Por Tecnoap Industrial Analytics
Después de dos semanas intensas para el deporte a nivel mundial, puedo decir que en esta edición de Juegos Olímpicos fue notable el nivel de conciencia sustentable de todo un país, en medio de todas las acciones que se llevaron a cabo para llegar más allá de la neutralidad del carbono, hubo algo que llamó mi atención de forma especial, el proceso de producción de las medallas olímpicas.
Y es que pensar en cómo el material que algún día sirvió para crear dispositivos cuyo fin era transmitir datos llegó a transformarse en una medalla de oro, hace que la famosa analogía de “data is the new gold” cobre un sentido literal.
La minería de datos o “Data Mining”, es un aspecto de la ciencia analítica que ayuda en la industria de manufactura utilizando técnicas de aprendizaje no supervisadas, reglas de asociación y análisis de series de tiempo. Si bien la aplicación del Big Data ha permitido que las empresas puedan recopilar grandes cantidades de datos comerciales, esta información rara vez se utiliza de manera apropiada.
Minería de Datos en la industria de manufactura moderna
Actualmente el análisis de datos ya no es un privilegio de las grandes corporaciones tecnológicas multinacionales, sino que puede utilizarse como un componente clave en la formación de estrategias para empresas de distintos sectores. Las compañías manufactureras utilizan cada vez más el análisis de datos para interpretar una gran cantidad de información, que incluye patrones de producción, calidad y toda clase de modelos predictivos.
Data Mining es un término general que describe el método mediante el cual se pueden identificar tendencias, patrones y asociaciones ocultas que de otro modo no sería posible descubrir. Su aplicación se basa en aspectos de la estadística, las matemáticas y la informática.
La metodología utilizada para el análisis de minería de datos es la siguiente:
- Definición de los objetivos a analizar.
- Selección, organización y tratamiento previo de los datos.
- Análisis exploratorio de los datos y posterior transformación.
- Especificación de los métodos estadísticos que se utilizarán en la fase de análisis.
- Análisis de los datos en base a los métodos elegidos.
- Evaluación y comparación de los métodos utilizados y elección del modelo final de análisis.
- Interpretación del modelo elegido y su posterior uso en procesos de decisión.
Pang-Ning Tan, Profesor de Ciencias Computacionales en la Universidad Estatal de Michigan, describe cinco aspectos clave de la minería de datos:
- Exploración de datos: La exploración de datos es una investigación inicial de los datos para comprender sus características principales y decidir el mejor enfoque para extraer información significativa. Su propósito principal es ayudar a decidir las técnicas de análisis de datos y preprocesamiento más adecuadas.
- Clasificación: Es una técnica de aprendizaje automático que clasifica los datos en grupos predefinidos, por lo que se requieren etiquetas de clases distintas.
- Agrupación: Es el proceso de agrupar puntos de datos que son más similares en atributos que otros puntos de datos. Es una técnica de aprendizaje sin supervisión, lo que significa que se puede utilizar para analizar patrones significativos sin supervisión o intervención humana. Hay dos tipos de agrupación: jerárquica y particional.
- Análisis de asociación: Se ocupa de descubrir relaciones ocultas dentro de conjuntos de datos. Básicamente, permite descubrir la probabilidad de que un evento específico ocurra como resultado directo de otro.
- Análisis de series temporales: Los expertos en minería de datos y aprendizaje automático Philippe Esling y Carlos Agon definen una serie de tiempo como “una colección de valores obtenidos de mediciones secuenciales a lo largo del tiempo” los cuales se pueden utilizar para diversos propósitos como alineación de tendencias, modelado de similitudes, detección de anomalías y previsión.
La aplicación de la minería de datos en la manufactura moderna puede incluir áreas como la alineación de tendencias, el modelado de similitudes, la detección de anomalías y la previsión.
El reto principal: Mejorar la calidad en los procesos de manufactura
Existen tres procesos importantes en las empresas de manufactura: el diseño, la fabricación y el servicio. Las técnicas de Minería de Datos se pueden aplicar en ellos para mejorar la calidad de sus productos finales.
Durante un proceso de fabricación, la calidad del producto puede verse afectada por dos tipos de variación: variaciones aleatorias y variaciones asignables.
Las primeras son causadas por las características intrínsecas de un proceso de fabricación y no pueden eliminarse por completo. Mientras que las segundas a menudo se producen por una fabricación defectuosa que involucra maquinaria, operadores, materiales y medio ambiente. Aquí es donde la Minería de Datos tiene un mayor impacto, pues las variaciones asignables son predecibles y pueden eliminarse tan pronto como las identifiquemos.
A pesar de los beneficios que nos ofrece la Minería de Datos, siempre existen factores incontrolables que también pueden afectar la calidad de los productos finales. Por lo tanto, el proceso se debe monitorear y optimizar continuamente mediante la obtención automática de conocimientos y patrones sobre el proceso de manufactura.
En un mercado global tan competitivo, las empresas de manufactura deben ser ágiles al tomar decisiones para mejorar la calidad de sus procesos y productos. El desarrollo de Tecnologías de Información y otras ciencias relacionadas hace que la recopilación de datos sea fácil y rentable. Sin embargo, la forma de aprovechar esta gran cantidad de información para adaptarla a cada industria sigue siendo una cuestión abierta.
