Adopción: el eslabón perdido de Analítica Avanzada en Minería

Sep 1, 2020

Las compañías mineras disponen de un enorme activo por descubrir en lo que respecta a la analítica. En este artículo elaborado por Ferrán Pujol, Richard Sellschop, Diego Zuniga y Julio Gregorio, de la firma McKinsey, entregan una serie de recomendaciones para impulsar su adopción.

En una industria de uso intensivo de capital como la minería, las mejoras de productividad pueden tener gran impacto en los resultados económicos. Por esta razón, la Analítica Avanzada (AA) puede generar un enorme valor al ayudar a los líderes a optimizar los procesos, reducir el tiempo improductivo e informar la toma de decisiones en la mina.

Sin embargo, también es una industria muy compleja; las minas operan como ciudades en miniatura, con cientos de personas y miles de equipos y herramientas. Prácticamente todos los procesos requieren gran experticia y una cuidadosa orquestación. Los ingenieros metalúrgicos tienen que ajustar los procedimientos a las condiciones específicas de cada sitio. Los despachadores deben tener a todos los camiones moviéndose en la secuencia correcta. Los ingenieros de mina están continuamente ajustando el plan de mina. Conocer qué medidas intensificar o replegar para mantener las operaciones en perfecto funcionamiento es a la vez un arte y una ciencia.

Todas estas complejidades han retrasado la adopción de técnicas analíticas. Para que la Inteligencia Artificial (IA) u otro tipo de programa de analítica avanzada prospere en un contexto minero, todas las partes – ingenieros de mina y metalúrgicos, planificadores, operarios, etc. – deben ser parte del esfuerzo. Sin embargo, muchos no se involucran – al menos no al principio – porque consideran que su experticia es demasiado especializada para ser codificada en una herramienta analítica, o que las iniciativas serán conducidas por personas sin suficiente contexto operacional.

A pesar de esto, algunas grandes operaciones mineras han revertido esta tendencia, y están desplegando analítica a escala con una alta adopción. Por ejemplo, la información en tiempo real sobre localización y estado de caminos contribuyó a que una mina a cielo abierto aumentara en 5% la eficiencia en movimiento de materiales. La mejora de las capacidades de modelado ayudó a una mina de cobre a elevar la tasa de producción y recuperación entre 10 y 15%. Y una compañía extractora de carbón redujo el consumo de combustible en 15% en apenas dos meses luego de instalar sensores en camiones volquete y otros equipos mineros.

¿Qué están haciendo bien estas compañías? Nosotros estudiamos 140 casos de implementación de analítica en múltiples operaciones mineras para entender cuáles son los factores que conducen al éxito. Lo que averiguamos es que involucrar a expertos y usuarios de primera línea, promover la colaboración constante y mantener el foco casi fanáticamente sobre el impacto son condiciones clave para impulsar la adopción y la captura de valor. Si una actividad tan compleja como la minería pudo hallar una forma efectiva de incorporar y escalar tecnologías analíticas, otras industrias también podrán lograrlo.

A continuación describimos seis maneras en que los líderes en analítica están impulsando la adopción.

1. Construir productos de analítica junto a expertos y personas influyentes

Para impulsar la adopción es necesario que los usuarios confíen en la analítica. Esto puede ser difícil de conseguir en minería, donde cualquier desviación del manual del fabricante, el plan de mina o las “reglas de la metalurgia” es vista con recelo. Una de las maneras más efectivas de generar confianza es involucrar en forma directa a ingenieros metalúrgicos, líderes de procesos y otros expertos en el esfuerzo de desarrollo. Esto permite a los expertos inspeccionar de cerca los modelos emergentes e ir desarrollando confianza en la analítica.

Involucrarlos también contribuye a alcanzar mejores resultados— y a asegurarse de que las variables y los datos correctos sean incorporados al diseño en formatos que los usuarios puedan entender y aplicar. En una mina de cobre, por ejemplo, los expertos en control de procesos fueron participantes clave en la creación de una herramienta para un molino semiautógeno (SAG). Su involucramiento activo resultó en una herramienta ágil capaz de calibrar cuánta agua debía usar el molino para las distintas velocidades de molienda y la presión correcta a aplicar para cada tipo de sólido.

La participación de los expertos debe continuar también en el terreno. En el caso anterior, los mismos expertos colaboraron en la transición del modelo para su uso en el molino. Ese involucramiento ayudó a informar y mejorar continuamente la analítica, garantizando que la lógica subyacente siempre fuera sólida y los resultados tuvieran aplicación práctica. Incluir a estos líderes influyentes también generó otro beneficio: a medida que se comprometían con el éxito del proyecto, la confianza de operadores y otros trabajadores del molino creció a la par. Su compromiso con el proyecto operó como una forma orgánica de marketing interno. A medida que las organizaciones mejoran sus capacidades analíticas, ese marketing interno puede tomar raíz, liderado por expertos en marketing y apoyado por una estructura go-to-market clara para logar un entendimiento cabal de la nueva solución en todos los niveles de la compañía.

