Analítica avanzada de datos

En LIS-Solutions somos expertos en analítica avanzada de datos, ofrecemos todo tipo de soluciones analíticas de forma optimizada y aplicada a la cadena de suministro y al entorno industrial o de producción. Se tratará a lo largo de estos párrafos el análisis avanzado de datos comenzando por una breve introducción al campo de forma más teórica y luego veremos las aplicaciones que podemos dar a todas las herramientas desarrolladas. Si desea más información, contacte con nosotros.

1.- ¿Qué es la Analítica Avanzada de Datos?

2.- ¿Por qué utilizar la Analítica Avanzada de Datos?

3.-  Servicios y beneficios de la Analítica Avanzada de Datos

  •  PCA
  •  Clustering
  •  Support Vector Machine
  • Optimizaciones
  • Detección de anomalías

1.- ¿Qué es la Analítica Avanzada de Datos?

Tras la ingente cantidad de datos que se generan hoy en día en las empresas se esconden grandes dosis de información. Esta información es lo suficientemente valiosa dentro de una empresa como para invertir tiempo y dinero en localizarla y hacerla entendible. De este punto se encarga la analítica avanzada de datos.

La analítica avanzada de datos sirve para extraer la información importante residente en los datos que se generan a nivel de la organización y externo, pudiéndose cruzar todos los datos y mejorando así la información obtenida.

Existen cuatro tipos de analítica avanzada, la primera de ellas es la analítica descriptiva, la segunda es la analítica de diagnóstico, la tercera es la analítica predictiva y por último está la analítica prescriptiva.

 

Los 4 tipos de Analítica Avanzada de Datos

Analítica descriptiva:

Este tipo de analítica avanzada de datos surgió para ayudar a responder la pregunta ¿qué ha pasado en el negocio? Esta es una etapa preliminar del procesamiento de datos, en esta etapa se crea un resumen de los datos históricos para proporcionar información útil y preparar los datos para su posterior análisis. Para finalizar, se crea una capa de visualización gráfica o B.I. que genera unos informes visibles y fácilmente entendibles.

Analítica de diagnóstico:

Este tipo de analítica avanzada de datos surgió para ayudar a responder la pregunta ¿Por qué ha pasado esto en el negocio? Esta es la segunda etapa de la analítica avanzada de datos. En esta fase, tras encontrar alguna anomalía, fallo o dato que se sale de lo esperado, se procesan los datos para localizar la raíz del problema. Una vez que se ha localizado el problema se puede generar un informe que sólo detalle la problemática localizada y cómo solucionarlo o aplicar cualquiera de las dos siguientes fases de la analítica. Si aplicamos la analítica predictiva se podrá ver cómo afecta este punto al negocio en el futuro y si aplicamos la analítica prescriptiva podremos ver cómo actuar.

Analítica predictiva:

Este tipo de analítica avanzada de datos surgió para ayudar a responder la pregunta ¿Qué pasará en el negocio? Esta tercera fase de la analítica avanzada de datos proporciona herramientas para estimar aquellos datos de negocio que son desconocidos o inciertos, o que requieren de un proceso manual o costoso para su detección. Este tipo de analítica permite fortalecer las decisiones de negocio y, por ejemplo, permite adelantarse a las demandas de los clientes o detectar fraudes en pagos electrónicos.

Analítica prescriptiva:

Este tipo de analítica avanzada de datos surgió para ayudar a responder la pregunta ¿Cómo podemos hacer que ocurra el escenario planteado? Una vez estudiadas las predicciones es interesante trabajar para seguir alineados lo máximo posible a las predicciones o estrategias trazadas para llegar a los objetivos. Para ello se utiliza la analítica prescriptiva. Este tipo de analítica ayuda a cumplir la estrategia a seguir para conseguir un objetivo. Se consigue mediante optimización de procesos y mediante reglas de negocio.

Las cuatro partes de la analítica avanzada no tienen por qué usarse en el orden descrito, cada una de las fases se aplica cuando sea necesario y el uso de una de ellas no descarta el posible uso de las otras.

Desde LIS-Solutions nos especializamos en saber utilizar cada una de las fases en el momento oportuno y con los algoritmos y herramientas necesarias para los mejores resultados y así cumplir con la máxima expectativa de nuestros clientes.

2.- ¿Por qué utilizar la analítica avanzada de datos?

La analítica avanzada de datos, tal cual se ha visto en el punto anterior, se encarga de resolver las siguientes preguntas: ¿qué ha pasado en el negocio?, ¿por qué ha pasado esto en el negocio?, ¿qué pasará en el negocio? y ¿cómo podemos hacer que ocurra el escenario planteado? Con la primera de las preguntas se localizan los problemas que tiene el negocio, como puede ser tener un stock demasiado pequeño o un stock de seguridad demasiado elevado. Con la segunda pregunta se consigue localizar qué está generando el error, en el caso de tener poco stock puede ser que el lead time sea más amplio de lo esperado y en el caso de localizar que hay demasiado stock de seguridad se puede ver que el problema surge al considerar que el lead time es mayor a lo esperado. Al responder a la tercera de las preguntas se ve cómo se va a comportar el nivel de stock en el futuro y, además, se pueden cruzar los datos con los consumos de las predicciones que tendrán los clientes del negocio estudiado y gracias a la analítica prescriptiva se podrán trazar las reglas de negocio necesarias para optimizar todas las decisiones en función de las predicciones realizadas.

