2. La transformación digital consiste en la adopción de nuevas tecnologías digitales para:
Incrementar los ingresos de
las ventas a través de una
reflexión completa de la
experiencia de cliente y la
innovación a través de nuevos
modelos de negocio.
Incrementar la
productividad y reducir
los costes de los
procesos operativos
de la empresa.
Transformación digital
¿PARA QUÉ?
Pág. 1
Movilidad CloudAnalytics
BigData
Social
Ciberseguridad Experiencia
usuario
Competencias
digitales
Estrategia
digital
4. Smart Manufacturing: Los mundos de la
automatización y de las TIC están convergiendo
‘Productos conectados’: Oportunidad de brindar
mejores servicios alrededor del concepto de los productos
conectados
Tendencias en Industria
Pág. 3
‘Servitización’: Nuevos modelos de negocio basados en
los datos recabados sobre comportamiento de uso de
productos
‘Newcomers’: Google, Tesla, Faraday Future
5. Ibermática en Industria 4.0
NUESTRA VISIÓN: IMPACTO EN TODA LA CADENA DE VALOR
CAD / PDM
Diseño e
Ingeniería
Fabricación /
Planta
Servicios
API - Integración
SLM (mantenimiento y
postventa)
Aportamos una visión
integral de la cadena de
valor a través de los sistemas
MES
GestiónERP / PLM / SCM
Apps para
usuarios
Desde la
ingeniería y
fabricación, a
la prestación
de servicios
Pág. 4
Conectividad
Almacenamiento BigData
Streaming
Analítica
Automatización
Modelización / Lógica de negocio
Desarrollo de apps / Mash-up
RTU PLC DCS Gateway
IoT
CPS
Planta Productos conectados
Plataforma
Industria 4.0
Del diseño de
procesos y
productos al
análisis de su
desempeño
6. ¿Se puede extraer algún valor de esta información?
Datos de sensores y actuadores instalados
en equipos de planta y en los propios
productos.
Datos de imágenes, vídeos y gráficos en
diferentes tipos y formatos.
Información de ingeniería y
mantenimiento como p.ej. datos de
gestión de activos empresariales.
Pág. 5
Registros, textos e email de audios, voz y
logs provenientes de informaciones de
un call-center.
Datos de uso in-service de proveedores
de servicio y terceros.
Información geoespacial y temporal,
incluyendo GPS, y datos meteorológicos
y ambientales.
7. Modelos para comprensión de
comportamientos - Patrones
Correlaciones entre variables
para identificar relaciones causa
(variables) efecto (resultado)
Predicciones
De demanda-pedidos
De incidencias
De problemas
De mantenimientos a realizar
Recomendaciones
Venta cruzada
Next product to buy
Personalización
De oferta
Estimular una
nueva realidad
Anticipar, planificar y
testear situaciones futuras
Modelizar una realidad y
entender sus relaciones
Cuadros de mando –
Reporting – OLAP -Alertas
Visualización – Self service
Vigilancia competitiva
Búsqueda semántica
Describir y consultar
una realidad
THE FUTURE
IS NOW
Nuevos tipos de análisis
Pág. 6
Detección de anomalías
Microsegmentación
Calidad
Detección de Fraude
De mantenimientos a realizar
Simulaciones
Para optimización de procesos
Para testear nuevas soluciones
Planificaciones
Nuevas inversiones
De oferta
De campañas
Actuación automática
M2M
Pricing dinámico
Búsqueda semántica
Data discovery
Text.mining – NLP (análisis
información no-estructurada)
Descriptive
analytics
Diagnostic
analytics
Predictive
analytics
Prescriptive
analytics
9. Predicción de principales fallos
de componentes
Gestión de la producción, calidad
y mantenimiento
Control de calidad
de producto y proceso
Optimización de
inventario de piezas
Análisis del consumo
energético
Otros ámbitos
(eficiencia energética, almacén…)
Valor que aporta el BigData en Industria
DISEÑO, INGENIERÍA, FABRICACIÓN, OPERACIÓN
Pág. 8
de componentes
Predicción de reclamaciones de garantía
Información a los equipos de planificación y
presupuestación sobre situaciones costosas que
van a suceder antes de que ocurran
de producto y proceso inventario de piezas
y componentes
energético
Planificación de cadena de aprovisionamiento
y logística
Simulaciones de producto para el diseño
e ingeniería de productoMonitorización y alertas en tiempo real
(sin decalajes de tiempo)
Simulación y modelado de las secuencias
de producción (just-in-sequence)
Identificación de fallos que a
menudo suceden a la vez
Detección de grupos de máquinas que
experimentan un comportamiento anómalo
Predicción de la vida de los componentes en
base a la historia específica de la máquina
Optimización del plan de mantenimiento
10. Objetivos:
Evitar los tiempos de parada innecesarios manteniendo los equipos en su mejor estado.
