Inmediatamente antes de verter el acero fundido en moldes en la planta siderúrgica de Tata en Kalinganagar, India, los operarios someten al metal a un proceso conocido como supercalentamiento, necesario para llevar al material a la temperatura adecuada. El supercalentamiento es un proceso complejo y difícil de lograr. El acero alcanza temperaturas superiores a los 1.600 °C, y el rango óptimo es de apenas 15 grados. Si el acero está demasiado caliente, los operarios deben retardar el paso de moldeado. A la inversa, si el material no está a la temperatura suficiente, puede solidificarse antes del vaciado, poniendo en riesgo su calidad.
Los operarios de la estación de metalurgia secundaria estaban habituados a ejecutar el proceso de supercalentamiento basándose en su experiencia previa. Seguían las indicaciones de los sistemas de control, cargados con fórmulas estándar, y luego decidían qué puntos de ajuste aplicar para que la temperatura del acero llegara al rango deseado. La mayor parte del tiempo lograban calentar dos de cada tres lotes de material dentro del rango óptimo. Esa “tasa de aciertos” les permitía completar 25 “calentamientos” por día, aunque con un amplio margen de mejora. Llevar esa tasa a cerca del 85 por ciento resultaría en 28 a 30 calentamientos completados por día, suficientes para elevar la tasa de producción del 8 al 12 por ciento, equivalente a entre 600 y 900 toneladas diarias.
La oportunidad atrajo la atención de los gerentes de la planta, quienes tenían el mandato de mejorar el desempeño de la planta aplicando analítica avanzada (AA). A comienzos de 2017, diseñaron un plan para desarrollar modelos analíticos que ayudaran a los operarios a obtener resultados superiores en el proceso de supercalentamiento y en varias otras actividades. Científicos de datos de Tata Steel y de McKinsey utilizaron información histórica de la planta para construir y entrenar un modelo de optimización del supercalentamiento que analizara datos operacionales en tiempo real y recomendara puntos de ajuste conducentes a alcanzar una tasa de éxito superior. Además, la compañía ofreció capacitación teórica en ciencia e ingeniería de datos y otras disciplinas de AA para empleados seleccionados.
Inicialmente, las configuraciones propuestas por el modelo mejoraban consistentemente la tasa de éxito. Pero cuando el mix de pedidos de acero de los clientes comenzó a diferir del registrado en los datos de entrenamiento del modelo, este comenzó a generar recomendaciones imprecisas, y los operarios dejaron de seguirlas. Los empleados que habían sido capacitados intentaron reparar el modelo, pero los problemas resultaron demasiado complejos para corregirlos con las habilidades básicas aprendidas. Dificultades similares surgieron con los utilizados en otras áreas de la planta.
Pese al revés, los gerentes pudieron observar cómo los modelos analíticos contribuyeron a reducir los costos y a incrementar la producción. También notaron que la capacitación puramente teórica no era suficiente para preparar al personal para sostener las mejoras de desempeño. Y concluyeron que la compañía necesitaría cultivar más las habilidades analíticas de los empleados y transformar su manera de trabajar. Ese discernimiento tuvo su retribución. Después de desarrollar esas capacidades, la compañía logró llevar su desempeño a lo más alto a nivel global, y mereció el reconocimiento en el Foro Económico Mundial de julio de 2019 como una de las 44 plantas “faro” que aplican las tecnologías de la Cuarta Revolución Industrial.
Qué cosas funcionaron bien y cuáles no: Lecciones del programa de AA de Kalinganagar
Enfocarse en mejorar aspectos del negocio, no de tecnología. Kalinganagar expandió rápidamente su uso de la analítica al apuntar a mejoras en el rendimiento y desarrollar soluciones tecnológicas para alcanzarlas, en lugar de evaluar las tecnologías disponibles y pensar en cómo aplicarlas.
Desarrollar talento analítico interno. Cuando los modelos analíticos de la primera ola debieron ser actualizados, Kalinganagar no contaba con los especialistas necesarios en su plantel. El entrenamiento práctico le permitió a la planta cultivar el talento analítico requerido para expandir el programa.
Escalar la analítica y hacerla parte de la rutina de trabajo. Avanzar más allá de proyectos piloto produjo valor suficiente para convencer a los más reacios de comenzar a trabajar con analítica. La adopción también creció cuando los operarios colaboraron con especialistas para crear las herramientas y los gerentes reconocieron los logros obtenidos al usarlas.
