IMC se dispone a revolucionar nuestra forma de pensar sobre la gestión de activos.

IMC se dispone a revolucionar nuestra forma de pensar sobre la gestión de activos.

Sign Up

Please use your business email address if applicable

El Caso de Negocio para la Integridad de los Datos

Seamos honestos. Para muchas personas, ningún tema de negocios es más aburrido que el tema de los "datos ". Sin embargo, el tema de la integridad de los datos está escrito en revistas de negocios más a menudo que muchos otros temas aparentemente más interesantes. Además, muchas encuestas revelan una creciente preocupación entre los ejecutivos de empresas relacionadas con la capacidad de tomar ventaja de la cantidad de datos que se están recolectando.

Su intuición le puede decir que hay grandes beneficios asociados con la incorporación de la integridad de los datos de su negocio. Debemos admitir, sin embargo, que la intuición no es suficiente para reunir el nivel adecuado de apoyo de la dirección y los recursos para mejorar los datos. Usted necesita un caso convincente de negocios cuyo desarrollo puede llegar a ser muy difícil por varias razones. En primer lugar, el modelo comercial para la integridad de los datos es tan vasto, de tan largo alcance, de modo que todo lo abarca, y tan penetrante en todos los aspectos del negocio que saber por dónde empezar y que tanto de la historia contar, es una enorme proposición. Creemos que el mejor enfoque es enmarcar el caso en términos generales, citando hechos concretos y algunos ejemplos cuantitativos que apoyan la intuición de que el caso de negocios para la integridad de datos es enorme. Armado con esta información, usted será capaz de personalizar el caso de la integridad de los datos de su empresa o planta.

Sobre carga de Información

Considere esto: La media de la capacidad instalada de almacenamiento de datos en las empresas Fortune 1000 ha crecido de 198 terabytes a 680 terabytes en menos de dos años. Este es un crecimiento de más de 340%, y la capacidad se duplica cada diez meses! Esta estadística pone en términos objetivos lo que todos saben por instinto acerca de nuestros datos, tenemos grandes cantidades y estamos acumulando más y más cada día.

Buscando Datos

¿Qué más sabemos acerca de nuestros datos? En un artículo publicado en Information Week (enero 2007), la escritora Marianne Kolbasuck McGee encontró que los mandos intermedios invierten en promedio cerca de dos horas al día en busca de datos que necesitan. El estudio no hace comentarios sobre la frecuencia con que la búsqueda termina con éxito, pero podemos suponer que al menos parte de ese tiempo es perdido. ¿Por qué? Hay varias razones.

En primer lugar, el volumen de datos es demasiado grande y la mayor parte no es necesario. Para llegar a los datos necesarios, uno tiene que sacrificarse a través de grandes cantidades de datos irrelevantes o innecesarios.

En segundo lugar, la calidad de los datos o -integridad de los datos- es generalmente pobre. Muchos de los datos son inexactos, obsoletos, incoherentes, incompletos, mal formateados, o sujetos a interpretación. Por lo tanto, aun cuando llegue a los datos necesarios, se puede confiar en ellos? Si tiene duda en responder a esa pregunta, usted es, sin duda, de las personas que pasan algún tiempo para decidir si los datos que ha encontrado finalmente (suponiendo que en realidad se encuentran) son de confianza y si se puede confiar en ellos para cumplir su tarea.

Hay otras razones, pero estas dos solas son más que convincentes. Vamos a tratar de cuantificar estos fenómenos. El Departamento de EE.UU. de la Oficina de Trabajo de Estadísticas del Trabajo indica que en mayo de 2006, aproximadamente 142 millones de trabajadores estaban en la fuerza laboral de EE.UU. Supongamos conservadoramente que sólo el 10% de los trabajadores son mandos medios. Suponga también de forma conservadora que sólo el 25% dedicado de las dos horas al día a la búsqueda de datos es pérdida de tiempo (muchos estudios indican que el porcentaje real es mayor). La cantidad es 1,633,000,000 horas (es correcto... mil millones!) que se pierden anualmente en los Estados Unidos-equivalente a unos 785.000 años-hombre al año!

