La revolución digital no necesita nada nuevo

Por Felipe Olivares* No vemos que esta tendencia vaya a aminorar; al contrario, esto obliga a entender mejor cómo parametrizar cada proceso a fin de maximizar/minimizar/optimizar los resultados de variables de salida clave como lo son la tasa de recuperación o el tiempo promedio entre fallas de equipo crítico. El caso de negocio es claro: una mejora de un punto porcentual se traduce en millones de dólares de ingreso adicional. Dos estudios del World Economic Forum realizados en colaboración con Accenture, colocan los beneficios potenciales de la transformación digital en más de 500 mil millones de dólares, tan solo en los sectores minero, metalúrgico, petrolero y gasero a nivel mundial, la pregunta es, ¿qué está haciendo falta en la industria para llegar a esa meta? ¿Hace falta expertise? Hasta ahora hemos querido creer que existe un experto (formado por años de prueba y error) que, sin pensar, sabe exactamente en qué punto sintonizar una perilla o en dónde pegarle a una máquina para que funcione bien. Estos expertos no son fáciles de encontrar; para algunos problemas en el piso de producción, simplemente no existen. Lo que en realidad se requiere es de un profesional que pueda modelar un proceso alrededor de los factores (que con la mayor certeza) expliquen el resultado de la variable de salida; para esto requerimos también de datos. La buena noticia es que abundan los datos; muchos datos; petabytes de datos; big data. Los sensores que permiten reportar en tiempo real la variación en composición química de un insumo o precursor, la vibración o la temperatura de una bomba son cada vez más baratos; nuestros clientes los tienen en miles.  Conectarlos en red es igualmente sencillo y económico con tecnologías estándar de comunicación como WiFi, LoRa y LTE para equipo en campo. Un ejemplo: la compañía Woodside Energy implementó una solución de analytics en sus plantas de gas natural licuado a fin de reducir el tiempo muerto por paros no planeados.  A través de datos en tiempo real generados por miles de sensores en red y de modelos predictivos, Woodside puede ahora anticipar con un alto grado de certeza la posible falla de equipo crítico, resultando también en una operación más segura y un mejor uso del personal de mantenimiento. De regreso con el profesional que la industria necesita, encontramos a los data scientists: este perfil es también más versátil. Las capacidades de un data scientist (un graduado de matemáticas aplicadas, actuario o ingeniero industrial) para modelar un proceso operativo, son las mismas que se requieren para identificar el mejor momento para comprar o vender un commodity, optimizar la asignación de personal o gestionar inventarios de refacciones a partir de pronósticos más precisos. Datos (de un ERP, de fuentes no estructuradas como texto, imágenes, audio o video) son datos. Un ejemplo, Accenture implementó una solución para un jugador global del sector de minería y oil & gas que predice la posibilidad de una fuga en válvulas y ductos a través del análisis de acústica y de imágenes de amplio espectro. Finalmente, no mencionamos las posibilidades que ofrecen las plataformas para mejorar la predicción usando modelos que aprenden, y se afinan de forma autónoma con el uso: el terreno de la Inteligencia Artificial. Estas plataformas ya existen en mercado y cada vez son más robustas. El mandato no ha cambiado, extraer el mayor valor posible de la operación a partir de cada vez menos recursos y de una mayor complejidad. Los datos, el talento y los habilitadores tecnológicos los tenemos. La nueva revolución industrial, la revolución digital, no requiere nada nuevo. *Senior Manager de la Industria de Natural Resources de Accenture en México.   Las opiniones expresadas son sólo responsabilidad de sus autores y son completamente independientes de la postura y la línea editorial de Forbes México.