Qué es la Predictive Quality

¿Qué es la Predictive Quality?

La mala calidad cuesta mucho dinero y es algo que se recuerda durante mucho tiempo.  En cambio, la buena calidad hace que el cliente regrese. Pero, ¿cómo se puede lograr una calidad fiable en la producción? La Predictive Quality o Calidad Predictiva o, en terminología inglesa, es un enfoque prospectivo basado en datos que permite garantizar la calidad de los procesos de fabricación y, en consecuencia, la del producto.

Predictive Quality: la definición

La Calidad Predictiva o la garantía de calidad predictiva describe la optimización continua de la calidad relacionada con el proceso y el desarrollo del producto utilizando pronósticos respaldados por datos, desde la planificación de la producción hasta el mantenimiento predictivo. Dicho de otro modo, ofrece una visión de los factores relevantes para prever la calidad futura y, si es necesario, tomar medidas para mejorarla. Los patrones y las relaciones previamente desconocidos en las variables se hacen visibles mediante el análisis de datos. Sobre la base de estos parámetros y con la ayuda de la inteligencia artificial (IA) y el aprendizaje automático , se crean modelos de predicción que calculan las probabilidades de calidad del proceso y del producto.

Además de la optimización, la Predictive Quality puede dar pie incluso nuevos modelos de negocio. Después de todo, hoy los clientes, a menudo, solo quieren pagar por el servicio que realmente se les presta. Por ejemplo, no compran un motor, solo el número de revoluciones garantizado. Es aún más importante para el fabricante evitar problemas de rendimiento o incluso fallos.

Diferencia entre Calidad Predictiva y mantenimiento predictivo

No es fácil trazar una línea divisoria muy clara entre la Calidad Predictiva y el mantenimiento predictivo. La Predictive Quality está más relacionada más con los procesos de fabricación, mientras que el Mantenimiento Predictivo (como parte de la Calidad Predictiva), con el producto entregado. Cuando se trata de garantizar la calidad del proceso, el objetivo principal es reducir la cantidad y materiales sobrantes que se desperdician, mientras que el mantenimiento predictivo  trata de evitar el fallo de una máquina o los dispositivo en uso en las instalaciones del cliente. Es importante actuar con previsión, pero no demasiado pronto porque la eliminación de un componente concreto después de un período de tiempo definido (como se hace con un enfoque preventivo) sin una necesidad específica, también genera costes innecesarios.

Fabricación discreta versus fabricación no discreta

Al definir la Calidad Predictiva, hay que hacer una distinción entre si un producto está en el proceso de fabricación (en el área de producción) o en uso por parte del cliente (campo). En la fabricación discreta, las predicciones de calidad basadas en datos se relacionan más con los procesos de producción y en la fabricación no discreta con el buen funcionamiento de un producto que ya se ha entregado.

En el primer caso, a menudo se utilizan métodos avanzados de inteligencia artificial y aprendizaje automático, como el reconocimiento de imágenes, para identificar las variables que causan el desperdicio de materiales. Al reducir su impacto, mejora la calidad de los productos.  En el segundo, es decir, cuando se trata del producto fabricado, se pueden emplear, por ejemplo, datos históricos. La información sobre reclamaciones anteriores se puede utilizar para hacer predicciones sobre posibles fallos o incumplimientos.

Implementación de garantías de calidad

En gran medida, los datos para  conseguir predicciones sobre Predictive Quality están disponibles a través de mediciones de sensores o en forma de documentación (por ejemplo, del uso del producto o como comentarios de los clientes en los canales online). Los algoritmos se entrenan con esta información, que luego crean pronósticos automáticamente. El proceso intensivo en datos requiere una potencia informática muy elevada, que puede proporcionar una infraestructura en la nube y el conocimiento adquirido puede estar disponible a través de interfaces. Las soluciones inteligentes utilizan IA y métodos de aprendizaje automático para detectar problemas relacionados con las desviaciones del estándar o los defectos de calidad. Estas incluyen, por ejemplo, servicios en la nube para el reconocimiento de imágenes o módulos de predicción en forma de microservicios de AWS.

Los expertos de la empresa son esenciales para interpretar los datos en el contexto de la Calidad Predictiva. Los analistas de datos o los científicos de datos adaptan constantemente los algoritmos y los modelos de IA en función de los resultados de análisis anteriores en forma de bucles de retroalimentación regulares. Al mismo tiempo, estos especialistas deben poder comunicar sus hallazgos de tal manera que el técnico de servicio al cliente pueda convertirlos en acciones concretas (por ejemplo, reemplazar un determinado componente). En este sentido, será interesante tener empleados que combinen la experiencia en datos con el conocimiento de la industria para esta tarea. También se debe determinar de antemano qué conocimiento se requiere para derivar decisiones de acción, cómo se debe procesar este conocimiento y qué calidad de pronóstico se necesita.

Beneficios de la Predictive Quality

El análisis de datos sobre el proceso de fabricación o el uso del producto aporta numerosos beneficios generales para toda la empresa.