Prolongar la vida útil de los equipos e instalaciones el mayor tiempo posible.
Sugerir y proyectar mejoras para disminuir las posibilidades de daños y roturas.
Controlar los costos de mantenimiento (tiempo, materiales, operarios y servicios).
Beneficios esperados:
Menos paradas de máquinas, ya sea
por programas de paradas preventivas o
Caso de uso: Mantenimiento predictivo
OBJETIVOS Y BENEFICIOS ESPERADOS
Pág. 9
por programas de paradas preventivas o
por roturas aleatorias.
Mayor calidad y eficiencia de las
máquinas e instalaciones.
La protección es más efectiva al tener
en cuenta en cada momento el estado
de salud de los componentes.
Optimizar la inversión realizada en
mantenimiento
● Reduce el tiempo de las acciones
de mantenimiento.
● Ahorro de costes de fallos y de
indisponibilidades de no producción.
• Determinación óptima del momento para
realizar el mantenimiento preventivo
• Aprovechamiento máximo del uso de piezas
y equipos
• Mejor gestión del ‘stock’ de repuestos
• Reducción al mínimo de las emergencias
correctivas.
11. Objetivos:
Ofrecer más información y con mayor frecuencia.
Tener en cuenta las variables de contexto que pueden afectar a la cadena de
suministro, referentes tanto a datos de previsión de demanda como datos de proveedores.
Incorporar otros datos que pueden afectar a la cadena o red de distribución (clima,
incidencias de transporte, eventos extraordinarios, etc.).
Beneficios esperados:
Aprovechamiento máximo de los
recursos disponibles.
Caso de uso: Cadena de aprovisionamiento
OBJETIVOS Y BENEFICIOS ESPERADOS
Pág. 10
recursos disponibles.
Eliminación de tiempos muertos y
la ausencia de retrasos en la entrega.
Minimización de rupturas de stock.
Reducción de pérdidas-desechos.
Reducción de buffers de inventario
necesarios.
Planificación y simulación de
distribución de nuevos productos.
Para entornos dinámicos que requieren una
reconfiguración constante de su cadena de
suministro con:
• Entradas de productos y mercancías que tienen
un ciclo de vida corto
• Alta volatilidad en la demanda
• Destinos con situaciones productivas diferentes
12. Objetivos:
Minimizar los costes y consumos en función de las restricciones obligatorias del sistema:
Predicción de costes
Predicción de anomalías e incidencias
Simulaciones de futuro
Caso de uso: Eficiencia energética
OBJETIVOS Y BENEFICIOS ESPERADOS
Correlación: identificación de
variables influyentes en el
comportamiento del consumo de
Variables
influyentes en el
consumo Predicción del
Pág. 11
Clustering: agrupaciones de casos-
comportamientos similares en base
a variables relevantes
comportamiento del consumo de
energía
Reglas : inferencia de reglas
predictoras del consumo por
clustersDetección de anomalías Casos anómalos
Microsegmentos
de casos
consumo Predicción del
consumo
Simulaciones
13. Cómo comenzar y abordar un proyecto
RECOMENDACIONES
Pensar en grande, pero empezar por un caso sencillo
Seleccionar un caso abordable.
