Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
pág. 1 Instituto Tecnológico y de Estudios Superiores de Monterrey Campus Monterrey Escuela de Ingeniería y Ciencias Plataforma para la gestión del conocimiento y análisis de información para la definición de nuevos proyectos Reporte presentado por Abileth Muñoz Murillo MAESTRÍA EN GESTIÓN DE INGENIERÍA Monterrey Nuevo León, 30 marzo de 2022. pág. 2 Instituto Tecnológico y de Estudios Superiores de Monterrey Escuela de Ingeniería y Ciencias Los miembros del comité aquí citados certificamos que hemos leído el reporte presentado por Abileth Muñoz Murillo y consideramos que es adecuado en alcance y calidad como un requisito parcial para obtener el grado de Maestro en Ingeniería en Gestión de la Ingeniería, _______________________ Dr. Alberto Abelardo Hernández Luna Tecnológico de Monterrey Escuela de Ingeniería y Ciencias Asesor principal _______________________ MC. Paula Luciana Pascual Tecnológico de Monterrey Sinodal _______________________ MC. Eduardo García Cantú Universidad Autónoma de Nuevo León Co Asesor-Patrocinador PIE _______________________ Dra. Nancy Aceves Campos Director de la Maestría en Administración de la Ingeniería Escuela de Ingeniería y Ciencias Monterrey Nuevo León, 30 de marzo de 2022. pág. 3 Agradecimientos A mi esposa Natalia que siempre me apoyó desde el inicio de esta aventura, quien tuvo la paciencia y motivación, a mi hijo Emilio que llegó y se convirtió en el motor principal para culminar esta etapa y más, a mi madre que es la mujer que más admiro, a mi padre a quien recuerdo con su orgullo de verme crecer día a día, y a mis queridos hermanos. Al doctor Alberto Hernández Luna por su apoyo y guía y a Eduardo García, por tener siempre una enseñanza, por sus consejos y honesto apoyo en el desarrollo de este proyecto. pág. 4 ABSTRACTO Tradicionalmente, la gestión de proyectos en el área de la siderurgia ha sido eje central en el desarrollo de proyectos exitosos a nivel global, que han permitido abastecer el crecimiento consumo per cápita de acero. La gestión del conocimiento en grandes proyectos de inversión ha jugado un papel fundamental en la administración del conocimiento generado al interior de los proyectos y en el aprovechamiento y re-uso de la información. En los últimos años, los avances en análisis de datos, inteligencia artificial y de negocio, han permitido generar alternativas, metodologías y desarrollos en el área de la gestión de proyectos y de conocimiento para generar mayor valor al mercado. Este Proyecto está enfocado al uso de las tecnologías de análisis de datos en la gestión del conocimiento con el objetivo de apoyar en la definición de nuevos proyectos, generar herramientas digitales de captura, almacenamiento y análisis de datos de proyectos. pág. 5 CONTENIDO CAPÍTULO I: Introducción Planteamiento General .................................................. 10 1.1 Información General de la compañía .......................................................... 10 1.2 Problemática y su historia ........................................................................... 10 1.3 Mapa Conceptual ........................................................................................ 12 1.3.1 Definición de Metas .............................................................................. 12 1.3.2 Obstáculos ............................................................................................ 13 1.3.3 Descripción y delimitación del Problema .............................................. 13 1.3.4 Área de Oportunidad ............................................................................ 14 1.3.5 Contribuciones esperadas .................................................................... 14 1.3.6 Visión Macro-Futura (Big Picture) ......................................................... 14 1.3.7 Visión corto plazo-Foco ........................................................................ 15 1.4 Objetivo General y específico ..................................................................... 15 1.4.1 General ................................................................................................. 15 1.4.2 Específicos ........................................................................................... 15 1.5 Metodología ................................................................................................ 16 1.5.1 Caso estudio: ........................................................................................ 16 1.5.2 Investigación ......................................................................................... 16 1.5.3 Desarrollo ............................................................................................. 16 1.6 Cronograma ................................................................................................ 17 1.7 Caso de estudio Proyecto: Horno de curado línea Pintado Pesquería ....... 17 1.7.1 Hornos de Curado y Sistema de Ductos............................................... 19 1.7.2 Diseño de Ducteria y juntas expansión................................................. 20 1.7.3 Falla del Sistema .................................................................................. 21 1.7.4 Análisis de Causas Principales ............................................................. 21 1.7.5 Principales causas: ............................................................................... 22 1.7.6 Impacto Económico .............................................................................. 25 1.7.7 Solución Etapa 1 .................................................................................. 25 1.7.8 Solución Etapa 2 .................................................................................. 26 1.8 ¿Como pudo prevenir esta situación “La gestión del conocimiento”? ......... 28 1.8.1 Conocimientos específicos ................................................................... 28 1.9 Conclusiones: .............................................................................................. 29 CAPITULO II: ESTADO DEL ARTE ......................................................................... 30 pág. 6 2.1 Gestión del Conocimiento ........................................................................... 30 2.2 Big data y knowledge management ............................................................ 31 2.3 Plataformas tecnológicas Tradicionales ...................................................... 32 2.3.1 Siemens Knowledge Sharing system ................................................... 32 2.4 Inteligencia artificial y Gestión del Conocimiento ........................................ 36 2.5 Plataformas soportadas en AI: Watson, Lucy, Egnyte, KnowledgeHound .. 38 2.5.1 Lucy@: ................................................................................................. 39 2.5.2 KnowledgeHound ................................................................................. 40 2.6 Conclusiones y lecciones ............................................................................ 41 CAPÍTULO III: Desarrollo Plataforma ....................................................................... 42 3.1 Definición de Herramientas Tecnológicas ................................................... 42 3.1.1 Plataforma Appsheet ............................................................................ 44 3.1.2 Power BI ............................................................................................... 44 3.2 Identificación de información generada: ...................................................... 44 3.2.1 información general de Proyecto .......................................................... 44 3.2.2información de ejecución ...................................................................... 45 3.2.3 Registro de Gestión de Cambios .......................................................... 45 3.2.4 Base de datos de proyectos ................................................................. 45 3.3 Criterios y Características de la información ............................................... 46 3.3.1 Valor agregado: .................................................................................... 46 3.3.2 Cuantificable/Seguible/medible/gestionable: ........................................ 46 3.4 Proceso de diseño ...................................................................................... 47 3.4.1 Desarrollo de aplicación en AppSheet .................................................. 47 3.4.2 Avance de Obra en AppSheet .............................................................. 52 3.4.3 Gestión de Cambios ............................................................................. 53 3.4.4 Base de datos de Proyectos ................................................................. 54 3.5 Depuración y fase de pruebas de la aplicación. .......................................... 56 3.6 Bussines Intelligence: Power BI .................................................................. 56 3.6.1 Avanzados IA: ...................................................................................... 61 3.7 Pruebas ....................................................................................................... 62 3.8 Conclusiones Capitulo 3 ............................................................................. 62 CAPITULO IV: Aplicación y Análisis de resultados. ................................................. 64 4.1 Estimación Presupuestal Proyectos Industriales......................................... 