Clase 01 - La necesidad de información en la Industria 4 0

Vista previa del material en texto

Clase 01. La necesidad de información en la Industria 4.0
TRANSFORMACIÓN DIGITAL E INDUSTRIA 4.0: UNA MIRADA ACTUAL
¿Por qué datos y por qué ahora?
Las transformaciones en el mundo que vivimos se sostienen y aceleran principalmente por el uso de datos. Su implementación atraviesa múltiples industrias, áreas de servicio y amplios aspectos de la vida cotidiana.
¿Cómo crees que ha influido el uso de datos en la situación pandémica del SARS-COV2? ¿Cómo ha impactado a la hora de combatir el virus y crear la vacuna?
¿De dónde viene la Industria 4.0?
El término “Industria 4.0” surge de un de especialistas multidisciplinarios convocados por el gobierno alemán a comienzos de la década de 2010 enfocados en rediseñar un programa de mejoras para la industria manufacturera.
A partir de de esta nueva nominación se transformó la mirada sobre la industria de las revoluciones anteriores: Industria 1.0, Industria 2.0 e Industria 3.0. 
Fuente: Mixtrategy.com
🤔 ¿Escuchaste hablar de la Primera y Segunda Revolución Industrial en la escuela? Bueno, ya vamos por la 4ta.
Hablar de Industria 4.0 es hablar de la Cuarta Revolución Industrial
Entendemos la 4ta Revolución Industrial como la transición hacia nuevos sistemas ciber-físicos que operan en forma de complejas redes como salto cualitativo a sólo 50 años de la Revolución digital (Industria 3.0).
El Banco Interamericano de Desarrollo (BID) identifica la particularidad de esta Revolución Industrial en la convivencia de una gran variedad de tecnologías que se fusionan borrando los límites entre lo físico, lo digital y lo biológico.
Sin duda, esto implica un gran cambio paradigmático en todos los ámbitos de la vida.
¿Qué tiene que ver con la Transformación Digital?
La transformación digital es “el fomento de evolución y nuevos modelos de negocio incorporando la digitalización de archivos e incorporando lo digital a todas las áreas de negocio”.
Harvard Business Review
Tendencias en Data & Analytics 2020-2021
· IA mas inteligente, rápida y responsable
· Decision Intelligence
· X Analytics: Data No Estructurada
· Gestión de datos aumentada
· Cloud es una realidad
· Choques entre mundos de datos y analytics
· Data Marketplaces e Intercambios
· Blockchain en data & analytics
¿Qué hacer con datos? 
El Hacking Cultural se trata de encontrar puntos vulnerables en su cultura y convertirlos en un cambio real que se mantenga.
Ejemplo de caso de uso: Seguimiento de la ubicación interior en un aeropuerto:
· Objetivo: Gran aeropuerto internacional quiere mejorar los servicios ofrecidos a los clientes
· Estrategia: Configura un sistema para rastrear a los viajeros usando triangulación wifi
· Funcionamiento: Si el wifi de un pasajero está activado, la medición de la intensidad de la señal en diferentes enrutadores permite una medición precisa de la ubicación dentro de la terminal
· Oportunidades: Combinar con datos de ventas de tiendas e información sobre vuelos	
Objetivos específicos
· Comprender el comportamiento del pasajero para mejorar su experiencia.
· Optimizar las asignaciones de puertas y ubicaciones de tiendas.
· Mitigar la experiencia negativa de los retrasos.
· Brindar ofertas promocionales, cupones y ofertas en ciertas tiendas.
· Actualizar y/o reubicar servicios.
Datos y análisis del caso
Datos: Variados, Estructurados, No Estructurados.
Análisis: Descriptivo, Predictivo, Prescriptivo
ESTRATEGIA DATA-DRIVEN
Data Driven es una disciplina que utiliza diversas técnicas y herramientas de análisis para aprovechar los datos generados dentro de un ámbito o empresa para su beneficio y el de sus clientes.
Dicho de otro modo, se trata de sacar valor a los millones de datos de los que hoy disponemos para tomar mejores decisiones basadas en ellos.
Organización Data-Driven
· Datos: Los clientes compran el producto de datos una vez y continúan usándolo tal como está. Ej. Datos de la empresa, Datos web, Datos móviles, Datos sociales e Información abierta.
· Refinamiento: Un producto de datos es una aplicación informática que toma entradas de datos y genera salidas, devolviéndolas al entorno. Ej. Inteligencia de negocios, Big data, Procesamiento de datos, personalización, Predicciones y Análisis.
· Uso: Un producto de datos es información digital que se puede comprar. Ej. Marketing, Distribución, Servicios, Innovación.
Ejemplo de Producto de Datos
Estrategia de Data & Analytics
¿Qué es Estrategia?
¿Cómo Triunfamos?
· Propósito Empresarial
· Relaciones críticas y resultados
· Formas en que la empresa crea valor.
· Habilidades empresariales esperadas
¿Qué es el Modelo de Operación?
¿Qué se requiere para ejecutar?:
· Recursos, proceso, prácticas y estructuras organizativas para cerrar brechas.
· Datos requeridos y activos analíticos con un ciclo de vida administrado
· Cómo deben evolucionar los entornos, plataformas, herramientas y prácticas
· Orquestación de recursos en proyectos, programas y/o líneas de productos para tener éxito.
A medida que su entorno empresarial se vuelve más dinámico e impredecible, también lo hace la conexión entre la estrategia y el modelo operativo
COMPONENTES DE UNA ESTRATEGIA DATA-DRIVEN
	ORGANIZACIÓN
	DATOS
	HERRAMIENTAS
DE ANALISIS
	CULTURA
	Objetivos Estratégicos
	Nuevos Datos
	Autoservicio
	Cultura de Datos
	Resultados Esperados Medibles
	Datos Gobernados
	Capacidad de Cómputo
	Alfabetización de Datos
	Modelo de Operacion
	Datos Disponibles
	Consultas Sencillas
	Especializacion
	Roles Definidos
	Datos Oportunos
	Visualización Intuitiva
	Comunicacion
	Alineación / Autonomía
	Calidad de Información
	Ciencia de Datos
	Storytelling
	Gestion de Datos
	Repositorios Escalables
	
	
Data Management Maturity Model
En la industria la administración de datos pasa por 5 niveles que definen la madurez de esta.
	Nivel 1
	Nivel 2
	Nivel 3
	Nivel 4
	Nivel 5
	· Poca o ninguna gobernanza
· Roles definidos dentro de los silos
· Problemas de calidad de datos no abordados
	· Gobierno emergente
· Introducción consistente de herramientas
· Algunos roles y procesos definidos
· Creciente conciencia del impacto de los problemas de calidad de datos
	· Data vista como habilitador organizacional.
· Procesos y herramientas escalables
· Metas establecidas considerando la calidad de los datos
· Automatización de procesos
	· Gobierno centralizado y planificado
· Gestión de Riesgos asociado a datos
· Métricas de Performance de Iniciativas de Datos
· Métricas de mejora de Calidad de Datos
	· Procesos de Alta Predicción
· Riesgo Reducido
· Métricas bien establecidas y desplegadas para medir la calidad de los datos
Big Data Analytics Maturity Model