo necesario para verificar y documentar las nuevas herramientas digitales puede hasta cuadruplicar el requerido para desarrollarlas. Pese a estas barreras, hasta las empresas más reguladas están obteniendo retornos significativos de sus inversiones en MI.
Un éxito destacable de los últimos tiempos ha sido la aplicación de tecnologías de visión computarizada para el control de calidad de productos. La compañía bio-farmacéutica Amgen descubrió que los sistemas de inspección visual planteaban interesantes oportunidades de automatización, y utilizó tecnologías de IA para recortar el tiempo de inspección de lotes de horas y días a unos pocos minutos.
Colaboración: Un ecosistema amplio de socios
El desarrollo y la implementación de herramientas digitales avanzadas se han convertido en un deporte de equipo. La mayoría de las compañías que estudiamos se asocian con otras entidades para sus proyectos de MI, incluidas organizaciones académicas, start-ups, proveedores de tecnología y consultores externos. Las razones son varias. Según un director de tecnología, “las líneas de fabricación son únicas por naturaleza; no contamos con datos estructurados consistentemente como los que pueden extraerse de sistemas ERP. Las soluciones de IA generales que probamos carecían de esa capacidad o eran demasiado costosas de adaptar a nuestra aplicación. Las start-ups y las instituciones académicas tienen mayor expertise en el tema, y están colaborando con nosotros para solucionar un problema puntual”.
Las compañías líderes son más proclives que el resto a recurrir a este tipo de colaboraciones, y lo hacen con una mayor variedad de entidades. Más del 80 por ciento de los líderes han establecido alianzas con grupos académicos y start-ups, por ejemplo, mientras que apenas un tercio del resto tiene relaciones de ese tipo (Gráfico 6).
Colgate-Palmolive y Frito-Lay (PepsiCo) están trabajando con el proveedor de sistemas de MI Augury para introducir diagnósticos de salud basados en IA de los activos en sus líneas de producción. El uso de esta técnica para detectar y prevenir paradas no programadas ha derivado en ahorros significativos para ambas compañías, frecuentemente a partir de un único incidente; en una oportunidad, ayudaron a evitar una salida de servicio de ocho días.
Los esfuerzos de Analog Devices en el área de controles de calidad en tiempo real demuestran por qué los líderes pueden recurrir a instituciones académicas y start-ups en busca de expertise técnico profundo. Las fallas en el proceso de fabricación de semiconductores son extraordinariamente costosas. Si se los entrena con suficientes ejemplos de procesos que resultaron en piezas defectuosas, los modelos de MI pueden aprender a identificar esas fallas en tiempo real. Sin embargo, los semiconductores tienen una alta tasa de efectividad, lo que significa que hay muy pocas instancias de producción u obleas defectuosas para entrenar los modelos de MI. Además, Analog Devices fabrica una gran variedad de semiconductores, lo que hace aún menos probable que existan ejemplos de falla suficientes de un método o herramienta específica para abastecer a un modelo convencional. Por ello, necesitaba algo que pudiera aprender a identificar fallas en los procesos usando solamente los datos de los sensores durante instancias de producción correctas. Gracias a un novedoso método de MI desarrollado con el MIT, Analog Devices logró identificar los procesos y las herramientas de producción con mayores probabilidades de falla. Esta identificación significó que los ingenieros de proceso experimentados solo debieron analizar el cinco por ciento de la información de procesos habitual, lo que resultó en un mejor enfoque y una reducción de 20 veces de la carga de trabajo.
Personas: Empoderamiento de los empleados
En las empresas líderes, las técnicas digitales avanzadas no son solamente de interés para un puñado de especialistas. Estas organizaciones creen que MI es importante para todos los actores del negocio, y se aseguran de que tantos de ellos como sea posible cuenten con las habilidades y los recursos necesarios para hacer buen uso de estas técnicas. Más de la mitad entrena a su personal en los elementos básicos de MI, en comparación con apenas el cuatro por ciento del resto de las compañías.
McDonald’s, la cadena de restaurantes de servicio rápido global y fuertemente descentralizada, utilizó MI para optimizar una amplia variedad de tareas operacionales, desde predecir las reacciones de los clientes hasta diseñar promociones o proyectar el tráfico en tiempo real en sus restaurantes. La compañía usó un abordaje híbrido: el centro de excelencia corporativo testea y desarrolla nuevas técnicas de modelado, que incorpora a herramientas fáciles de usar disponibles para las organizaciones operativas regionales y los restaurantes. Luego, los empleados utilizan las herramientas en el mercado. Esta metodología permite a los miembros de equipos de trabajo aprender la importancia de contar con buenos datos, entender los procesos y perfeccionar sus habilidades de identificación de problemas.
Ejecución de datos: Datos listos para usar
Los líderes se ocupan de que los datos sean accesibles. Las organizaciones líderes otorgan acceso a los datos a todo su personal, en comparación con solo el 62 por ciento del resto. Absolutamente todas las compañías líderes también adquieren información de clientes y proveedores, y el 89 por ciento de ellas comparte sus propios datos con esos grupos. Entre las demás empresas, esas cifras corresponden al 73 y el 46 por ciento, respectivamente. Por otra parte, los líderes tienen el doble de propensión a facilitar el acceso remoto a los datos y a almacenar una porción significativa de estos en la nube.
La democratización de la información es un aspecto clave en muchas organizaciones. El fabricante de autopartes Cooper Standard, por ejemplo, exige a sus equipos que definan su estrategia de datos en la etapa inicial del proceso de desarrollo ágil de nuevas aplicaciones de MI. Eso contribuye a garantizar que todos los casos de uso estén basados en información robusta y bien gestionada que provea la base para desarrollos futuros o nuevos casos.