64 4.1.1 Caso uso de aplicación para proyecto Ternium .................................... 64 4.2 Proyecto de Referencia ............................................................................... 66 pág. 7 4.2.1 Otros Datos del Proyecto: ..................................................................... 67 4.2.2 Estimación de Horas Hombres ............................................................. 69 4.2.3 Rendimiento ......................................................................................... 69 4.2.4 Métricas de Volumetría ......................................................................... 71 4.3 Presupuestación Final para Proyecto ......................................................... 72 4.4 Gestión de cambios .................................................................................... 74 CAPITULO 5: Conclusiones ..................................................................................... 77 5.1 Plataformas Tecnológicas ........................................................................... 77 5.1.1 AppSheet .............................................................................................. 77 5.1.2 Power BI ............................................................................................... 78 5.1.3 Gestión del Conocimiento ..................................................................... 78 5.1.4 Datos obtenidos .................................................................................... 79 5.1.5 Línea de Investigación .......................................................................... 79 Bibliografía ............................................................................................................... 80 LISTADO DE FIGURAS Figura 1. Programa de Trabajo ............................................................................ 17 Figura 2. Instalación Típica Horno de Curado ..................................................... 20 Figura 3. Partes Principales de sección Horno .................................................... 20 Figura 4. Diagrama de Pareto Causas Retrasos en Proyectos (Rudeli, Viles, Gonzalez, & Santilli, 2018) ....................................................................................... 22 Figura 5. Arreglo general de Soportería .............................................................. 23 Figura 6. Soportes originales Ductos ................................................................... 23 Figura 7. Detalles diseño juntas de expansión originales .................................... 24 Figura 8. Hallazgos de mala alineación de Juntas............................................... 24 Figura 9. Diseño nuevas juntas de expansión tipo fuelle metálico ...................... 26 Figura 10. Modelo 3D del nuevo Sistema Ductos .................................................. 27 Figura 11. Arquitectura sistema Siemnes Sharing system .................................... 33 Figura 12. Relación beneficio/costo de ShareNet (Voelpel, Dous, & Davenport, 2005, pág. 18) .......................................................................................................... 35 Figura 13. Los Humanos y los sistemas cognitivos son complementarios (IBM, 2017) 37 pág. 8 Figura 14. Crecimiento en la generación de información en últimos años (Gliozzo, y otros, 2017, pág. 42) ............................................................................................. 38 Figura 15. Inteligencia Artificial simple y avanzada (Lahman & Stierli) .................. 39 Figura 16. Pilares fundamentales de @Lucy ......................................................... 40 Figura 17. Ubicación de Almacenamiento de datos en Google Drive .................... 48 Figura 18. Hoja de Trabajo base para aplicación “ Avance de Obra y tipo de variables. 49 Figura 19. Hoja de Trabajo base para aplicación “ Gestion de Cambio” y tipo de variables. 50 Figura 20. Panel herramientas de Appsheet ......................................................... 51 Figura 21. Portada de Aplicación Proyecto Ternium Appsheet. ............................ 52 Figura 22. Ejemplo de Registro de Actividad en “Avance de Obra”. .................... 53 Figura 23. Ejemplo de Registro de Actividad en “Avance de Obra”. .................... 54 Figura 24. Seccion de Base de datos de proyectos en Appsheet ......................... 55 Figura 25. Dashboard Base de datos en Power BI ................................................ 56 Figura 26. Transformacion de Datos en Power BI ................................................. 57 Figura 27. Dashboard de gestión y análisis para los datos de Avance de Obra. ... 58 Figura 28. Dashboard Base de datos Proyectos ................................................... 59 Figura 29. Gestión de Cambios ............................................................................. 59 Figura 30. Dashboard Influenciadores Clave por Proyecto que maximizan o minimizan la variable de obra “Rendimiento” .......................................................... 60 Figura 31. Árbol descomposición de variables ...................................................... 60 Figura 32. Respuestas automáticas en Power BI .................................................. 62 Figura 33. Condición actual Ductos Horno Fuchs ................................................. 65 Figura 34. Resultado aparición criterios búsqueda base de datos ........................ 66 Figura 35. KPIS de Base de datos Proyectos ........................................................ 67 Figura 36. HH Total del proyecto Explicado Factores Principales ......................... 68 Figura 37. Análisis de HORAS HOMBRE TOTALES ............................................. 69 Figura 38. Resultados en Dashboard con indicación de rendimiento en diferentes alternativas de seleccion .......................................................................................... 70 Figura 39. Dashboard de Volumetría para Proyectos............................................ 71 Figura 40. Cantidades de obra de montaje ............................................................ 72 Figura 41. Flujo de Inversion ................................................................................. 73 Figura 42. Escaneo 3D de la configuración actual de ductos para realizar análisis de flexibilidad 74 Figura 43. Project Charter final presentado a Dirección para aprobación ............. 75 pág. 9 LISTADO DE TABLAS Tabla 1. Impacto económico (MMUSD) ................................................................. 11 Tabla 2. Mapa conceptual...................................................................................... 13 Tabla 3. Listado de Obstáculos .......................................................................... 13 Tabla 4. Capacidad y presupuesto ........................................................................ 18 Tabla 5. Presupuesto Línea de Pintado ................................................................. 18 Tabla 6. Parámetros de Diseño ............................................................................. 19 Tabla 7. Impacto económico (kusd) por afectación en Ductos .............................. 25 Tabla 8. Parámetros de diseño de nuevas juntas .................................................. 27 Tabla 9. Esquema de presupuestación proyectos ................................................. 64 Tabla 10. Resultado de rendimiento para estructura y montaje mecánico en proyecto Nuevos Ductos CCL .................................................................................. 70 Tabla 11. Presupuesto final emitido ..................................................................... 73 Tabla 12. Métricas Finales Proyecto .................................................................... 73 Tabla 13. Tiempo estimado estandar en Ternium para definir proyectos ............. 76 Tabla 14. Nuevo tiempo estimado en estimacion ................................................. 76 pág. 10 CAPÍTULO I: Introducción Planteamiento General 1.1 Información General de la compañía Ternium es una empresa líder en la industria del acero en México y América Latina que tiene procesos productivos altamente integrados y modernos que fortalecen la cadena de valor. Sus actividades abarcan desde la extracción de mineral de hierro, en minas propias, siguiendo con la fabricación de acero y la elaboración de productos de alto valor agregado para los mercados más exigentes, concluyendo con la distribución. El enfoque principal de Ternium es producir el más alto estándar en productos siderúrgicos a través de instalaciones modernas integradas en un complejo productivo que cumple con todas las regulaciones ambientales, crear una cadena de valor con los clientes, proveedores y las comunidades donde opera; estos son los valores que identifican a Ternium. 1.2 Problemática y su historia El presente estudio se aborda en el contexto de un área de proyectos de inversión de una empresa líder en Latinoamérica en la producción de Acero en Latinoamérica Esta empresa se ha caracterizado por un alto nivel de inversiones que abarcan desde la modernización de sus plantas (reducción gap tecnológico), inversiones por temas de regulación Medio Ambiental y Seguridad. Por otro lado, hay otro tipo de proyectos que se denominan Green Field y hace parte de la estrategia de la compañía de crear un nuevo centro industrial integrado con la más alta tecnología y certificaciones a nivel medioambiental y seguridad, estos proyectos se caracterizan por ser de alto presupuesto (>250 mmUSD) y alta complejidad, con tiempos de ejecución desafiantes que requieren estrategias agresivas de definición, adquisición, implementación y puesta en marcha. Básicamente los proyectos de se dividen en: 1. Proyectos informáticos gestionados por IT 2. Proyectos de mejora continua con un presupuesto inferior a 30kUS, gestionados por Mantenimiento y el área Operativa. 