Las ventajas de la analítica predictiva: optimización de procesos

En un entorno en el que la generación de datos es imparable y sus utilidades son infinitas, el buen uso de estos gracias a la analítica predictiva puede suponer una ventaja competitiva para las empresas. En el ámbito industrial, estos datos marcan la diferencia en los procesos, pero para que la información tenga un valor real es necesario analizarla y transformarla.

Es aquí donde entra la analítica, pero, ¿qué es la analítica predictiva y qué la diferencia de sus otras dimensiones? ¿Cómo puede aplicarse realmente en la industria? ¿Cuáles son los beneficios de aplicar la analítica predictiva? Te lo contamos a continuación.

La calidad de los datos, fundamental para la analítica

Al comienzo de cualquier proyecto de analítica predictiva son muchas las preguntas que uno puede formularse, pero existen dos fundamentales cuya respuesta determinará si podemos dar el pistoletazo de salida: ¿Tenemos un histórico de datos suficiente? Y aún más importante ¿Los datos de que disponemos son de calidad?

El contar con datos de calidad es el hito más importante que debe cumplirse antes de abordar cualquier proyecto. Los datos son la materia prima de la analítica, por lo que si estos no cumplen los mínimos exigibles, el resultado final no tendrá la calidad requerida para un proceso productivo de negocio.

En la industria existe una gran variedad de orígenes de los datos (ficheros planos, sistemas MES, bases de datos, servidores OPCUA, sensórica -IoT-), por lo que habrá que considerar y categorizar todos los aspectos de la actividad para no dejarse información importante por recoger y crear una matriz de datos completa.

La analítica en el sector logístico

Una baja calidad de los datos debido a la falta de consistencia, valores nulos, duplicidad de los registros o los valores extremos de los datos, impedirá la obtención de resultados fiables y robustos en el ámbito de la Analítica Avanzada.

Si elegimos un ejemplo concreto como el del transporte en el sector logístico, deberemos atender primero a la recogida de todo tipo de datos: datos del vehículo (capacidad, largo, ancho), datos sobre el conductor (horas trabajadas, descansos, velocidad media), ruta (autovía, carretera convencional, histórico de accidentes, tráfico), carga, meteorología, etc. Solo cuando se hayan recogido y clasificado podrá pasarse a la parte práctica y realizar predicciones sobre elementos relevantes como la gestión del combustible para reducir el consumo o el anticipo de averías.

Las 4 dimensiones de la analítica

Cuando hablamos de analítica podemos establecer 4 fases o dimensiones dentro del ciclo de analytics, entre las que situaremos la analítica predictiva. Estas fases son las siguientes:

Analítica descriptiva: la observación

La analítica descriptiva se basa en la observación para entender qué ha sucedido y realizar un análisis descriptivo. Este tipo de analítica es la que se ha llevado a cabo de forma tradicional y muchos conocemos como Business Intelligence.

El análisis descriptivo nos permite conocer información sobre el pasado, agregada por cualquier dimensión (temporal, geográfica, productos, familias de productos…etc). Por ejemplo, cuánta materia prima se desperdició en un mes, cuantas averías se produjeron en un aerogenerador, etc.

Analítica predictiva: la interpretación

La siguiente dimensión de la analítica se diferencia por su visión hacia el futuro. No se trata de saber qué ha pasado, sino de predecir qué va a pasar. Esto nos permite inferir acontecimientos como qué transacciones serán fraudulentas en un ecommerce o cuándo se averiará una máquina en una cadena de producción.

El boom de la analítica predictiva llega con la explosión de datos generada por la web 3.0, el Internet de las Cosas (IoT) y el Big Data. A partir de esta gran cantidad de información aparecen tecnologías como el Machine Learning o la Inteligencia Artificial que permiten automatizar procesos y proyectar predicciones en el futuro.

Analítica prescriptiva y Cognitiva: la evaluación y la decisión

Las dos fases siguientes van un paso más allá; la analítica prescriptiva no se queda en la predicción sino que salta hasta la toma de decisiones, aconsejando a la hora de optimizar los procesos y llevar acciones a cabo.

Por su parte, la analítica cognitiva es capaz de entender, razonar y aprender dinámicamente para ayudar en la toma de decisiones, siendo capaz de crear argumentos gracias a las capacidades cognitivas: el lenguaje, la visión o la memoria.

Entendiendo la analítica predictiva

A un nivel más técnico, podemos diferenciar dos vertientes de la analítica predictiva. En primer lugar, la analítica basada en operaciones matemáticas avanzadas y análisis estadístico de los datos.

Por otro lado, los proyectos de analítica predictiva se traducen en la implementación de modelos de Machine Learning, (aprendizaje automático). El Machine Learning es una de las ramas de la Inteligencia Artificial que más relevancia está teniendo en los últimos años. Esta disciplina se basa en la idea de que los sistemas pueden aprender de los datos, es decir, identificar patrones automáticamente sin necesidad de una intervención humana.

Este tipo de analítica ofrece infinidad de beneficios pues permite a las organizaciones tomar decisiones basadas en datos reales, logrando objetivos como la reducción de costes en la cadena de suministros o la cadena de producción.

