Back

Repensar la innovación para la Cuarta Revolución Industrial

¿Cómo pueden transformarse los procesos de innovación para hacer el mejor uso posible del potencial de la Cuarta Revolución Industrial? ¿Cómo pueden las empresas identificar problemas específicos de dominio o tecnología con la posibilidad de reproducirlos en centros o dominios con el objetivo de revolucionar industrias enteras? La explicación la facilita aquí el autor de un nuevo libro sobre tecnologías y estrategias empresariales del futuro.

Wilhelm Wiese Corporate Technology Center India ABB Global Industries and Services Private Limited, Bengaluru, India, wilhelm.wiese@­in.abb.com

Con la llegada de la Cuarta Revolución Industrial y la creciente velocidad a la que cambian no solo los productos, sino mercados enteros, la excelencia operativa se ha vuelto más crucial que nunca para todas las empresas. En un mundo en el que el desarrollo y la implantación son un proceso continuo,los modelos y prácticas de desarrollo basados en ciclos de actualización y mantenimiento de meses e incluso años ya no son idóneos. La Cuarta Revolución Industrial exige un cambio de paradigma a la hora de llevar al mercado nuevos productos, tecnologías y soluciones, de modo que puedan mantener el ritmo de las expectativas.

En este contexto, un término técnico importantes el desarrollo de soluciones. Muchos líderes empresariales anuncian con entusiasmo sus planes de digitalizar sus plantas o transformar sus organizaciones de manera que dejen de ser empresas de productos y se conviertan en proveedores de soluciones. Pero, en realidad, ¿por qué darle tanto bombo? ¿No es eso, en realidad, en lo que consiste la ingeniería? Cuando se trata de mantener el ritmo o incluso adelantarse a la curva de expectativas, el verdadero desafío no es el desarrollo de soluciones,sino la identificación de problemas. En pocas palabras: una empresa debe definir el problema antes de poder proponer una solución. Y en el contexto de la Cuarta Revolución Industrial, eso significa descubrir cómo las nuevas tecnologías pueden ofrecer ventajas competitivas en comparación con las tradicionales?01. Esa es la vía correcta de identificar el valor paralos operadores de las plantas, y los nuevos flujos de ingresos para los proveedores de productos y servicios industriales.

01. Wilhelm Wiese es el autor de un nuevo libro sobre la Cuarta Revolución Industrial. Este artículo se basa en un apartado del libro. ISBN: 978-1-6871-4652-6, por Wilhelm Wiese, 2019.
01. Wilhelm Wiese es el autor de un nuevo libro sobre la Cuarta Revolución Industrial. Este artículo se basa en un apartado del libro. ISBN: 978-1-6871-4652-6, por Wilhelm Wiese, 2019.

Pero es más fácil decirlo que hacerlo. Lo que puede parecer una nueva e interesante productividad que estimula las estrategias digitales cuando se anuncia en las reuniones del Consejo de Administración puede convertirse rápidamente en respuestas comunes y corrientes al traducirlo en asignaciones concretas. A finde cuentas, lo que realmente se ofrece son soluciones estándar con escasa atracción para los productos y servicios existentes bajo el paraguas de las soluciones digitales. Además, muchas de estas asignaciones acaban siendo aplicables solo a ámbitos muy concretos y no se pueden adaptar a otras escalas.

Las soluciones pseudodigitales de este tipo pueden ser realmente buenas para las empresas y hacer felices a los operadores de la planta, pero no desencadenan cambios decisivos en la productividad que mejoren los ingresos, ni crean nuevos flujos de ganancias para los proveedores de soluciones que puedan mejorar significativamente las ventas. Para hacerse con una porción significativa del multimillonario pastel potencial que se prevé que será la Cuarta Revolución Industrial, las empresas necesitan desafiar las tecnologías actuales. En consecuencia, deben comenzar por la zona de producción para identificar problemas específicos de dominio o tecnología que puedan reproducirse en los centros o dominios con el objetivo de revolucionar industrias enteras ?02.

