CREANDO CULTURA DE

INDUSTRIA 4.0

EL GRUPO

ZEMSANIA

SOBRE NOSOTROS

+1.200 PROFESIONALES + 2.800 PROYECTOS Y CONTRATOS DE SERVICIOS PROFESIONALES

OPERACIONES EN 8 PAÍSESEMEA y AMÉRICA

OCOHODIEZ MARCAS COMERCIALES PROPIAS

Cobertura 360º a las necesidades de nuestros clientes

UN PORTAFOLIO

COMPLETO

PORTAFOLIO DE PLATAFORMAS Y SOLUCIONES

Amplia cobertura a las necesidades de nuestros clientes

• Industria 4.0

• Alineado con logística 4.0

• Transformación Digital

• Big Data

• IoT

• Innovaciones para el futuro

• Monitorizar la producción

• Integración Vertical y Horizontal

• Flexibilidad

• Producción individualizada

• Eficiencia en la producción

• Maximizar el retorno de la

inversión y el EBITDA

Nuevos problemas:• Integración Vertical• Integración Horizontal

INTEGRACIÓN HORIZONTAL

Ejemplo, en la Planta Industrial

MáquinaHerramienta

RobóticaCiberseguridad

IoTCloud

Industrial

Big DataAnalytics

AutomatizaciónIndustrial

Impresión3D

InteligenciaArtificial

Fuente: Industrie4.0:The Fourth Industrial Revolution based on Smart Factories; Professor Wolfgang

Wahlster; CEO of DFKI (Centro Alemán de Investigación en Inteligencia Artificial)

FACTORÍA INTELIGENTE

RED DE OBJETOS INTELIGENTES

+

INTEGRACIÓN VERTICAL

Ejemplo, en la Planta Industrial – ERP Corporativo

PLM

ERP

MES

Change

Management

MaintenanceResource Control

DisassemblyDesign Engineering

Operation

diseño

planificación

programaciónCambios

ahorromantenimiento

entrega

Logistics

Customer

reportes

Information Backbone

CloudBigData

analyzing

Set-Up

EJEMPLO INTEGRADO VERTICAL - HORIZONTAL

Vertically integrated and correlated information

NUESTRA PROPUESTA

PARA EMPEZAR CON LA INTEGRACIÓN Y CREANDO CULTURA 4.0

BIG DATA - ANALYTICS

IN2 - Confidencial 11

BIG DATA - ANALYTICS

UN ECOSISTEMA MUY AMPLIO !!

¿CÓMO EMPEZAMOS?

CÓMO CREAMOS CULTURA 4.0

¿POR QUÉ “CREANDO CULTURA 4.0”

Tres razones !!

1. HAY POCAS REALIDADES 4.0

PARA ACELERAR, SE NECESITA PRINCIPALMENTE TRANSFORMAR PROCESOS Y ROLES, CAMBIANDO LA ACTUAL CULTURA

ENCUESTA McKINSEY

Febrero 2017, USA

• Percepción de la

penetración digital por

industria

• % de respuestas

• De momento poco

impacto en el

desarrollo económico

de las empresas

• Pero, se prevé un

avance con

implicaciones muy

significativas en

ingresos, beneficios

y oportunidades

IN2 - Confidencial 14

¿POR QUÉ “CREANDO CULTURA 4.0”

Tres razones !!

2. EL CAMBIO CULTURAL ES IMPORTANTE, PUES AFECTARA A:

Productividad

Generación de Ingresos y Beneficios

Empleo

“nuevos roles”

“nuevas especialidades”

Crecimiento de las Inversiones

IN2 - Confidencial 15

¿POR QUÉ “CREANDO CULTURA 4.0”

Tres razones !!

3. EL CAMBIO CULTURAL AYUDA A:

Desarrollo del conocimiento y las competencias

Fomenta la colaboración multidisciplinar

Desarrolla nuevas habilidades

Ayuda a avanzar en las estrategias 4.0

ITINERARIO PROPUESTO

BIG DATA - ANALYTICS

PLAN ESTRATÉGICO

PLAN OPERATIVO

LISTA DE OBJETIVOS

INDICADORES (KPIs)

MÉTRICAS

VALORES DE REFERENCIA

LOS DATOS

¿DÓNDE ESTÁN?