Prepararse para la analítica mucho antes de su época
El esfuerzo plurianual de Tata Steel por desarrollar capacidades analíticas en su planta de Kalinganagar se remonta a una decisión que los ejecutivos tomaron en 2005, al momento de diseñar y construir la planta. Faltaban entonces varios años para que las tecnologías analíticas fueran ampliamente aplicables en las empresas. Pese a ello, los líderes de Tata Steel consideraron en ese momento si era conveniente equipar a la planta con instrumentos y sensores para monitorear las máquinas y los procesos.
Su decisión fue menos obvia de lo que habría resultado en la actualidad, cuando los sensores remotos son mucho más accesibles y la analítica avanzada tiene amplia utilización. Pero algunos ejecutivos y gerentes previeron que invertir algo de dinero en dispositivos de recolección de datos daría sus frutos tarde o temprano, aun cuando todavía no estaba claro cómo utilizarían la información. Amit Kumar Chatterjee, líder de mantenimiento eléctrico de la planta, fue uno de los que abogaron por realizar esa inversión anticipada – e incluso él mismo reconoce que en ese momento no se conocían las posibles aplicaciones de la AA.
“No teníamos en mente cómo utilizaríamos los datos, salvo quizás para controles de procesos autónomos. Estábamos viviendo en el mundo de la ciencia física, donde la experiencia y las ecuaciones son lo que más importa. La ciencia de los datos ni siquiera aparecía en el horizonte”, sostuvo Chatterjee. Y hasta los fabricantes de la maquinaria para la planta se resistieron a incorporar instrumentación. “Pese a todo, creíamos que era el momento de incorporar los sensores, ya que si esperábamos a conocer los usos de los datos, instalarlos sería más difícil”.
Promediando la década de 2010, los líderes de Kalinganagar comenzaron a analizar más de cerca qué podían hacer con la información que los sensores estaban recolectando. En 2015, T. V. Narendran, director ejecutivo de Tata Steel, definió un objetivo de optimización de costos de USD 1.000 millones y convocó a los jefes de las plantas de la compañía para elaborar una hoja de ruta para alcanzarlo. Una manera de mejorar el desempeño, sugirió, era utilizar en mayor medida la tecnología digital. Los adelantos en hardware y en la ciencia de los datos habían facilitado el análisis de grandes conjuntos de información, la identificación de patrones y la elaboración de predicciones con potencial para lograr mejoras en el rendimiento.
Los líderes de Kalinganagar iniciaron su propia investigación sobre cómo aplicar la ciencia de los datos en su planta. En 2016, viajaron a Alemania para visitar start-ups de tecnología y grandes empresas consolidadas para observar de cerca el potencial de uso de los datos. A comienzos del año siguiente, resolvieron dar inicio a un programa de analítica avanzada en Kalinganagar.
El inicio de la transformación analítica
Los altos ejecutivos de Kalinganagar decidieron testear la analítica avanzada en una serie de proyectos piloto. En el marco de un taller de dos días de duración, gerentes y especialistas en operaciones trabajaron con expertos de McKinsey para identificar diez posibles usos de la analítica y seleccionaron tres de ellos en los que enfocarse – uno de los cuales fue el proceso de supercalentamiento en la estación de metalurgia secundaria. Los gerentes deseaban crear un modelo analítico avanzado capaz de evaluar las condiciones de la planta y de calcular cuánto calor aplicar durante el supercalentamiento de manera que el acero alcance el rango de temperatura admitido.
El equipo del proyecto buscó discernir cuáles eran las variables con mayor influencia en la determinación de la temperatura final, y a partir de ello investigar cómo se podía mejorar la tasa de acierto. A tal fin, recopilaron datos equivalentes a dos años de operaciones que habían sido generados por sensores o registrados manualmente. Los científicos de datos diseñaron algoritmos para establecer conexiones entre los factores clave: mediciones de las condiciones del acero antes de ingresar a la estación de metalurgia secundaria, configuraciones de los equipos ajustables durante el ciclo de supercalentamiento, y otros ajustes no modificables en medio del ciclo pero que podían alterarse en el futuro (como la tasa máxima de flujo de oxígeno, limitada por los equipos en uso).
Después de dos semanas, el equipo ya contaba con un modelo capaz de predecir, con una precisión del 75 por ciento, si un grupo de puntos de ajuste recomendados haría que el acero fundido arribara a la estación de moldeo dentro del rango de temperatura deseado. Los equipos de trabajo de los otros dos pilotos también elaboraron modelos de confiabilidad comparable. Si bien ninguno de estos modelos había sido testeado aún en el piso de trabajo, los resultados iniciales fueron convincentes para que los líderes decidieran expandir el programa analítico y crear modelos a ser utilizados efectivamente por los operarios.