Vistaprint, una compañía dedicada al diseño gráfico y digital que tiene como clientes a pequeñas empresas, también coloca a la estrategia de datos a la vanguardia de sus iniciativas analíticas. La división de MI de la organización reporta a un director de datos, lo que representa un gran punto de partida con un facilitador de éxito clave. Una de sus aplicaciones más ambiciosas y exitosas, el análisis de entregas puntuales, requirió coordinación entre múltiples funciones, como gerentes de transporte, el equipo del sitio web y los grupos de producto y cadena de suministro, para alinear la estrategia de datos. La plataforma analítica redujo los retrasos en las entregas en todas las áreas del negocio más del 50 por ciento, y constituye la columna vertebral para introducir opciones de envío fundamentales para el comercio electrónico, como entregas en 24 horas.
¿Y luego qué?
La carrera para aprovechar los datos y la analítica puede ser ganada con una serie de acciones coordinadas en lugar de una sola jugada arriesgada. Los cuatro grupos – líderes, planificadores, ejecutores y emergentes – operan en un espacio dinámico donde la vara es cada vez más alta y la cantidad de casos de uso de ML irá en aumento, incorporándose rápidamente a la mecánica habitual o “business-as-usual” de la actividad.
Los planificadores suelen contar con habilidades personales superiores y un expertise considerable en ejecución de datos, en tanto que los ejecutores se destacan por su fuerte enfoque en las oportunidades más prometedoras de sus negocios. Dependiendo del punto de partida, el camino hacia adelante de cada compañía será diferente, buscando capitalizar las fortalezas existentes y atacar las debilidades en sus capacidades de MI.
No todos pueden convertirse en líderes de inmediato; lo que sí pueden hacer es esforzarse por avanzar al siguiente mejor estado. Entre las compañías ejecutoras, planificadoras y emergentes observamos tres puntos de apalancamiento: foco en oportunidades, gobierno y presupuesto.
Los ejecutores de nuestro estudio están logrando grandes resultados y enfocándose en los problemas correctos. Sin embargo, para parecerse más a los líderes, deben invertir más y revisar sus modelos de gobierno y presupuestos. Los planificadores ya han puesto en práctica muchos de los procesos necesarios, y podrían enfocarse mejor en oportunidades específicas e impulsar resultados en toda la compañía a través de un mejor sistema de gobierno. Las firmas emergentes, en tanto, pueden concentrarse en seleccionar las oportunidades correctas y capturar resultados para asemejarse a las ejecutoras, acumulando rápidamente logros para crear momentum y justificar futuras inversiones.
En nuestras entrevistas, descubrimos que muchas de las compañías líderes alcanzaron ese nivel de excelencia a través de cuatro pasos:
- Identificar la “estrella polar” de la organización y llevar a cabo un ejercicio para definir la versión ideal de sus operaciones en un horizonte de tres a cuatro años. Esto requiere investigar en detalle la infraestructura heredada y las brechas de capacidades. También involucrará probablemente replicar las mejores prácticas de otros sectores. Por caso, Vistaprint organizó sus primeras iniciativas en torno a la entrega puntual como objetivo primordial.
- Llevar a cabo una evaluación sincera del punto de partida de la organización en todas las dimensiones. Las compañías suelen poner demasiado énfasis en unas pocas áreas durante los primeros logros, pero les resulta difícil sostener el momentum sin un cambio de modelo operativo. Para muchas empresas, un diagnóstico externo y objetivo es la opción más pragmática para comprender dónde están paradas con relación a sus competidores y, aún más importante, cuál es su verdadero potencial.
- Diseñar un plan general de transición teniendo en cuenta las barreras para el cambio y la infraestructura crítica (como la migración de datos a la nube), y asignar objetivos realistas para el mediano plazo. La mayoría de los líderes en nuestra encuesta comenzaron a utilizar datos para tomar decisiones con herramientas más simples que MI. A medida que mejoraba la madurez y la familiaridad con los datos, avanzaron hacia técnicas más sofisticadas.
- Identificar un puñado de casos de uso para ganar momentum rápidamente y al mismo tiempo idear (y potencialmente auto-financiar) los cambios necesarios en infraestructura, talento y el soporte asociado. La compañía del sector de salud que mencionamos anteriormente invirtió en casos de uso aplicables en toda su red de producción, lo que la ayudó a generar momentum involucrando a una base de usuarios más amplia.
Pese a los recientes avances en MI, resulta claro que el uso de datos y analítica en operaciones de negocios recién está comenzando a desarrollarse y seguirá haciéndolo a medida que más y más casos de uso evolucionen de simples tableros a niveles de autonomía superiores. Cuando las compañías comprendan mejor cómo reenfocar los esfuerzos de MI para abordar sus principales drivers de valor, la brecha entre los líderes y el resto podría agrandarse: las compañías líderes invierten más en MI y prevén incrementar sus presupuestos de un 10 a un 15 por ciento extra el próximo año.
En Vistra, luego de 18 meses desde el inicio de la transformación que sobrevino al trabajo de Wayne Brown, la empresa identificó potencial de impacto adicional y ha comenzado a escalar sus modelos analíticos en todas las áreas de negocios para continuar mejorando la eficiencia operacional. La siguiente frontera es el portafolio de fuentes renovables, que incluye energía solar y baterías, y que podría convertirse en el mayor impacto de MI en la compañía.