02 Los procesos industriales necesitan encontrar correlaciones entre cientos de variables. Un nuevo módulo de análisis desarrollado por ABB utiliza Big Data (inteligencia de datos) para descubrir patrones sospechosos con el fin de predecir con presición eventos no deseados.
02 Los procesos industriales necesitan encontrar correlaciones entre cientos de variables. Un nuevo módulo de análisis desarrollado por ABB utiliza Big Data (inteligencia de datos) para descubrir patrones sospechosos con el fin de predecir con presición eventos no deseados.

Por consiguiente, cualquier desarrollo de soluciones debe comenzar por identificar el planteamiento del problema y el valor de una solución. Hasta que no se concluya el segundo paso, una organización no debe iniciar el proceso de innovación y evaluar de qué manera las nuevas tecnologías de la Cuarta Revolución Industrial pueden ser disruptivas y añadir valor a las empresas de sus clientes.

La gran promesa de los problemas perversos

¿Dónde debe comenzar este proceso general? Un buen punto de partida es el núcleo del popular proceso actual de «pensamiento de diseño» (design thinking).Plattner, Meinel y Leifer describen en cinco fases el proceso: «(re)definir el problema, encontrar y comparar las necesidades, idear, construir, probar» [1] El proceso también puede considerarse como un sistema de espacios superpuestos, en lugar de una secuencia de pasos ordenados: la inspiración, la ideación y la ejecución del proyecto pueden retroceder y entrecruzarse más de una vez mientras un equipo perfecciona sus ideas y explora nuevas direcciones.

El pensamiento de diseño es especialmente útil al abordar lo que Horst Rittel y Melvin Webber denominaron «problemas perversos», que son problemas mal definidos o complicados [2]. Estos problemas, lejos de ser algo de lo que conviene alejarse, pueden resultar muy prometedores. De hecho, el verdadero peligro radica en limitar nuestro pensamiento a problemas bien definidos, porque tiende a hacer que ideemos soluciones basadas en reglas estándar o conocimientos técnicos actuales.

Para generar una imagen de lo que son los problemas perversos en términos de procesos de toma de decisiones en el contexto de la Cuarta Revolución Industrial es útil utilizar la ventana de Johari ?03a [3].

Creada originalmente por psicólogos para apoyar a grupos de autoayuda, la ventana de Johari puede guiar a los usuarios hacia la identificación de problemas ocultos hasta el momento, y colocarles en el camino hacia la identificación de soluciones novedosas. Como se indica en ?03b, la ventana puede subdividirse en cuatro áreas de solución (cuadrantes) claves, la primera de las cuales está ocupada por las soluciones graduales. Por ejemplo, si usted y otras personas de un sector industrial conocen un problema, es de esperar que probablemente se resuelva pronto con las tecnologías actuales o con algunos cambios graduales. 

La segunda área la ocupan las opciones más factibles.En este caso, los expertos del sector, como los operadores de plantas, conocen el problema planteadoy son conscientes de que existe una oportunidad de mejora, pero un proveedor de soluciones aún no lo conoce. Este cuadrante puede abordarse en talleres para clientes, denominados a menudo «talleres de creación conjunta», donde los proveedores de soluciones tienen ocasión de comprender los desafíos a los que se enfrentan los operadores de la planta y pueden llevar a sus expertos técnicos para que encuentren una solución. El intercambio de información que se produce está diseñado para materializarse en planteamientos de problemas bien definidos, con grandes posibilidades de ofrecer soluciones que, a su vez, pueden reproducirse y aumentarse en escala.

El tercer cuadrante lo ocupan los planteamientos de problemas hipotéticos. En este caso, los riesgos son altos porque el proveedor de la solución podría tener que invertir mucho dinero en desarrollo, sin tener ninguna garantía de éxito, ya que la solución no se considera crucial o no añade suficiente valor.

Por último, llegamos al cuarto cuadrante: los problemas perversos. Estos son, en potencia, el combustible de la Cuarta Revolución Industrial. En esta área, el nivel de riesgo es obviamente elevado, ya que el proceso de innovación es complejo y con seguridad algunas ideas fracasarán; pero la resolución de problemas perversos será disruptiva, lo que significa que las soluciones resultantes tienen las mayores probabilidades de ser un gran éxito.

