Cómo una empresa de fabricación alemana creó su laboratorio de análisis

Imágenes PM Images/Getty Images

En los últimos años, la mayoría de las empresas se han dado cuenta de 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 fue la excepción. Las empresas emergentes 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 gestionar 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 mortal que podría redefinir su negocio y eliminar las ventajas acumuladas de la noche a la mañana durante décadas. Como los analistas de automoción pronosticaban cambios importantes en el futuro en materia de movilidad, empezaron a pensar que la empresa necesitaba un laboratorio dedicado exclusivamente a los desafíos de los datos.

Pero, ¿cómo?

En ese momento, uno de nosotros, Niklas, científico de datos de ZF, estaba cursando un doctorado a tiempo parcial en la Universidad de Friburgo. Niklas dio el primer paso y contrató a sus asesores en la universidad, Dirk Neumann y Tobias Brandt, para que los ayudaran a crear un laboratorio para la empresa. Esto le dio a ZF acceso a una experiencia de primer nivel en análisis de datos y gestión de sistemas de información.

La parte más difícil fue averiguar cómo funcionaría el laboratorio. Al fin y al cabo, los laboratorios de datos industriales son un fenómeno bastante nuevo; no puede simplemente descargar un plano. Sin embargo, tras varios tropiezos, logramos que nos aceptaran en el laboratorio y descubrimos una serie de mejores prácticas que creemos que se pueden aplicar ampliamente a casi cualquier laboratorio de datos.

1. Centrarse en los clientes internos correctos

ZF tenía docenas de departamentos llenos de proyectos relacionados con los datos que podían tener un gran impacto. Aunque teníamos la tentación de abordar muchos proyectos en toda la empresa, nos dimos cuenta de que, para crear visibilidad en una empresa de 146 000 empleados, teníamos que centrarnos primero en los departamentos y proyectos más prometedores.

Pero, ¿cómo definiríamos «lo más prometedor»? Como el objetivo del laboratorio de datos es crear valor mediante el análisis de los datos, inicialmente nos centramos en los departamentos que generan más datos. Por desgracia, esto no lo redujo mucho. Las finanzas, la logística, el marketing, las ventas, así como la producción y la calidad, generaron grandes cantidades de datos que podrían ser interesantes para proyectos piloto de ciencia de datos.

Este artículo también aparece en:

• 

  Análisis estratégico: la información que necesita de HBR

  Tecnología y operaciones Libro

  22.95

  View Details

Sin embargo, sabíamos por experiencia que los frutos más baratos para los proyectos de alto impacto en una empresa de fabricación como ZF serían la producción y la calidad. Durante años, las líneas de producción de ZF estuvieron conectadas y controladas mediante sistemas MES y ERP, pero los datos que generaban aún no se habían aprovechado en profundidad. Por lo tanto, decidimos empezar por concentrarnos en los problemas de producción, como las interrupciones, las tasas de reprocesamiento y la velocidad de producción, para que pudiéramos tener un impacto inmediato.

2. Identificar los problemas de alto impacto

Luego, seleccionamos los proyectos de Producción y Calidad que prometían los resultados más valiosos. Nuestra experiencia con los primeros proyectos sirvió de base para un modelo de evaluación de proyectos, que hemos seguido perfeccionando. El modelo contenía un conjunto de criterios en tres dimensiones que nos ayudaban a clasificar los proyectos.

• El problema a resolver tenía que estar claramente definido. No podríamos adoptar un objetivo abstracto como «mejorar la producción». Necesitábamos tener 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, ser accesibles y de buena calidad. Teníamos que proteger al equipo de la avalancha de proyectos de informes de inteligencia empresarial.
• El equipo tenía que estar motivado . Dimos a los equipos de proyectos independencia a la hora de elegir la forma en que resolvían los problemas que abordaban. Y aunque ajustamos el presupuesto lo suficiente como para reforzar la concentración, nos aseguramos de que no fuera tan ajustado como para que el equipo no pudiera tomar las decisiones básicas de asignación por sí solo. Para mantener la motivación y el entusiasmo, priorizamos proyectos que podrían subdividirse en objetivos más pequeños pero más fáciles de alcanzar.

Si bien al final nos pareció útil asignar a una persona en concreto la gestión de las relaciones con el resto de la empresa, hicimos que todo el laboratorio participara en la selección de los proyectos a medida que aumentaba el número de personas que trabajaban en el laboratorio. 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.

3. Ejecución

El principal riesgo era que el equipo se perdiera en la optimización de los pequeños matices de los modelos y los 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 contratación.

