optimización de procesos con el big data

PROGRAMA DE BIG DATA Y BUSINESS INTELLIGENCE

Optimización de procesos

Alex Rayón Jerezalex.rayon@deusto.es

@alrayon

Febrero, 2016. Madrid.

2

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

3

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

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

10

Analítica de procesos¿Cómo?

11

Analítica de procesos¿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

Analítica de procesosHerramientas analíticas

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

13

Analítica de procesosHerramientas analíticas (II)

●Análisis de correlacióno Identificar los elementos o componentes que más

determinan el rendimiento del procesoo Formular primeras hipótesis para las causas o elementos

raíz de un efecto dentro de nuestros procesoso Analizar la variabilidad y los desviaciones

14

Analítica de procesosHerramientas analíticas (III)

●Test de significanciao Contrastar hipótesis iniciales o causas o Centrar el foco en los factores más significativos para

poder seguir con la investigación

15

Analítica de procesosHerramientas analíticas (IV)

●Redes neuronales artificialeso Modelizar procesos complejos para cuantificar el impacto

de los parámetros identificadoso Además, permiten calcular los rangos óptimos para los

parámetros que están siendo investigados

16

Analítica de procesosHerramientas analíticas (V)

●Visualizaciones de datoso 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

Analítica de procesosModelado de procesos

New uses of proven analytical tools will serve manufacturers across a range of industries and

processesFuente: http://www.mckinsey.com/business-

functions/operations/our-insights/when-big-data-goes-lean

18

Analítica de procesosModelado de procesos (II)

●Simulación de Monte Carloo 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 posibleso Se simula múltiples ocasiones un evento y se observa su

resultadoo Sirve cuando hay dos o más variables que se comportano Dinámicamente, permite detectar cuellos de botella y el

impacto de las acciones o intervenciones realizadas

19

Analítica de procesosModelado de procesos (III)

●Planificación de la producción y la distribucióno Determinación del uso de recursos óptimos para el

resultado u objetivo que se quiere alcanzaro 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

Analítica de procesosModelado de procesos (IV)

●Planificación de la capacidado Evalúa y determina cuándo y dónde es necesaria una

capacidad adicionalo 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

Analítica de procesosModelado de procesos (V)

●Modelización value-in-useo 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

Analítica de procesosModelado 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

Analítica de procesosModelado 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

Analítica de procesosReingeniería de procesos

Ziff Davis Enterprise (2008)

25

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

26

Ámbito industrialIntroducción

27

Ámbito industrialModelos

●Diagnósticos predictivoso 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 fabricacióno 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 industrialModelos (II)

●Análisis de Garantíao 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 inteligenteso Detectar y resolver un problema potencial antes de que

la empresa se encuentre con él

29

Ámbito industrialPlanteamientos

● 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 industrialArquitectura 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 industrialArquitectura de datos (II)

Fuente: https://en.wikipedia.org/wiki/Data_science

32

Ámbito industrialModelo 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 mismoo Concretar la calidad real del sensor

33

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

34

Business case Facility Type: Hotels and Motels

● Operational Effectiveness and Energy Management (OE & EM) for Hospitality industry

o Hoteles y moteleso Problema de optimización: comfort de los huéspedes y a

la vez eficiencia energéticao 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 datoso 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 óptimao Detección de cuellos de botella y puntos de rupturao Mantenimientos preventivoso Reducción de las pérdidas energéticaso 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)

Fuente: https://www.linkedin.com/pulse/big-data-use-case-operations-energy-management-hotels-ankur-thareja

38

●Esta solución permite: o La recolección estructurada de millones de mediciones y

datoso Detección de desviaciones en tiempo realo Tendencias para la señalización de alertaso Gestión de las planificaciones y programacioneso Monitorización del consumoo 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)

Fuente: https://www.linkedin.com/pulse/big-data-use-case-operations-energy-management-hotels-ankur-thareja

40

Business case Facility Type: Hotels and Motels (VII)

Fuente: https://www.linkedin.com/pulse/big-data-use-case-operations-energy-management-hotels-ankur-thareja

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 eficienciao 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 produccióno Riesgos laborales

§ Reducción riesgo trabajadores§ Reducción coste pólizas

43

Business caseUna 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 DeustoThis 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 JerezFebrero 2016

PROGRAMA DE BIG DATA Y BUSINESS INTELLIGENCE

Optimización de procesos

Alex Rayón Jerezalex.rayon@deusto.es

@alrayon

Febrero, 2016. Madrid.