Solicitar presupuesto
Home Recursos Blog Septiembre 2022

Calidad 4.0 - Datos y análisis

29 setiembre 2022
Martin Graham, auditor de calidad de NQA, continúa su serie de blogs sobre la calidad 4.0 y lo que significa para el futuro de la gestión de la calidad...

En mi anterior blog escribí sobre los principios y el contexto de la calidad 4.0. Como recordatorio rápido, en los últimos tiempos hemos visto rápidos avances en la conectividad, la movilidad, la analítica, la escalabilidad y los datos que han dado lugar a lo que se ha llamado la "cuarta revolución industrial", o Industria 4.0.

Esta cuarta revolución industrial ha digitalizado las operaciones y ha dado lugar a transformaciones en la fabricación y la eficiencia operativa, el rendimiento y la supervisión de la cadena de suministro, la innovación y, en algunos casos, ha permitido desarrollar modelos de negocio totalmente nuevos.

La calidad 4.0 pretende alinear la gestión "tradicional" de la calidad y los sistemas con los principios de la "Industria 4.0".

La calidad 4.0 no tiene que ver con la tecnología, sino con los usuarios de esa tecnología y los procesos que utilizan para maximizar el valor, la eficiencia y la eficacia.

En esta serie profundizaré en los elementos de la calidad 4.0 con un poco más de detalle, empezando por los datos y la analítica.

Datos

La toma de decisiones basada en datos ha sido un principio fundamental de la gestión y la mejora de la calidad durante mucho tiempo. Las recientes actualizaciones de las normas de los sistemas de gestión apoyan y enfatizan la relevancia e importancia de la toma de decisiones basada en datos.

A pesar de ello, muchas organizaciones siguen luchando con los datos y las pruebas en un sentido práctico cuando se trata de la calidad.

Existen cinco áreas a considerar cuando se trata de datos:

  1. Volumen: Los sistemas de gestión tienen, tradicionalmente, un gran número de registros de datos, por ejemplo, KPI, acciones correctivas, respuestas a incidentes, datos de control de calidad, etc.). Sin embargo, la cantidad de datos que pueden proceder de los dispositivos del sistema conectado es mucho mayor. Esto requiere que se considere cómo se abordará la recopilación y clasificación de los datos.

  2. Variedad: Se pueden considerar tres tipos de datos dentro de un sistema. Estructurados, semiestructurados y no estructurados. Las fuentes de éstos pueden variar y, por tanto, es necesario establecer el tipo de datos que se recogen y si éstos requieren ser refinados y estructurados para ser considerados fiables.

  3. Velocidad: Es la velocidad a la que un sistema genera y una organización recopila datos. Los sistemas y dispositivos conectados tienden a proporcionar datos a una velocidad mucho mayor que los sistemas tradicionales.

  4. Veracidad: Es la exactitud de los datos. Los datos del sistema de calidad tradicional pueden considerarse de baja veracidad debido a los sistemas desconectados y a la falta de automatización y/o validación.

  5. Transparencia: El grado en que los datos son "visibles" dentro de un sistema. Los datos deben ser accesibles sin importar la fuente o el lugar en el que estén almacenados, y los sistemas deben estar configurados para garantizar la aplicación de un modelo de datos común.

Análisis

Los datos son redundantes sin un análisis eficaz. El análisis eficaz, a pesar de ser un requisito fundamental de un sistema de gestión de la calidad, sigue siendo un escollo para muchas organizaciones.

Sin un análisis eficaz, la consecución de los objetivos se hace muy difícil, si no imposible.

Puede haber una dependencia de las métricas atrasadas y una clara falta de datos en tiempo real dentro de un sistema.

Podemos pensar en el análisis en cuatro áreas principales:

  • Descriptivo (¿qué pasó?);

  • Diagnóstico (¿por qué ocurrió?);

  • Predictivo (¿qué ocurrirá?);

  • Prescriptivo (¿qué acciones se llevarán a cabo?).

Las empresas que trabajan en pos de la calidad 4.0 deben asegurarse de elaborar su estrategia y política de analistas para garantizar la obtención de conocimientos, al tiempo que consideran el uso de la IA/ML para complementar el análisis tradicional teniendo en cuenta las cuatro áreas mencionadas.