Tipologías de proyecto en función de la tecnología

Las posibilidades que ofrece la analítica avanzada son enormes. Desde el análisis pormenorizado de las constantes que emiten las máquinas en planta para anticiparse a futuras averías, hasta el uso de datos de clientes para la optimización de campañas de marketing. Esta variedad de casos de uso se puede clasificar en diferentes tipologías de proyectos según el tipo de técnica de modelización que se utilice. Algunas de las más habituales son las siguientes:

Regresiones o predicción de valores continuos

Permiten predecir un valor concreto, realizando un forecasting para anticiparse a factores como el número de productos defectuosos que se fabricarán o la demanda de un producto el próximo mes. En base a estas predicciones, se podrá ajustar la producción a la futura demanda, reduciendo el stock y los costes de almacenamiento. Este conocimiento resulta fundamental para tomar decisiones de negocio.

Clasificación binaria o multiclase

Este tipo de proyectos se basan en predecir una categoría dentro de una clasificación establecida. Resulta fácil de entender al llevarlo a la práctica: una posible predicción sería el éxito de una operación de corte en un proceso de brochado. Con los datos sobre el consumo de potencia (energía de corte) y otros parámetros de calidad o características de la máquina se podrá predecir si el proceso será “exitoso” o “no exitoso”. Puesto que existen dos resultados posibles, se trata de una clasificación binaria.

Otro ejemplo similar sería el de categorizar los tipos de avería de una máquina. En este caso habría numerosos fallos posibles (temperatura excesiva, humedad por encima del umbral, presión inadecuada, etc.), sobre los que la analítica indicaría cuál se va a producir. En este caso estaríamos hablando de una clasificación multiclase.

Cálculo de Scoring

Las aplicaciones más habituales del scoring son aquellas que permiten detectar probabilidades como la propensión de compra de un cliente para un producto, el riesgo o el fraude de una transacción. Aun así, también puede ser de aplicación en el sector industrial a la hora de realizar una selección de fabricantes de componentes, por ejemplo. Podría asociarse un scoring a cada fabricante según su probabilidad de proveer piezas defectuosas o de entregar en los plazos acordados.

Detección de anomalías en la analítica predictiva

Este es, probablemente, el caso más común dentro de los procesos industriales, ya que permite predecir comportamientos defectuosos en los equipos a partir de datos históricos y realizar un mantenimiento preventivo.

Así, podría saberse cuando se va a producir una avería en una máquina de una cadena de montaje de automoción. Anticipándose en la reposición de los componentes deteriorados, se lograría un ahorro directo e indirecto: por un lado, la reparación sería más económica que una vez averiada y, por otro lado, se evitaría la parada de la cadena de producción. La capacidad para predecir la vida útil de los componentes más allá del libro de instrucciones gracias a la monitorización y las alertas en tiempo real supone, por tanto, un gran beneficio para la industria.

Clustering orientado al Marketing

Este tipo de predicciones permite segmentar a los clientes para realizar campañas de marketing personalizadas y crear sistemas de recomendación.

El proceso se basa en segmentar usuarios con características similares y conocer el comportamiento esperado de aquellos consumidores que se encuentren dentro de un mismo segmento. Por ejemplo, una empresa dedicada a la fabricación de componentes metálicos podrá saber a qué segmento de personas debe dirigirse y con qué tipo de mensaje (según cargo, características personales o sector).

En cuanto a los sistemas de recomendación, y siguiendo el ejemplo anterior, esta misma fábrica podría utilizar sus sistemas de venta online o por correo para lanzar recomendaciones a sus clientes basadas en sus necesidades y comportamientos (sería inteligente ofrecer de forma automática arandelas a una empresa que ha comprado tornillos, e incluso ir más allá en la recomendación de productos mucho menos evidentes gracias al Machine Learning).

En definitiva, se trata de encontrar “gemelos” o patrones entre los usuarios para alcanzar la máxima personalización.

Este tipo de predicciones permite segmentar a los clientes para realizar campañas de marketing personalizadas y crear sistemas de recomendación.

El proceso se basa en segmentar usuarios con características similares y conocer el comportamiento esperado de aquellos consumidores que se encuentren dentro de un mismo segmento. Por ejemplo, una empresa dedicada a la fabricación de componentes metálicos podrá saber a qué segmento de personas debe dirigirse y con qué tipo de mensaje (según cargo, características personales o sector).

En cuanto a los sistemas de recomendación, y siguiendo el ejemplo anterior, esta misma fábrica podría utilizar sus sistemas de venta online o por correo para lanzar recomendaciones a sus clientes basadas en sus necesidades y comportamientos (sería inteligente ofrecer de forma automática arandelas a una empresa que ha comprado tornillos, e incluso ir más allá en la recomendación de productos mucho menos evidentes gracias al Machine Learning).

En definitiva, se trata de encontrar “gemelos” o patrones entre los usuarios para alcanzar la máxima personalización.

Asociación de factores

Existen acontecimientos que tienen una relación entre sí, por lo que conociendo esta asociación puede realizarse una predicción. Un ejemplo sencillo: al detectar una anomalía en el nivel de agua de un vehículo podríamos predecir un problema en la temperatura del motor. La detección del primero puede evitar problemas o costes mayores.

Del conocimiento a la acción

Como hemos visto, la analítica predictiva puede aportar un gran valor a las empresas, al ser capaces de predecir los acontecimientos, lo que aumenta el control sobre el entorno, los procesos y las variables de la empresa. Sin embargo, aún queda un gran trabajo tras la predicción para tomar decisiones acertadas y llevar a cabo acciones que optimicen los procesos. Este es el ámbito en el que entra en juego la analítica prescriptiva, definida al principio del artículo y que bien aplicada será capaz de “automatizar el éxito” del negocio.