Históricamente, la toma de decisiones en los contextos de producción en las plantas de manufactura y en el entorno del desarrollo de negocios han sido, en algunos casos, fundamentales para el crecimiento de las empresas.
Ello ha permitido la creación de modelos innovadores de servicios, y en otros, factor de su debacle.
Hoy en día, responder a ciertas preguntas clave en estos entornos, de manera rápida y eficaz, puede ser el principal factor que nos permita generar ahorros importantes, nuevos ingresos, evitar riesgos para la empresa o generar la próxima disrupción del mercado que ponga a la empresa en una posición privilegiada.
En las áreas a cargo de los procesos operativos y de producción (OT), las preguntas que deben resolver a fin de optimizar los procesos y reducir los costos asociados a los mismos son, entre otras:
- ¿Cuanto producimos?
- ¿Cual es el nivel de merma?
- ¿Cual es la eficiencia del proceso?
- ¿Cual es el gasto energético en la producción de una unidad?
- ¿Cual es el estado de salud de la maquinaria?
- ¿Es posible incrementar la producción con la maquinaria que ya tenemos?
La óptima respuesta a estas preguntas permite tomar decisiones tales como:
- Incrementar o reducir el volumen de producción de acuerdo con la demanda a fin de implementar un modelo just in-time con mínimo requerimiento de inventario.
- Cambiar o no la infraestructura de producción a fin de utilizar al máximo los insumos y reducir o eliminar desperdicios (costos) y contar con mayor/mejor capacidad de producción.
- Decidir sobre la inversión en energías renovables, o proyectos de sustentabilidad energética
- Decidir sobre impulsar iniciativas que generen una disrupción en el mercado que le den a la empresa una significativa ventaja competitiva.
Es en los puntos anteriores donde el análisis de datos y las tecnologías desarrolladas para tal efecto tienen su mayor impacto.
Así, tecnologías como Machine Learning (ML), o Deep Learning (DL) se han convertido en los dos últimos años en ejes de la innovación tecnológica y las grandes disrupciones de mercado en los sectores industriales, de consumo masivo, comercio electrónico, financiero, y de servicios.
A manera de ejemplo, Gartner estima que para 2025, el 60% de las cámaras de vigilancia de seguridad integrarán funciones de análisis y monitoreo en tiempo real en el mismo dispositivo, en comparación con el 21% en 2020.
Adicionalmente, se estima que para 2025, las organizaciones que interactúan con sus clientes a través de máquinas verán aumentar las oportunidades de servicios facturables totales en un 20% debido a una mayor conciencia de las necesidades de estos.
Junto con el desarrollo de ML y AI, las tecnologías para el procesamiento de datos ligeros tales como Edge Computing, que aprovechan las capacidades de cómputo de los equipos de acceso que conectan los dispositivos IoT, están permitiendo explotar rápidamente las capacidades de ML mayormente en el entorno operativo, precisamente para habilitar la toma de decisiones sobre aspectos de optimización de los procesos y de negocio, permitiendo, por ejemplo, responder preguntas tales como:
- ¿Qué métodos publicitarios impulsan mejor las ventas?
- ¿Qué segmento de clientes comprarán un nuevo producto?
- ¿Cuándo se debería reponer el inventario con un modelo de push/pull?
De acuerdo con el radar tecnológico de Gartner, en los próximos meses estas capacidades de cómputo de borde, aunadas a IA con ML serán las de mayor adopción junto con la integración de las comunicaciones de IT/OT mediante arquitecturas estandarizadas, como lo es el modelo ISA-95, lo cual sienta las bases para la evolución hacia la implementación del modelo de producción 4.0.
En este contexto, Cisco esta apoyando a las empresas mediante soluciones que incorporan IA y Cómputo de borde para resolver diversas necesidades en los sectores industriales de manufactura, energía, petróleo y gas, así como los sectores de consumo masivo, financiero y empresarial.
Por Francisco Bolaños, Arquitecto de Internet de las cosas y Transformación Digital, Cisco en América Latina