Para poner estas cifras en términos financieros, supongamos que los mandos medios ganan un promedio de USD $ 40 por hora. Entonces se pierden USD $ 65,320,000,000 todos los años, eso es 65.32 mil millones dólares anuales, sólo en los Estados Unidos! Imagínese lo que este número es cuando se calcula en todo el mundo!

¿Podemos poner esas 1,633,200,000 horas liberadas por año (o 785.000 trabajadores al año) para un buen uso? Sin duda alguna!

Los Baby Boomers (Generación de la post guerra) se retiran

Asumiendo que puede solucionar el problema de integridad de datos a escala nacional y liberar estas horas, algunos de los trabajadores que se jubilan no tienen que ser reemplazados. Por lo tanto, la estructura de costos de la compañía bajará. Según el Departamento de EE.UU. de la Oficina de Trabajo de Estadísticas Laborales, aproximadamente 22.8 millones de personas mayores de 55 años o más en la fuerza laboral de EE.UU. hoy en día, aproximadamente el 16% de toda la plantilla.

Asumamos de manera conservadora que el número de trabajadores en esta categoría no se incrementa. Suponga también que los 22.8 millones se retirarán de manera uniforme sobre los próximos diez años. En resumen, aproximadamente 2.3 millones de trabajadores se jubilan cada año en los Estados Unidos (el número estimado real es superior). Las horas liberadas relacionadas con la integridad de datos podría ser responsable de un tercio de eso. Así, un tercio de los trabajadores jubilados no tienen que ser reemplazados, suponiendo que resolvemos el problema de la integridad de los datos.

Una vez más, nuestras suposiciones en este ejemplo son conservadores. Es muy posible que simplemente arreglando los problemas de integridad de datos podría recorrer un largo camino hacia la solución del debacle sobre el envejecimiento y jubilación de la fuerza laboral en los Estados Unidos y otros países.

Este análisis tiene que ver estrictamente con un aumento de la eficacia. Todavía no hemos hablado de la eficacia de nuestros esfuerzos o, para decirlo de otra manera, el impacto de la "fuga de cerebros" en los conocimientos que residen dentro de la corporación.

La fuga de cerebros

Más del 80% de los fabricantes de EE.UU. se enfrentan a una escasez de técnicos calificados. Esta escasez se debe al fenómeno de la fuerza laboral de retirarse, y el hecho de que un menor número de nuevos trabajadores entran en el comercio especializado, o incluso en las carreras técnicas. Como resultado, no tenemos capacidad para reemplazar estos trabajadores que se están jubilando.

Este reto sitúa la responsabilidad en la administración de nuestras empresas industriales para encontrar la manera de aprovechar una mano de obra potencialmente más pequeña a través de la eliminación de actividades improductivas. También ofrece el reto, quizás más importante aún, de institucionalizar y recordar los conocimientos que actualmente se encuentran en las cabezas de los trabajadores de la empresa. ¿No sería el encontrarse con este reto frontal facilitar y acelerar la acumulación de habilidades y conocimientos por parte de los nuevos trabajadores menos calificados?

Además, la institucionalización de los conocimientos y la información podría facilitar la misma labor de manera satisfactoria por los trabajadores menos calificados. En otras palabras, es posible que no tendrá que sustituir por completo a los trabajadores por jubilarse en el mismo número. La combinación de mejores sistemas, automatización, información, procedimientos, guías, medios de formación, etc, con los trabajadores menos calificados podría representar un cambio de ritmo que cambia el juego en la manera de ir haciendo el trabajo en nuestras fábricas y empresas industriales! Ese cambio podría ser un paso permanente y favorable al impacto del costo de hacer negocios.