En septiembre de 2017, los ejecutivos definieron las áreas operacionales en las que deseaban mejorar los indicadores de desempeño de la planta con la ayuda de tecnologías analíticas: consumo de energía, tasa de producción, calidad y rendimiento – donde creían que la analítica podría ser útil. También decidieron extender el trabajo en el modelo de supercalentamiento a la primera fase completa del proyecto. Juntas, estas áreas tenían potencial para mejorar los márgenes en unos USD 10 millones anuales.
Expansión
En simultáneo con la construcción de los modelos de la fase uno por los equipos de operaciones y los especialistas en AA, los líderes de Kalinganagar patrocinaron una iniciativa para capacitar a 130 empleados (alrededor de una cuarta parte del personal jerárquico) en analítica. Junto con McKinsey, la planta creó una academia de analítica, designó 15 instructores y diseñó un plan de estudios de 50 horas para cinco roles: experto digital, dueño de proyecto, traductor analítico, científico de datos e ingeniero de datos. Los alumnos realizaban ejercicios de práctica simples asociados a las descripciones de cada rol.
Pese a que los modelos de la primera fase funcionaron bien durante un tiempo, los resultados comenzaron a decaer cuando las condiciones de la planta se desviaron de las tenidas en cuenta para optimizar los modelos. Los empleados que completaron la capacitación de la academia intentaron corregir los modelos, pero eso no fue posible con las técnicas básicas aprendidas hasta ese momento. Les faltaba trabajar como aprendices en proyectos analíticos, ya que ello les permitiría ganar experiencia en perfeccionamiento de modelos; simplemente necesitaban más exposición al mundo real de la analítica.
Otros desafíos surgieron cuando los operarios intentaron comenzar a trabajar con los modelos. Shailendra Rai, jefe de operaciones de alto horno de Kalinganagar, recuerda que los operarios nunca se sintieron cómodos con un modelo que habían creado para mejorar la estabilidad del alto horno: “La mayoría de la gente dedica entre 20 y 30 años a aprender a operar un alto horno. Creyeron que este modelo sería una solución mágica. Y cuando el producto inicial no se ajustó a sus expectativas, no supieron comprender por qué. No estaban convencidos de que pudiera funcionar, y no se sentían identificados con él”.
Duplicar la apuesta a la capacitación
El ejercicio de construcción del modelo confirmó lo que los líderes de Kalinganagar esperaban: que la analítica podía contribuir a mejoras significativas y valiosas en el desempeño. También convenció a los líderes de invertir más recursos en capacitar a los empleados con el objetivo de sostener las mejoras y llevar la analítica a otras áreas. A mediados de 2018, la compañía decidió dar comienzo a una segunda fase del programa, en la que expertos en analítica y operarios desarrollarían e implementarían modelos de toma de decisiones y recibirían entrenamiento práctico en analítica con la ayuda de McKinsey.
Para formar el equipo a cargo de construir el modelo de supercalentamiento, los expertos en analítica de Tata Steel tomaron un curso de actualización de los conceptos aprendidos en la academia. A continuación se les asignaron diversas tareas de desarrollo, como mejorar la interfaz de usuario, simplificar la base de datos, re-entrenar el modelo o implementar nuevas técnicas y abordajes de modelado, en colaboración con expertos de McKinsey. Al asignarles tareas vinculadas con su trabajo real, los gerentes prepararon a los empleados para elaborar modelos analíticos por sí mismos.
Los expertos también dedicaron tiempo extra a dialogar con los empleados que controlaban el proceso de supercalentamiento en la estación de metalurgia secundaria, y les hicieron preguntas adicionales acerca del proceso con el objetivo de ajustar el modelo. Los especialistas observaron a los operarios durante la tarea y conversaron con ellos sobre posibles formas de simplificar el modelo. Los operadores mencionaron numerosas dificultades, desde hardware defectuoso hasta interfaces de usuario engorrosas, que el equipo analítico ayudó a resolver. Los analistas explicaron cómo habían desarrollado el modelo y cómo funcionaba, pues necesitaban que los operarios confiaran en sus recomendaciones.
“Todos los empleados de Kalinganagar habían sido entrenados para tomar decisiones en base a su experiencia. Cuando sucedía algún problema, intentaban resolverlo por medio de ecuaciones físicas: cargar la materia prima, calentarla y obtener un producto determinado. Ya tenían en cuenta los datos. Pero la ciencia de los datos les permite conectar muchos más puntos de datos que los que podrían con la ciencia física. Incluso si no disponen de una ecuación física para explicar por qué está sucediendo algo, pueden averiguarlo de todos modos con los datos. Se trataba de un nuevo sistema de principios que había que construir”, afirmó Chatterjee.
Después de seis meses, el squad de supercalentamiento había desarrollado un modelo capaz de recomendar puntos de ajuste que elevarían la tasa de acierto al 90 por ciento. Ahora era el turno de comenzar a aplicar el modelo sistemáticamente. Los gerentes observaron quiénes utilizaron el modelo y quiénes no, y celebraron los logros de los operarios más devotos. Se pasó de aplicar un 60 por ciento de las recomendaciones del modelo al 85 por ciento en un par de meses.
Escalar el uso de la analítica
Una vez concluida la segunda fase, el liderazgo de la planta volvió a elevar la vara: Decidieron llevar adelante una tercera fase, en la que los empleados de Tata Steel seleccionarían, liderarían y ejecutarían proyectos analíticos relacionados con las principales áreas de cada planta: procesos clave, energía y servicios. Los consultores de McKinsey pasarían a desempeñar roles de coaching en equipos de proyecto liderados por empleados. Para enfocar sus esfuerzos, estos equipos definieron metas de mejora para 25 indicadores de desempeño, como el tonelaje diario de arrabio producido por el alto horno. Dado que varios de estos indicadores pertenecían al proceso de supercalentamiento, nuevamente emergió como una prioridad para el trabajo analítico.
Para entonces, los expertos en analítica de la empresa ya habían aprendido suficiente sobre la ciencia de los datos como para hacerse cargo del modelo de supercalentamiento. Como primera medida, decidieron achicar el rango de temperatura objetivo. También incorporaron la posibilidad de predecir la magnitud del enfriamiento que tendría lugar entre la estación de metalurgia secundaria y la de moldeado. Esto ayudó a los operarios a administrar mejor la transferencia y aumentar la tasa de producción. Los operarios siguieron las recomendaciones del modelo aún más de cerca que antes, y como consecuencia, el modelo de supercalentamiento generó los ahorros de costos anuales de USD 4 millones estimados al principio del programa analítico.
Avances similares se obtuvieron en otras áreas de la planta. Para cada uno de los 25 indicadores de desempeño, los equipos alcanzaron al menos el 80 por ciento de las mejoras deseadas. Sus esfuerzos generaron un valor de entre USD 70 y 80 millones y una mejora de EBITDA1 de dos a tres puntos porcentuales. Y en julio de 2019, el Foro Económico Mundial anunció que un panel de expertos independiente había reconocido los logros digitales de la planta de Kalinganagar como un ejemplo de vanguardia y la designó como “Faro” – la primera en su tipo de India.
El camino hacia adelante
En la actualidad, la planta de Kalinganagar cuenta con un plantel de más de 30 expertos en analítica, incluidos traductores y científicos de datos. Los más experimentados se convirtieron en instructores y coaches y son responsables por ayudar a otros colegas a aprender nuevas habilidades de ciencia de datos, elaborar business cases y otros temas clave.
Con los modelos analíticos, la gente se volcó en mayor medida hacia los datos. En lugar de debatir sobre la respuesta correcta, ahora pueden analizar los datos y hallarla, y crear un modelo analítico que provea soporte para las decisiones.
El conocimiento analítico también impregnó el trabajo diario en la planta y cambió la manera de resolver problemas de los empleados. Como destacó Shailendra Rai, jefe de operaciones de alto horno, “si hablas con cinco operadores de alto horno obtendrás cinco opiniones diferentes acerca de cómo resolver un problema. En cierta forma, todas son correctas, y todos opinan sobre la base de su propia experiencia. Pero con los modelos analíticos, la gente se ha volcado más hacia los datos. En lugar de debatir sobre la respuesta correcta, ahora pueden analizar los datos y hallarla, y crear un modelo analítico que provea soporte para las decisiones”.
Con estas capacidades, los gerentes elaboraron un conjunto de más de 20 casos de uso adicionales, y están reforzando el uso de analítica en las áreas donde ya se ha implementado. Para la planta de Tata Steel de Kalinganagar, la analítica se ha transformado en más que una herramienta para hallar respuestas; ya es parte integral de las operaciones y la cultura del lugar.