3. Proyectos CAPEX gestionados por el Departamento de Ingeniería y Medio Ambiente (DIMA) En la última categoría es donde se centra el presente proyecto. Los proyectos de DIMA están divididos en 2 categorías: GreenField y Brownfield (GF/BF). Según (Verdu, 2018) se denomina Greenfield a aquellos proyectos que se realizan sobre un área en la que no existen construcciones, de tal forma que no es necesario demoler, remodelar, mantener o adaptar estructuras para el desarrollo del nuevo proyecto. Por el contrario, y deductivamente, proyectos Brownfield son aquellos en donde se deben realizar adaptaciones, modificaciones, actualizaciones, mejoras a las condiciones existentes. pág. 11 El área de proyectos de la compañía se caracteriza por contar con un equipo de trabajo multicultural (6 países) que suman más de 40 años de experiencia en la ejecución de proyectos siderúrgicos para empresas del grupo Techint, combinando la vasta experiencia del personal sénior con el ímpetu de las nuevas generaciones, se han realizado macroproyectos símbolo no solo del grupo sino a nivel país e impactando positivamente a la sociedad. Pese a esta gran experiencia acumulada, se han presentado casos de proyectos con desvíos negativos en los presupuestos, retrasos en las fechas de entrega, y problemas de índole técnica que ralentizan la puesta en marcha de los equipos, generando impactos en la curva de arranque y los niveles de producción comprometidos. Sin embargo, siempre hay oportunidad de mejora, y sin duda una característica que se ha repetido continuamente en los diversos proyectos (BF/GF) ha sido el sobrecosto en el presupuesto general de los proyectos, retrasos en la ejecución y una curva de arranque más lentas de lo esperado que han llevado no generar los niveles de producción en los tiempos comprometidos, generando inconformidades con los clientes internos y a nivel organizacional. Para contextualizar la problemática descrita a continuación se muestra un análisis de impacto técnico económico de un evento del último proyecto de la compañía: Proyecto: Greenfield Pesquería Budget 120 Fecha comprometida de arranque Jun-19 Fecha Puesta en marcha real Sep-19 Impacto económico 0.79 reparaciones etapa 1 0.07 reparaciones etapa 2 0.01 reparaciones etapa 3 0.01 Cambio total 0.4 Costo oportunidad Línea parada 0.3 Tabla 1. Impacto económico (MMUSD) Como se observa en la tabla 1, el impacto económico en tan solo 1 evento representó casi el 1% del presupuesto total asignado; adicional al costo de oportunidad de tener la línea sin trabajar para continuar con la curva de arranque, se generó una afectación a la reputación de la compañía para con sus clientes, al incumplir en obligaciones comerciales. Luego ahondaremos en los detalles de este caso de estudio, pero en resumen es la conclusión de una serie de errores cometidos en varias etapas del proyecto, que sin duda se pudieron haber evitado con una gestión del conocimiento desde la parte de diseño, en la validación de equipos similares ya operativos en otras líneas de producción similares, en realizar validaciones cruzadas con otras áreas manager, en Tabla .Impacto Económico pág. 12 la sensibilidad del criticismo del tipo de equipo y la experiencia que se requería para su gestión ( conocimiento tácito). Este es tan solo uno (el de mayor impacto económico) de muchos eventos que pudieron ser, sino evitados, mitigados, al contar con información histórica, knowledge sharing, transferencia de conocimiento, que permitieran haber realizado un análisis más completo antes de aprobar el diseño/fabricación. 1.3 Mapa Conceptual 1.3.1 Definición de Metas Desde el área de proyectos se deben generar esfuerzos que permitan apalancar la misión global de la compañía. Desde el presente proyecto la misión y estrategias que se alineancon el plan de crecimiento de la compañía son: MISS ION FINANCES (KFI) Componentes KFI Base Entitlement Go al Stretch Goal Generar proyectos que ayuden a posicionarse y Ratificarse como líder en Latinoamérica en la producción de aceros planos, ampliando su market share %market share 65% 75% 72.00% Capitalizar las oportunidades del nuevo contexto mundial y la aplicabilidad de nuevas tecnologías que nos permitan realizar proyectos en tiempo, en presupuesto, calidad esperada % EBITDA 15.00% 19.00% 20 % 19% CUSTOMER (CTQ) Components CTQ Baselin e Entitlement Go al Stretch Goal Extender su plataforma tecnológica al alcance de sus clientes internos para potenciar su crecimiento y mejorar su eficiencia Cantidad clientes involucrados 50% 75 10 0 100 STR ATE GY INTERNAL BUSINESS PROCESSES (KPI) Components KPI Base Entitlement Go al Stretch Goal Integrar su base tecnológica en una plataforma unificada que permitía lograr la gestión del área en tiempo real Revisiones anuales de Estrategia TD 1 2 3 pág. 13 Base de información y conocimiento de proyectos para la predicción de futuros proyectos SMART feasibility 50% 50% 100 % 100% LEARNING & GROWTH (L&G) L&G Baselin e Entitlement Go al Stretch Goal Extender modelo a Áreas manager proyectos. %cobertura proyectos. 0% 0% 30 % 20% Tabla 2. Mapa conceptual 1.3.2 Obstáculos Como todo proceso de cambio siempre generara resistencia a su implementación, se determinan cuáles podrían ser los futuros obstáculos al proyecto y su implementación, y se deberán crear estrategias para su resolución: LEARNING & GROWTH (L&G) IMPLEMENTACIÓN MODELO DE GESTION DE INFORMACION Y CONOCIMIENTO P1 Resistencia cambio organización específico de la Directiva Proyectos P2 Incertidumbre en continuidad de proyectos por panorama económico Mundial P3 No hay cultura Knowledge management de los proyectos/ es reactivo por proyecto. No hay análisis de data histórica para predicciones futuras P4 Difícil integración plataforma con AMI/AMN/AMS Tabla 3. Listado de Obstáculos 1.3.3 Descripción y delimitación del Problema Albert Einstein solía decirles a sus alumnos que si él tuviera una hora para resolver el problema del mundo utilizaría 55 minutos en analizar el problema para llegar a un diagnóstico certero, y una vez conociendo las causas, tardaría 5 minutos en encontrar una solución (Mena, 2016); de aquí la importancia en la etapa de definición de la problemática, para encontrar la causa raíz de la problemática principal que mayor impacto tiene en el performance de la operación. pág. 14 En la descripción de la problemática utilizando la metodología de Kepner and Tregoe, y utilizando un enfoque de Propuesta de valor, se definió el siguiente reto: “Sobrecosto y retrasos en proyectos por retrabajos en las diferentes fases y procesos de los proyectos (análisis de factibilidad de futuros proyectos, ingeniería, planeación, construcción, puesta en marcha y curva arranque), llevando a excederse la línea base de los máximos permisibles en las siguientes métricas”: 1. Tiempo desvío promedio 3 meses en proyectos duración> 18 meses (16.7%) y el deber ser, máximo permisible = 10% . 2. Presupuesto = 10% over Budget siendo el máximo permisible 5%. 1.3.4 Área de Oportunidad Se prevé un panorama de crecimiento y reactivación económica, en el marco siderúrgico, pese de los acontecimientos actuales enmarcados por una desaceleración económica mundial que predominó el 2020; los eventos vividos en 2020 y 2021 marcaron la hoja de ruta para muchas empresas en las cuales la digitalización de sus procesos y el uso de nuevas tecnologías en los campos de ciencia de datos e inteligencia artificial, serán factor clave para la consolidación como lideres globales. Sin duda será clave la implementación de modelos de gestión de respuesta ágil, rápida y flexible que se adapten a las circunstancias cambiantes. Es bajo este entorno donde se presentan grandes oportunidades para innovar en el área de la gestión de proyectos donde será vital tener herramientas que nos permitan visualizar el futuro y prever acontecimientos que puedan afectar los proyectos de inversión, y es aquí donde es vital contar con un sistema con bases de conocimiento históricas de proyectos que permitan modelar con el menor error posible las futuras inversiones. 1.3.5 Contribuciones esperadas Se espera poder generar contribuciones en la gestión de proyectos a través de la implementación de herramientas digitales y tecnologías disruptivas, que ayuden a la definición y madurez de los proyectos, reducir los tiempos de ejecución y costos, a través de la documentación y análisis de los datos históricos de los proyectos. El desarrollo de este proyecto tendrá un impacto en el corto plazo manera de modelo experimental, pero se espera poder replicar esta metodología a mayor escala y que sea la base de un área de estudios de factibilidad de proyectos: 1.3.6 Visión Macro-Futura (Big Picture) Una visión futura a gran escala posterior a este proyecto es poder generar un modelo de Inteligencia Artificial que realice análisis de factibilidad técnica y financiera de un proyecto basado en los datos históricos de los proyectos de una compañía, generar estimaciones con un nivel de certidumbre lo suficiente como para minimizar pág. 15 sobrecostos, analizar el comportamiento del proyecto y predecir probabilidades de falla o de retrasos y realizar los ajustes necesarios; todo esto utilizando los datos históricos generados por los proyectos, los cuales hoy se quedan en correos, papel, discos locales (explicito) y en el cerebro de los ejecutores de los proyectos ( tácito) Pero como todo sistema estadístico o de ciencia de datos, la calidad de los outputs (Y, predicciones) depende de la calidad de los inputs (X), y es aquí en donde se deben empezar a sentar las bases de la calidad y el modelo de gestión del conocimiento e información histórica de los proyectos ejecutados. 