Ya hemos visto la importancia de tener buenos KPI en la industria y la importancia de su visualización, además de los plugins más interesantes para mostrar los indicadores en Grafana Industrial. Pero para que un proyecto de datos tenga éxito en la industria también es fundamental tener en cuenta los problemas más comunes para no cometerlos.

Hoy traemos una guía de 6 problemas que existen en todas las plantas de producción que, aunque parezcan triviales, tienen el potencial de descarrilar incluso los proyectos más prometedores.

Pero no te preocupes, porque tienen solución… Te lo explicamos.

Problemas más comunes de los proyectos de datos industriales:

No tener un lenguaje común 🗣️

Imagina la situación: estás en una reunión y alguien pregunta, «¿Qué es la operación OP329379?» y nadie tiene ni idea, porque es el código que utiliza el PLC, o el código que utiliza el ERP, y nadie más lo utiliza.

Este tipo de confusión surge cuando no compartimos un lenguaje común entre los distintos sistemas que manejan datos. La solución es simple, pero crucial.

💡 Igualar lenguajes: lo primero es estandarizar el lenguaje, hacer nexos en común, normalmente con identificadores, entre los distintos sistemas que manejan datos. También los indicadores deben estar claros, bien documentados.

Este ejercicio de poner en común el lenguaje para que todos hablemos el mismo idioma y sepamos de lo que estamos hablando es fundamental, porque si no luego surgen problemas y se adolece de: «No, es que ese dato no es válido, no es bueno». No, es que en realidad… ¡estáis hablando de cosas diferentes!

💡 El cálculo debe ser global: es muy habitual oír en la industria el clásico «Yo es que no lo calculo así». Es fundamental ponerse todos de acuerdo y establecer unos estándares, y hacer que los KPIs se calculen siempre de la misma forma. Este paso es muy importante y es algo que vais a necesitar hacer siempre, o correréis el riesgo de que vuestros proyectos se conviertan en una torre de Babel de incomprensión.

Trabajar con datos erróneos y no descartarlos 🌊

Los datos erróneos o incoherentes pueden llevarnos a conclusiones equivocadas. Desde estimaciones de producción desorbitadas hasta inconsistencias entre sistemas como el ERP y el MES.

Seguramente tu fábrica no produce 1000 piezas en 1 hora, ni tu tiempo ciclo baje de los nanosegundos. Por eso es importante establecer cotas y descartar estas anomalías.

💡 Establecer límites y filtrar anomalías para evitar que pequeños errores se conviertan en grandes problemas.

En el ejemplo anterior, si vemos que nuestra producción de esta hora es de 1000 piezas es fácil determinar que se trata de un error. Pero si no lo borras, cuando agregues el dato, o lo veas dentro de una media, pues ese dato que dio un pico se diluye. Esas 1000 piezas se convertirán en que cada día hemos producido 40 piezas más. Y lo que antes era un error obvio, ahora es más difícil de apreciar, lo veremos como una mejora productiva que no es real y nos generará problemas.

💡 Hay que sincronizar las distintas fuentes de datos: a veces, «alguien miente» pero no porque quiera, sino por una mala sincronización de datos, porque no se habla el mismo idioma, porque los identificadores no están relacionados, porque los tiempos de fin de la producción pasan en tiempos diferentes, etc. Y aparecen cosas como que la hora pico de producción es la hora del bocadillo, porque alguien no pulsa un botón en el ERP… Soluciones como Grafana Industrial permiten centralizar y relacionar distintas fuentes de datos, resolviendo este problema.

Difícil acceso a los Datos 🔑

Un problema que nos encontramos con frecuencia es el acceso a los datos. Acceder a los datos de las máquinas puede ser muy difícil, bien porque no hay acceso, porque las máquinas son antiguas o porque el fabricante no da acceso.

O sí, te doy acceso, pero con la plataforma propia del fabricante. No trabajan con estándares, con OPC UA, con MQTT, etc. sino que tienen un protocolo propietario que normalmente implica reprogramar pasando por caja.

 

💡 Sensorizar la maquinaria: la solución muchas veces, y sobre todo en maquinaria antigua, pasa por incorporar sensores que, aunque no repliquen cada métrica de la máquina, te darán información valiosa sobre la producción.

A veces simplemente contando piezas a tenemos un montón de datos: cuándo está parada la máquina, cuánto produce…. Y podemos añadir, por ejemplo, sensórica de temperatura para temas de mantenimiento predictivo.

💡 Comprar maquinaria preparada: es crucial que en cualquier compra de maquinaria que hagáis, aunque no trabajéis con datos, la máquina esté preparada, hable protocolos estándar, que se puedan recolectar datos sin coste adicional…

Todo eso es más fácil de negociar cuando estás comprando la máquina que después, y pensad que tarde o temprano acabaréis queriendo sacar datos de ella.

