Una vez hechas las presentaciones en el artículo anterior de esta serie, es hora de entrar en materia. Pero antes de lanzarnos de cabeza a analizar datos y a explicar modelos de Machine Learning, es necesario que nos paremos un momento a reflexionar y hablar sobre la exploración de una empresa o industria y la identificación de oportunidades. Y es que, no existe un gran proyecto de Analítica de Datos e Inteligencia Artificial sin la previa identificación de un problema que sea necesario resolver. En este artículo ahondaremos en cómo identificar a una necesidad en la cual la IA puede jugar un papel importante; para ello, nos centraremos en la parte fundamental de esta etapa: definir el problema.
Definición del problema: no es cuestión de utilizar una técnica, sino de encontrar la que permita solucionar nuestros problemas
Identificar problemas implica entender los desafíos específicos a los que se enfrenta una empresa o industria y determinar dónde la IA puede ofrecer una alternativa. Para ello, es fundamental adoptar un enfoque estratégico integrando a las partes interesadas, buscando garantizar que la solución se alinee con las metas y objetivos de negocio de las mismas. Esto es fundamental, ya que las partes interesadas serán, por lo general, los usuarios finales de la solución.
Antes de profundizar en este aspecto, es conveniente mencionar que no hay que caer en la tentación de utilizar la IA simplemente porque es una tecnología de moda. Se debe evaluar si la IA es la herramienta adecuada para abordar el problema y si los datos disponibles son suficientes para proporcionar una solución precisa. Además, hay que tener en cuenta que no todos los problemas se pueden resolver con IA y que se necesitan datos de alta calidad para obtener resultados certeros y confiables. Por lo tanto, lo más efectivo es priorizar el entendimiento del problema antes que buscar soluciones a problemas que realmente no se tienen.
Pero seamos sinceros, para alguien sin experiencia en la Inteligencia Artificial, puede ser complicado identificar qué problemas se pueden resolver y cómo abordarlos. Por lo general, al tratarse de un mundo desconocido para la mayoría, generar ideas y proyectos realistas es una tarea difícil. Para ello, es importante contar con colaboración para garantizar que la solución propuesta sea adecuada y efectiva. Se necesitan perfiles transversales que dispongan de capacidades tanto a nivel de conocimiento de negocio como a nivel técnico para poder rentabilizar al máximo el potencial de los datos.
A modo de ejemplo, a continuación os mostramos algunos de los rompecabezas que distintas industrias podrían resolver con la ayuda de estas herramientas.
– Automatización de procesos: muchas empresas tienen procesos manuales que consumen tiempo, son repetitivos y son propensos a errores. Las soluciones impulsadas por IA podrían automatizar gran parte de este trabajo, reduciendo los errores y liberando tiempo del personal para tareas más importantes.
– Consumo de datos: la mayoría de industrias generan grandes cantidades de datos, pero tienen dificultades para convertir estos datos en información. Por ejemplo, empresas con una gran gama de productos y ventas, pueden tener datos sobre los hábitos de compra de los clientes, pero tener dificultades para analizar, comprender el comportamiento del consumidor y tomar decisiones estratégicas. Las soluciones de IA podrían analizar estos datos para proporcionar información que pueda impulsar las ventas y mejorar las experiencias de los clientes.
– Gestión de fuentes de información: el estado actual de gran parte de las organizaciones que recogen datos de sus procesos es que esos datos suelen estar distribuidos en distintas fuentes. Por ejemplo, los datos de proceso se envían desde la planta a una base de datos, los archivos de las órdenes de fabricación se guardan en la nube, y la planificación del proceso se realiza en un Excel que pertenece al responsable de procesos. La limpieza, adecuación e integración de las distintas fuentes de datos puede ayudar a dar una visión mucho más amplia de la situación de una empresa. De esta manera se evitan las limitaciones propias de las herramientas no integradas que en muchas ocasiones afectan a la mejora de los procesos.
– Mantenimiento predictivo: existen actividades que dependen de maquinaria y equipos complejos que requieren un mantenimiento regular. Predecir cuándo dicha maquinaria necesitará mantenimiento puede ser una tarea desafiante. Las soluciones de IA podrían analizar los datos de la maquinaria para predecir cuándo se requerirá mantenimiento, reduciendo el tiempo de inactividad y mejorando la eficiencia operativa.
– Detección de fraude: también el fraude es un problema que afecta a muchas industrias. Las herramientas impulsadas por IA podrían analizar grandes cantidades de datos para identificar patrones y anomalías que indiquen fraude, reduciendo el riesgo de que ocurra y mejorando la seguridad.
Sin embargo, a la hora de la verdad, las oportunidades de explotación son más fáciles de detectar sobre el terreno. Como ejemplo ilustrativo, vamos a hablar del caso de una empresa cuya actividad principal es la producción y venta de un producto.
Esta empresa fabrica sus productos en línea, organiza su producción en órdenes de fabricación y parte principalmente de materias primas de distintos proveedores. Estos proveedores a pesar de ofrecer los mismos materiales, tienen características que varían entre sí. Finalmente, las materias primas llegan en lotes de un tamaño determinado y se trabaja con estos lotes desde que se empiezan hasta que se terminan, sin mezclar proveedores. El problema que detecta la empresa es que le resulta complicado controlar su proceso, ya que el indicador principal que utiliza para medir el resultado, que se calcula diariamente, varía cuando aparentemente el proceso es estable.
Esquema productivo para un día
Con esto, el problema que se nos plantea es realizar un análisis de los datos históricos para responder a la pregunta: ¿Qué variables del proceso son las que más afectan en el indicador principal?
Sin embargo, ante la situación que se ha planteado, también es posible preguntar: ¿Por qué el proceso varía en situaciones de aparente estabilidad? o incluso, ¿Se está midiendo correctamente?
En este caso concreto, la solución pasa por aumentar la granularidad del indicador para validar si realmente era representativo del proceso.
En el momento en el que se realiza el estudio inicial, dado que el indicador se calcula cada día, se están mezclando distintas órdenes de fabricación, lotes, y por lo tanto proveedores y materiales. Calculando el indicador de validación por lote, se obtiene una información increíblemente valiosa, ya que a partir de ahí es posible analizar no solo las variables de proceso que más influyen en el indicador de validación sino también cómo afectan los distintos proveedores. Además, esto se consigue con relativamente pocos datos, de forma más rápida y con resultados directos a corto plazo.
Esquema productivo para un día actualizado
Como hemos mencionado anteriormente, este trabajo es posible gracias a dos factores principales: la experiencia, que hace posible ver que a veces el problema va más allá de lo que se plantea, y la motivación para profundizar y conocer todos los procesos de una organización que hace posible solucionar problemas, aportando un enfoque distinto en base a los datos disponibles.
En el siguiente capítulo veremos cómo identificar distintas fuentes de datos, desde las más obvias como las bases de datos hasta otras menos evidentes basadas en el conocimiento del contexto.