» Adopción: el eslabón perdido de Analítica Avanzada en Minería 28-10-20 16:04

Adopción: el eslabón perdido de Analítica Avanzada

en Minería
Las compañías mineras disponen de un enorme activo por descubrir en lo que respecta a
la analítica. En este artículo elaborado por Ferrán Pujol, Richard Sellschop, Diego Zuniga y
Julio Gregorio, de la firma McKinsey, entregan una serie de recomendaciones para
impulsar su adopción.

! MULTIMEDIA

Mauricio Oviedo, Ministro Presidente del Primer

Tribunal Ambiental analiza fallo Pascua Lama

NEGOCIOS E INDUSTRIA

Publicado el 1 de septiembre del 2020

MINERÍA CHILENA

Compartir: " # $ % & ' Suscribirse a newsletter !

En una industria de uso intensivo de capital como la minería, las mejoras de productividad pueden tener
gran impacto en los resultados económicos. 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 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
gran experticia y una cuidadosa orquestación. Los ingenieros metalúrgicos tienen que ajustar los PODCASTS
procedimientos a las condiciones específicas de cada sitio. Los despachadores deben tener a todos los
camiones moviéndose en la secuencia correcta. Los ingenieros de mina están continuamente ajustando
el plan de mina. Conocer qué medidas intensificar o replegar para mantener las operaciones en perfecto
funcionamiento es a la vez un arte y una ciencia.

Todas estas complejidades han retrasado la adopción de técnicas analíticas. 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. 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. Por ejemplo, la información en tiempo real sobre
localización y estado de caminos contribuyó a que una mina a cielo abierto aumentara en 5% la

https://www.mch.cl/2020/09/01/adopcion-el-eslabon-perdido-de-analitica-avanzada-en-mineria/ Página 1 de 5
» Adopción: el eslabón perdido de Analítica Avanzada en Minería 28-10-20 16:04

eficiencia en movimiento de materiales. La mejora de las capacidades de modelado ayudó a una mina REVISTA
de cobre a elevar la tasa de producción y recuperación entre 10 y 15%. Y una compañía extractora de
carbón redujo el consumo de combustible en 15% en apenas dos meses luego de instalar sensores en
camiones volquete y otros equipos mineros.

¿Qué están haciendo bien estas compañías? Nosotros estudiamos 140 casos de implementación de
analítica en múltiples operaciones mineras para entender cuáles son los factores que conducen al éxito.
Lo que averiguamos es que involucrar a expertos y usuarios de primera línea, promover la colaboración
constante y mantener el foco casi fanáticamente sobre 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 podrán lograrlo.

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

1. Construir productos de analítica junto a expertos y personas influyentes

Ver PDF
Para impulsar la adopción es necesario que los usuarios confíen en la analítica. Esto puede ser difícil de Ver números anteriores
conseguir en minería, donde 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 en forma directa a ingenieros metalúrgicos, líderes de procesos y otros expertos en el
esfuerzo de desarrollo. Esto permite a los expertos inspeccionar de cerca los modelos emergentes e ir
desarrollando confianza en la analítica. NEWSLETTER
Suscríbete a nuestro newsletter

Involucrarlos también contribuye a alcanzar mejores resultados— y a asegurarse de que las variables y
los datos correctos sean incorporados al diseño en formatos que los usuarios puedan entender y aplicar.
En una mina de cobre, por ejemplo, los expertos en control de procesos fueron participantes clave en la ESPECIAL DIGITAL
creación de una herramienta para un molino semiautógeno (SAG). Su involucramiento activo resultó en
una herramienta ágil capaz de calibrar cuánta agua debía usar el molino para las distintas velocidades Negocios e industria
de molienda y la presión correcta a aplicar para cada tipo de sólido. Servicio de arriendo de
equipos: Un apoyo
La participación de los expertos debe continuar también en el terreno. En el caso anterior, los mismos para el sector
expertos colaboraron en la transición del modelo para su uso en el molino. Ese involucramiento ayudó a
informar y mejorar continuamente la analítica, garantizando que la lógica subyacente siempre fuera
sólida y los resultados tuvieran aplicación práctica. Incluir a estos líderes influyentes también generó otro
beneficio: a medida que se comprometían con el éxito del proyecto, la confianza de operadores y otros
trabajadores del molino creció a la par. Su compromiso con el proyecto operó como una forma orgánica
de marketing interno. A medida que las organizaciones mejoran sus capacidades analíticas, ese
marketing interno puede tomar raíz, liderado por expertos en marketing y apoyado por una estructura
go-to-market clara para logar un entendimiento cabal de la nueva solución en 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 Negocios e industria