2. Establecer un entendimiento común en todos los niveles

Las tecnologías analíticas pueden tener significados diferentes para distintas personas. En una compañía minera, por ejemplo, el ejecutivo senior que patrocinó una iniciativa de AA tenía una serie de objetivos; pero los gerentes de nivel medio encargados de supervisar la implementación tenían sus propias ideas sobre cómo ejecutar el programa. Mientras tanto, los líderes de las líneas de negocios –cuyos dependientes y procesos se verían afectados por la eficacia de la analítica– solo disponían de un entendimiento básico de los detalles del programa. La confusión fue en aumento, las demoras se acumularon y los miembros del equipo comenzaron a trabajar en otros proyectos, y el resultado fue que el programa nunca avanzó más allá de la fase piloto.

Las organizaciones pueden prevenir desconexiones como estas promoviendo un entendimiento común de los objetivos generales del programa, y garantizando que todas las partes interesadas relevantes, desde el liderazgo hacia abajo, entiendan los beneficios que traerá la analítica y la forma en que la iniciativa se entrelaza con los objetivos generales de la compañía. Asimismo, los patrocinadores del proyecto deben procurar que el funcionamiento interno de la analítica sea transparente y explicable. Líderes, diseñadores y usuarios tienen que conocer las principales fuentes de datos que utiliza y cómo el algoritmo genera recomendaciones para impulsar la confianza y la aceptación del modelo por el personal de primera línea.

La comunicación es clave. Las iniciativas analíticas deben estar respaldadas por un mensaje claro y una campaña de concientización, y complementadas por planes de capacitación diseñados a la medida. Por ejemplo, antes de embarcarse en un proyecto para elevar la productividad de los equipos de movimiento de material, los directivos de una compañía minera convocaron al gerente general de la planta y de la mina y al gerente de transporte a una reunión de alineamiento. Juntos definieron los objetivos empresariales. Ya con el proyecto en marcha, los líderes organizaron reuniones mensuales informativas para mostrar los avances a ejecutivos, despachadores, supervisores de operaciones y operadores de los camiones, solicitándoles comentarios y respondiendo dudas. Las revisiones quincenales con el gerente de la mina y el gerente de transporte iban más allá, indagando a profundidad en el desarrollo de la analítica y su lógica subyacente para medir los resultados con relación a los objetivos generales del negocio. Luego, complementaron esas conversaciones con capacitación práctica para los usuarios finales, un proceso que posibilitó la entrega de retroalimentación por parte de los líderes del proyecto al equipo de diseño para refinar los modelos. La disciplina de comunicación generó una atmósfera positiva: las voces clave se sintieron escuchadas, se erradicaron las sorpresas negativas y el interés en el programa creció.

3. Integrar la analítica a los procesos y flujos de trabajo existentes

Cuanto más familiar e intuitivo resulte un modelo, más probable será que tenga amplia aceptación. Adaptar la interfaz al contexto específico del usuario, configurar los pasos para reflejar los que los usuarios normalmente realizarían para completar una tarea particular, e integrar la analítica a los procesos centrales puede hacer que los nuevos sistemas se perciban como una extensión natural de los existentes en lugar de un cambio abrupto.

Por ejemplo, una empresa extractora de cobre desarrolló un modelo predictivo que enviaba una señal de alarma cada vez que una fila demasiado larga de camiones amenazaba con provocar un cuello de botella en alguna de las trituradoras primarias. Las pruebas demostraron que el sistema era bastante preciso. Sin embargo, ni los despachadores ni los operadores solían prestar atención a las alertas, y preferían esperar a que se generaran los atascos antes de iniciar una respuesta. Para mejorar la adopción, el equipo rediseñó el modelo e incorporó el mecanismo de alerta directamente en el sistema de monitoreo. Los cambios no solo lograron reducir los atascos, sino que además fueron bien acogidos por los usuarios. De la misma manera, en un molino SAG, un nuevo modelo analítico sugirió que aumentar los niveles de alimentación en 5% generaría mejoras significativas. Pero ese nivel estaba por encima de lo que las cintas transportadoras podían soportar, lo que generó desconfianza en los operadores. “¿Cuál es el sentido de la analítica si no podemos implementar las recomendaciones?”, se preguntaban. Los diseñadores reconfiguraron el algoritmo y la interfaz de usuario, y crearon una vista de optimización de “estado actual” que daba recomendaciones para maximizar la tasa de producción con los sistemas existentes, así como una ventana de “estado objetivo” con recomendaciones operacionales y de inversión de capital específicas (por ejemplo, elevar el porcentaje de sólidos), además de métricas que explicaban las ventajas de aplicar esas recomendaciones.

