(Informe) McKinsey: La experiencia de las mineras en el uso de I+D

En las industrias con uso intensivo de capital como la minería, las mejoras de productividad tienen alto impacto en los resultados. Por esa razón, la analítica avanzada puede generar valor, significativo al ayudar a los líderes a optimizar procesos, reducir el tiempo ocioso e informar la toma de decisiones in situ.

Pero la industria minera es muy compleja. Las plantas operan como pequeñas ciudades, con cientos de personas y miles de equipos. Prácticamente todos los procesos requieren conocimientos especializados y una cuidadosa organización. Los técnicos metalúrgicos ajustan los procedimientos a las condiciones de la explotación; los despachadores se encargan de que todos los camiones se muevan en la secuencia correcta; por su parte, los ingenieros de mina adaptan continuamente la planificación. Conocer qué acciones intensificar o abandonar para mantener las operaciones en funcionamiento es a la vez un arte y una ciencia.

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

Las compañías mineras disponen de una enorme oportunidad por delante en lo que respecta a la analítica. Las tasas de adopción relativamente bajas en toda la industria crean espacio para que los líderes comprometidos logren ventajas competitivas. Las organizaciones que sienten las bases para el éxito de la analítica – generando alineamiento y compromiso, y haciendo que las herramientas resulten simples de usar y el valor fácil de medir – podrán generar los cambios necesarios en las mentalidades y en los procesos para sostener retornos de dos dígitos de sus inversiones en analítica.

Sin embargo, algunas grandes operaciones mineras han podido revertir esta tendencia, y están desplegando analítica a escala con una alta adopción. Por ejemplo, la información en tiempo real sobre localización y estado de caminos contribuyó a que una mina a cielo abierto aumente el cinco por ciento la eficiencia en movimiento de materiales; la mejora de las capacidades de modelado ayudó a una mina de cobre a elevar la tasa de producción y recuperación entre un 10 y un 15 por ciento; y una compañía extractora de carbón redujo los costos de combustible el 15 por ciento en apenas dos meses luego de instalar sensores en camiones y otros equipos mineros.

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

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

1. Construir los productos analíticos junto a expertos y personas influyentes

Para impulsar la adopción es menester que los usuarios confíen en la analítica. Esto puede ser difícil de conseguir en minería, donde cualquier desviación del manual del fabricante, el plan de la mina o las “reglas de la metalurgia” es vista con recelo. Una de las maneras más efectivas de engendrar confianza es involucrar en forma directa a técnicos metalúrgicos, líderes de procesos y otros expertos en el esfuerzo de desarrollo.

Esto permite a los expertos inspeccionar los modelos emergentes y familiarizarse con la metodología. También contribuye a alcanzar mejores resultados, y a asegurarse de que las variables y los datos correctos se incorporen al diseño en formatos que los usuarios puedan entender y aplicar. En una mina, por ejemplo, los expertos en control de procesos fueron participantes clave en la creación de una herramienta para un molino semi-autógeno (SAG). Su involucramiento activo resultó en una herramienta ágil capaz de calibrar cuánta agua debía usar el molino para las distintas velocidades de molienda y la presión correcta a aplicar para cada tipo de mineral.

La participación de los expertos debe continuar también en el terreno. Los expertos en procesos del ejemplo anterior colaboraron en la transición del modelo para su uso en el molino. Luego de aprender a expresar las necesidades del negocio en términos analíticos y viceversa de los “traductores” del equipo de desarrollo (personas con una combinación de conocimientos técnicos y de negocios que operan como interfaz entre los expertos en analítica y los operadores y expertos en dominios), los expertos de la mina pudieron proveer una traducción similar in situ. Ese involucramiento ayudó a informar y mejorar continuamente el modelo analítico, garantizando que la lógica subyacente sea adecuada y los resultados tengan aplicación práctica.

Incluir a estos líderes influyentes también generó otro beneficio: al comprometerse con el éxito del proyecto, ayudaron a que operadores y otros trabajadores del molino adquirieran confianza en él. Su participación operó como una forma orgánica de marketing interno. A medida que las organizaciones mejoran sus capacidades analíticas, ese marketing interno se torna más intenso, liderado de expertos y apoyado por una estructura “go-to-market” clara para propagar un entendimiento cabal de la nueva solución hacia todos los niveles de la compañía.