1.3.7 Visión corto plazo-Foco En el corto plazo, se espera poder implementar un proyecto piloto donde se pueda empezar a usar la metodología acá descrita y lo más importante empezar a crear los hábitos de la importancia de contar con las bases de conocimiento e historia de los proyectos (conocimientos, experiencias) y como usando tecnologías de manejo de datos se puede hacer trabajar esta información para la gestión de los proyectos y no al contrario, invertir el tiempo empezando cada proyecto, cada tarea, cada definición como si fuera la primera. Se espera que la forma y calidad de la información que se pueda obtener pueda servir para modelar, predecir y evaluar la factibilidad de futuros proyectos con un alto nivel de certidumbre, y disminuir las problemáticas actuales descritas en este documento. Se espera poder sentar las bases para crear un futuro grupo de evaluación de factibilidades de proyectos que sea responsable de integrar toda la información histórica existente del conocimiento de la compañía, y con las nuevas tecnologías para formular proyectos exitosos en el menor tiempo posible. 1.4 Objetivo General y específico 1.4.1 General Reducir sobrecostos, retrasos y retrabajos en proyectos de inversión, donde el sobrecosto final estimado (Kusd -% costo final) sea máximo 5% del presupuesto final (actual 10%) y un Retraso en cronograma máximo de 1 mes en proyectos de más de 18 meses de duración (actual 3 meses), obteniendo un beneficio anual de 200kUSD. 1.4.2 Específicos Crear una herramienta digital que permita capturar, almacenar y analizar datos de gestión de proyectos, lecciones aprendidas, y demás información de proyectos, integrando software y técnicas de análisis de datos e inteligencia artificial, tales como de Power BI, Appsheet; enfocadas en el pilarde Reutilizar el conocimiento (Reusable Knowledge) en pro de la gestión del conocimiento de la organización. pág. 16 1.5 Metodología 1.5.1 Caso estudio: En este caso de estudio se pretende documentar una serie de problemas surgidos durante la ejecución de un importante proyecto estratégico para la compañía, muchos de los cuales pudieron ser evitados en su mayoría, mediante una correcta gestión del conocimiento generado por los proyectos históricos. 1.5.2 Investigación ● Investigación estado del arte de nuevos sistemas de gestión del conocimiento en industrias de la construcción y/o similares y como las nuevas tecnologías han impactado. ● Estado del arte de tecnologías de inteligencia artificial aplicadas en gestión de conocimiento en el mundo 1.5.3 Desarrollo ● Desarrollo de aplicativo digital para registro y captura de datos de proyecto ● Desarrollo de Dashboard de análisis de datos ● Lanzamiento de aplicación ● Pruebas de captura y análisis ● Análisis de Resultados ● Conclusiones pág. 17 1.6 Cronograma Figura 1. Programa de Trabajo Hasta este punto se planteó la identificación de la problemática actual en la compañía que se estudia y las oportunidades y potencial que existen en el uso e implementación de tecnologías como Análisis de datos en tiempo real, Bussines intelligence, Inteligencia artificial en la gestión del Conocimiento. En el próximo paso, se abordará un caso de estudio real, donde se describen una serie de situaciones ocurridas en un importante proyecto, su impacto económico y una serie de reflexiones de cómo pudo ser evitado/minimizado. 1.7 Caso de estudio Proyecto: Horno de curado línea Pintado Pesquería Resumen Ejecutivo: En este capítulo se hace una revisión de una problemática de un proyecto de inversión real, donde se destacan las causas principales que generaron sobrecostos, retrasos en la entrega del proyecto, y se prevé que el uso de una plataforma de KM pudiera haber contribuido a un buen diseño desde el inicio. Palabras claves: Ingeniería Mecánica, estructuras, procesos, pintado, ductos. Durante los años 2017 a 2019 se desarrolló un proyecto en un centro Industrial de la compañía; este proyecto consistió en instalar una nueva línea de pintado continuo de bobinas de acero cuyo principal mercado es la industria línea blanca y construcción; se trata de aceros de alta especificación dirigidos a un mercado bastante exigente en temas de calidad por ser materiales de superficies expuestas. pág. 18 El proyecto consistía en un Greenfield, parte de un agresivo plan de inversión que consideraba otras líneas de producción como líneas de galvanizado, laminador en caliente, entre otras futuras. Capacidad (ton/year) 200000 Presupuesto (Millón USD) 100 Tabla 4. Capacidad y presupuesto Desglose general de presupuesto CONCEPTO Monto (MM USD) 1-000 - Ingeniería 5.4 2-000 - Provisiones LOCALES 30.8 3-000 - Provisiones del EXTERIOR 32 4-000 - Nacionalización, Impuestos y Fletes 2.1 5-000 - Montajes y Servicios de Terceros 16.2 6-000 - Asistencia y Puesta en Marcha 3.3 7-000 - Alquileres, Viáticos, Permisos y Otros 0.8 8-000 - Imprevistos 9.1 9-000- Repuestos primera dotación 0.3 TOTAL 100 Tabla 5. Presupuesto Línea de Pintado El suministro de los equipos principales los realizó una importante compañía (llamaremos compañía “D”) con alto reconocimiento internacional en este tipo de líneas de producción y proceso. Una particularidad de este proyecto es que se contaba con equipos existente “nuevos” del año 2006 (parte de un proyecto de la época de la compañía IMSA, que nunca paso a la fase de instalación); estos equipos eran: ● Horno de Curado y sistema de Ducteria ● Incinerador ● Pintadoras pág. 19 El proveedor “D” sería el encargado de integrar los equipos existentes, los cuales deberían ser sometidos a upgrade para llevarlo a condiciones de 2019, con sus nuevos suministros, para así garantizar una línea de la más alta tecnología y con alto nivel de automatización. 1.7.1 Hornos de Curado y Sistema de Ductos Unos de los equipos principales de la línea de pintado son los Hornos de curado; consisten en 2 hornos de calentamiento indirecto de 50 m longitud cada uno que usan principalmente aire limpio precalentando en una fuente externa a 650°C para curar la pintura de la lámina; este aire por su requerimiento de limpieza es transportado a través de una ducteria de diámetro variable de material inoxidable; los ductos no pueden tener ningún tipo de recubrimiento de refractario o aislamiento al interior por el nivel de limpieza que se requiere para garantizar la calidad de la lámina pintada ( no material particulado): Tipo de Material Galvanized Steel Galvalume Steel Galvanneal Steel Cold Rolled Steel Ancho de material 610 a 1575 mm Espesor de material 0.2 a 1.52 mm Material base diseño 0.53 mm x 1220 mm x 122 m/min x 260°C PMT Carga de solvente diseño 200 l/hr Prime Oven max 500 l/hr Finish Oven max 700 l/hr Total max Tabla 6. Parámetros de Diseño pág. 20 Figura 2. Instalación Típica Horno de Curado Figura 3. Partes Principales de sección Horno 1.7.2 Diseño de Ducteria y juntas expansión El método para conducir el aire de curado hacia la lámina es a través de conductos circulares y rectangulares que conducen aire a una temperatura máxima de 650°C; la ingeniería básica y detalle fue realizada por la compañía D basado en una ingeniería básica del fabricante del horno: Información de proceso: • Fluido: aire • Temperatura: 650 °C • Flujo de aire: 75000 Nm3/h pág. 21 • Presión estática: 1 psi Aunque nunca se recibieron los cálculos de flexibilidad del sistema; analizando los resultados obtenidos se pudo determinar que no fue realizado un análisis correcto del sistema descrito, puesto que no se consideraron los esfuerzos correctos ejercidos por la expansión de la ducteria. 1.7.3 Falla del Sistema El 19 de septiembre del 2019 se realizó la primera prueba de pintado de la línea la cual requería probar el horno con temperaturas de proceso. Después de realizada la prueba se realizó recorrido de inspección de equipos y se evidenciaron los siguientes daños: ● Juntas textiles de la línea de aire caliente quemadas por exposición directa de Aire Caliente a >500 ° C durante un tiempo de aproximadamente 2 horas. ● Desalienación en ductos y soportería por dilatación térmica ● Daño en Aislamiento de Ductería 1.7.4 Análisis de Causas Principales Son muchos los factores que pueden generar impacto en los 3 criterios de éxito de todos los proyectos: Tiempo, costo, calidad. (Al Momani, 2000) menciona 7 causas principales de retrasos: (1) aspectos económicos, (2) aumento en el alcance de la obra, (3) cambios de proyecto durante la construcción, (4) condiciones generales del sitio, (5) diseño pobre, (6) errores constructivos y (7) tiempo y clima. Sin embargo, otros autores han profundizado y han involucrado otros factores: (Rudeli, Viles, Gonzalez, & Santilli, 2018) realizan un análisis cualitativo de los principales factores que generan retraso en los proyectos: pág. 22 Figura 4. Diagrama de Pareto Causas Retrasos en Proyectos (Rudeli, Viles, Gonzalez, & Santilli, 2018) Ninguna de las causas principales, al menos, hacen referencia explícita a la carencia de un sistema de gestión del conocimiento generado por cada proyecto, su historia, como causa principal de retrasos en proyectos. Para la empresa en particular sujeto de este estudio se realizó un relevamiento de los principales eventos que