Un Ejemplo de un Caso de Negocio

Muchos estudios en el campo del mantenimiento y la confiabilidad (o administración de activos físicos), incluyendo varios realizados por Management Resources Group, Inc., han señalado consistentemente una estimación de que entre 30 y 45 minutos se pierden por día por trabajador de mantenimiento en busca de piezas de repuesto, por Catálogos pobres en la integridad de los datos. Las piezas de repuesto representan sólo un área limitada de los muchos aspectos de la administración de activos físicos, pero proporcionan un ejemplo útil. (Por cierto, según la investigación presentada en el Manual de Mantenimiento de Planificación y Programación, de Richard (Doc) Palmer, la cantidad total de tiempo improductivo por parte de un trabajador de mantenimiento industrial es, en promedio, 5 horas y 45 minutos al día! Esto significa que el tiempo productivo, en promedio, es sólo el 28%! No todo ese tiempo improductivo se relaciona con la integridad de los datos, pero parte de este lo es sin duda.)

Si usted no está familiarizado con este aspecto de la administración de activos físicos, tenga en cuenta que las descripciones del inventario del catálogo generalmente no tienen un formato consistente o de una manera que facilite la búsqueda rápida y el hallazgo de la pieza de repuesto necesaria. Los buscadores a menudo se sienten frustrados porque no pueden encontrar fácilmente la pieza en cuestión. A veces el tiempo de búsqueda ni siquiera tiene como resultado el éxito, por no hablar de lo rápido. Los problemas típicos son: el sistema indica que la parte que se necesita esta en existencia, pero al buscarla en el almacén no la tenemos en stock, la ubicación indicada está mal; el buscador escribe una palabra de búsqueda diferente a la forma en que existe en el Catálogo de los registros maestros del material (por ejemplo, Rodamiento, ROD RODA).

Citando el boletín de mayo del 2006 sobre empleo ocupacional y estimaciones salariales de la Oficina de Estadísticas Laborales del Departamento de Trabajo de los EEUU, se estima que los Estados Unidos tiene aproximadamente 5.450.000 trabajadores de mantenimiento industrial actualmente. Los mismos datos indican que la tasa media de salario por hora para estos trabajadores es de aproximadamente USD $ 20. Un costo cargado incluyendo prestaciones sería de aproximadamente $ 26 por hora.

Si cada uno de estos trabajadores está perdiendo de forma conservadora 30 minutos por día en busca de piezas de repuesto, entonces estamos perdiendo 626.750.000 horas al año en los Estados Unidos. Eso es más de 300.000 trabajadores al año, o 5% de la plantilla de mantenimiento industrial. En el coste medio cargado por hora, equivale a $ 16,295,200,000 al año-16 mil millones de dólares!

¿Estamos sugiriendo que la manifestación principal de estos beneficios potenciales es una reducción en el recuento de plazas? No necesariamente, aunque el desgaste natural generado por las jubilaciones del baby boomer ofrece la oportunidad para reducir el número de plazas sin tener que despedir a ningún trabajador.

Además, usted obtiene la oportunidad real de la redistribución de los recursos liberados hacia actividades de valor añadido que impulsarán mayor confiabilidad de los equipos y menores costos de mantenimiento. El consenso de la comunidad de expertos en administración de activos es que la mayoría de las plantas industriales dependen demasiado de los procedimientos basados en tiempo del mantenimiento preventivo (PM) como una estrategia de mantenimiento primario. Basándose en los resultados de miles de iniciativas de optimización de PM, aproximadamente el 60% de las actividades actuales de mantenimiento preventivo en existencia son estrategias inadecuadas para los activos en cuestión. Por lo tanto, una parte muy grande de la mano de obra del mantenimiento se dedica a trabajos de un bajo o nulo valor. Análisis experto del comportamiento de la falla de los equipos, utilizando herramientas probadas como Mantenimiento Centrado en Confiabilidad (RCM) y Modo de Falla y Análisis de Efectos (FMEA), dicta que la gran mayoría de los activos en un típico complejo industrial-alrededor del 89%- no observa un patrón previsible de fallas basadas en tiempo. Sólo alrededor del 11% de los activos fallan de esta manera, como se muestra claramente en la Figura 1.

caso_1

Figura 1: Patrón de comportamiento de falla en los activos

(Publicado con el permiso de Industrial Press, Inc.)