Por supuesto, también debe cumplir criterios de ciberseguridad: que no envíe, o que se conecte automáticamente, sino que tengas que abrir un puerto en el router.

Evitar el Factor Humano: Sesgos y Perspectiva 🧠

La tendencia a querer «verlo todo» puede llevarnos a perder de vista lo importante. Es importante tener claro qué preguntas queremos responder, cuáles son las problemáticas que tenemos y qué datos necesitamos.

💡 Aplicar el principio de Pareto puede ayudar a centrarnos en el 80% de los datos que proporcionan la mayoría de la información útil con menos esfuerzo que 20% restante.

💡 Además, es importante ser conscientes de los sesgos que pueden distorsionar nuestra interpretación de los datos:  

• Enfoque selectivo: “Analizo la calidad, pero solo soy capaz de medir el final de la línea, los rechazos.” En este caso me estoy prendiendo lo que está pasando en el medio. A veces no podemos medir absolutamente todo, pero ser consciente de ello.
• Sesgo del superviviente: Descartar por ejemplo los datos del histórico de máquinas fuera de servicio. Esto puede generar problemas.
• Falsa causalidad: «En agosto tenemos menos defectos» Sí, porque producimos menos. Hay que tener cuidado, porque a veces las variables simplemente coinciden sin tener nada que ver, o están correlacionadas pero no hay relación causa- efecto.
• Sesgo de muestreo: Tened cuidado con «Las líneas premium no me preocupan», y cuando saco el OEE global de la planta digo que es eso sin contar con las líneas premium. Igual las líneas premium nos cuesta monitorizarlas, debemos ser conscientes de que no estamos contando con ellas.
• Falacia del jugador: Si durante un mes pues no veo un tipo de fallo, «Ah ya está arreglado». Igual lo hemos arreglado, pero puede ser que simplemente no esté pasando.

Falta de Simplicidad y Claridad en la Visualización de KPI 📊

Otro problema cásico en los proyectos de digitalización es ese momento de decir: “Quiero volver al Excel, me quiero descargar este dashboard y estos datos en Excel”. No olvidemos por qué empezamos todo este proyecto.

Definir KPIs complejos que nadie entiende es un camino seguro hacia la frustración.

💡 Opta por indicadores sencillos y claros, que todos conozcan. Para aprender a utilizar los mejores KPI en tu dashboard y mostrarlos de manera adecuada, te recomiendo que eches un vistazo a cómo podemos hacer de Grafana una herramienta clave para la Industria: Los mejores KPI para la industria y cómo mostrarlos en Grafana Industrial

💡 Además, evita errores comunes de visualización:

• No comenzar con el eje en 0: Depende un poco de lo que queramos hacer, pero en general es una buena práctica empezar con el eje Y en el 0. Si no, puede parecer que pequeñas variaciones son mucho mayores de lo que realmente son. Es el típico truco de los debates políticos (en la siguiente imagen, ambos gráficos son el mismo, pero la percepción es completamente distinta)

• Abusar de gráficos de donut: Los típicos gráficos de tarta, cuando se pasa de más de tres categorías, no se ve absolutamente nada. No eres capaz de decir qué color es mayor, y en ese punto recomendamos usar gráficos de barras.

Exceso de Alarmas y Notificaciones: Menos es Más 🔔

Las alarmas deben ser cuidadosamente administradas para evitar la sobrecarga informativa.
La situación: «Oye mándame un reporte todos los días de un PDF, no sé qué…» y al final no utilizarla para nada es bastante común. Y es mejor que no os compliquéis.

💡 Debemos tener cuidado con las alarmas e intentar distinguirlas por niveles de severidad. Y notificar siempre a la persona que lo necesita y en el dispositivo adecuado.

💡 Hay que tener también cuidado con avisos al móvil, porque pueden ser muy intrusivos. Una alarma en el móvil debe reservarse para situaciones que realmente lo requieran. Si no, hay otras formas de reportarlo, por mail o simplemente visualmente. 

Problemas más comunes en los Proyectos de Datos: Conclusiones ✍️

Al abordar estos 6 desafíos allanaremos el camino hacia unos proyectos más exitosos y eficientes. Recordemos que, en el mundo de los datos, compartir un lenguaje común, garantizar la precisión y accesibilidad de la información, y mantener la simplicidad, son una base sólida que te ayudará a tomar las mejores decisiones.

Si quieres ver un ejemplo de como gestionar adecuadamente este tipo de problemas con Grafana para la industria, te recomendamos que eches un vistazo a nuestra demo: