Así es como Minitab rompe paradigmas y genera valor para el sector de alimentos

Este es uno de los casos actuales significativos donde el uso inteligente de los datos combinado con el saber hacer, ha consolidado el potencial de una compañía. Nos referimos a Tate & Lyle, líder mundial en la industria de alimentos y bebidas, respaldada por un largo e impresionante historial de producir alimentos extraordinarios al transformar el maíz, la tapioca y otras materias primas en ingredientes que añaden sabor, textura y nutrientes a los alimentos, donde uno de sus productos más reconocidos es el edulcorante SPLENDA® Sucralosa.  “Una de las características críticas de calidad de un proceso de cristalización es la distribución del tamaño de las partículas”, menciona Adam Russell, Global Operations Master Black Belt, Tate & Lyle.  ¿Qué hace que sea importante? “Bueno, cuando desarrollamos estos productos para los consumidores, unos 20 o 30 años atrás, ellos querían que los azúcares del maíz tuvieran el mismo sabor y textura que el azúcar regular de mesa o el azúcar de caña. Había que lograr una determinada distribución del tamaño de las partículas para crear esa situación.” Tate & Lyle se vio ante un desafío cuando esas partículas de azúcares de maíz comenzaron a salirse del rango aceptable, y no podía identificar la razón. La empresa tenía una lista de factores tradicionalmente fijos que había determinado que influían en la variación del tamaño de las partículas, incluyendo temperatura, presión, tasa del flujo, pH y conductividad. La empresa usó Companion by Minitab para crear un mapa de proceso que mostró una vista detallada del proceso de cristalización (más información sobre cómo crear mapas de proceso). No se estaba obteniendo una distribución uniforme del tamaño de las partículas, así que querían saber qué estaba causando la variación y cómo controlarla. “Todo se mide en una planta química”, señala Russell. “Todo punto posible tiene un transmisor que proporciona información a un historiador de datos. Eso es fabuloso, pero crea el problema de que tenemos tanta información que no sabemos qué hacer con ella.” Para entender visualmente los datos del tamaño de las partículas, Russell y su equipo usaron Minitab Statistical Software para analizar las posibles causas de esta variación de producto. Sin embargo, con más de 1,000 entradas posibles en un modelo de análisis como este, y la complejidad del estudio, múltiples modelos de regresión por sí solos no podrían conducir a las respuestas.

Eficacia en conjunto

Con numerosos predictores de variación interactuando entre sí de manera compleja, necesitaban un enfoque organizado para identificar los predictores que más afectaban la distribución del tamaño de las partículas. Necesitaban la herramienta TreeNet de Salford Predictive Modeler (SPM).  “Usando únicamente las técnicas tradicionales de modelado, era difícil”, comenta Russell. “Nos resultaba muy difícil entender las relaciones entre las variables y los resultados. Por fortuna, TreeNet de SPM hizo que fuera muy sencillo para nosotros identificar los predictores claves y poder diseñar estrategias para corregirlos de una manera efectiva. Creo que Minitab y el algoritmo TreeNet de SPM pueden ser muy eficaces trabajando juntos. Ciertamente SPM no sustituye a Minitab Statistical Software ni a otros programas de estadística, pero cuando los usamos juntos creo que llegamos a las respuestas más temprano que tarde.”

Los resultados 

Russell redujo rápidamente más de 1,000 posibles predictores de variación a solo 8 usando la clasificación de importancia de variables de TreeNet. Y esos 8 predictores por sí solos eran responsables de casi la mitad de la variación en las muestras de prueba. Russell pudo ver rápidamente que una variable tenía un efecto significativamente mayor que cualquiera de las otras variables. Resultó que esta era la variable asociada a la corriente de alimentación del sistema de cristalización, pero su impacto en el producto final no se entendía claramente hasta que Russell creó un modelo en SPM. Satisfecho de haber logrado su meta de identificar la causa de variación del tamaño de las partículas, Russell encontró maneras en las que podrían reducir esta variación en el tamaño final de los cristales de los azúcares de maíz y ayudar a los fabricantes de alimentos a usar esos ingredientes para mejorar sus productos para los consumidores. Este artículo está basado en un caso de estudio que apareció en Minitab.