Qué hizo ABB para resolver un problema perverso

Recientemente, ABB se enfrentó a un problema perverso, en colaboración con un cliente clave del sector químico [4]. El problema consistía en que el operario de la planta del cliente se enfrentaba ocasionalmente a la formación inesperada de espuma en las reacciones de los lotes ?04. En las industrias química y farmacéutica, el término «proceso por lotes» se refiere a la ejecución de varias etapas de producción para generar un producto final de acuerdo con una fórmula estricta. La espuma provocaba impurezas de tal gravedad en el producto, que un lote que necesitó 17horas de producción tuvo que ser desechado y reciclado. Además, esto exigió muchas horas improductivas para limpiar depósitos y tuberías.

04 Reactor por lotes atípico.
04 Reactor por lotes atípico.

Los procesos por lotes se aplican a productos con un elevado nivel de calidad. No obstante, dado el númerode variables que intervienen, no hay dos lotes idénticos. Factores como la calidad de los materiales iniciales, el tamaño del lote, la temperatura, la humedad y otros factores ambientales pueden influirse mutuamente y dar lugar a circunstancias anómalas. Además, la gestión del propio proceso de producción suele incluir cientos de variables del proceso con interrelaciones complejas.

Teniendo en cuenta estos factores, el control detallado de los lotes es una parte esencial para comprender y gestionar este proceso altamente dinámico. Pero en este caso, aunque el cliente disponía de una gran cantidad de datos, no estaba equipado para relacionar los datos de más de 100 variables del proceso procedentes de varios cientos de lotes con otros datos de producción, como especificaciones de materias primas, consumo de energía y mediciones variables del proceso.

En estrecha colaboración con el cliente, ABB envió expertos que aplicaron el análisis de big data para determinar la raíz del problema. Su trabajo reveló patrones sospechosos, como picos de consumo de energía y anomalías en el flujo de vapor. Al final,coinventaron un concepto de predicción capaz de generar advertencias muy precisas alrededor de 30minutos antes de que se pudiera formar la espuma. 

A lo largo de esta colaboración, el equipo utilizó Batchlnsight de ABB ?05, un producto que combina técnicas de inteligencia empresarial, análisis de datos clásico y aprendizaje automático (machine learning) para ayudar a los expertos en procesos a analizar de manera holística los procesos por lotes. 

05 El módulo de análisi de datos BatchInsight combina técnicas de inteligencia empresarial, análisis de datos clásico y aprendizaje automático (machine learning) para ayudar a los expertos en procesos a analizar de manera holística los procesos por lotes.
05 El módulo de análisi de datos BatchInsight combina técnicas de inteligencia empresarial, análisis de datos clásico y aprendizaje automático (machine learning) para ayudar a los expertos en procesos a analizar de manera holística los procesos por lotes.

En cualquier caso, ¿qué se puede extraer de este ejemplo? Muestra con claridad que los cambios disruptivos en el desarrollo de soluciones abren la puerta a la implantación de nuevas tecnologías de la Cuarta Revolución Industrial, que pueden desempeñar un papel importante en la identificación de problemas perversos y mal definidos. Este proceso puede ir seguido, p. ej., de un análisis de la raíz del problema, basado en inteligencia artificial, para idear soluciones en las que nadie había pensado antes. ¡Todo lo que se necesita para comenzar a profundizar en los datos y la tecnología es una corazonada inicial!

