¿Cómo usar la analítica avanzada para tomar decisiones? Casos reales

Cómo la analítica avanzada se convierte en un motor real para mejorar procesos, reducir costos y apoyar decisiones estratégicas en diversas industrias explicó el profesor Alejandro Mac Cawley, en un webinar organizado por el Magíster en Ingeniería Industrial (MII UC), de la Pontificia Universidad Católica de Chile.

Alejandro Mac Cawley, PhD, es profesor asociado UC del Departamento de Ingeniería Industrial (DIIS UC) y director del Centro de Excelencia y Gestión de la Producción (GEPUC) y su investigación aborda principalmente técnicas de investigación de operaciones y logística en los recursos naturales y sistemas biológicos, específicamente en los sectores agrícola, de salud y minero.

El profesor Mac Cawley, además, es académico del Magíster en Ingeniería Industrial (MII UC), donde dicta anualmente dos cursos: Gestión de Operaciones y Logística y Gestión de la Cadena de Abastecimiento.

Desde el inicio, Alejandro Mac Cawley fue directo: si los datos que generamos no tienen impacto en las decisiones, simplemente no sirven.

Hoy las compañías están inundadas de información, pero el valor solo aparece cuando esa información se transforma en modelos, visualizaciones y herramientas que guían decisiones reales.

La analítica como puente entre datos y decisiones

Alejandro Mac Cawley explicó que la clave no está en la tecnología, sino en la comprensión profunda del problema. Digitalizar procesos deficientes no mejora nada: “si usted digitaliza un mal proceso, tendrá un mal proceso digitalizado”, dijo.

Por eso recalcó la importancia de avanzar desde la descripción del fenómeno, hacia la predicción y posteriormente la prescripción, donde los modelos indican qué decisión conviene tomar y por qué.

Casos presentados: desde agricultura y manufactura hasta banca y salud

El webinar recorrió numerosos proyectos, la mayoría desarrollados junto a estudiantes de postgrado, que muestran cómo modelos matemáticos, optimización y machine learning permiten resolver problemas concretos.

Cosecha en viña

Uno de los casos más ilustrativos fue el de la programación de una cosecha en viñas. Allí un modelo de optimización permitió balancear ventanas de cosecha, capacidad laboral, costos y pérdida de calidad según fecha de la vendimia.

Esto redujo la discusión subjetiva entre enólogo y jefe de campo: el modelo hacía explícito qué implicaba adelantar o retrasar la cosecha y cómo eso cambiaba la calidad o los costos.

Posteriormente, junto a un alumno de doctorado, el equipo incorporó la probabilidad de lluvia y transformó este modelo en uno estocástico, lo que permitió generar planes adaptables a distintos escenarios de clima.

Embotellamiento de vino

Otro caso fue el secuenciamiento de líneas de embotellación para una empresa norteamericana. La complejidad de los cambios entre diferentes tipos de vino hacía que la planificación manual tomara un día completo.

El modelo desarrollado por el equipo del profesor redujo ese tiempo a minutos y permitió bajar los costos de setup en torno al 12%, con impactos financieros cercanos al millón de dólares anuales.

Industria 4.0 y salud

Alejandro Mac Cawley también presentó resultados de una investigación realizada en Brasil sobre adopción de tecnologías de industria 4.0.

El hallazgo central fue que el aprendizaje individual no basta; lo que verdaderamente genera impacto es el aprendizaje organizacional. La tecnología solo produce beneficios cuando el conocimiento queda instalado en equipos y procesos, no en una persona aislada.

Esta lógica también se llevó al ámbito de la salud 4.0, donde se detectó que los hospitales suelen ser reactivos y que la integración tecnológica depende, muchas veces, más del impulso de médicos individuales que de la gestión institucional.

Para el profesor, esto muestra cuán crítica es la capacidad de aprendizaje organizacional para que una inversión tecnológica tenga sentido.

Lesiones en faenadora de carne

Uno de los desarrollos más llamativos fue en una empresa faenadora de carne, donde se instalaron sensores acelerométricos en las muñecas de los trabajadores. Con machine learning se logró detectar malos movimientos, hiperextensiones y hasta identificar si un cuchillo estaba afilado o desafilado solo por el patrón de movimiento.

Esta información permitió anticipar lesiones y entregar retroalimentación personalizada en tiempo real.

Banca y retail

La presentación también abordó casos bancarios y de retail. Por ejemplo, la asignación óptima de campañas a canales comerciales, modelos de propensión al crédito construidos con datos abiertos de la CMF y estrategias para aumentar la efectividad de campañas masivas segmentando adecuadamente a los clientes.

En todos estos casos, el patrón se repite: datos históricos, un modelo sólido y una decisión concreta que aumenta la eficiencia.

Finalmente, el profesor mostró un proyecto de mantenimiento predictivo llamado PLASMA, que busca integrar señales de sensores industriales para predecir la degradación de equipos y determinar el momento óptimo para ejecutar mantenimiento. La decisión clave no es simplemente “cuándo fallará”, sino “cuándo conviene intervenir considerando costos y detención”.

Competencias que realmente importan para trabajar en analítica

Alejandro Mac Cawley fue claro en que la analítica avanzada exige una combinación de habilidades. Entre estas: manejo de grandes volúmenes de datos, programación, estadística, optimización, machine learning y visualización.

No hay “una herramienta mágica”, sino una caja de herramientas que se debe elegir según el problema que se intenta resolver. También remarcó algo que muchos olvidan: Excel sigue siendo útil si se usa con profundidad, no solo para promedios y tablas básicas.

Preguntas del público: software, robotización y ventajas del MII UC

La ronda final de preguntas tocó temas prácticos. Ante la consulta por software, el profesor explicó que la optimización se apoya en herramientas como Gurobi o CPLEX, mientras que la inteligencia artificial y el machine learning dependen de lenguajes como Python o R y librerías abiertas.

Sobre la robotización en manufactura, su mirada fue pragmática: la conveniencia depende del costo laboral, la estabilidad del proceso y la capacidad de convivir con mayor complejidad técnica.

Respecto de la comparación entre el MII UC y otros programas del mercado, Alejandro Mac Cawley fue categórico: el valor del MII UC está en la formación metodológica y cuantitativa, que permite entender y diseñar modelos avanzados que otros programas aparentemente similares, normalmente no cubren.

El webinar terminó con una invitación a quienes buscan formación rigurosa y aplicada en analítica. El MII UC ofrece justamente ese enfoque, combinando teoría sólida con aplicaciones reales en empresas.

Revive el webinar El uso de herramientas de analítica avanzada para el apoyo en la toma de decisiones en el siguiente video:

Conoce todos detalles del Magíster en Ingeniería Industrial (MII UC).