2. Establecer un entendimiento común en todos los niveles

Las tecnologías analíticas pueden tener significados diferentes para distintas personas. En una compañía minera, por ejemplo, el ejecutivo senior que patrocinó una iniciativa de AA tenía una serie de objetivos. Pero los gerentes de nivel medio encargados de supervisar la implementación tenían sus propias ideas sobre cómo ejecutar el programa. Mientras tanto, los líderes de las líneas de negocios – cuyos dependientes y procesos se verían afectados por la implementación – solo disponían de un conocimiento básico de los detalles del programa. La confusión fue en aumento, las demoras se multiplicaron y los miembros del equipo comenzaron a trabajar en otros proyectos, lo que hizo que el programa no avanzara más allá de la fase piloto.

Las organizaciones pueden prevenir desconexiones como estas promoviendo un entendimiento común de los objetivos del programa y designando un dueño de producto con las habilidades gerenciales y de liderazgo para impulsar la iniciativa.

El dueño de producto y su equipo deben procurar que el trabajo interno sea transparente y explicable. El gobierno de los datos es otro elemento fundamental. Los datos deben estar bien organizados y ser accesibles, con diccionarios, términos y fórmulas estandarizadas. Líderes, diseñadores y usuarios tienen que conocer las principales fuentes de datos a utilizar y de qué manera se generan las recomendaciones del algoritmo; este conocimiento impulsa la confianza en el modelo y su aceptación por todo el personal.

La comunicación es esencial para el éxito de las iniciativas analíticas. Un mensaje claro y una campaña de concientización crean soporte, y programas de capacitación específicos preparan a los empleados para triunfar. Antes de embarcarse en un proyecto para elevar la productividad de los equipos de transporte, por ejemplo, los directivos de una compañía minera convocaron al gerente general de la planta y a los gerentes de la mina y de transporte a una reunión de “alineamiento”. Juntos, los participantes de la reunión definieron los objetivos de la empresa. Ya con el proyecto en marcha, los líderes organizaron reuniones informativas para mostrar los avances a ejecutivos, despachadores, supervisores de operaciones y operadores de equipos de transporte, solicitarles input y responder dudas.

Las revisiones quincenales con el gerente de la mina y el gerente de transporte indagaron en profundidad acerca del proyecto y su lógica analítica, para comparar los resultados con los objetivos generales del negocio. Luego, complementaron esas conversaciones con entrenamiento práctico para usuarios finales, un proceso que posibilitó que los miembros del equipo obtuvieran nuevas certificaciones y permitió a los líderes del proyecto entregar feedback ascendente sobre cómo refinar los modelos al equipo de diseño. La disciplina de comunicación generó una atmósfera positiva: se escucharon las voces clave, se erradicaron las sorpresas negativas y el interés en el programa creció.

Comunicar historias de éxito es igualmente importante. Las compañías que sacan mayor provecho de sus inversiones en analítica comparten los resultados con toda la organización. Por medio de foros, newsletters y formatos similares, estos líderes demuestran no solo lo que pueden hacer los nuevos modelos, sino además cómo ayudan a mejorar la compañía. Integrar el proyecto analítico al contexto de una transformación mayor de la compañía puede hacer que la iniciativa se vea más relevante y motivadora.

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

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

Por ejemplo, una compañía desarrolló un modelo predictivo que enviaba una señal de alarma cada vez que detectaba que una fila demasiado larga de camiones podía provocar un cuello de botella en las trituradoras primarias. Las pruebas demostraron que el sistema era bastante preciso. Sin embargo, ni los despachadores ni los operadores solían prestar atención a las alertas, y preferían esperar a que se generaran los atascos antes de provocar una respuesta. Para mejorar la adopción, el equipo rediseñó el modelo e incorporó el mecanismo de alerta directamente en el sistema de monitoreo. Los cambios no solo lograron reducir las filas, sino que además fueron bien acogidos por los usuarios.