objetivos; pero los gerentes de nivel medio encargados de supervisar la implementación tenían sus Recordando los hitos
propias ideas sobre cómo ejecutar el programa. Mientras tanto, los líderes de las líneas de negocios – en el rescate de San
cuyos dependientes y procesos se verían afectados por la eficacia de la analítica– solo disponían de un José
entendimiento básico de los detalles del programa. La confusión fue en aumento, las demoras se
acumularon y los miembros del equipo comenzaron a trabajar en otros proyectos, y el resultado fue que
el programa nunca avanzó más allá de la fase piloto.

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 traerá la analítica y la forma en que 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.
Líderes, diseñadores y usuarios tienen que conocer las principales fuentes de datos que utiliza y cómo
el algoritmo genera recomendaciones para impulsar la confianza y la aceptación del modelo por el
personal de primera línea.

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. Por
ejemplo, antes de embarcarse en un proyecto para elevar la productividad de los equipos de movimiento
de material, los directivos de una compañía minera convocaron al gerente general de la planta y de la
mina y al gerente de transporte a una reunión de alineamiento. Juntos definieron los objetivos
empresariales. Ya con el proyecto en marcha, los líderes organizaron reuniones mensuales informativas
para mostrar los avances a ejecutivos, despachadores, supervisores de operaciones y operadores de
los camiones, solicitándoles comentarios y respondiendo dudas. Las revisiones quincenales con el
gerente de la mina y el gerente de transporte iban más allá, indagando a profundidad en el desarrollo de

https://www.mch.cl/2020/09/01/adopcion-el-eslabon-perdido-de-analitica-avanzada-en-mineria/ Página 2 de 5
» Adopción: el eslabón perdido de Analítica Avanzada en Minería 28-10-20 16:04

la analítica y su lógica subyacente para medir los resultados con relación a los objetivos generales del
negocio. Luego, complementaron esas conversaciones con capacitación práctica para los usuarios
finales, un proceso que posibilitó la entrega de retroalimentación por parte de los líderes del proyecto al
equipo de diseño para refinar los modelos. La disciplina de comunicación generó una atmósfera positiva:
las voces clave se sintieron escuchadas, se erradicaron las sorpresas negativas y el interés en el
programa creció.

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

Por ejemplo, una empresa extractora de cobre desarrolló un modelo predictivo que enviaba una señal
de alarma cada vez que una fila demasiado larga de camiones amenazaba con provocar un cuello de
botella en alguna de 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 iniciar 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 los atascos, 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 en 5% 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 no podemos implementar las recomendaciones?”, se
preguntaban. Los diseñadores reconfiguraron el algoritmo y la interfaz de usuario, y crearon una vista de
optimización de “estado actual” que daba recomendaciones para maximizar la tasa de producción con
los sistemas existentes, así como una ventana de “estado objetivo” con recomendaciones operacionales
y de inversión de capital específicas (por ejemplo, elevar el porcentaje de sólidos), además de métricas
que explicaban las ventajas de aplicar esas recomendaciones.

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. También notamos que puede ser útil construir un
almacén de datos paralelo para apoyar el modelo e introducir controles de integridad de los datos en el
código de ingestión de datos.

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 luego transmiten
instrucciones a los equipos locales para usarlas en la forma prescripta. Este abordaje puede funcionar
bien con aplicaciones empresariales como sistemas ERP para procesos de back-office de rutina, pero
las iniciativas analíticas típicamente involucran tanto a gerentes como a personal de primera línea.
Recibir instrucciones desde lejos puede hacer sentir a los empleados que su experticia ha sido
devaluada.

