Cómo una empresa manufacturera alemana creó su laboratorio de análisis

En los últimos años, la mayoría de las empresas han llegado a reconocer que la capacidad de recopilar y analizar los datos que generan se ha convertido en una fuente clave de ventaja competitiva. ZF, un proveedor mundial de automoción con sede en Alemania, no era una excepción. Las start-up digitales habían empezado a producir productos virtuales contra los que ZF no sabía cómo competir, y los ingenieros de logística, operaciones y otras funciones se estaban dando cuenta de que sus enfoques tradicionales no podían manejar los complejos problemas a los que se enfrentaban. Algunos ejecutivos de la empresa habían empezado a temer que les esperaba su propio "momento Kodak", una disrupción fatal que podría redefinir su negocio y eliminar de la noche a la mañana las ventajas acumuladas durante décadas. Con los analistas de automoción pronosticando grandes cambios en la movilidad, empezaron a pensar que la empresa necesitaba un laboratorio dedicado enteramente a los retos de los datos. ¿Pero cómo? Por aquel entonces uno de nosotros, Niklas, científico de datos de ZF, estaba realizando un PhD a tiempo parcial en la Universidad de Friburgo. Niklas dio el primer paso y reclutó a sus asesores en la universidad, Dirk Neumann y Tobias Brandt, para que les ayudaran a crear un laboratorio para la empresa. Esto dio a ZF acceso a una experiencia de primera categoría en el análisis de datos y la gestión de sistemas de información. Lo más difícil fue averiguar cómo funcionaría el laboratorio. Después de todo, los laboratorios de datos industriales son un fenómeno bastante nuevo: no se puede descargar un plano sin más. Sin embargo, tras varios tropiezos, conseguimos que el laboratorio fuera aceptado y descubrimos una serie de mejores prácticas que creemos que son ampliamente aplicables a casi cualquier laboratorio de datos. Centrarse en los clientes internos adecuados ZF tenía docenas de departamentos repletos de proyectos relacionados con los datos potencialmente de gran impacto. Aunque estuvimos tentados de abordar muchos proyectos en toda la empresa, nos dimos cuenta de que para crear visibilidad dentro de una empresa de 146.000 empleados, teníamos que centrarnos primero en los departamentos y proyectos más prometedores. Pero, ¿cómo definiríamos "más prometedores"? Como el objetivo del laboratorio de datos es crear valor mediante el análisis de datos, al principio nos centramos en los departamentos que generan más datos. Por desgracia, esto no redujo mucho la búsqueda. Finanzas, Logística, Marketing, Ventas, así como Producción y Calidad, todos ellos producían grandes cantidades de datos que podrían ser interesantes para proyectos piloto de ciencia de datos. Este artículo también aparece en: Strategic Analytics: The Insights You Need de HBR Tecnología y Operaciones Libro 22,95 Añadir a la cesta Ahorre Compartir Sin embargo, sabíamos por experiencia que los proyectos de mayor impacto en una empresa de fabricación como ZF serían los de producción y calidad. Durante años, las líneas de producción de ZF habían estado conectadas y controladas por sistemas MES y ERP, pero los datos que generaban aún no se habían aprovechado en profundidad. Decidimos, por tanto, empezar concentrándonos en los problemas de producción, como las interrupciones, las tasas de retrabajo y la velocidad de rendimiento, donde podíamos tener un impacto inmediato. Identificar los problemas de alto impacto A continuación, seleccionamos aquellos proyectos dentro de Producción y Calidad que prometían los resultados de mayor valor. Nuestra experiencia con los primeros proyectos sentó las bases de un modelo de evaluación de proyectos que hemos seguido perfeccionando. El modelo contenía una serie de criterios a lo largo de tres dimensiones que nos ayudaron a clasificar los proyectos. El problema que había que resolver tenía que estar claramente definido. No podíamos adoptar un objetivo abstracto como "mejorar la producción". Necesitábamos una idea clara de cómo el análisis crearía valor empresarial. Los datos concretos tenían que desempeñar un papel importante en la solución. Y los datos tenían que estar disponibles, accesibles y ser de buena calidad. Necesitábamos proteger al equipo para que no se viera inundado por proyectos de elaboración de informes de inteligencia empresarial. El equipo tenía que estar motivado. Dimos a los equipos de proyecto independencia para elegir cómo resolvían los problemas que asumían. Y aunque hicimos que el presupuesto fuera lo suficientemente ajustado como para imponer la concentración, nos aseguramos de que no fuera tan ajustado como para que el equipo no pudiera tomar decisiones básicas de asignación por sí solo. Para mantener la motivación y el entusiasmo, priorizamos los proyectos que podían subdividirse en objetivos más pequeños pero más fáciles de alcanzar. Aunque con el tiempo nos pareció útil asignar a una persona concreta la gestión de las relaciones con el resto de la empresa, mantuvimos a todo el laboratorio implicado en la selección de proyectos a medida que crecía el número de personas que trabajaban en él. Esto mantuvo a todos informados, les dio un mayor sentido de la responsabilidad personal y expresó implícitamente el aprecio de la dirección por su juicio profesional. Ejecución El principal riesgo era que el equipo se perdiera en optimizar pequeños matices de los modelos y métodos en lugar de resolver el problema principal. Para evitarlo, normalmente limitábamos la fase de ejecución a tres meses y dábamos al equipo el derecho a cancelar su compromiso. Esta facultad resultó ser un cambio de juego. Dar al