De la misma manera, en un molino SAG, un nuevo modelo analítico sugirió que aumentar los niveles de alimentación el cinco por ciento generaría mejoras significativas. Pero ese nivel estaba por encima de lo que las cintas transportadoras podían soportar, lo que generó desconfianza en los operadores. “¿Cuál es el sentido de la analítica si las recomendaciones no son utilizables?”, se preguntaban. Los diseñadores reconfiguraron el algoritmo y la interfaz de usuario, y crearon una vista de optimización de “estado actual” que provee recomendaciones para maximizar la tasa de producción con los sistemas existentes, así como una ventana de “estado futuro” con recomendaciones operacionales y de capex específicas (por ejemplo, elevar el porcentaje de sólidos), además de métricas que explicaban las ventajas de aplicar esas recomendaciones.

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

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

Tradicionalmente, muchas minas han operado con una mentalidad de “comprar vs. desarrollar internamente” en lo que respecta a la tecnología. Ejecutivos desconectados del trabajo en el terreno invierten en herramientas pre-diseñadas con un conjunto de objetivos en mente y transmiten instrucciones de uso a los equipos locales. Este abordaje puede funcionar bien con aplicaciones empresariales como sistemas ERP y similares para procesos de back-office de rutina, pero las iniciativas analíticas típicamente involucran a gerentes y personal de línea. Cuando el personal de campo y de la planta recibe instrucciones desde muy lejos, a menudo perciben que la gerencia devalúa su expertise.

Una de las maneras más eficaces para impulsar la adopción es hacer participar a los usuarios directamente en el desarrollo, , aplicando técnicas ágiles que les permitan ser parte del proceso. Los métodos de trabajo ágiles democratizan la participación. En lugar de dirigir a los equipos, los líderes plantean el problema central a resolver y dejan que el equipo de diseño (un mix de usuarios, desarrolladores y líderes de producto) sea quien determine la forma más efectiva de alcanzar los objetivos deseados. Esta metodología abierta y no jerárquica produce una dinámica saludable de resolución de problemas donde los individuos pueden aportar a la solución con más facilidad y libertad, sin importar su jerarquía o experiencia. El resultado es mayor innovación y agilidad. Como explicó un ejecutivo de un productor de metales preciosos, “el cómo de hacer analítica es igual de importante que el qué”.

Por ejemplo, una explotación a cielo abierto introdujo un modelo analítico para ayudar a los despachadores a mejorar la productividad. Pero los despachadores se rehusaron a aplicarlo porque sentían que la iniciativa duplicaría otros sistemas en uso y automatizaría una parte sustancial de su trabajo. Cuando el equipo de analítica sumó a los administradores de flota y los operadores de despacho al equipo de desarrollo, las cosas cambiaron.

A través de una serie de pruebas en el terreno, este equipo multi-funcional mejoró la lógica algorítmica y creó un sistema capaz de ajustar automáticamente el lugar de descarga de los camiones si anticipaba un pico en la fila de la trituradora principal. Cuando los operadores notaron que podían contribuir al diseño del modelo y que en realidad la herramienta tenía como fin dar mayor relevancia a su rol, y no reemplazarlo, se mostraron más abiertos a usarla y a colaborar en su desarrollo. Esta característica del programa fue luego desplegada a escala en otras plantas. Con el tiempo, una mentalidad renovada de “hacer vs. comprar” permitió desarrollar nuevas competencias y promover formas de trabajar nuevas y más productivas en diferentes sectores de la mina.

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

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

Si se carece de un entendimiento uniforme del valor, un mecanismo claro de rendición de cuentas y una buena priorización de tareas, la adopción y el impacto se verán afectados. Los equipos pueden tener problemas para sostener el entusiasmo con una iniciativa, y los líderes para justificar inversiones sostenidas en ella. A fines de crear una línea de visibilidad hacia el valor, los líderes del proyecto deben diseñar una infraestructura de gestión que elimine los silos, consolide las métricas y los objetivos de desempeño para todos los equipos y establezca responsabilidades para alcanzarlos. Partiendo desde las metas hacia atrás, los líderes del equipo de diseño establecen métricas de desempeño individuales para cada rol y frente de trabajo y se aseguran de que todos los integrantes sepan qué se espera de ellos. Así, las personas y los equipos responsables por alcanzar objetivos específicos podrán priorizar el flujo de tareas en forma más efectiva.