contribuyeron a generar un retraso en el tiempo de ejecución del proyecto, que generaron un sobrecosto, o que tuvieron una aceptación en la calidad de los entregables o bien que afectaron la producciónde la compañía: 1.7.5 Principales causas: El conjunto ductería, soportería y juntas de expansión no fue correctamente diseñado ya que no se calculó correctamente la dilatación del sistema, dejando expuestos elementos más débiles que en este caso fueron las juntas de expansión. La soportería en su conjunto fue mal calculada, ya que no tenía definida los puntos fijos y deslizantes, claves para una correcta absorción de las dilataciones; el tipo de soportería fue estructura porticada, las cuales cedieron ante las cargas axiales generadas por la dilatación de la ducteria. En la figura 5 se puede observar el arreglo general de la soportería, en la figura 6 se observa el tipo de soporte instalado y cómo se movieron ante la carga ejercida por la ductería. pág. 23 Figura 5. Arreglo general de Soportería Figura 6. Soportes originales Ductos 1.7.5.1 Juntas de expansión de tipo textil Las juntas de expansión son, sin duda, un elemento clave en el sistema de ducteria, ya que permiten absorber las dilataciones causadas por los cambios de temperatura. Las juntas consideradas originalmente eran del tipo de fuelle textil, con una resistencia de 250° C, puesto que no estaba considerado en este tipo de diseño que el fuelle textil reciba directo el fluido de proceso; este tipo de junta es muy susceptible ante cualquier error en la alineación durante el montaje, o ante un incremento en la dilatación, pueden dejar el textil expuesto, tal como se sucedió en el evento. Este tipo de junta no se tenía ninguna referencia/experiencia previa de uso de este tipo de junta: pág. 24 Figura 7. Detalles diseño juntas de expansión originales 1.7.5.2 Mala instalación de juntas de expansión Mala alineación, se instalaron algunas con cierto nivel de precarga; en la imagen 2.3 en la izquierda se observa cómo después de quemarse la junta, se evidencia que los deflectores internos estaban mal instalados dejando expuesto el material textil a alta temperatura. Figura 8. Hallazgos de mala alineación de Juntas 1.7.5.3 Materiales de las juntas expansión dañadas: Bridas y cono deflector: AISI 304 Textil exterior: MSL 4 (4 capas de materiales textiles) pág. 25 1.7.5.4 Empaque para alta temperatura y tipo de brida El tipo de empaque para esta aplicación no fue correctamente diseñado y seleccionado, así como tampoco favoreció la dimensión de las bridas ya que por su pequeño tamaño dificulta la correcta instalación del empaque haciéndolo sensible a mala instalación Finalmente, tan solo 8 horas después de haber realizado el “First coil”, la línea tuvo que parar un mes para realizar las reparaciones requeridas para volver a realizar el arranque en caliente de la línea, lo que se conoce en este análisis de caso como “Etapa 1”. Posteriormente en el año 2020 se decide poner en marcha el plan de rediseño y cambio de todo el sistema de ductos, ya que instalación actual representaba un nivel de riesgo inadmisible y una línea muy poco confiable Durante la “Etapa 2” se realizó el análisis de la situación, rediseño del sistema, y fabricación de nuevos equipos para su instalación. 1.7.6 Impacto Económico El impacto económico trascendió el alcance del proyecto y afectó la producción, así como planes y compromisos de la compañía con clientes con quienes tenía comprometidos esquemas de entregas de material. A continuación, un resumen del impacto económico en cada etapa tanto para el proyecto como para la línea de producción. Tabla 7. Impacto económico (kusd) por afectación en Ductos • El impacto económico total para el proyecto: 650 kusd • Costo de oportunidad (cero producciones): aprox 2580 kusd • Afectación en tiempo (retraso en el arranque del proyecto): 1 mes • Tiempo afectación a la Línea de producción: 1 mes 1.7.7 Solución Etapa 1 Durante la etapa 1 se cambiaron en su totalidad las juntas flexibles por el nuevo modelo descrito en la figura 9, se reforzó la soportería existente y se adicionaron algunas nuevas en puntos estratégicos, también se hicieron algunas reparaciones en ductos afectados, así como el reemplazo de algunos empaques que fallaron entre uniones de ductería. Proyecto Ubicación Montaje Materiales Ingenieria Impacto Produccion Impacto Tiempo (mes) CCL Ductos y juntas Etapa 1 $ 45 $ 57 $ 6 $ 2,500 1 CCL Ductos y juntas Etapa 2 $ 69 $ 284 $ 80 $ 1,080 1 pág. 26 Figura 9. Diseño nuevas juntas de expansión tipo fuelle metálico 1.7.7.1 Soportería reforzamiento de soportería que se movió durante el “First coil” (ver foto). Se instalaron soportes colgantes para mejorar la alineación de ductos. Se instalaron arriostramiento en soportes existentes y se vincularon soportes individuales cercanos unos a otros para darle más estabilidad al sistema 1.7.8 Solución Etapa 2 Durante un periodo de 1 año se mantuvo en vigilancia las mejoras realizadas en la etapa 1, sin embargo, no se obtuvieron buenos resultados ya que la soportería estaba muy afectada, y el constante movimiento de la ductería generaba fugas de calor, por lo cual se determinó imperativo poner en marcha la etapa 2 que consideró un rediseño y reemplazo completo del sistema: 1.7.8.1 Ductería Mayor espesor en pared de ducto, ductos sin reforzamiento diametrales para evitar inducir fisuras en el cuerpo del ducto. 1.7.8.2 Soportería Análisis de flexibilidad de soportería considerando las dilataciones vistas en campo, y considerando coeficientes de elasticidad de nuevas juntas de expansión; concepto de módulos vinculados. Ver Figura 10. Imagen . Nuevas Juntas de expansión pág. 27 Figura 10. Modelo 3D del nuevo Sistema Ductos 1.7.8.3 Juntas de expansión Nuevo diseño de juntas de expansión con los siguientes parámetros de diseño: (el tipo de junta fue el mismo de la etapa 1, con algunos cambios en parámetros de diseño) Parámetro Valor Dilatación máxima 2-3 pulgadas Material fuelle Acero inoxidable AISI 316 Coeficiente k axial 18 a 23 kg/mm Material bridas Acero inoxidable AISI 304 Temperatura de trabajo 650 °c Presión trabajo 1 psi Tabla 8. Parámetros de diseño de nuevas juntas 1.7.8.4 Empaques y bridas Finalmente se decidió eliminar el uso de uniones bridadas en las uniones entre ducto y ducto para minimizar la cantidad de potenciales puntos de fugas de calor; solo se consideró uniones bridadas en las uniones de ductos con juntas, y se incrementó el ancho de la brida y se considera instalar Cordón de grafito de sección cuadrada para alta temperatura. pág. 28 1.7.8.5 Rediseño de apoyos deslizantes Nuevos apoyos que consideran la dilatación real del sistema y que consideran un margen de seguridad en el desplazamiento del ducto. 1.8 ¿Como pudo prevenir esta situación “La gestión del conocimiento”? Sin duda, todos estos problemas descritos anteriormente pudieron ser sino evitados, al menos minimizados o haber generado algún tipo de “advertencia” en la revisión de los parámetros de diseño de ciertos componentes críticos Esta compañía líder del acero en Nuevo León cuenta con más de 10 líneas Pintado continuo de rollos de lámina, entre sus plantas de México y Argentina; varían en su tecnología, productos, mercado destino, modernidad, pero comparten como elemento común la experiencia de un grupo de operaciones y mantenimiento que ha estado al frente de estas líneas, y juntos suman una fuente de conocimiento tácito que es vital capitalizar en pro de los futuros proyectos. Además, cuenta con un personal en el área de proyecto e ingeniería que han estado involucrados en gran cantidad de proyectos de revamping de líneas de pintado y que tienen gran conocimiento tácito de este tipo de proceso.Una metodología que permita recolectar de manera ágil, sistemática y automática el conocimiento (tácito y explícito) hubiese permitido generar unas bases más sólidas de las definiciones. 1.8.1 Conocimientos específicos 1.8.1.1 Historial Ductos alta temperatura: Si bien no se contaba con experiencia reciente en el diseño de ducteria para alta temperatura sin recubrimiento interno; si se cuenta con gran experiencia en el diseño de soportería, y análisis de flexibilidad en ducteria de grandes diámetros con niveles de dilatación similares en proyectos de otras áreas, ejemplo: ● Ducteria extracción de Humos de acería ● Ducteria líneas de pintado UNI-JUVENTUD y argentina ● Ducteria altos hornos ● Ducteria líneas de Galvanizado Un sistema confiable de administración de conocimiento hubiese sido consultado para ver los principales parámetros de diseño de la soportería, silletas, apoyos deslizantes, pág. 29 lecciones aprendidas de proyectos similares que permitieran diseñar una línea robusta con un mínimo MTBF (medio tiempo entre falla /mead time between fails). También se tienen referencias sistema más avanzados de knowledge management que pueden predecir y sugerir en base a una carga de datos previa. 1.8.1.2 Historial de juntas expansión: “Reusable Knowledge”? Se descubrió que existía experiencia en el uso de juntas de expansión metálicas en líneas de pintado similar a la del caso de estudio, así como conocimiento tácito del personal de operaciones y mantenimiento de este tipo de juntas, así como experiencias vividas en reparaciones, tiempo de vida útil y demás problemáticas a lo largo de los años. Fuente de esta información: personal de mantenimiento. 