equipo (incluido el experto en la materia) una "opción nuclear" les hizo estar mucho más centrados y orientados hacia los objetivos. Una vez que pusimos en marcha esta regla, el número de solicitudes de cambio del cliente interno disminuyó y la información proporcionada inicialmente tendió a ser más precisa y completa que antes. Por supuesto, un equipo no podía cancelar un proyecto por razones arbitrarias. Necesitaba justificar su decisión, especificando las condiciones en las que el proyecto podría reabrirse. Y aunque las cancelaciones son polémicas, a veces son necesarias para liberar recursos y hacer que se avance hacia un objetivo significativo. De hecho, la introducción de la posibilidad de cancelar proyectos aumentó realmente el número de proyectos finalizados con éxito. Aunque un mismo equipo puede trabajar en varios proyectos a la vez, sobre todo porque la espera de respuestas del departamento del cliente puede provocar retrasos, en general nos pareció mejor que el equipo trabajara en un solo proyecto cada vez. Descubrimos que los tiempos muertos eran mejor aprovechados por los miembros del equipo para aprender nuevos métodos y técnicas de análisis, que seguían avanzando a un ritmo rápido. Mantuvimos a nuestro cliente interno al corriente de nuestros progresos mediante informes periódicos y, cuando fue posible, incluyendo a su experto en la materia en el equipo del proyecto. Si no podíamos hacerlo así, buscábamos un acuerdo -como una reunión semanal- que nos permitiera contactar directamente con el experto en la materia sin tener que pasar por intermediarios. Factores clave del éxito Además de adquirir una comprensión general del trabajo del laboratorio de datos como un proceso de tres etapas, también aprendimos otras lecciones. En concreto, descubrimos otros tres ingredientes cruciales para el éxito del laboratorio de datos: Apoyo ejecutivo. La confianza que el equipo ejecutivo de tecnología depositó en nosotros fue crucial para nuestro éxito. Afortunadamente, no parecen arrepentirse de ello: "Dar al laboratorio de datos una gran libertad para actuar de forma independiente, para probar ideas y también para aceptar los fracasos como parte de un proceso de aprendizaje, requería confianza. Pero el impulso que creó es algo que no queremos desaprovechar", afirma el Dr. Jürgen Sturm, Director de Información. La perspectiva de una autoridad externa En este caso, los científicos de datos de la Universidad de Friburgo, marcaron una gran diferencia en el éxito del laboratorio. En palabras de Andreas Romer, Vicepresidente de Innovación IT de ZF: "Ya no consideramos la innovación como un proceso interno en ZF. Para garantizar nuestro éxito futuro, debemos mirar más allá de los confines de nuestra empresa, crear asociaciones para aprender y también para compartir conocimientos y experiencias." Expertos en dominios. Aunque los científicos de datos aportaron al proyecto sus conocimientos sobre métodos y enfoques analíticos, su acceso a expertos en la materia era esencial. Dichos expertos debían estar estrechamente implicados en la respuesta a las preguntas relacionadas con el dominio que surgían una vez que el equipo se implicaba a fondo en el problema. Según nuestra experiencia, la capacidad y disponibilidad de los expertos en el dominio es el cuello de botella más común que bloquea el progreso de un proyecto de análisis de datos. Problemas resueltos Tres años después, podemos afirmar con seguridad que el Laboratorio de Datos de ZF es un valioso complemento para la empresa. Con este recurso dedicado, ZF ha podido resolver problemas que habían dejado perplejos a los ingenieros de la empresa durante años. He aquí dos ejemplos: Anillos de rectificado rotos. Una fuente clave de paradas en la maquinaria de las líneas de producción, una avería puede crear un desastre cuya limpieza puede llevar horas. Un cliente interno quería desarrollar un sistema de alerta temprana que pudiera indicar la probabilidad de una futura avería de los anillos, pero tenían datos desordenados, una señal débil (datos poco claros) y una verdad de base muy desequilibrada (porque las averías sólo se producen ocasionalmente). A pesar de esas limitaciones, fuimos capaces de crear un algoritmo que podía detectar roturas inminentes el 72% de las veces, una cifra muy alejada de la perfección de cinco decimales, pero suficiente para ahorrar miles a la empresa. Cargos por alta demanda de energía. Gestionar las unidades de energía para regular la demanda energética en los momentos de mayor consumo es una forma eficaz de reducir costes. Nuestro objetivo era desarrollar un agente automatizado de toma de decisiones basado en datos que proporcionara recomendaciones de actuación con el objetivo de reducir los picos de carga. Trabajando en estrecha colaboración con el departamento de energía, pudimos desarrollar un modelo de predicción operativo para evitar esos recargos por alta demanda. Seguir las recomendaciones del modelo debería reducir los picos de carga entre 1 y 2 megavatios, lo que supone unos 100.000 y 200.000 dólares al año. Tras crecer durante tres años, el Laboratorio de Datos de ZF se ha convertido en una especie de función de I+D especializada dentro de la empresa. Es un crisol de ideas y tecnologías, que produce y evalúa pruebas de concepto y descarta enfoques que no acaban de funcionar. En última instancia, el laboratorio de datos no sólo está ahí para resolver problemas, sino para ayudar a responder a la mayor pregunta de Big Data de todas: ¿cómo competirá nuestra empresa en este mundo cada vez más digital?

Cómo una empresa manufacturera alemana creó su laboratorio de análisis

Resumen.

Partner Center