Hace algunas d\u00e9cadas, los fabricantes de\nalimentos y bebidas ten\u00edan una estrategia para la recolecci\u00f3n de datos: papel y\nl\u00e1piz. Sin embargo, los operadores de la planta pasar\u00edan gran parte de su d\u00eda\nanotando mediciones de escalas de peso, medidores, HMI, etc. A pesar de los\nesfuerzos de recolecci\u00f3n de datos por parte de los operadores, los sistemas de\npapel y l\u00e1piz eran demasiado rudimentarios para proporcionar la informaci\u00f3n que\nlas organizaciones necesitaban para mejorar los procesos de producci\u00f3n y calidad\ngeneral.<\/p>\n\n\n\n
Pero ahora, con los avances en automatizaci\u00f3n\nindustrial, servidores, bases de datos y otras tecnolog\u00edas de la informaci\u00f3n,\nlos fabricantes ya no tienen que depender de los sistemas de papel y l\u00e1piz.\nPueden automatizar completamente la recopilaci\u00f3n de datos y capturar grandes\ncantidades de datos de cada l\u00ednea de producci\u00f3n, cada pocos milisegundos,\ndurante todo el d\u00eda.<\/p>\n\n\n\n
Sin\nembargo, hay una desventaja en toda esta automatizaci\u00f3n y facilidad. Ya que los\nfabricantes de alimentos y bebidas estaban privados de informaci\u00f3n antes,\nmuchos ahora quieren reunir todo lo que puedan. Desafortunadamente, demasiados\ndatos pueden ser dif\u00edciles de digerir. Los fabricantes est\u00e1n, en efecto,\nsufriendo de “gula de datos”, donde re\u00fanen grandes cantidades de\ndatos, pero a\u00fan carecen de la calidad y la informaci\u00f3n clave que necesitan.<\/p>\n\n\n\n
La\ngula de datos a menudo resulta en grandes gastos para las organizaciones.\nDespu\u00e9s de todo, los fabricantes tienen que almacenar todos sus datos en alg\u00fan\nlugar. Si recopilan datos espec\u00edficos del proceso y del producto en cada l\u00ednea,\nen varias plantas, cada pocos segundos o milisegundos, pueden llenar toneladas\nde discos duros en poco tiempo. Con los costos adicionales de las bases de\ndatos, los servidores, la seguridad y el soporte de TI requerido, todo puede\nser muy costoso y muy r\u00e1pido, lo que anula el enfoque de reducci\u00f3n de costos de\nlas estrategias modernas de control de calidad.<\/p>\n\n\n\n
La\nglotoner\u00eda de los datos tambi\u00e9n dificulta los esfuerzos de mejora del proceso,\nya que los fabricantes de alimentos y bebidas pueden sentirse abrumados\nf\u00e1cilmente por la gran cantidad de datos a su alcance. Consultar millones de\nvalores de datos de una base de datos puede resultar dif\u00edcil, si no imposible.\nIncluso si se pudieran recuperar grandes cantidades de datos, \u00bfqu\u00e9 herramientas\nde an\u00e1lisis se pueden aprovechar convenientemente para analizar millones de\nvalores de datos? Imag\u00ednese copiar unos pocos millones de valores de datos en\nuna hoja de c\u00e1lculo. \u00bfC\u00f3mo lo analizar\u00edas todo? Por s\u00ed solos, los conjuntos de\ndatos masivos hacen que sea dif\u00edcil descubrir qu\u00e9 es lo que realmente impulsa\nla calidad y d\u00f3nde realizar mejoras, como por ejemplo, c\u00f3mo reducir los\ndesechos y el despilfarro. Es como tratar de encontrar una aguja en un pajar.<\/p>\n\n\n\n
Para superar la glotoner\u00eda de los\ndatos y encontrar claridad en el ruido, los fabricantes de alimentos y bebidas\ndeben reconocer que no todo debe medirse. Deben dejar de recopilar tanto como\npuedan y, en su lugar, deben tomarse el tiempo para identificar qu\u00e9 datos son\nrealmente importantes. \u00bfPara qu\u00e9 sirven\nestos datos? \u00bfPor qu\u00e9 necesitamos reunir estos datos? \u00bfC\u00f3mo estos datos nos\nmostrar\u00e1n c\u00f3mo mejorar nuestra calidad y operaciones?