Las curvas de falla mostradas en la Figura 1 son conocimiento aceptado y probado que se remonta a los estudios iniciados en la década de los sesenta. Tenga en cuenta que las curvas en esta figura muestran la probabilidad de falla basada en tiempo (el eje x es el tiempo en las curvas). Lo que nos dicen estas curvas es que es imposible predecir las fallas del 89% de los activos de una planta sobre la base del tiempo. Eso no significa que no podemos predecir el fracaso de estas clases de activos - simplemente significa que no podemos hacerlo sobre la base del tiempo.

Si el comportamiento de falla de una clase específica de activos muestra que el activo falló al azar sobre la base de tiempo, ¿cómo podemos definir con precisión un intervalo para el mantenimiento preventivo, o basados en el tiempo,? No podemos! Sin embargo, eso es exactamente lo que hemos tratado de hacer por los últimos cincuenta años. Por lo general, tenemos que adivinar lo que sería el intervalo de tiempo correcto y seguro para el mantenimiento preventivo basado en el comportamiento de falla histórica real de dichos activos.

Considere la posibilidad de un activo que en un período de 5 años trabaja correctamente durante un año antes de su primera falla, a continuación, después de la reparación trabaja durante 6 meses antes de su siguiente falla, luego 3 meses, luego 18 meses, luego 5 meses, luego 16 meses. ¿Qué intervalo de tiempo tendríamos que establecer para realizar el mantenimiento preventivo de este activo si queremos evitar el fracaso? Si el activo es fundamental para las operaciones, tendríamos que adoptar un enfoque de riesgo conservador y decir que debemos hacer algo a este recurso cada 3 meses. Basado en la historia real de fracaso de 5 años de este activo, esto quiere decir que tendríamos que hacer el mantenimiento preventivo con demasiada frecuencia.

No sólo la máquina no necesita un PM durante esos intervalos, pero como podemos ver en la Figura 1, se puede haber introducido defectos que de hecho indujeron a las fallas y que de otra manera no habrían ocurrido. Este fenómeno se conoce en la profesión de la confiabilidad como la mortalidad infantil. Mucha gente ha oído probablemente la frase "si no está roto, no lo arregles". Bueno, este adagio tiene más mérito de lo que imagina.

Como se puede ver en la Figura 2, existe una base significativa y la prueba, que se remonta a la década de 1960, para apoyar la eliminación de muchos PMs existentes. Esta eliminación podría liberar la mano de obra importante, lo que podría ser utilizado para protegerse contra la pérdida de conocimiento con retirarse "Baby Boomers", o volver a implementar para realizar tareas de valor añadido otros más que serían necesarios para mejorar el rendimiento de activos

caso_2

Figura 2: Estudios mostrando comportamientos de Falla de Activos

La mayoría del equipo no cumple con un patrón de fracaso en función del tiempo, por lo tanto, no debemos hacer ningún tipo de mantenimiento en absoluto en el 89% de los activos y simplemente esperar a que fallen? Por supuesto que no. De hecho, aunque no podemos predecir el fracaso de estos activos sobre la base de tiempo, lo que sin duda podemos predecir es el fracaso de estos activos basados en la condición utilizando una variedad de tecnologías sensibles y herramientas diseñadas para detectar alertas tempranas de los fallos inminentes. Estas tecnologías sensibles y herramientas comúnmente se conoce como Mantenimiento Predictivo y Monitoreo de Condición. Ejemplos de estas herramientas incluyen el análisis de vibraciones, termografía infrarroja, análisis de aceite, y la inspección ultrasónica. Hay otros que no se necesitan nombrar en este artículo.

