El Data Mining ha cambiado el mundo del análisis de una forma positiva y para siempre.


Les hacemos partícipes de un nuevo caso de éxito de un proyecto conjunto entre StatSoft y una empresa Biofarmacéutica. Esta empresa produce vacunas siguiendo los más rigurosos estándares de  producción y embalaje.
    
Problema
En una fase importante de la producción en la que se obtenía uno de los ingredientes activos de la vacuna, tenían lugar pérdidas  o scrap del 30% del lote. Este hecho representaba un perjuicio de miles de millones de dólares: coste de oportunidad, pérdida de tiempo y recursos que representaban el trabajo de varias semanas, pérdida de material y perjuicios en el área logística.

El problema se vería aún mas agravado debido a la complejidad del proceso:

• Una extensa serie de procesos inter-relacionados.
• Gran cantidad de materias primas provenientes de distintos proveedores y lotes.
• Parámetros de producción con patrones indeseables.

Gráfico del problema
 


Recursos de la Organización

• Un equipo de ingenieros, muchos de ellos especializados en bioquímica, con profundo conocimiento del proceso de producción desde las materias primas al producto final y la respectiva comercialización.
• Datos históricos de fallas del proceso.

Intentos de resolución por parte de la Organización

• Sesiones de brainstorming para resolver problemas de Calidad a través de diversos métodos de ingenieria, búsqueda de materias primas y variables asociadas a los parámetros indeseables.
• Diseño experimental para ajustar pequeñas cantidades de materias primas a las variables del proceso de producción.

Esta iniciativa permitió llevar a cabo algunas mejoras, pero no consiguió resolver los problemas, impactos y costes asociados.


Metodología implementada con el STATISTICA Data Miner

El primer paso fue definir y agregar los datos relevantes para el proceso, tomando como referencia los datos de los procesos de fabricación de los últimos 12 meses, que incluían:
 

• Características de las materias primas.
• Parámetros del proceso a lo largo de las unidades operativas, lote a lote.
• Calidad del producto, tomando como base las características críticas de calidad, siendo éstos los criterios para el avance o el desperdicio  o scrap de los lotes.

Tras la recogida de los datos relevantes nuestro equipo se reunió con el equipo de ingeniería.
Se recogió la información relativa a:

• Factores que podían y no podían ser controlados
• Factores de fácil y difícil control
• Factores con un control costoso

Se aplicaron diversos tipos de modelos de data mining para determinar cuál se ajustaba mejor a los datos.

Se pusieron a prueba varias metodologías para garantizar la elección de un modelo adecuado. Una parte, escogida de forma aleatoria, de los datos se dejó fuera del proceso de ajuste y se utilizó solamente para la validación - evaluación de la capacidad predictiva de los modelos.

Finalizada esta etapa, se llevó a cabo la revisión de los parámetros más importantes.
La revisión de los parámetros causa, generalmente, sorpresa entre los equipos de campo, porque un parámetro aparentemente poco importante puede revelarse extremamente decisivo para el proceso de mejora de los procesos.

Gráfico de los parámetros mas importantes

 

Resultados
Tomando como base las conclusiones obtenidas a través del proceso de Data Mining, la Organización pudo evaluar, validar y utilizar la información así como prever una reducción de la tasa de desperdicio - scrap - por lote de un 30% a un ¡5%!

Ventajas del data mining
Los métodos de data mining son realmente eficaces a la hora de modelar grandes cantidades de parámetros, una situación bastante habitual en la producción.

Aquellas empresas que adopten estas técnicas podrán obtener claros beneficios en un corto espacio de tiempo.

Nota Final
El data mining es un término ampliamente utilizado en una gran variedad de técnicas de análisis, así como los términos de modelado predictivo o análisis avanzado.