1.9 Conclusiones: La gestión del conocimiento sin duda es un pilar fundamental en una organización y debe ser una política empresarial, puesto que de estos depende la continuidad del negocio al garantizar la transferencia y el capital intelectual de la compañía. En la actualidad el concepto de KM debe migrar de la tradicionalidad que se conoce hacia las nuevas tecnologías y nuevas funcionalidades que permiten predecir, sugerir, comparar, recolectar experiencias de diferentes sedes, analizar escenarios en base a una gran cantidad de datos correctamente indexados, todo esto para ampliar las bases de diseño y tener mejores herramientas de planeación e iniciar cada proyecto con una base más robusta de información. Imagen . Organización de ShareNet CITATION Voe05 \l 9226 (Voelpel, Dous, & Davenport, 2005) pág. 30 CAPITULO II: ESTADO DEL ARTE Resumen Ejecutivo: En este capítulo se abarca la convivencia entre el KM y la Inteligencia artificial y como están ligados. Primero se realiza una introducción a la gestión del conocimiento, después una revisión de cómo se ha venido resolviendo KM en compañías multinacionales en los últimos 2 décadas, y después se presentan un panorama de las más recientes tecnologías y aplicaciones usando Inteligencia artificial. 2.1 Gestión del Conocimiento Albert Einsten una vez dijo, “Información no es conocimiento” y “la única fuente de conocimiento es la experiencia”. Y es que la simple recolección de datos e información en una base de datos no es conocimiento. Conocimiento viene de la captación de la experiencia del trabajo con datos e información, de la colaboración con colegas para resolver problemas complejos y aprender de la experiencia (Smith & Farquhar, 2000). Durante los últimos 15 años, la gestión del conocimiento ha cambiado de una generación a la siguiente a través de constantes mejoras y nuevas perspectivas. una infinidad de investigadores han presentado metodologías, estados del arte, tecnologías y han discutido varias teorías y casos prácticos. Sin embargo, KM aún necesita ser extensivamente desarrollado. Existen en general 2 formas de conocimiento, explícito y Tácito (implícito): El conocimiento explícito es definido como el conocimiento que puede ser expresado formalmente, y por lo tanto, fácilmente comunicado y difundido a través de una organización (Nonaka & Takeuchi, 1995). En un proyecto de capital, por ejemplo, un ejemplo de gestión del conocimiento explícito podría ser la gestión del repositorio de planos (ingeniería básica y detalle) asociada al proyecto, manuales de equipos, fichas técnicas y demás documentos técnicos que se emitan. Esta base de datos puedes estar guardada en la nube o localmente por el (los) responsables de la documentación. (Choo, 1998) manifiesta que el conocimiento implícito (tácito) es aquel que no está codificado y es difícil de difundir, además que el conocimiento tácito es aprendido a través de la experiencia de realizar tareas, durante las cuales el individuo desarrolla pág. 31 un sentido y capacidad de hacer juicios intuitivos acerca de la ejecución satisfactoria de una actividad. (Choo, 1998) sugiere que el conocimiento tácito es vital en las organizaciones ya que estas solo pueden aprender e innovar aprovechando de alguna manera el conocimiento implícito de sus miembros. Pero el éxito de una organización radica en cómo la compañía en todas sus diferentes áreas gestiona que la información correcta llegue a las personas correctas, en el tiempo justo usando las herramientas que necesiten usar para hacerlo (Smith & Farquhar, 2000). 2.2 Big data y knowledge management Según IBM, el 80% de la información de una organización es No - estructurada (Khan & Vorley, 2017), por lo tanto, hay una significativa oportunidad de apalancar el análisis de datos sin estructura. Según (Khan & Vorley, 2017) Big Data se define como una gran cantidad de datos estructurados y no estructurados que comprenden miles de millones de puntos de datos u observaciones, los cuales pueden ser accesados en tiempo real y es caracterizado por su volumen, velocidad y variedad. Compañías como Amazon, eBay y Walmart están usando análisis de datos masivos para administrar efectivamente vastas cantidades de conocimiento, comunicarse con sus clientes y mejorar sus operaciones (Davenport & Patil, 2012). Big Data ha sido caracterizado en términos de volumen, variedad y velocidad, mientras que conocimiento ha sido definido en términos de tácito, explícito, implícito, complejo y simple, así como tácito codificado y encapsulado (Khan & Vorley, 2017). KM maneja el procesamiento y prácticas que permiten la creación, adquisición, captura e intercambio de conocimiento (Scarbrough & Swan, 2001). Los sistemas de KM han sido sugeridos como la clave de la mejora en la eficiencia del proceso del negocio y una clave determinante de la ventaja competitiva (Khan & Vorley, 2017) pág. 32 2.3 Plataformas tecnológicas Tradicionales Desde finales de la década de los 90, compañías transnacionales como la gigante de la electrónica Siemens, y la petrolera Schlumberger, se enfrentaron a las dificultades que representaba la administración del conocimiento en todas sus filiales y la ineficiencia que representaba estar reinventando la rueda en cada proyecto, y a la pérdida de información por la falta de transferencia y documentación de aprendizajes y experiencias adquiridos en diferentes proyectos. A continuación, se detallan algunos casos exitosos, cada uno con enfoques y tecnologías diferentes y en épocas diferentes, pero con características valiosas: 2.3.1 Siemens Knowledge Sharing system Siemens a finales de los 90´s desarrolló uno de los pocos casos exitosos documentados de una plataforma de gestión de conocimiento, se trató de ShareNet, una plataforma de Knowledge sharing a nivel global, que hizo parte del inicio de una era de profundo cambios en la filosofía de negocio de Siemens, de donde pasaron de ser un “simple” vendedor de productos, a una organización que proveía “solucionescompletas” y servicios complejos basados en las necesidades particulares de sus clientes a nivel global (Voelpel, Dous, & Davenport, 2005). 2.3.1.1 Definición del concepto: Siemens designó a una de sus unidades de negocio más grande y con más experiencia en el sector de Telecomunicaciones para desarrollar este proyecto, el piloto se llevó a cabo en el departamento de Ventas y Marketing de dicha unidad de negocio; la idea era llevar a cabo una prueba piloto entre una oficina local y una en otra latitud, y ver como se beneficiarán de la experiencia mutua durante el desarrollo de una licitación para un proyecto. Así el equipo receptor de la información podría mejorar en tiempo y calidad la presentación de la oferta. La mayoría de KMS de la época sólo consideraban la codificación o el conocimiento explícito, lo que los volvió simplemente repositorios de documentos. El nuevo sistema consideró no sólo el conocimiento explícito, sino que también facilitaba la externalización del conocimiento tácito de los individuos. Las nuevas características principales (además de la clásica función de repositorio) fueron: ● Creación de Reusable assets: cada nuevo proyecto debe ser tratado como un “paquete de información o activo” que debe contener ciertas características pág. 33 estándar que permita ser reusado en el futuro. Se creó la estructura de información que debía contener cada “paquete” (proyecto, o licitación). ● Foro para “requerimientos urgentes” ● Identificación de referentes/expertos a nivel global (saber quién sabe que) ● Grupos de debate por tópicos ● Chatrooms en vivo 2.3.1.2 Lanzamiento global Uno de los retos del nuevo sistema de Siemens, después de lanzar su primera versión en más de 39 países, era como administrar el carácter global de Sharenet. La administración de los flujos de información entre diferentes culturas fue clave para el apalancamiento global del conocimiento (Bresman, Birkinshaw, & Nobel, 1999). De acuerdo con (Davenport & Prusak, 1988) una cultura corporativa motivadora ayudará a controlar las limitaciones y frustraciones de la transferencia de conocimiento entre culturas. La estrategia consistía en mantener una estrecha comunicación entre el cuartel general localizado en Múnich con cada una de las administraciones locales en cada región, para esto se realizaron workshops en cada región para explicar los beneficios del nuevo desarrollo, así como involucrar a los gerentes locales quienes jugaba un rol crucial en el éxito del programa. Figura 11. Arquitectura sistema Siemnes Sharing system Imagen . Organización de Sharenet CITATION Voe05 \l 9226 (Voelpel, Dous, & Davenport, 2005) pág. 34 ● Contribuidores: usuario fuente de la información (conocimientos, experiencias, dudas, contribuciones). ● ShareNet Managers: gerentes locales de cada región que eran responsables por fomentar el uso de la plataforma, motivar a su personal a cargo para enriquecer el sistema y usar la plataforma para mejorar sus indicadores de procesos. ● Global Editors/IT Support: encargados del soporte tecnológico y de garantizar la síntesis del contenido final. ● ShareNet Committee: Comité directivo en cuartel general. 2.3.1.3 Agregando “Momentum” al sistema Siemens desarrolló un complejo sistema de recompensas e incentivos que motivaran a sus empleados a usar la plataforma virtual; este sistema medía la cantidad y la calidad de aportaciones; el principal reto era: ● Motivar a las personas a documentar ● Mantener las expectativas de los usuarios ● Evitar frustraciones durante las primeras interacciones con el sistema ● Cambiar la imagen negativa de “reusar” conocimiento Todo esto bajo un cambio progresivo en la cultura organizacional de la compañía respecto a la gestión del conocimiento. 