El truco para la optimización (reducción) del Mantenimiento Predictivo (PM) y el despliegue adecuado de las herramientas de mantenimiento predictivo es primero saber cómo categorizar los activos, utilizando métodos de análisis para entender los modos de falla probables y costosos. Entonces, con ese conocimiento, revisar los procedimientos existentes de mantenimiento preventivo. Eliminar los que o bien no se ocupan de los modos de falla o se aplican a los tipos de activos que no cumplan un patrón basado en el tiempo. Una vez que estos pasos se llevan a cabo, las estrategias adecuadas de PM se debe implementar. El resultado de esta optimización del programa de mantenimiento siempre resulta en una reducción significativa en el trabajo, con la consiguiente reducción de mano de obra y la utilización de piezas de repuesto. A su vez, estos resultados generan ahorros de costes y mayor rendimiento de los activos.

 Usted puede preguntarse en este momento, "¿Qué significa todo esto y que tiene que ver con la integridad de los datos?" Bueno, ¿cómo es posible lograr esta optimización si sus fuentes de datos fundamentales carecen de integridad y calidad, es decir, son incompletos, inconsistentes e inexactos? Si usted no tiene una lista de equipo precisa y completa, por ejemplo, le falta un requisito previo fundamental para desbloquear estas ventajas técnicas. La respuesta es que sin la integridad de los datos de los activos no se puede lograr la optimización descrita aquí, sobre todo si quiere hacerlo de forma eficiente y eficaz.

La consistencia o la falta de ella.

La mayoría de las empresas han permitido a las diferentes plantas industriales una autonomía significativa sobre los activos de la empresa en la elección y el uso de los sistemas, el formato de los datos maestros fundamentales en los sistemas, las estrategias de mantenimiento, etc. Hoy en día es típico que múltiples plantas de una misma empresa, tengan activos similares, si no es que idénticos, sin embargo, estos activos se describen de manera diferente de planta a planta. Las estrategias de mantenimiento que se implementan para estos activos también varían drásticamente de una planta a otra. Una amplia variación en la estrategia de mantenimiento a través de un grupo de activos similares, tiene como resultado en la correspondiente variación en el rendimiento de operación de estos activos similares. Algunos activos operan de manera más confiable, mientras que otros activos de clase similar o idénticos, su funcionamiento es poco confiable.

Basado en nuestro conocimiento de las mejores prácticas, ¿por qué permitimos que esto suceda en cualquier empresa? ¿No queremos utilizar los métodos de análisis acertados para clasificar nuestros activos, analizar sus modos de falla, y aplicar las estrategias de mantenimiento de alguna manera consistentes en toda la empresa (teniendo en cuenta que algunas diferencias se justifican en un contexto determinado de funcionamiento, etc)? Parece lógico y tiene sentido común querer hacerlo. Pero ¿cómo podemos realizar estos pasos de manera eficiente si nuestros activos no se describen con una taxonomía coherente en toda la empresa? Una vez más, no podemos.

Para aquellos que no estén familiarizados con el término "taxonomía", se refiere al sistema de clasificación que guía el formato coherente y la asignación de nomenclatura utilizada para describir lo que se está clasificando. Una taxonomía coherente permite identificar los activos similares de todo el grupo y luego medir y resolver las variaciones. Una taxonomía incompatible afecte gravemente su capacidad para optimizar sus estrategias de mantenimiento de activos y lograr una operación consistente y confiable de sus activos. En el nivel más básico, esto es un problema de integridad de datos que debe ser resueltos con el fin de aprovechar el potencial de ahorro de costes y mejora de rendimiento de los activos que están esperando a ser desbloqueados. Sin integridad de los datos, una parte importante de los beneficios del negocio está cerrada e inalcanzable.

Este artículo fue reimpreso con permiso de Industrial Press, Inc. fy extraído del libro Asset Data Integrity is Serious Business, por Robert DiStefano y Stephen Thomas.

ChatGPT with
ReliabilityWeb:
Find Your Answers Fast
Start