Optimización de procesos con el Big Data

PROGRAMA DE BIG DATA Y
BUSINESS INTELLIGENCE
Optimización de procesos
Alex Rayón Jerez
alex.rayon@deusto.es
@alrayon
Febrero, 2016. Madrid.

2
Índice de contenidos
●Introducción
●Analítica de procesos de negocio
●En el ámbito industrial
●Business case

3
●Introducción
●Business case

4
Introducción
Fuente: http://www.meiyusheng.com/big-data-smart-data/

5
Introducción (II)
“SMART business is a solution that
encourages us all to step back from the
hype and the noise around data –
especially Big Data – and take stock of
where we are, where we are trying to get
to and what data and tools we can employ
to help us get there.”
Marr, Bernard (2015-01-09). Big Data: Using SMART Big Data, Analytics and Metrics To Make
Better Decisions and Improve Performance (Kindle Locations 414-415). Wiley. Kindle Edition.

6
Introducción (III)
●Permite el acceso en tiempo real a información
fiable sobre todos los aspectos de su negocio:
o Disponer de la visibilidad, comprensión y control sobre el
rendimiento financiero
o Medir, monitorizar y ajustar resultados empresariales de
forma más eficiente es algo al alcance de unos pocos
●Big data analytics permite esto y mucho más, ya
que impulsa la agilidad empresarial y afina la
planificación estratégica, proporcionando
información que mejora la toma de decisiones

7
Introducción (IV)
Fuente: http://www.lgcnsblog.com/inside-it/the-role-of-it-in-the-interaction-between-me-and-you-part-3/

8
Introducción (V)
Fuente: http://www.forbes.com/sites/louiscolumbus/2014/12/29/where-big-data-jobs-will-be-in-2015/#3e4ae2b1404a

9
●Introducción
●Business case

10
Analítica de procesos
¿Cómo?

11
¿Cómo? (II)
The insights derived from data with the right kind of
modelling and analysis techniques stretches beyond
the enterprise and can lead not only to more
efficient operations but also to new business
models, market strategies and disruptive innovation
across various levels of the supply chain
Linking Big Data to Big Process Improvement…An Imperative

12
Herramientas analíticas
Fuente: http://www.mckinsey.com/business-functions/operations/our-insights/how-big-data-can-improve-manufacturing

13
Herramientas analíticas (II)
●Análisis de correlación
o Identificar los elementos o componentes que más
determinan el rendimiento del proceso
o Formular primeras hipótesis para las causas o elementos
raíz de un efecto dentro de nuestros procesos
o Analizar la variabilidad y los desviaciones

14
Herramientas analíticas (III)
●Test de significancia
o Contrastar hipótesis iniciales o causas
o Centrar el foco en los factores más significativos para
poder seguir con la investigación

15
Herramientas analíticas (IV)
●Redes neuronales artificiales
o Modelizar procesos complejos para cuantificar el impacto
de los parámetros identificados
o Además, permiten calcular los rangos óptimos para los
parámetros que están siendo investigados

16
Herramientas analíticas (V)
●Visualizaciones de datos
o Identificar patrones iniciales
§ A través de los estadísticos básicos como medias
móviles, histogramas de distribución, desviaciones
estándar, clusterización, etc.
o De esta manera, se puede priorizar y ordenar las
colecciones de datos y sus análisis por orden de
importancia y significatividad

17
Modelado de procesos
New uses of proven
analytical tools will serve
manufacturers across a
range of industries and
processes
Fuente: http://www.mckinsey.com/business-
functions/operations/our-insights/when-big-data-goes-
lean

18
Modelado de procesos (II)
●Simulación de Monte Carlo
o Proporciona soluciones aproximadas a una gran variedad
de problemas matemáticos posibilitando la realización de
experimentos con muestreos
o El método es aplicable a cualquier tipo de problema, ya
sea estocástico o determinista
o Mostrar una gran cantidad de escenarios posibles
o Se simula múltiples ocasiones un evento y se observa su
resultado
o Sirve cuando hay dos o más variables que se comportan
o Dinámicamente, permite detectar cuellos de botella y el
impacto de las acciones o intervenciones realizadas