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 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 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.” Por ejemplo, una explotación a cielo abierto introdujo un
modelo analítico para ayudar a los despachadores a mejorar la productividad. Pero los despachadores
se resistieron 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, el equipo multi-funcional mejoró la lógica algorítmica y creó
un sistema capaz de ajustar automáticamente el lugar de descarga de los camiones si se anticipaba un
pico en la fila en 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

https://www.mch.cl/2020/09/01/adopcion-el-eslabon-perdido-de-analitica-avanzada-en-mineria/ Página 3 de 5
» Adopción: el eslabón perdido de Analítica Avanzada en Minería 28-10-20 16:04

reemplazarlo, se mostraron más abiertos a usar el sistema y a colaborar en su desarrollo. Esta

funcionalidad 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 que las iniciativas analíticas ganen tracción, los líderes de las minas necesitan “unir los puntos”
entre los objetivos generales del programa de analítica 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 otros, los patrocinadores otros, 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 hacer visible el valor, los líderes del proyecto deben diseñar una
infraestructura de gestión que establezca metas claras para los diferentes grupos, defina
responsabilidades por alcanzarlas y garantice que las métricas de cada área se complementen entre sí
para apoyar los objetivos estratégicos de la compañía. Partiendo desde las metas hacia atrás, los
líderes de proyecto del equipo de diseño deben establecer métricas de desempeño individuales para
cada rol y frente de trabajo y asegurarse 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) encargado de su desarrollo debía elevar la producción de cobre en un porcentaje
determinado aplicando las recomendaciones del modelo. Con ese objetivo en mente, el PO priorizó
abordar el atraso en el desarrollo del modelo. Los desarrolladores, a su vez, tenían a su cargo testear e
iterar las recomendaciones en el terreno hasta alcanzar umbrales de desempeño pre-definidos. Células
digitales dentro del equipo agile debían diseñar métricas más detalladas, como la 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 y permitieron que los líderes
reconocieran a los equipos por el valor creado. Promover el alineamiento, la rendición de cuentas y la
transparencia de las maneras anteriormente descritas le permitirá 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 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 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 re-entrenar 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 la
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 operación de cobre 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 el 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 de la organización.
Así, diseñaron un programa para capacitar a los empleados que estuvieran interesados, lo que
combinaron con una estrategia de reclutamiento de personal experimentado. Los resultados ayudaron al
productor de cobre a crear un hub analítico dentro de su organización para diseñar, apoyar y optimizar
un portafolio de iniciativas de IA y analítica. Para monitorear la precisión del sistema, los analistas
integraron nuevo código a sus modelos para monitorear la desviación y enviar alertas automáticas
cuando fuera necesario volver a entrenar los sistemas. 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 e impulsar su valor.

https://www.mch.cl/2020/09/01/adopcion-el-eslabon-perdido-de-analitica-avanzada-en-mineria/ Página 4 de 5
» Adopción: el eslabón perdido de Analítica Avanzada en Minería 28-10-20 16:04

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”,
es decir, personas con una combinación de habilidades técnicas y empresariales que operan como
interfaz clave entre operarios y expertos por un lado, y el equipo analítico en el otro. Adquirir estos
talentos lleva tiempo, en especial en épocas donde las competencias digitales están en alta demanda.
Comenzar cuanto antes permitirá a las compañías posicionarse un paso adelante en reclutamiento y
capacitación, y contar con los recursos propios necesarios para asegurar una transición ordenada al
final de la fase piloto y el sostenimiento de sus programas de analítica.

***

Las compañías mineras disponen de un enorme activo por descubrir en lo que respecta a 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, 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 en sus inversiones en AA.

Compartir: " # $ % & ' Suscribirse a newsletter !

! COMENTARIOS

Conectate con

$ Login with LinkedIn

https://www.mch.cl/2020/09/01/adopcion-el-eslabon-perdido-de-analitica-avanzada-en-mineria/ Página 5 de 5