Los equipos analíticos también necesitan asegurarse de que el diseño de cualquier nuevo sistema se integre sin problemas con la infraestructura tecnológica del back-end de la mina. De otro modo, las compañías pueden crear modelos desconectados que tarde o temprano dejarán de ser utilizados debido a la imposibilidad de actualizarlos o escalarlos. También notamos que puede ser útil construir un almacén de datos paralelo para apoyar el modelo e introducir controles de integridad de los datos en el código de ingestión de datos.

4. Emplear técnicas ágiles para estimular la rendición de cuentas y el empoderamiento

Tradicionalmente, muchas minas han operado con una mentalidad de “comprar vs. desarrollar internamente” en lo que respecta a la tecnología. Ejecutivos desconectados del trabajo en el terreno invierten en herramientas pre-diseñadas con un conjunto de objetivos en mente, y luego transmiten instrucciones a los equipos locales para usarlas en la forma prescripta. Este abordaje puede funcionar bien con aplicaciones empresariales como sistemas ERP para procesos de back-office de rutina, pero las iniciativas analíticas típicamente involucran tanto a gerentes como a personal de primera línea. Recibir instrucciones desde lejos puede hacer sentir a los empleados que su experticia ha sido devaluada.

Una de las maneras más eficaces para impulsar la adopción es hacer participar a los usuarios directamente en el desarrollo, aplicando técnicas ágiles que les permitan ser parte del proceso. Los métodos de trabajo ágiles democratizan la participación. En lugar de dirigir a los equipos, los líderes plantean el problema central a resolver pero dejan que el equipo de diseño (en sí una mezcla de usuarios, desarrolladores y líderes de producto) sea el determine la forma más efectiva de abordar el tema y alcanzar los objetivos deseados. Esta metodología abierta y no jerárquica produce una dinámica saludable de resolución de problemas que hace más fácil para los individuos contribuir sus insights a la solución con más libertad, sin importar la jerarquía o la experiencia. El resultado es mayor innovación y agilidad.

Como explicó un ejecutivo de una productora de metales preciosos, “en la analítica, el cómo hacerla es igual de importante al para qué hacerla.” Por ejemplo, una explotación a cielo abierto introdujo un modelo analítico para ayudar a los despachadores a mejorar la productividad. Pero los despachadores se resistieron a aplicarlo porque sentían que la iniciativa duplicaría otros sistemas en uso y automatizaría una parte sustancial de su trabajo. Cuando el equipo de analítica sumó a los administradores de flota y los operadores de despacho al equipo de desarrollo, las cosas cambiaron. A través de una serie de pruebas en el terreno, el equipo multi-funcional mejoró la lógica algorítmica y creó un sistema capaz de ajustar automáticamente el lugar de descarga de los camiones si se anticipaba un pico en la fila en la trituradora principal. Cuando los operadores notaron que podían contribuir al diseño del modelo y que en realidad la herramienta tenía como fin dar mayor relevancia a su rol, y no reemplazarlo, se mostraron más abiertos a usar el sistema y a colaborar en su desarrollo. Esta funcionalidad del programa fue luego desplegada a escala en otras plantas. Con el tiempo, una mentalidad renovada de “hacer vs. comprar” permitió desarrollar nuevas competencias y promover formas de trabajar nuevas y más productivas en diferentes sectores de la mina.

5. Liberar valor a través de una gestión holística del desempeño

Para que las iniciativas analíticas ganen tracción, los líderes de las minas necesitan “unir los puntos” entre los objetivos generales del programa de analítica y los hitos y criterios específicos que determinan el éxito en las diferentes etapas. De lo contrario, puede llegarse a que Mantenimiento tenga un conjunto de medidas, los gerentes de mina y de planta otros, los patrocinadores otros, y así sucesivamente, lo cual resulta en expectativas divergentes.

Si se carece de un entendimiento uniforme del valor, un mecanismo claro de rendición de cuentas y una buena priorización de tareas, la adopción y el impacto se verán afectados. Los equipos pueden tener problemas para sostener el entusiasmo con una iniciativa, y los líderes para justificar inversiones sostenidas en ella. A fines de hacer visible el valor, los líderes del proyecto deben diseñar una infraestructura de gestión que establezca metas claras para los diferentes grupos, defina responsabilidades por alcanzarlas y garantice que las métricas de cada área se complementen entre sí para apoyar los objetivos estratégicos de la compañía. Partiendo desde las metas hacia atrás, los líderes de proyecto del equipo de diseño deben establecer métricas de desempeño individuales para cada rol y frente de trabajo y asegurarse de que todos los integrantes sepan qué se espera de ellos. Así, las personas y los equipos responsables por alcanzar objetivos específicos podrán priorizar el flujo de tareas en forma más efectiva.