19
Modelado de procesos (III)
●Planificación de la producción y la distribución
o Determinación del uso de recursos óptimos para el
resultado u objetivo que se quiere alcanzar
o Permite realizar combinaciones entre
§ Líneas de producción sustituibles
§ Límites técnicos
§ Costes de oportunidad
§ Niveles de servicio
o De esta manera, se puede optimizar los resultados y los
márgenes

20
Modelado de procesos (IV)
●Planificación de la capacidad
o Evalúa y determina cuándo y dónde es necesaria una
capacidad adicional
o Especialmente útil y relevante cuándo la conexión y
relación entre el uso de recursos de entrada (input) y de
salida (output) no está muy claro o es complejo
o Para la optimización de líneas de producción resulta
especialmente útil

21
Modelado de procesos (V)
●Modelización value-in-use
o Mide el impacto del uso de diferentes grados y niveles de
materias primas a lo largo de la cadena de valor
integrada
o Permite conocer el impacto de medidas de ahorro de
materia prima y su impacto táctico a nivel de
§ Satisfacción del cliente
§ Tiempo de entrega
§ Estimación económica

22
Modelado de procesos (VI)
●Optimización de la
demanda y los precios
o Optimización de la
distribución de
productos terminados
entre los centros
regionales y su
contribución a la
demanda total agregada
o Optimización de los
precios en tiempo real
Fuente: http://whitebirchsoftware.com/blogs/price-elasticity-models-and-optimizationc

23
Modelado de procesos (VI)
●Optimización de los
parámetros de
procesos
o Evalúa y determina
parámetros técnicos
óptimos para la mejora de
la productividad
o Muy empleado, también
por cuestiones
medioambientales y de
RSC
Fuente: http://hipertextual.com/archivo/2013/11/que-es-kanban/

24
Reingeniería de procesos
Ziff Davis Enterprise (2008)

25
●Introducción
●Business case

26
Ámbito industrial
Introducción

27
Ámbito industrial
Modelos
●Diagnósticos predictivos
o Identificar de manera eficiente los posibles patrones en
los datos de calidad del producto, datos de fabricación,
las reclamaciones de garantía , informes de servicio y los
datos de uso sobre los productos
●Data Mining en fabricación
o Mirando a los factores causales de los problemas de
calidad, la variabilidad del proceso y la trazabilidad de las
piezas a través del proceso de fabricación son algunos de
los casos de uso que se ensayan en la fabricación

28
Ámbito industrial
Modelos (II)
●Análisis de Garantía
o Reducción significativa de los costes de garantía a través
de la identificación de las discrepancias en las
reclamaciones de garantía, ya sea debido a
reclamaciones no válidas, inadecuada formación de
técnicos, problemas de fraude, o una advertencia
temprana de fallos de las piezas
●Servicios remotos inteligentes
o Detectar y resolver un problema potencial antes de que
la empresa se encuentre con él

29
Ámbito industrial
Planteamientos
● Una vez que se dispone de un buen ecosistema
de almacenamiento de datos…
o Modelo reactivo
§ Detectar eventos y actuar
o Modelo preventivo
§ Prevenir el suceso de los eventos

30
Ámbito industrial
Arquitectura de datos
● Las señales digitales generan millones de
registros
● Dado el gran volumen de datos que provocan las
mediciones industriales (las frecuencias de
muestreo es cuestión de segundos)
o Se suben de manera continua esas mediciones de las
señales digitales a un cluster Hadoop
o Esto sí es un proyecto Big Data real
●Se construye un modelo analítico predictivo
●Se extiende el modelo analítico al Sistema de
Control en tiempo real con nuevas variables

31
Ámbito industrial
Arquitectura de datos (II)
Fuente: https://en.wikipedia.org/wiki/Data_science

32
Ámbito industrial
Modelo analítico
● Cuando se aplica un modelo analítico predictivo
en el ámbito industrial, se puede:
o Identificar y definir la duración prevista de fallo de una
medición, un sensor, etc.
o Incluso se puede prever la rotura del mismo
o Concretar la calidad real del sensor

33
●Introducción
●Business case

34
Business case
Facility Type: Hotels and Motels
● Operational Effectiveness and Energy
Management (OE & EM) for Hospitality
industry
o Hoteles y moteles
o Problema de optimización: comfort de los huéspedes y a
la vez eficiencia energética
o Los Sistemas de Control de Edificaciones son herederos
directos de los sistemas de control y automatización
industrial
§ Sistemas con limitadas capacidades de intercambio
de datos y estandarización de su uso
§ Siglo XXI: TCP/IP, XML, etc.