<\/em><\/p>\n\n\n\n El muestreo de datos es igualmente importante. Algunas organizaciones piensan que si no capturan todos los datos posibles de la producci\u00f3n, de alguna manera se “perder\u00e1n” algo. Por ejemplo, un productor de alimentos podr\u00eda decir: “Queremos recopilar temperaturas de cocci\u00f3n cada pocos milisegundos para el monitoreo de la inocuidad de los alimentos”. Sin embargo, cada milisegundo es posible que las temperaturas no tengan un cambio significativo. El productor simplemente terminar\u00eda con una monta\u00f1a de n\u00fameros que no agregan ning\u00fan valor o comprensi\u00f3n adicional a lo que ya se conoce. Es mejor formar planes de muestreo racionales, con frecuencias de recopilaci\u00f3n de datos razonables, centr\u00e1ndose en la cantidad de datos necesarios, no en la cantidad deseada.<\/p>\n\n\n\n En\nrealidad lo que los procesadores de alimentos necesitan no son datos, si no\ninformaci\u00f3n. Es donde las t\u00e9cnicas estad\u00edsticas y el an\u00e1lisis de datos toman un\npapel importante. Solo por agregar, sumar y analizar de manera regular sus\ndatos los procesadores de alimentos pueden descubrir las acciones de\ninteligencia que son necesarias para la toma de decisiones que ayuden a mejorar\nlos procesos. Sin una planeaci\u00f3n estrat\u00e9gica para llevar a cabo ese an\u00e1lisis, la\nrecolecci\u00f3n de datos puede resultar in\u00fatil y costoso.<\/p>\n\n\n\n Las\norganizaciones m\u00e1s exitosas son aquellas que dan un paso atr\u00e1s y analizan sus\ndatos de manera frecuente y regular. Programan el tiempo para interrogar a sus\nconjuntos de datos utilizando una variedad de herramientas y t\u00e9cnicas\nestad\u00edsticas, todo con el fin de descubrir nuevos conocimientos sobre c\u00f3mo\npueden mejorar las operaciones. A veces, la informaci\u00f3n m\u00e1s valiosa puede\nprovenir de conjuntos de datos que podr\u00edan considerarse irrelevantes o incluso que\nest\u00e1n en las especificaciones del producto.<\/p>\n\n\n\n Por\nejemplo, una compa\u00f1\u00eda de bebidas con la que trabaj\u00e9 pens\u00f3 que, dado que todo\nestaba en especificaciones, no hab\u00eda oportunidades para mejorar los niveles de\nllenado. Despu\u00e9s de convencerlos de recopilar datos de volumen de llenado,\nconfirmamos que ninguna botella estaba insuficientemente llena o sobrellenada.\nSi bien esas fueron buenas noticias, tambi\u00e9n descubrimos que los niveles de\nllenado variaban ampliamente y que, en general, las botellas se llenaron en\nexceso. El an\u00e1lisis de datos revel\u00f3 diferencias operacionales entre turnos y\ngrandes inconsistencias entre los cabezales de llenado y los tipos de botellas.\nUsando estas ideas, la compa\u00f1\u00eda realiz\u00f3 una variedad de mejoras, lo que result\u00f3\nen $ 1.1 millones en ahorros anuales, en solo una de sus m\u00e1s de 20 l\u00edneas de\nproducci\u00f3n. Sin interrogar los datos, nunca habr\u00edan disfrutado de estos\nahorros.<\/p>\n\n\n\n En\n\u00faltima instancia, tener datos por el hecho de tenerlos no conduce a mejoras.\nExtraer inteligencia significativa de los datos es lo que genera resultados, y\nlas organizaciones no necesitan mediciones exhaustivas de cada una de sus\nl\u00edneas de proceso para poder hacerlo. En cambio, utilizando t\u00e1cticas de\nmuestreo inteligentes, las actividades de recolecci\u00f3n de datos pueden ser tanto\nefectivas como eficientes.<\/p>\n\n\n\n Y\nahora, gracias al advenimiento de las tecnolog\u00edas del software como servicio (o\nSaaS), existen a\u00fan mayores oportunidades de mejora que se extienden m\u00e1s all\u00e1 de\nlas cuatro paredes de una planta y a lo largo de toda la operaci\u00f3n de la empresa.\nAl utilizar un repositorio centralizado en la nube, los fabricantes de\nalimentos y bebidas pueden consolidar f\u00e1cilmente datos de calidad de m\u00faltiples\nplantas, regiones, proveedores e incluso proveedores de ingredientes. Las\norganizaciones pueden realizar la misma consulta regular de datos, pero a una\nescala mayor, y revelar mayores oportunidades para mejorar la calidad, reducir\ncostos y garantizar la estandarizaci\u00f3n y la coherencia en toda la cadena de\nvalor, preparando el escenario para un retorno exponencial de las inversiones\nen calidad.<\/p>\n\n\n\nCuestionando los datos<\/strong><\/h3>\n\n\n\n