Por ejemplo, una planta procesadora de cobre invirtió en herramientas analíticas para optimizar su funcionamiento. A fines de asegurar que el modelo fuera capaz de lograr el objetivo, el dueño de producto (PO) encargado de su desarrollo debía elevar la producción de cobre en un porcentaje determinado aplicando las recomendaciones del modelo. Con ese objetivo en mente, el PO priorizó abordar el atraso en el desarrollo del modelo. Los desarrolladores, a su vez, tenían a su cargo testear e iterar las recomendaciones en el terreno hasta alcanzar umbrales de desempeño pre-definidos. Células digitales dentro del equipo agile debían diseñar métricas más detalladas, como la exactitud de las predicciones. Las reuniones de check-in regulares entre el liderazgo de la planta y el equipo de desarrollo mantuvieron a todas las partes al tanto de los avances y permitieron que los líderes reconocieran a los equipos por el valor creado. Promover el alineamiento, la rendición de cuentas y la transparencia de las maneras anteriormente descritas le permitirá a las compañías mineras potenciar los retornos de sus inversiones en analítica y volver más visible el valor que generan.

6. Anticipar las competencias requeridas para escalar y sostener

Para las organizaciones del sector de minería que recién comienzan su recorrido analítico, puede resultar fácil enfocarse en casos de uso, herramientas y algoritmos, ya que la curva de aprendizaje probablemente sea pronunciada para cada una, pero hacer la transición del piloto a la producción requiere planificar la escala desde el inicio y construir una base de competencias interna capaz de apoyar el portafolio analítico en el largo plazo.

Según nuestra experiencia, contar con la experticia adecuada para mantener y entrenar los sistemas es uno de los factores de éxito más importantes para la AA. La precisión de los modelos obviamente se desvía con el tiempo debido a cambios en las condiciones operativas. Para compensarlo, las empresas necesitan re-entrenar los sistemas continuamente, aproximadamente cada tres a seis meses; de lo contrario, la calidad de las recomendaciones baja, lo que lleva a un menor número de usuarios y la caída del impacto. Por ejemplo, al estudiar por qué un piloto prometedor en la planta de concentrado había sido dejado finalmente de lado después de semanas de esfuerzo por impulsarlo, los líderes de una operación de cobre determinaron que el problema no estaba relacionado con el modelo en sí, sino con la falta de competencias para interpretar sus recomendaciones y optimizar la lógica. La compañía carecía de las capacidades de ingeniería de software necesarias para gestionar la infraestructura, así como el know-how sobre la ciencia de los datos para mantener o mejorar el modelo. Cada vez que llegaba una solicitud de cambio para ajustar el modelo analítico, el equipo de diseño debía recurrir a expertos externos Para solucionarlo, los líderes decidieron mejorar las competencias de la organización. Así, diseñaron un programa para capacitar a los empleados que estuvieran interesados, lo que combinaron con una estrategia de reclutamiento de personal experimentado. Los resultados ayudaron al productor de cobre a crear un hub analítico dentro de su organización para diseñar, apoyar y optimizar un portafolio de iniciativas de IA y analítica. Para monitorear la precisión del sistema, los analistas integraron nuevo código a sus modelos para monitorear la desviación y enviar alertas automáticas cuando fuera necesario volver a entrenar los sistemas. También diseñaron un scorecard de desempeño del modelo para controlar su estabilidad y relevancia. Estas mediciones constituyeron una manera efectiva de comprobar la salud del sistema e impulsar su valor.

Otras compañías pueden hacer algo similar. La mayoría tendrá que incorporar desarrolladores de software, científicos e ingenieros de datos y otros talentos digitales. También necesitarán “traductores”, es decir, personas con una combinación de habilidades técnicas y empresariales que operan como interfaz clave entre operarios y expertos por un lado, y el equipo analítico en el otro. Adquirir estos talentos lleva tiempo, en especial en épocas donde las competencias digitales están en alta demanda. Comenzar cuanto antes permitirá a las compañías posicionarse un paso adelante en reclutamiento y capacitación, y contar con los recursos propios necesarios para asegurar una transición ordenada al final de la fase piloto y el sostenimiento de sus programas de analítica.

***

Las compañías mineras disponen de un enorme activo por descubrir en lo que respecta a la analítica. Las tasas de adopción relativamente bajas en la industria crean una ventana para que líderes comprometidos obtengan una ventaja competitiva. Las organizaciones que sienten las bases para el éxito de la analítica –generando alineamiento y compromiso, y haciendo que las herramientas resulten simples de usar y el valor fácil de medir– podrán generar los cambios necesarios en las mentalidades y en los procesos para sostener retornos de dos dígitos en sus inversiones en AA.

 

Lo último
Te recomendamos

REVISTA DIGITAL

Temas relacionados

    Suscríbase al Newsletter Minería Chilena

    * indicates required