35
Business case
Facility Type: Hotels and Motels (II)
●Los sistemas de gestión operativos y energéticos
trabajan por silos
o No comparten datos
o No tienen en su gran mayoría ni: despliegue Cloud,
transferencia rápida de datos, estándares abiertos, etc.
→ difícil mejora en el proceso de toma de decisiones
Fuente: https://www.linkedin.com/pulse/big-data-use-case-operations-energy-management-hotels-ankur-thareja

36
Business case
Facility Type: Hotels and Motels (III)
● La solución pasa por una gestión energética y
operativa conjunta que
o Programación óptima
o Detección de cuellos de botella y puntos de ruptura
o Mantenimientos preventivos
o Reducción de las pérdidas energéticas
o Búsqueda continua de puntos óptimos de eficiencia
●Para ello se hace precisa la integración de todos
los sistemas (BMS, medidores, Sistemas de
control de las habitacione, etc.) y sus datos
o Los datos son centralizados en una única plataforma

37
Business case
Facility Type: Hotels and Motels (IV)

38
●Esta solución permite:
o La recolección estructurada de millones de mediciones y
datos
o Detección de desviaciones en tiempo real
o Tendencias para la señalización de alertas
o Gestión de las planificaciones y programaciones
o Monitorización del consumo
o etc.
●Es decir, identificar los “What” (Análisis de
patrones), los “Why” (por qué pasan las cosas
buscando causa - efecto) para poder modificar
de nuevo los “What”
Business case
Facility Type: Hotels and Motels (V)

39
Business case
Facility Type: Hotels and Motels (VI)

40
Business case
Facility Type: Hotels and Motels (VII)

41
Business case
Facility Type: Hotels and Motels (VIII)
●Con este enfoque “Analytics based Operational
Effectiveness and Energy Management“
concluimos:
o Bajo CAPEX para alcanzar esa excelencia operativa y
eficiencia energética conjuntamente
o Mejora continua en la mejora de la eficiencia
o Reducción de costes de mantenimiento gracias al uso de
máquinas que automáticamente detecten tendencias y
patrones

42
Business case
Facility Type: Hotels and Motels (IX)
● ¿Quién gana?
o Proceso de compras
§ Planificación de las compras de sensores
§ Incremento de la calidad
§ Diversificación proveedores
o Proceso de fabricación
§ Reducción del coste de mantenimiento
● Optimización de los puntos de parada
● Reducción de los costes de cambio
● Reducción coste energético
§ Calidad de las líneas de producción
o Riesgos laborales

43
Business case
Una visión operativa y funcional del Internet of Things
Fuente: http://eu.mouser.com/applications/sensor-fusion-iot/
Fuente: https://leantesting.com/resources/how-do-we-test-the-internet-of-things/

Copyright (c) 2016 University of Deusto
This work (but the quoted images, whose rights are reserved to their owners*) is licensed under the Creative
Commons “Attribution-ShareAlike” License. To view a copy of this license, visit
http://creativecommons.org/licenses/by-sa/3.0/
Alex Rayón Jerez
Febrero 2016

Optimización de procesos con el Big Data

Recomendados

Recomendados

Más contenido relacionado

La actualidad más candente

La actualidad más candente (20)

Destacado

Destacado (10)

Similar a Optimización de procesos con el Big Data

Similar a Optimización de procesos con el Big Data (20)

Más de Alex Rayón Jerez

Más de Alex Rayón Jerez (9)

Último

Último (20)

Optimización de procesos con el Big Data