Este poder resultó ser un punto de inflexión. Ofrecer al equipo (incluido el experto en el dominio) una «opción nuclear» hizo que se centraran y se orientaran mucho más a los objetivos. Una vez que pusimos en marcha esta regla, se retiró el número de solicitudes de cambio del cliente interno y la información proporcionada inicialmente tendió a ser más precisa y completa que antes.

Por supuesto, un equipo no puede cancelar un proyecto por motivos arbitrarios. Tenía que justificar su decisión, especificando las condiciones en las que se podía reabrir el proyecto. Y si bien las cancelaciones son polémicas, a veces son necesarias para liberar recursos y garantizar el progreso hacia una meta significativa. De hecho, la introducción de la posibilidad de cancelar proyectos aumentó el número de proyectos completados correctamente.

Aunque un solo equipo puede trabajar en varios proyectos al mismo tiempo, sobre todo porque esperar las respuestas del departamento de clientes puede provocar retrasos, por lo general nos pareció mejor que el equipo trabajara en un solo proyecto a la vez. Descubrimos que los miembros del equipo utilizaban mejor los tiempos de inactividad para aprender nuevos métodos y técnicas de análisis, que seguían avanzando a un ritmo rápido.

Mantuvimos a nuestro cliente interno informado de nuestro progreso mediante informes periódicos y, cuando fue posible, incluimos a su experto en el campo en el equipo del proyecto. Si no podíamos hacerlo, buscábamos un acuerdo (por ejemplo, una reunión semanal) que nos permitiera contactar directamente con el experto en dominios sin tener que pasar por guardianes.

Factores clave de éxito

Además de adquirir una visión general del trabajo del laboratorio de datos como un proceso de tres etapas, también aprendimos otras lecciones. En concreto, descubrimos tres ingredientes más que son 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 se arrepienten: «Dar al laboratorio de datos una gran libertad para actuar de forma independiente, probar ideas y también aceptar los fracasos como parte de un proceso de aprendizaje, requería confianza. Pero el impulso que ha creado es algo que no queremos perder», 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 enorme diferencia para el éxito del laboratorio. Como dijo Andreas Romer, vicepresidente de Innovación en TI de ZF: «Ya no consideramos que la innovación sea un proceso interno en ZF. Para garantizar nuestro éxito futuro, debemos mirar más allá de los límites de nuestra empresa y crear asociaciones para aprender y también para compartir conocimientos y experiencias».
• Expertos en dominios. Si bien los científicos de datos aportaron sus conocimientos sobre los métodos y enfoques analíticos al proyecto, su acceso a expertos en el campo era esencial. Estos expertos tenían que participar activamente en la respuesta a las preguntas relacionadas con el dominio que surgieran una vez que el equipo estuviera profundamente comprometido con el problema. Según nuestra experiencia, la capacidad y la disponibilidad de los expertos en el dominio son los obstáculos más comunes que bloquean el progreso de un proyecto de análisis de datos.

Problemas resueltos

Tres años después, podemos decir con confianza que el ZF Data Lab es una valiosa incorporación a 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 abrasivos rotos. Una fuente clave de paradas en la maquinaria de las líneas de producción, una avería puede crear un lío que puede tardar horas en limpiarse. Un cliente interno quería desarrollar un sistema de alerta temprana que pudiera indicar la probabilidad de una futura ruptura de un anillo, pero tenía datos confusos, una señal débil (datos poco claros) y una verdad fundamental muy desequilibrada (ya que las averías solo se producen de vez en cuando). A pesar de esas limitaciones, pudimos crear un algoritmo que pudiera detectar roturas inminentes el 72% de las veces, muy lejos de la perfección de los cinco decimales, pero aun así lo suficiente como para ahorrarle a la empresa miles de dólares.
• Cargos por alta demanda de energía. Gestionar las unidades de energía para regular la demanda de energía en los momentos de mayor consumo es una forma eficaz de reducir los costes. Nuestro objetivo era desarrollar un agente automatizado de toma de decisiones basado en datos que proporcionara recomendaciones de acción con el objetivo de reducir los picos de carga. Trabajando en estrecha colaboración con el Departamento de Energía, pudimos desarrollar un modelo de predicción funcional para evitar esos recargos por alta demanda. Seguir las recomendaciones del modelo debería reducir la carga máxima entre 1 y 2 megavatios, con un valor aproximado de entre 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 especializada en I+D dentro de la empresa. Es un crisol de ideas y tecnologías, que produce y evalúa pruebas de concepto y descarta enfoques que no funcionan del todo. En última instancia, el laboratorio de datos no solo está ahí para resolver problemas, sino también para ayudar a responder a la pregunta más importante de todas sobre el Big Data: ¿cómo competirá nuestra empresa en un mundo cada vez más digital?