Cualquiera que haya intentado o incluso investigado un proyecto de aprendizaje automático e inteligencia artificial está familiarizado con el dicho de “basura que entra, basura que sale”. Dicho de otro modo, si los datos que se introducen en el análisis son defectuosos, los resultados también lo serán. Si bien este problema no es nuevo, sigue siendo una limitación que limita los proyectos piloto desde la ampliación hasta las transformaciones empresariales. Un elemento importante y limitante de la basura que entra, basura que sale es que los conjuntos de datos tienen algo de verdad, o algo valioso, para seguir con la analogía. Pero nadie tiene tiempo para filtrar la basura. Es posible que ni siquiera se cuente con los mecanismos para distinguir la basura del tesoro.

Mis hijos tienen un mecanismo divertido: una retroexcavadora Caterpillar de juguete. Les encanta usarla para sacar piedras y arena y transformar un jardín presentable y que ahorra agua en un paisaje irregular que representa una tierra imaginaria llena de magia. El sedimento tiene cierto valor para hacer mini-montañas, pero de vez en cuando desentierran algo con un poco de brillo. Puede ser una moneda de veinticinco centavos o una concha marina perdida que enterraron semanas antes. Y a veces encuentran tornillos. Mis tornillos favoritos representan un momento en el que estuve momentáneamente más concentrado en la estructura que estaba ensamblando con ellos y no noté el alcance de sus manos curiosas; estos pueden ayudar a fortalecer una estructura a la que le falta un sujetador. Los menos favoritos son los oxidados que dejó un inquilino anterior sin querer, que no me sirven y son peligrosos para ellos.

Los datos empresariales son similares. Vistos como información depositada, los datos pueden ser agradables a la vista, pero ofrecen poca información. Cuando las herramientas y las manos se ensucian, los datos pueden representar una historia. Y de vez en cuando nos topamos con algo que es más interesante que el resto. Sin embargo, para gran consternación de mis hijos, pasar todo el día jugando con ellos simplemente no es práctico. ¿Cómo creamos historias y encontramos las partes interesantes cuando nos llaman a otras actividades a medida que los datos siguen acumulándose?

La basura de uno es el tesoro de otro
Una forma de solucionar el problema de la basura que entra, la basura que sale es extorsionando el valor de lo que tradicionalmente se considera basura. En el ejemplo de la hora del recreo, cuando mis hijos encuentran esos tornillos oxidados (basura, sin duda), todos estamos mejor. Les agradezco que hayan encontrado el tornillo oxidado. No tienen la edad suficiente para entender la oxidación, ¡pero algo que cambia de color es genial! Es decepcionante que no podamos usarlo, pero el niño que encontró el tornillo oxidado se siente bien por hacer que el patio sea más seguro para sus hermanos. APRENDEMOS de la basura. Desafortunadamente para todos nosotros, no puedo dejar que caven el patio las 24 horas del día, los 7 días de la semana.

El mismo enfoque se puede aplicar a los datos empresariales. Una tecnología llamada minería de procesos ofrece la posibilidad de aprender de cualquier cosa. Algunos de los conocimientos más interesantes provienen de datos que de otro modo habrían perdido su utilidad hace mucho tiempo. La minería de procesos extrae información de lo que procesó un sistema de información y cuándo. Al unir estos puntos de datos olvidados, nos cuentan una historia sobre la secuencia de eventos: el proceso. Y no solo una iteración. La minería de procesos ingiere cada instancia en la que se repitió el proceso. En conjunto, estos flujos de procesos cuentan una historia poderosa sobre cómo se gastan el tiempo, los recursos y el dinero. Con una verificación rápida de cómo se supone que debe comportarse el proceso, cada variante se puede clasificar en categorías de cumplimiento y no cumplimiento. Las empresas saben que hay incumplimientos, pero los observadores se inclinan hacia adelante con intriga la primera vez que ven que las ineficiencias más frecuentes parpadean en rojo mientras las unidades flotan a lo largo de estos caminos derrochadores en un modo de lapso de tiempo acelerado.

Uno de los resúmenes de minería de procesos más “aburridos” que he visto ofrecía un nivel de conocimiento que habría sido difícil de probar sin nuestra solución. El proceso de fabricación que se estaba modelando parecía casi perfecto. ¿Qué hay de malo en eso? Diré lo obvio: incluso las mejores empresas fabricantes dudarían en decir que sus procesos son perfectos. Esta empresa tenía muchos puntos de datos para demostrar que su fabricación tenía problemas ocasionales. Descubrimos que lo que ingresaba en su sistema no reflejaba lo que estaba sucediendo en la planta. Es fácil creer que en el camino alguien fue recompensado por hacer que los datos se vieran bien (o reprendido por que se vieran mal), a pesar de la realidad. Esta empresa fabricante aprendió que necesitaba volver a centrarse en permitir buenos informes de producción antes de embarcarse en el proyecto de automatización de datos planificado. Una cantidad moderada de decepción en el presente fue más que un trato justo por evitar una retrospectiva con ROI faltante. A pesar de que los datos históricos no lograron representar la realidad, la minería de procesos aprovechó la “basura” para ahorrar tiempo y dinero en el futuro.

Encontrar tesoros en la basura con Inteligencia de Procesos
Las empresas de fabricación y de la cadena de suministro encuentran un tesoro en la basura con QAD Process Intelligence. También resuelven el reto 24/7 integrando Process Intelligence a sus sistemas de negocio como ERP, EAM, ejecución de logística y transporte, ejecución de fabricación y gestión de relaciones con proveedores. Lo que a Process Intelligence le pudiese faltar en asociaciones de consultoría y marketing de las Big-4, QAD lo compensa con creces en casos de uso pre-empaquetados combinados con experiencia en el sector y en el dominio operativo que ofrece un rápido retorno de la inversión en un modelo escalable.