  • Reducción de costes: se produce menos devoluciones, se pueden ahorrar recursos de la empresa y se minimizan las retiradas de productos. Además, las compañías pueden evitar costes de recursos y mantenimiento innecesario.
  • Certeza en la planificación: con la Calidad Predictiva, las cadenas de suministro se vuelven más controlables, más robustas y, por lo tanto, hay una menor propensión a las interrupciones. Además, se puede optimizar el uso de recursos y materias primas.
  • Protección de imagen: se puede evitar la pérdida de reputación provocada por mala calidad o fallos del producto.
  • Nuevos modelos de negocio: como parte de un modelo de suscripción, el cliente compra un servicio en lugar de un producto. Su alta disponibilidad gracias al mantenimiento predictivo ofrece ventajas competitivas al proveedor y justifica los modelos de precios correspondientes.
  • Seguridad jurídica: las previsiones fiables crean una base segura para los acuerdos de nivel de servicio (SLA). Además, las empresas pueden evitar reclamaciones.
  • Sostenibilidad: los clientes prestan cada vez más atención a la actitud responsable de un proveedor. Los procesos optimizados son la base para una fabricación de productos que ahorra recursos y minimiza las devoluciones.
  • Satisfacción del cliente: con las opiniones de los compradores sobre el producto, éste se puede mejorar y adaptar sucesivamente a las expectativas del cliente.

Posible escenario 1: previsiones de desperdicio en las cadenas de producción

Un fabricante de luces para automóviles se ha fijado como objetivo minimizar los fallos/XXX en la fase de desarrollo del producto y aumentar la robustez del proceso. En términos de Calidad Predictiva, esto se puede lograr mediante la capacitación y el uso de modelos de pronóstico que determinen los parámetros óptimos del proceso. La empresa evalúa datos sobre los productos y procesos a lo largo de la línea de producción, que están disponibles a gran escala a través del sistema de producción MES. Se entrena un modelo predictivo de caja gris basado en los datos MES de toda la cadena de producción, que predice las piezas que se desechan en el último paso del proceso de la cadena de producción, porque aquí es donde los costes son particularmente altos. Con este modelo, se pueden identificar los principales factores de la tasa de desecho o ‘scrap rate’ y se pueden derivar recomendaciones iniciales de acción para reducirlos.

Posible escenario 2: sistema de asistencia digital en mantenimiento predictivo

Un fabricante quiere optimizar el mantenimiento de sus dispositivos en  campo al reducir el riesgo de diagnóstico erróneo.Para ello, la empresa utiliza un sistema de asistencia de aprendizaje continuo basado en datos (Digital Diagnosis Assistant , DDA). Esto ofrece soporte a la toma de decisiones para reducir la probabilidad de reemplazo innecesario de componentes o dispositivos. Al mismo tiempo, independientemente de la experiencia del técnico, se incrementa la tasa de eficacia.

El sistema asistente es entrenado con datos históricos de operaciones anteriores. Además, el análisis de diferentes datos sobre el caso actual (observaciones directas, código de error del dispositivo, aceptación del pedido en el centro de servicio) se incluye en la evaluación de la situación. El técnico recibe una lista de sugerencias con predicciones sobre la probabilidad de que el reemplazo de un componente tenga el efecto deseado, y puede decidir cuál es la mejor opción.

La precisión del pronóstico con DDA puede aumentar significativamente en comparación con los técnicos sin DDA. El siguiente nivel de predicción es la prevención de errores . Al analizar el flujo continuo de datos entre el dispositivo final y el sistema de asistencia, se obtienen posibles recomendaciones para el reemplazo de componentes o una actualización de software antes de que el dispositivo falle.

La Calidad Predictiva como ventaja competitiva

La gestión de la calidad es un factor importante para el éxito económico de las empresas. Hoy en día, sin embargo, ya no basta con mirar al pasado, sino que se necesita un análisis de datos que muestre lo que podría suceder para evitar costes y posibles daños a la imagen. Por lo tanto, la garantía de Calidad Predictiva o Predictive Quality es una ventaja competitiva que los fabricantes deberían aprovechar.

Un proveedor de servicios de TI puede ayudar con esto: por un lado, proporcionando una infraestructura en la nube y, por otro, a través de ofertas innovadoras como Quality as a Service. Otra opción es WaaS – Garantía como servicio, en el sentido de gestión de garantías como una solución basada en la nube. De esta forma, las inversiones y el uso de recursos por parte del fabricante se mantienen dentro de un marco manejable. Habla con nuestros expertos sobre qué opción es la adecuada para tu empresa.

Post relacionados

trabajo-híbrido

Trabajo híbrido: 4 factores que impulsan la consolidación del modelo

Cómo preparar la transformación a SAP S/4HANA: medidas que ahorran tiempo y estrés

Cómo preparar la transformación a SAP S/4HANA: medidas que ahorran tiempo y estrés

seguridad en la nube

Seguridad en la nube: qué aspectos considerar en cada etapa