2.3.1.4 Expansión, Consolidación, sostenimiento y futuro El éxito de ShareNet en el departamento de Marketing y ventas fue tal, que otros departamentos como Investigaciones y Desarrollo (I+D) decidieron implementar este sistema. La estructura de la librería permaneció casi invariante, sin embargo, tuvo que ser adaptada para reflejar las particularidades y especificidades del conocimiento en I+D, esta adaptación reconoce el hecho que el conocimiento en I+D es más específico y complejo que en otras unidades de negocio, de ahí su problemática para transferirse (Voelpel, Dous, & Davenport, 2005, pág. 16) El éxito de la plataforma en la unidad de I+D no fue el esperado, para finales de mayo de 2002, tan solo 50 contribuciones se habían registrado, esto atribuido principalmente a la reducción de recursos en temas de marketing para fomentar el uso de la plataforma y posiblemente a un efecto de “proteccionismo” de la información pág. 35 que pudo llegar a ser ocultada entre diferentes unidades de I+D (Voelpel, Dous, & Davenport, 2005, pág. 16). Para julio de 2002, ShareNet tenía las siguientes cifras: ● Más de 19000 usuarios en 80 países registrados y que habían usado la plataforma ● 53 Share Manager de diferentes países soportaron el funcionamiento ● Más de 20000 registros de uso de la plataforma para preparación de ofertas ● Cerca de 2.5 millones de “shares” Después de 2002, hubo una fuerte crisis económica en el sector telecomunicaciones que afectó Siemens, lo cual tuvo repercusiones en la estructura organizativa de ShareNet, decreciendo la participación de sus usuarios. Sin embargo, los números indicados en la figura a continuación son muestra del potencial económico de este tipo de plataformas y cómo pueden potenciar el negocio: Figura 12. Relación beneficio/costo de ShareNet (Voelpel, Dous, & Davenport, 2005, pág. 18) pág. 36 2.4 Inteligencia artificial y Gestión del Conocimiento Como describe (Gliozzo, y otros, 2017, pág. 5) la inteligencia artificial (IA) tienen como objetivo construir sistemas informáticos capaces de realizar tareas que normalmente requieren inteligencia humana. Las máquinas basadas en IA están destinadas percibir su entorno y tomar acciones que optimicen su nivel de éxito. KM y (IA) en esencia, se trata de conocimiento. IA provee los mecanismos que permiten que las máquinas aprendan. La IA permite que las máquinas adquieran, procesen y utilicen conocimientos para realizar tareas y desbloquear conocimiento que pueda ser usado por las personas para mejorar el proceso de toma de decisiones. AI y KM están en la misma cara de la moneda, KM permite que se produzca una compresión del conocimiento, mientras que AI provee las capacidades para expandirse, usar, y crear conocimiento en formas que aún son inimaginables. Como manifiesta (Rhem, 2020), la conexión del KM y IA ha abierto el camino para la computación cognitiva. Los humanos son capaces inherentemente de una cantidad de acciones como: Aplicar sentido común, moralidad, razonar dilemas; los humanos pueden pensar, dar nuevas ideas y hacer generalizaciones cuando parte de la información o pistas claves de esta, están perdidas. Pero los humanos están restringidos por la cantidad de tiempo para aprender, procesar y absorber nueva información, y limitados por los prejuicios que todos poseemos que influencian las decisiones que tomamos (Gliozzo, y otros, 2017, pág. 5) La computación cognitiva se encuentra entre las subdisciplinas que dan forma a la IA. Se trata de armar un sistema que combina lo mejor de las capacidades humanas y y de las maquinas. Considere las capacidades que los humanos tienen naturalmente, como la imaginación y emociones, combinadas con capacidades en las que sobresalen las computadoras, como el procesamiento de números, identificación de patrones y procesamiento de grandes cantidades de información. La computación cognitiva utiliza la fuerza de la máquina para "simular"los procesos de pensamiento humano en una computadora modelo. (Gliozzo, y otros, 2017) pág. 37 Los sistemas cognitivos utilizan técnicas, como el aprendizaje automático, la minería de datos, procesamiento del lenguaje y coincidencia de patrones para imitar cómo funciona un cerebro humano. Semejante Los sistemas son ideales para interactuar con un mundo cada vez más complejo. Figura 13. Los Humanos y los sistemas cognitivos son complementarios (IBM, 2017) En los últimos años, la capacidad de extraer grandes cantidades de datos, información y conocimiento para obtener una ventaja competitiva y la importancia de la analítica de datos y texto para este esfuerzo está ganando impulso. A medida que la proliferación de datos estructurados y no estructurados continúa creciendo, seguiremos teniendo la necesidad de descubrir el conocimiento contenido en estos recursos de big data. La computación cognitiva será clave para extraer conocimiento de big data. La estrategia, los enfoques centrados en el proceso y los aspectos interorganizacionales del apoyo a la toma de decisiones para la investigación sobre nuevas tecnologías y esfuerzos académicos en este espacio continuarán brindando información sobre cómo procesamos los macrodatos para mejorar la toma de decisiones. Imagen . Paralelo entre sistemas humanos y cognitivos pág. 38 Figura 14. Crecimiento en la generación de información en últimos años (Gliozzo, y otros, 2017, pág. 42) Actualmente existen empresas con desarrollos y soluciones enfocadas en usar Inteligencia artificial para volver más eficientes los procesos de gestión del conocimiento en un nivel tecnológico nunca visto, rompiendo paradigmas en el manejo de la información y la generación y traspaso del conocimiento. 2.5 Plataformas soportadas en AI: Watson, Lucy, Egnyte, KnowledgeHound Los sistemas actuales de gestión del conocimiento ayudan a los empleados de la organización a compartir, acceder y actualizar la información. La integración de la inteligencia artificial (AI) en el KM puede ayudar en la eficiencia de la búsqueda de información, hacer uso de información relevante y obtener respuestas inmediatas a consultas, así como acelerar los tiempos de respuesta a clientes (CIOREVIEW, 2019). pág. 39 Figura 15. Inteligencia Artificial simple y avanzada (Lahman & Stierli) KM ayuda en potenciar la productividad, minimizar riesgos y crear ventaja competitiva, también en la toma de mejores decisiones más rápido y en nuevos negocios; toso estos beneficios son excelentes en teoría, pero en la práctica, los tradicionales sistemas de KM carecen de posibilidades de entendimiento en lenguaje natural, búsqueda inteligente y eficiente, y con frecuencia manejan información anticuada y poco relevante. Sin embargo, con la integración de la AI se puede minimizar drásticamente la cantidad de supervisión necesaria para utilizar estos sistemas (CIOREVIEW, 2019) Existente actualmente nuevas plataformas tecnológicas soportadas en motores de inteligencia artificial que solucionan estos problemas: 2.5.1 Lucy@: Lucy es un asistente de administración del conocimiento, soportado por Inteligencia Artificial, esta plataforma integra tecnologías como Lenguaje de procesamiento Natural, que además de cumplir con las funciones de repositorio de documentación de la compañía, permite obtener al instante datos, conclusiones, información relevante que apoya la toma certera y rápida de decisiones. Los beneficios de estas tecnologías son: ● Ahorros en tiempo y costo por búsquedas redundantes ● Eficiencia en detección de “insights” y conocimiento compartido ● no requiere codificaciones o etiquetados complejas de la información pág. 40 ● Reducción en la pérdida de conocimiento por rotación de personal Figura 16. Pilares fundamentales de @Lucy 2.5.2 KnowledgeHound KH es una plataforma de descubrimiento de información que trabaja con organizaciones a nivel global transformando su información en decisiones, a través de la ingesta de grandes cantidades de información (datasets) con cierta estructura en formatos tradicionales como CSV en una plataforma amigable y fácil de acceder. KnowledgeHound usa búsquedas en lenguaje natural para hallar respuesta a preguntas relevantes de una investigación, lo que facilita la recopilación de la información que necesita para tomar decisiones importantes. Estas plataformas tecnológicas están basadas en: 2.5.2.1 Lenguaje de procesamiento Natural (NLP): Las bases NLP investiga el uso de las computadoras para procesar o entender el lenguaje humano para propósitos de realizar tareas útiles. NPL es un campo interdisciplinario que combina lingüística computacional, ciencia de la computación, ciencia cognitiva e inteligencia artificial (Deng & Liu, 2018). Las aplicaciones típicas del NLP incluyen: ● Reconocimiento de voz ● Sistema de diálogo ● Traducción automática ● Respuesta automática de preguntas ● Análisis de sentimientos ● Generación de lenguaje natural entre otras pág. 41 2.5.2.2 Aprendizaje Automático (Machine Learning) El aprendizaje automático (o en inglés Machine learning) es un tipo de IA que brinda a las computadoras la capacidad de aprender y actuar sin siendo programado explícitamente. Esto significa que el modelo de computadora mejora con el tiempo al aprender de sus errores y nuevas experiencias (estar expuesto a nuevos datos), aumentando su inteligencia (Gliozzo, y otros, 2017, pág. 6). Así, el objetivo principal del KM es mejorar la eficiencia de la organización y guardar el conocimiento en la compañía; con la habilidad de captar y procesar grandes cantidades de información a una tasa más alta, AI y ML están acelerando la transformación digital en una amplia gama de industrias (Eliyahu, 2020). 