No tratar de abarcar demasiado al principio; excesivos datos
pueden ser difíciles de manejar.
En paralelo, empezar a pensar en la hoja de ruta de la estrategia de
BigData en la compañía.
Tener siempre presente la perspectiva del negocio
1
2
Pág. 12
La tecnología en sí misma no es el objetivo; es sólo un medio para
el negocio.
Todos los factores del proyecto deben de tener lógica desde el
punto de vista del negocio.
Involucrar a los usuarios de negocio
La experiencia de los usuarios es clave; el área de aplicación y los
factores principales no pueden partir de TI.
El proyecto tendrá éxito si el negocio está implicado.
2
3
14. Cómo comenzar y abordar un proyecto
RECOMENDACIONES
Prepárese para una nueva forma de trabajar
Las tecnologías son diferentes.
La estructura de los proyectos es diferente.
No establezca rigideces en el marco del proyecto de BigData ni deje
que la informática tradicional ‘ahogue’ esta nueva forma de hacer.
Asimismo, de momento, separe el mundo tradicional de este nuevo
mundo; cada uno de ellos tiene su sentido, ritmos y tiempos.
4
Pág. 13
Abra la mente a nuevos tipos de perfiles en su organización.
Prepárese para un nuevo tipo de datos
La calidad de los datos va a ser una de las claves.
Va a empezar a trabajar con otro tipo de datos, que en ocasiones
tendrán menos fiabilidad
Ganar la batalla de los datos va a ser clave para el éxito del
proyecto.
5
15. Dificultades que salvar
Calidad de datos
Los datos de que disponemos van a ser claves. Los modelos
predictivos son muy sensibles a la calidad de los datos.
En muchos casos, vemos necesario realizar una cata de
calidad de datos previa.
Hasta que no se utilizan los datos, no podemos tener criterio
sobre su calidad.
1
Pág. 14
Es posible que sea necesario un proceso de depuración,
aseguramiento y sostenibilidad de calidad de los datos.
Desconexión del negocio
No hay que perder de vista el punto de visto del negocio; no
debe ser un proyecto solo de TI.
Hay que buscar la rentabilidad de los proyectos y que ésta
sea entendida desde el punto de vista del negocio.
2
16. Discovery
Assesment para
alcance y valor POC Implantación
Identificar iniciativas
potenciales de aplicación
BigData
Definir el valor que
aportan al negocio
Identificar requisitos de
negocio & técnicos por
cada iniciativa
Priorizar por valor vs.
Definir los resultados
deseados
Tomar requisitos de alto
nivel
Definir alcance POC
Cuantificar potencial
valor y estimar costes
Validar supuestos
Definir requisitos y
diseñar solución
Cargar datos
necesarios y
desarrollar POC
Contrastar resultado
con el criterio de éxito
esperado y probar el
valor
Añadir a roadmap de
inversiones
Diseñar e implementar
solución general
Integrar con
operacionales
Testear rendimiento
Formar / capacitar
Cómo iniciarse en BigData
NUESTRO ENFOQUE
Pág. 15
Seleccionar el
caso de valor
Definir alcance y
valor del caso
seleccionado
Demostrar el
valor del caso Escalarlo
Priorizar por valor vs.
facilidad de implantación
Asignar owners-sponsors
Validar supuestos
Determinar ROI y
métricas para
seguimiento
Decisión Go / No-go de
POC
valor
Decisión Go / No-go
de implantación
Formar / capacitar
usuarios
Publicación en
producción
17. Alberto Sotomayor
Desarrollo de negocio Analytics sector
Industria
a.sotomayor@ibermatica.com
Diego González Rojo
Gerente sector Industria
d.gonzalez.rojo@ibermatica.com
Muchas gracias por su atención
Pág. 16
Webinar
Retos y oportunidades de la
Analítica Avanzada y Big Data
en la Industria