Las minas operan como ciudades en miniatura, con cientos de personas, y miles de equipos y herramientas. | Foto: Guillermo Torres

ANÁLISIS

Las ventajas de la adopción de analítica avanzada para los equipos de minería

En una industria de uso intensivo de capital como la minería, las mejoras de productividad pueden tener gran impacto en los resultados económicos.

Santiago Carbonell*
22 de octubre de 2020

Por esta razón, la Analítica Avanzada (AA) puede generar un enorme valor al ayudar a los líderes a optimizar los procesos, reducir el tiempo improductivo e informar sobre la toma de decisiones en la mina.

Sin embargo, también es una industria muy compleja; las minas operan como ciudades en miniatura, con cientos de personas, y miles de equipos y herramientas. Prácticamente todos los procesos requieren de especialización y una cuidadosa orquestación. Para que la Inteligencia 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.

Lea también: La pandemia impulsó una de las mayores inversiones en tecnología de la historia

Sin embargo, muchos no se involucran –al menos no al principio– porque consideran que su experticia es demasiado especializada para ser codificada en una herramienta analítica, o que las iniciativas serán conducidas por personas sin suficiente contexto operacional.

A pesar de esto, algunas grandes operaciones mineras han revertido esta tendencia y están desplegando analítica a escala con una alta adopción. ¿Qué están haciendo bien estas compañías? Nuestros colegas de McKinsey en Chile Ferran Pujol, Richard Sellschop, Diego Zuñiga y Julio Gregorio estudiaron 140 casos de implementación de analítica en múltiples operaciones mineras para entender cuáles son los factores que conducen al éxito. A continuación, les comparto cinco aprendizajes de su estudio.

1. Construir productos de analítica junto a expertos

Para impulsar la adopción es necesario que los usuarios confíen en la analítica. Esto puede ser difícil de conseguir en minería, en la que cualquier desviación del manual del fabricante, el plan de mina o las “reglas de la metalurgia” es vista con recelo. Una de las maneras más efectivas de generar confianza es involucrar de forma directa a ingenieros metalúrgicos, líderes de procesos y otros expertos en el esfuerzo de desarrollo. Esto les permite a los expertos inspeccionar de cerca los modelos emergentes e ir desarrollando confianza en la analítica.

Le puede interesar: Estos son los sectores que más robotizarán procesos en Colombia, según Trycore

2. Establecer un entendimiento común

Las tecnologías analíticas pueden tener significados diferentes para distintas personas. Las organizaciones pueden prevenir desconexiones como estas promoviendo un entendimiento común de los objetivos generales del programa y garantizando que todas las partes interesadas relevantes, desde el liderazgo hacia abajo, entiendan los beneficios que traerán la analítica y la forma como la iniciativa se entrelaza con los objetivos generales de la compañía. Asimismo, los patrocinadores del proyecto deben procurar que el funcionamiento interno de la analítica sea transparente y explicable.

La comunicación es clave. Las iniciativas analíticas deben estar respaldadas por un mensaje claro y una campaña de concientización, y complementadas por planes de capacitación diseñados a la medida.

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

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 los que los usuarios normalmente realizarían para completar una tarea particular e integrar la analítica a los procesos centrales pueden hacer que los nuevos sistemas se perciban como una extensión natural de los existentes en lugar de un cambio abrupto.

Los equipos analíticos también necesitan asegurarse de que el diseño de cualquier nuevo sistema se integre 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.

Le puede interesar: La automatización desplazará 85 millones de trabajos al 2025, según WEF

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

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, pero dejan que el equipo de diseño (en sí una mezcla de usuarios, desarrolladores y líderes de producto) sea el que determine la forma más efectiva de abordar el tema y alcanzar los objetivos deseados. Esta metodología abierta y no jerárquica produce una dinámica saludable de resolución de problemas que hace más fácil para los individuos contribuir con sus insights a la solución, con más libertad, sin importar la jerarquía o la experiencia. El resultado es mayor innovación y agilidad. Como explicó un ejecutivo de una productora de metales preciosos, “en la analítica, el cómo hacerla es igual de importante al para qué hacerla.” 

5. Anticipar las competencias requeridas para escalar y sostener

Para las organizaciones del sector de minería que recién comienzan su recorrido analítico, puede resultar fácil enfocarse en casos de uso, herramientas y algoritmos, ya que la curva de aprendizaje probablemente sea pronunciada para cada una, pero hacer la transición del piloto a la producción requiere de planificar la escala desde el inicio y construir una base de competencias interna capaz de apoyar el portafolio analítico en el largo plazo.

Según nuestra experiencia, contar con la experticia adecuada para mantener y entrenar los sistemas es uno de los factores de éxito más importantes para la AA. La precisión de los modelos obviamente se desvía con el tiempo, debido a cambios en las condiciones operativas. Para compensarlo, las empresas necesitan reentrenar los sistemas continuamente, aproximadamente cada tres a seis meses; de lo contrario, la calidad de las recomendaciones baja, lo que lleva a un menor número de usuarios y a la caída del impacto.

Lea también: La pandemia impulsó una de las mayores inversiones en tecnología de la historia

La mayoría también tendrá que incorporar desarrolladores de software, científicos, ingenieros de datos y otros talentos digitales. También necesitarán “traductores”, es decir, personas con una combinación de habilidades técnicas y empresariales que operan como interfaz clave entre operarios y expertos por un lado, y equipo analítico en el otro. Adquirir estos talentos lleva tiempo, en especial en épocas en las cuales las competencias digitales están en alta demanda.

***

Las compañías mineras disponen de un enorme activo por descubrir en lo que se relaciona con la analítica. Las tasas de adopción relativamente bajas en la industria crean una ventana para que líderes comprometidos obtengan una ventaja competitiva. Las organizaciones que sienten las bases para el éxito de la analítica –generando alineamiento y compromiso, así como haciendo que las herramientas resulten simples de usar y el valor, fácil de medir– podrán generar los cambios necesarios en las mentalidades y los procesos para sostener retornos de dos dígitos en sus inversiones en AA.

*Socio de McKinsey & Company.