2.6 Conclusiones y lecciones La revisión del estado del arte realizada ayuda tener un panorama de las diferencias entre la concepción de sistemas inteligentes en las últimas 2 décadas; en el contexto tecnológico actual, donde los tiempos de respuesta para la toma de decisiones de negocio deben ser más cortos, es urgente la necesidad por contar con sistemas inteligentes que no solamente cumplan con la función de ser un repositorio de información (no estructurada/estructurada), sino que vayan más allá y puedan generar cambios disruptivos en cómo se concibe hoy la gestión del conocimiento en nuestras compañías. En el capítulo 2.3.1 se vio el modelo operativo de sistemas como el Sharenet de Siemens que permitía una interacción global y facilitaba el intercambio de información y el aprovechamiento de las experiencias (tácito) de otras personas, pero que tenía limitaciones en las dependencias, En la sección 2.5 se mencionaron compañías que están generando desarrollos basados en inteligencia artificial, varios de ellos con la plataforma tecnológica de IBM Watson, que están ayudando a las personas a ser más eficientes y a las empresas a usar el KM para generar ventajas competitivas Por otro lado, los usuarios están sufriendo sobrecarga de información, y no pueden encontrar la información que quieren de una manera eficiente (Tang, 2006). Es aquí donde tecnologías como el Cognitive Computing y el NLP tienen mucho que aportar. pág. 42 La propuesta desarrollada en este trabajo pretende realizar un piloto que utilice estas tecnologías para soportar la fase de factibilidad técnica y presupuestación a través del KM y reusable knowledge. En el próximo capitulo se mostrará como se realizó el desarrollo piloto de una aplicación para uso en dispositivos móviles o pc para la captura, gestión y almacenamiento de datos de proyectos en ejecución y como se condensa y a través del uso de software de bussines intelligence podemos importantes hallazgos.CAPÍTULO III: Desarrollo Plataforma Resumen Ejecutivo: En el capítulo anterior se revisaron las tecnologías actuales en la gestión del conocimiento en grandes compañías a nivel mundial basadas en Inteligencia artificial y minería de datos. En este capítulo se muestra como se ha desarrollado el sistema de gestión planteado, en términos de diseño, desarrollo tecnológico, estrategia de implementación, pruebas y análisis. Una vez que se ha definido el problema objeto de estudio y fundamentando, se procede a realizar una selección y delimitación del alcance de la información que en este reporte se centrará: Los datos que se desean recolectar y administrar a través de esta plataforma de conocimiento, corresponden concretamente la información generada día tras día en el área de trabajo; esta información nos servirá para generar los insights y bases de conocimiento para el desarrollo de nuevos proyectos. 3.1 Definición de Herramientas Tecnológicas Las organizaciones usan una variedad de aplicaciones customizadas para satisfacer necesidades específicas con el fin de incrementar la productividad, identificar nuevas oportunidades, realizar seguimientos entre otras tareas. El diseño y Desarrollo, sin embargo, es un proceso altamente demandante en temas de recursos, lo cual pone fuera del alcance de la mayoría de las organizaciones pequeñas o medianas, el realizar aplicaciones personalizadas. Para crear una aplicación personalizada, se debe contratar ingenieros de software, o contratar una compañía externa especializada, ambas alternativas son extremadamente costosas y demandantes. Una aplicación típica puede costar cientos de miles de dólares y tomar alrededor de 6 meses o más para ser desarrollada. pág. 43 Una alternativa a este problema, es el uso de plataformas “No código”, que permiten la creación de aplicaciones personalizadas en un tiempo significativamente menor y mucho más simple (Chen, 2019); esto a su vez, genera un interés y motivación en el personal de las áreas en la creación de aplicaciones personalizadas para sus proceso internos, fomentando el desarrollo y digitalización de procesos. Las plataformas “Sin-código” están enfocadas en “usuarios de negocio” más que en desarrolladores; personas con un perfil diferente a ingenieros de software, programadores o IT. Un clásico usuario de negocio puede trabajar en una organización (pequeña, mediana, o grande), tener un trabajo tiempo completo o parcial, y un consumidor regular de tecnología e internet, y con competencias mínimas de uso de Microsoft Word, Excel, Power Point, o Google docs. En el mundo hay aproximadamente 1.5 Billones de Usuarios de negocio comparado con aproximadamente 15-20 Millones de desarrolladores. (Seshadri, 2018). En el mercado existen varias plataformas de este estilo, sin embargo la selección de Appsheet se basó en los siguientes criterios: • Tipo de usuario: este tipo de plataforma esta enfocada en los Usuarios de negocio mencionados anteriormente. • Integración de datos: la plataforma seleccionada debe permitir una integración y comunicación con el ecosistema de datos y plataformas actuales, facilidad en comunicación, y uso de datos existentes. • Gratuidad en licenciamiento (a nivel básico): uno de los objetivos de que la herramienta sea de uso gratuito es incentivar el uso y desarrollo de herramientas de análisis de datos y fomentar el autoaprendizaje en este tipo de competencias que son claves en tiempo actuales. • Plataformas “No coding”: otra de las premisas era encontrar una plataforma para el desarrollo de aplicaciones móviles sencilla, simple y que no requiriera experiencia en programación; esto con el propósito de fomentarla innovación y el desarrollo de aplicaciones digitales por casi cualquier colaborador con un mínimo nivel de conocimiento básicos en computación. • Facilidad en el uso: funcionalidades y conceptos intuitivos, flexibilidad para el usuario. pág. 44 3.1.1 Plataforma Appsheet La plataforma AppSheet se eligió para realizar el desarrollo de la aplicación móvil. AppSheet es una compañía fundada en 2014 en Seattle, Washington, por Praveen Seshadri, un antiguo desarrollador de Microsoft (SOPER, 2020). En 2020 fue adquirida por Google Cloud y pasó a formar parte de dicho ecosistema, ampliando su interacción con las plataformas actuales. El objetivo de la ampliación es: • Centralizar y estandarizar el proceso de captura y reporte de datos • Generar base de datos estándar de cada proyecto para realizar consultas • Unificar el modelo de reportes y facilitar la gestión diaria • Eliminar la gestión de documentos en papel 3.1.2 Power BI Como describe (Menendez), “Power BI es un conjunto de herramientas que pone el conocimiento al alcance de todos y nos brinda acceder a nuestros datos de forma segura y rápida, generando grandes beneficios para nosotros y para nuestra empresa. Es un sistema predictivo, inteligente y de gran apoyo, capaz de traducir los datos (simples o complejos) en gráficas, paneles o informes por sus cualidades como la capacidad gráfica de presentación de la información, o la integración de Power Query: el motor de extracción, transformación y carga (ETL) incluido en Excel”. Actualmente Power BI es una de las plataformas de Inteligencia de datos más popular y usado en el mundo, por su integración con el ecosistema Microsoft, su capacidad de manipulación de grandes archivos, interfaz intuitiva, y la inclusión de capacidades de inteligencia artificial en sus versiones pagas , para análisis avanzado de datos. 3.2 Identificación de información generada: Primero se determinó con un equipo multidisciplinario conformado por personal de gestión de proyectos y construcción, cuál era la información que regularmente se generaba en el sitio de obra y después se seleccionó la información siguiente: 3.2.1 información general de Proyecto Corresponde a la información general relacionada con los proyectos, programas/cronogramas de trabajo, personal, avances en presupuestos, y demás información que puedes ser presentada en dashboards y que es comúnmente usada por los Project managers. pág. 45 3.2.2 información de ejecución Este tipo de datos son unos los que generan más input a la hora de definir los proyectos, y lastimosamente son los que más rápido se pierden en el día a día de los proyectos, ya que este tipo de información generalmente queda almacenada en físico en bitácoras de obras y/u otros medios físicos: • kg/hh • ton/hh • Ton equipos instalados • ton tuberías instalados • Horas de uso de equipos móviles, etc • Medio: escrita en obra, electrónico. Estos datos permitirán realizar estimaciones y predicciones con un alto nivel de certidumbre en proyectos similares 3.2.3 Registro de Gestión de Cambios Corresponde a la información generada por cambios en las condiciones de ingeniería, modificaciones en obra, que generen información valiosa para documentar que generan lecciones aprendidas. Los datos generados en una gestión de cambio de un proyecto de ingeniería, arroja información valiosa para futuros proyectos, puesto que genera impactos en: Ingeniería: Impacto en cronogramas de entrega de diseños Sobrecostos en presupuestos de ingeniería Obra: Costos directos por modificaciones de Equipos y/o Infraestructura Pero lo más importante es poder documentar históricamente la causa raíz de los cambios, impacto económico, solución realizada, y poder analizar esta información para prevenir en futuros proyectos. 3.2.4 Base de datos de proyectos Actualmente el área de ingeniería cuenta con un listado de proyectos históricos en su site donde se encuentran almacenados los detalles de los proyectos pasados; la información que se puede obtener de este site es: pág. 46 • Caratula de proyecto: Project book •
Compartir