Planteando el dilema
Generar una previsión de la carga de trabajo es una práctica habitual en industria, nadie quiere tener una gran subida de la demanda y no tener capacidad productiva para afrontarla porque la mitad de la plantilla libra esa semana. Encima, el cliente se tendrá que ir a la competencia para satisfacer sus necesidades.
Otro caso igual de frustrante es el contrario, tenemos la fábrica llena de gente, todas las máquinas encendidas y al personal le toca estar de brazos cruzados porque no hay pedidos que fabricar.
Es innegable hoy en día que las empresas que realizan previsiones de carga y se esfuerzan porque estas sean lo más acertadas posibles, funcionan mejor que si no lo hicieran. Sin embargo, estas predicciones generalmente están basadas en la experiencia de los directores o encargados y aunque si bien son de gran ayuda, están lejos de ser perfectas. Cabe entonces la duda ¿Existiría algún método dentro de la digitalización y la industria 4.0 que me ayude a hacer mejores predicciones de carga?
Predicciones basadas en datos, no en intuición
Un gran aliado en las predicciones puede ser el aprendizaje automático que, en resumidas cuentas, ofrece algoritmos capaces de estudiar un conjunto de datos, aprender los patrones existentes en ellos y, gracias a esto, son capaces de predecir el comportamiento de los datos en el futuro.
Este tipo de algoritmos es exactamente lo que estamos buscando, pero para utilizarlo debemos cumplimentar antes un paso previo: tener una base de datos sólida. Es necesario que, durante un tiempo significativo antes de comenzar a utilizar estos algoritmos, hayamos recopilado rigurosamente los datos de carga de trabajo real que hemos tenido, ya que estos serán la base sobre la que los algoritmos predecirán. Un seguimiento mediocre de la carga de trabajo diaria se traducirá en predicciones muy diferentes de la realidad haciéndolas completamente inútiles. Una vez tengamos estos datos, podemos hacer que el algoritmo aprenda de ellos, ofreciéndonos una predicción precisa de la carga de trabajo en función del día del año y la carga de los días anteriores.
Cazando datos dentro y fuera de la fábrica
El sistema que acabamos de crear, nos permitirá predecir la carga diaria basándonos en datos de años anteriores por las mismas fechas, pero ¿Hay alguna forma de refinar un poco más? ¿Podemos afinar nuestra predicción basándonos en otros factores? La respuesta es sí, pero necesitaremos un tiempo de investigación. En este caso, deberemos agregar a nuestra base de datos aquella información que sea realmente relevante para los datos. A diferencia del apartado anterior, que es común a prácticamente cualquier escenario, este es completamente dependiente del caso de uso.
Por ejemplo, para una fábrica de colchones puede ser muy interesante tener en cuenta la cantidad de reservas en hoteles o para una fábrica de tornillos, el número de vehículos vendidos en esas fechas (si sus clientes son de automoción), pero está claro que, a una fábrica de lámparas, poco le interesa las ventas de kebabs en la zona.
Aunque el último ejemplo suene exagerado, es muy fácil elegir variables para nuestro estudio que pensamos a priori que influirán de manera importante en la predicción de la carga de trabajo, y que realmente tienen un peso menor o marginal en la predicción. Para evitar esto, el flujo de trabajo debe ser el siguiente:
- Elegir las variables candidatas que pueden ser útiles en nuestro estudio
- Encontrar formas de generar estos datos o conseguirlos de terceros
- Realizar un estudio estadístico de correlación
- Con las variables que se han probado útiles formamos el conjunto de datos del que aprenderemos.
- Ejecutamos los algoritmos de aprendizaje
- Probar la efectividad del sistema de aprendizaje
- Si no obtenemos suficiente precisión, repetir desde el paso 1
Si realizamos correctamente todos los pasos, terminaremos con un sistema de predicción de carga que sea capaz de adelantar la cantidad de trabajo basándose no solo en la experiencia de otros años, sino que además en la realidad de variables internas y/o externas realmente pertinentes para la carga. Para una persona, tener en cuenta estos factores resulta imposible sin gastar cantidades ingentes de tiempo.