Pero incluso las corazonadas necesitan un detonador. En consecuencia, en su caso un buen punto de partida es comenzar por visitar sus plantas y preguntarse si hay algún problema de productividad o calidad que los gerentes no hayan podido explicar. Aquí es donde escuchará muchas corazonadas. A partir de este punto, se pueden aplicar varias técnicas para formular preguntas,como un diagrama de Ishikawa [5] para explorar las relaciones causa-efecto. El factor clave a la hora de aplicar esta técnica iterativa de formulación de preguntas para analizar problemas perversos es no buscar su causa raíz. La técnica sirve para definir el alcance de los datos necesarios para recopilar y determinar qué tecnología se debe aplicar a fin de encontrar una relación causa-efecto que no sea detectable con los datos y los conocimientos sobre los mismos que tienen las personas en sus mentes. Lo anterior se reduce a un enfoque en tres pasos ?06. 

06 Proceso de solución de problemas perversos.
06 Proceso de solución de problemas perversos.

El primer paso es la determinación del alcance, en la que el objetivo es encontrar datos que puedan correlacionarse, pero que antes no se hayan tenido en cuenta en este contexto. En el segundo paso se aplica a los datos la última tecnología, como el aprendizaje automático (machine learning) o la inteligencia artificial, para obtener nuevos conocimientos sobre posibles raíces del problema.El tercer paso consiste en desarrollar una solución.Y aquí es donde la cuestión se vuelve realmente emocionante. El desarrollo de soluciones para problemas perversos suele comenzar con varios estudios de prueba de concepto basados en modelos de construcción o gemelos digitales. Son esenciales porque el resultado de los algoritmos de aprendizaje automático se asocia a un determinado nivel de probabilidad que debe probarse antes de su implantación en un proceso industrial real. 

¿Puede un operador de planta, proveedor de sistemas o fabricante de dispositivos hacer esta tarea solo? Probablemente no. Pero un excelente método de solución de problemas es descomponer este proceso en tres pasos: Por qué – Qué – Cómo?07, y este último paso distingue entre cómo se resuelven los problemas de forma tradicional y cómo deben resolverse de forma colaborativa para ser disruptivos.

07 La coinvención es la clave para resolver con éxito problemas perversos.
07 La coinvención es la clave para resolver con éxito problemas perversos.

Resolver problemas perversos a través de lacoinvención

Comencemos por el «Por qué»: una comprensión profunda de las necesidades, los objetivos y los factores diferenciadores del cliente debe ser la base del proceso de solución en común. Sin esto, se corre el riesgo de realizar meras correcciones técnicas y soluciones parciales, en lugar de la solución en sí misma. En otras palabras, el equipo debe comprender los procesos de producción de la planta en cuestión, la cadena de valor y el modo en que esto influye en la productividad de la planta y las características de los productos fabricados.

Solo después de formular un planteamiento del problema claramente definido es el momento de aplicar el conocimiento del dominio y las últimas tecnologías, como el análisis de big data o el aprendizaje automático (machine learning),para identificar la raíz del problema y, por tanto,el «Qué» debe cambiarse.

El tercer paso es abordar el «Cómo», que es el núcleo del cambio de paradigma, el paso de la colaboración a la coinvención. Es un paso esencial porque el objetivo no es realizar una corrección inmediata para una planta o área de operaciones específica, sino aplicar tecnologías de la Cuarta Revolución Industrial, como la inteligencia artificial y los conceptos de sistemas autónomos, para hacer un cambio disruptivo en la productividad de la planta o las características de los productos fabricados, que puede reproducirse en todas las plantas del cliente o incluso ampliarse a todo un sector industrial.

En definitiva, el desarrollo de soluciones para los problemas más graves de la actualidad ofrece una alta probabilidad de liberar el potencial de muchas tecnologías nuevas de la Cuarta Revolución Industrial. Además, la aplicación de soluciones a entornos industriales demostrará y mejorará continuamente las capacidades del aprendizaje automático (machine learning). Por último, este proceso se apoyará en la capacidad de evaluar previamente las soluciones, lo que requerirá una creciente creación de gemelos digitales. Estos, a su vez, generarán los datos que constituirán la base de los sistemas autónomos del futuro, y acelerarán su desarrollo. En otras palabras, la coinvención para resolver los planteamientos de problemas perversos liberará el potencial de las nuevas tecnologías e impulsará las industrias a un nivel de productividad difícilmente imaginable con la tecnología actual.

Back
/* */