Por ejemplo, una planta procesadora de cobre invirtió en herramientas analíticas para optimizar su funcionamiento. A fines de asegurar que el modelo fuera capaz de lograr el objetivo, el dueño de producto (PO) se comprometió a elevar la producción de cobre en un porcentaje determinado aplicando las recomendaciones del modelo – un objetivo que luego informó su priorización del backlog de desarrollo. Los desarrolladores, a su vez, tenían a su cargo testear e iterar las recomendaciones en el terreno hasta alcanzar umbrales de desempeño pre-definidos. C

élulas digitales dentro del equipo Agile debían diseñar métricas más detalladas, como por ejemplo exactitud de las predicciones. Las reuniones de check-in regulares entre el liderazgo de la planta y el equipo de desarrollo mantuvieron a todas las partes al tanto de los avances. Pese a que mantenimiento y los demás equipos podrían haber tenido incentivos diferentes – e incluso contrapuestos – en el pasado, ahora todos comparten el mismo objetivo. Los líderes también dedicaron espacio a celebrar los logros de los equipos y el valor creado. Promover el alineamiento, la rendición de cuentas y la transparencia de las maneras descriptas posibilitará a las compañías mineras potenciar los retornos de sus inversiones en analítica y volver más visible el valor que generan.

6. Anticipar las competencias requeridas para escalar y sostener

Para las organizaciones mineras que recién están comenzando su recorrido analítico, puede resultar fácil enfocarse en casos de uso, herramientas y algoritmos, dado que la curva de aprendizaje para cada uno puede ser pronunciada. Sin embargo, para pasar del piloto a la fase de producción se requiere prever la escala desde el comienzo y construir una base de capacidades interna capaz de dar soporte al portafolio analítico en el largo plazo.

Según nuestra experiencia, contar con el expertise adecuado para mantener y entrenar los sistemas es uno de los factores de éxito más importantes para la AA. La precisión de los modelos se diluye naturalmente con el tiempo debido a cambios en las condiciones operativas. Para compensarlo, las empresas necesitan re-entrenar los sistemas continuamente – i.e., aproximadamente cada tres a seis meses. De lo contrario, la calidad de las recomendaciones disminuirá, conduciendo a un menor número de usuarios y una caída del impacto.

Por ejemplo, al estudiar por qué un piloto prometedor en la planta de concentrado había sido dejado finalmente de lado después de semanas de esfuerzo por impulsarlo, los líderes de una mina determinaron que el problema no estaba relacionado con el modelo en sí, sino con la falta de competencias para interpretar sus recomendaciones y optimizar la lógica. La compañía carecía de las capacidades de ingeniería de software necesarias para gestionar la infraestructura, así como de know-how sobre la ciencia de los datos para mantener o mejorar el modelo. Cada vez que llegaba una solicitud de cambio para ajustar el modelo analítico, el equipo de diseño debía recurrir a expertos externos.

Para solucionarlo, los líderes decidieron mejorar las competencias en la organización. A tal fin, crearon un programa de prácticas para entrenar a los empleados interesados, diseñaron nuevos planes de certificación para desarrollar competencias digitales dirigidos a los talentos internos, y combinaron esta iniciativa con una estrategia de reclutamiento de personal experimentado. Los resultados ayudaron al productor a crear un hub analítico dentro de la organización para diseñar, apoyar y optimizar un portafolio de iniciativas de IA y analítica. Para monitorear la precisión del sistema, los analistas integraron código a sus modelos para medir la deriva conceptual y enviar alertas automáticas cuando fuera necesario volver a entrenarlos. También diseñaron un scorecard de desempeño del modelo para controlar su estabilidad y relevancia. Estas mediciones constituyeron una manera efectiva de comprobar la salud del sistema y crear valor.

Otras compañías pueden hacer algo similar. La mayoría tendrá que incorporar desarrolladores de software, científicos e ingenieros de datos y otros talentos digitales. También necesitarán traductores que aprovechen su combinación de conocimientos técnicos y de negocios para asegurar que operadores y expertos en dominios entiendan al equipo de analítica y viceversa. Adquirir estos talentos lleva tiempo, en especial en épocas donde las competencias digitales son muy demandadas. Comenzar cuanto antes permitirá a las compañías posicionarse un paso adelante en reclutamiento y capacitación, y disponer de los recursos necesarios para una transición ordenada al final de la fase piloto y sostener sus programas analíticos.