Para saber si un proceso en una empresa es un buen candidato para una transformación digital, tenemos que comprobar que respete las siguientes condiciones:
Cuando hablamos de resultados cuantificables, queremos decir que el resultado de este proceso tiene que poder medirse de manera objetiva. Tiene que tener uno o varios indicadores o KPI’s que permitan decidir cómo de buena o mala es una solución y compararla con otras.
Respecto a los puntos segundo y tercero, una transformación digital es una inversión importante en tiempo y dinero. Por eso, los candidatos prioritarios tienen que ser procesos con alto potencial de retorno. Si un proceso no es importante o no entraña dificultad, una posible mejora en términos de simulación u optimización probablemente no tendrá mucho impacto en el ROI para la empresa.
Dos de las principales técnicas para llevar a cabo una transformación digital se basan en modelos de optimización y de simulación.
Optimización matemática
La optimización matemática agrupa todas las técnicas, algoritmos y modelos que permiten encontrar la mejor de un problema.
En este tipo de soluciones, las restricciones a respetar, así como los indicadores a minimizar o maximizar se tienen que formular en forma de ecuaciones matemáticas.
Dependiendo del tamaño y de la complejidad del problema a resolver, existen métodos exactos que, si bien necesitan de un tiempo mínimo para resolver, garantizan una solución óptima y métodos heurísticos que permiten encontrar buenas soluciones con tiempos mucho más ajustados.
La optimización matemática es relevante cuando existe una gran cantidad de combinaciones posibles para la solución de un problema y cuando, a mano o con herramientas sencillas, resulta difícil encontrar una solución buena o simplemente factible.
Simulación
Un modelo de simulación con eventos discretos replica de manera digital las tareas de un proceso. También llamado gemelo digital, esta maqueta virtual de un sistema, permite evaluar el efecto de distintas configuraciones sobre el proceso.
Este tipo de modelo es particularmente relevante si el proceso estudiado conlleva incertidumbre y eventos aleatorios. Por ejemplo, un modelo de simulación puede tener en cuenta tiempos variables de ejecución de tareas, retrasos, fallos de máquinas o demanda variable a lo largo del tiempo.
Esto permite evaluar y comparar un número limitado de configuraciones en un entorno que simula las incertidumbres que pueden ocurrir en la realidad. Así una posible buena decisión en la teoría, revisada en un modelo de simulación de este tipo, puede resultar poco robusta y generar otros problemas como retrasos o eventos aleatorios en este u otros puntos del sistema.
Los algoritmos de optimización son las técnicas más útiles para ayudar a resolver problemas complejos mientras que los modelos de simulación sirven para evaluar una solución existente o para hacer pruebas en distintos escenarios.
¿Usar optimización o simulación?
Los algoritmos de optimización son las técnicas más útiles para ayudar a resolver problemas complejos.
Estos modelos suelen permitir mejoras y generar ahorros sobre uno o varios de estos aspectos:
- Automatizar la resolución del problema para liberar tiempo del encargado.
- Agilizar la toma de decisiones con un proceso más rápido que una resolución manual.
- Proporcionar mejores soluciones que una resolución manual.
Estos modelos son apropiados para resolver un amplio rango de problemas complejos como planificación de pedidos o de producción, ruteo de suministro, planificación de recursos humanos…
Al contrario, los modelos de simulación no sirven para proporcionar una buena solución sino para evaluar una solución existente o para hacer pruebas en distintos escenarios. Estos modelos permiten replicar un sistema existente, modificar algunas de sus configuraciones y medir su respuesta frente a distintos estímulos, sin incurrir en el coste que supondría hacer estos cambios “físicos” en el proceso real.
Algunos ejemplos de aplicaciones de modelos de simulación podrían ser:
- Añadir una nueva máquina a una línea de producción.
- Estimar necesidades de stocks de seguridad bajo incertidumbre de producción o demanda.
- Determinar los recursos a asignar a un proceso para alcanzar un objetivo de nivel de servicio.
Combinando optimización y simulación
En algunos casos, las técnicas de optimización y simulación se pueden utilizar juntas para combinar sus ventajas.
Un caso de uso común es utilizar un modelo de optimización para obtener una o varias soluciones y luego comprobar su robustez frente a varios escenarios dentro de un modelo de simulación.
Pongamos algún ejemplo para ilustrar mejor estos conceptos:
- Utilizamos un modelo de optimización para obtener varias buenas soluciones a un problema de rutas de suministro. Posteriormente usamos estas soluciones para configurar un modelo de simulación que estima el nivel de servicio (% de ordenes suministradas a tiempo) añadiendo incertidumbre sobre los tiempos de trayecto.
- Otro caso de uso es integrar un modelo de optimización dentro de un gemelo digital (o simulación). En este caso, el modelo de simulación replica el comportamiento de un proceso y cada vez que algunos criterios se cumplan, el modelo se detiene para tomar una decisión a partir de una optimización. Esto permite representar la adaptación de los agentes o del proceso a las condiciones externas. Por ejemplo, podemos usar este tipo de solución para evaluar la capacidad real de una línea de producción teniendo en cuenta posibles averías e imprevistos. Cada periodo, la simulación se suspende y un modelo de optimización se lanza para establecer un plan de producción eficiente para este periodo. Luego volvemos a lanzar la simulación que intenta aplicar este plan.
Conclusión final
La correcta transformación digital, entendida como la aplicación de modelos de optimización y/o de simulación en los sistemas, puede traer a una empresa grandes ventajas como la mejora de la eficiencia de procesos / equipos y la reducción de costes. Estas ventajas suelen derivar en incrementos de facturación o mejoras de los márgenes.
Es importante señalar de nuevo que las ventajas mencionadas suelen ser tanto mejores cuanto más complejo es un sistema.
Si te estás planteando introducir este tipo de soluciones en tus procesos has de saber que los modelos de Bussiness Intelligence suelen ayudar, pero son insuficientes y que gran parte del éxito de la implantación de este tipo de soluciones, pasa por la correcta traducción de un problema o proceso real a algoritmos y ecuaciones que permitan obtener los resultados deseados.
Aprende a evaluar la situación de tu empresa y las opciones de que dispones con la ayuda de expertos en el sector en cursos especializados.
¿Quieres conocer nuestro Curso de Inteligencia Artificial para Directivos?
Podemos personalizarlo poniendo el foco en la industria energética