Como consecuencia se tiene localizado el fallo, de dónde viene, cómo se va a comportar en el futuro y la forma óptima para abordar la estrategia futura.

Cuanto primero se realice el estudio del negocio, antes se podrá trazar un plan de futuro y realizar las acciones necesarias en el presente para poder influir en el futuro y conseguir los objetivos planteados.

Así se conseguirá una toma de decisiones basada en datos, menos impulsiva y por consiguiente mucho más acertada y racional. De este modo se consigue ceñirse al plan establecido desde la dirección del negocio y no desviarse por objetivos personales.

3.- Servicios y beneficios de la Analítica Avanzada de datos

Desde Lis-Solutions ponemos a su disposición todo nuestro conocimiento en la analítica de datos para apoyar y acompañar de la mano a su empresa, de forma que no sólo solvente sus problemas, si no que sea capaz de autogestionar la analítica de sus datos a nivel de usuario para que de este modo pueda terminar generando sus propios informes y así apoyar sus decisiones en sus propios estudios.

Para ello, LIS-Solutions se proponen, entre otras, las siguientes técnicas matemático-estadísticas como son:

Análisis de componentes principales (P.C.A.): técnica matemática que trata de reducir el número de variables al menor número posible de ellas, de forma que se pierda el mínimo de información posible. Por ejemplo, tras recoger todas las variables de una línea de producción, al aplicar P.C.A. se reduce el número de variables con las que trabajar, lo que provoca que el coste computacional sea menor y el manejo de los datos sea más sencillo.

Clustering: este tipo de algoritmos es capaz de clasificar en grupos homogéneos los datos de los que se dispone. Por ejemplo, permite distinguir qué rutas hacen los camiones de reparto y cuáles las motos por la diferencia de consumo por kilómetro entre una y otra ruta, o, por ejemplo, los artículos que entran en el almacén para ser colocados se pueden diferenciar por peso y tamaño, pudiendose generar así un algoritmo que coloque cada artículo en el sitio más adecuado.

Support Vector Machines (SVMs): conjunto de algoritmos de aprendizaje supervisado que están relacionados con problemas de clasificación y regresión. Estos algoritmos, han sido aplicados por Google para conseguir que la conducción autónoma hoy en día sea una realidad. Partiendo de un conjunto de datos del que se sabe a qué grupo pertenece cada una de las observaciones, se entrena un algoritmo que luego es capaz de diferenciar a qué grupo pertenece cada observación nueva. Por ejemplo, esta clase de algoritmos se pueden aplicar para detectar anomalías en la producción en cadena, tras detectar varias piezas anómalas, el algoritmo sería capaz de saber qué piezas nuevas han sido defectuosas mediante los parámetros captados por las máquinas.

Optimización: es la elección del mejor elemento con respecto a un criterio concreto de un conjunto de elementos. Por ejemplo, los algoritmos de optimización se aplican para reducir los stocks de forma que se minimicen las posibilidades de sufrir roturas. También son útiles para optimizar las horas de trabajo de las máquinas de una fábrica haciendo coincidir las horas más productivas de los empleados con las horas en las que no haya ninguna máquina parada, gestionando así las paradas de mantenimiento.

Detección de anomalías: estos algoritmos, mucho más complejos que los anteriores, se encargan de detectar cualquier tipo de desviación extraña en los datos. Es decir, mediante procedimientos matemático-estadísticos son capaces de detectar datos anómalos. Estos algoritmos son muy útiles en el ámbito industrial para planificar los mantenimientos predictivos sólo cuando sea realmente necesario, ahorrando mucho tiempo y dinero a la empresa.

Los beneficios aportados por aplicar este tipo de técnicas de analítica avanzada de datos son claros, nos encontramos ante:

  • Reducciones de stocks, lo que reduce el inmovilizado de los almacenes y permite una gestión óptima de estos.
  • Reducción de horas improductivas, generando un aumento en la eficacia por trabajador y hora.
  • Obtención de información nunca antes tomada en cuenta en las empresas, aportando un mayor conocimiento del negocio y por tanto dotando a la dirección de una mejor visibilidad global.
  • Desarrollo de herramientas que controlan la calidad del dato, elevando así el valor intangible de la empresa, con mejores datos se extraen mejores conclusiones y en consecuencia las acciones que se han de llevar a cabo son más precisas.
  • Optimización de todo tipo de procesos.
  • Detección de anomalías en la línea de producción, pudiendo retirar la pieza afectada sin que acabe todo el proceso de producción, ahorrando la energía y los materiales que se empeñan en finalizar dicha pieza.