¿Cuáles son las Actividades de Valor que tiene que desempeñar la Compañía para ser competitiva en el mercado?

¿Cuáles son los Clientes y segmentos de los mismos que compran o son servidos por la Compañía?

¿Cuáles son sus legítimas expectativas ?

¿Cuáles son aquellas entidades (terceras partes) con las que mantenemos relaciones que nos ayuden a:

•Alcanzar nuestros objetivos de negocio

•Posibilitar otras oportunidades de negocio

•Reducir o trasladar riesgos?

¿Cuáles son aquellas fuerzas externas, entidades y aspectos del entorno (presiones, barreras, ...) en que se mueve la Compañía y que debemos tener en cuenta para poder alcanzar sus objetivos?

¿Cuáles son los mercados y segmentos de la industria en los que opera la Compañía?

¿Cuáles son los productos o servicios con los que opera habitualmente la Compañía?

¿Cuáles son las

Funciones y Unidades

de la Organización que

desempeñan un papel

clave en los procesos

de negocio de la

Compañía?

Pág. 25

75%

25%

100%

Cómo?

El Iceberg de los Datos CorporativosG

esti

ón

Mac

hin

e D

ata

Datos

EventosPor qué?

Datos Máquina

Tenemos un objetivo !!Hacer que los

‘Datos Máquina’ sean

Accesible, Usable y que Aporte Valor

1

Movernos: de la Gestión de la

Información basada en Datos, a

la Gestión de la Información

basada en “Eventos”

2

75%

25%

Cómo?

Ge

stió

n

Dat

a M

ach

ine

Datos

EventosPor qué?

Pág. 26

El STV será nuestra Fuentes de Datos !!!

DATOS NO ESTRUCTURADOS

Ejemplo

ELABORAR LOS DATOS

EXTRAERLOS

INDEXARLOS

CORRELACIONARLOS

IN2 - Confidencial 30

Se genera un pedido

Se proceso el pedido

Se genera un error

Alguien llama para reclamar

No hay respuesta

Twitter, con comentario

Inteligencia en Tiempo Real

IN2 - Confidencial 31

Inteligencia en Tiempo Real

CADENA DE VALOR DE LOS DATOS

Transforma esto

En esto

33

REPRESENTAR LOS DATOS

LOGO

Monitorizar la industria

Transforma

los datos,

E y No E, en

información útil y

usable

Resolver

un problema

que estabilice la

producción y ofrezca

nuevas perspectivas

Difundir

el “éxito”

A través de la mejora

en las operaciones, los

procesos, la calidad, …

En base a:

CASO DE USO

INDUSTRIA AUTOMÓVIL

ESTRATEGIA A SEGUIR

EN EL PROYECTO

3 FASES

38

• Mejorar las actividades

observadas

• Crear cultura digital

• Formar a los nuevos roles

• Transformar ACTIVIDADES

• Crear cultura de Analytics

• Crear un

OBSERVATORIO, para

observar comportamientos

• Hacerlo a través de

Dashboards

• Transformar PROCESOS

• Nueva cultura 4.0

• Industria 4.0

• Logística 4.0

FASE 1

• Establecer el OBSERVATORIO creando 8 Dashboards

• El sistema debe permitir dar ordenes a los PLCs, desde el ERP Corporativo

• Tomar datos de los PLCs de líneas y sublíneas, en tiempo real, para actualizar, en el ERP Corporativo, la producción realizada

• Es una Integración Vertical, bidireccional, entre Corporativo y Planta (IT+OT)

MACHINE LEARNING

IS THE NEW

ELECTRICITY

• Aprendizaje Automático (Machine Learning) es la nueva revolución

• Aprendizaje Automático emplea datos históricos para construir modelos predictivos

• El objetivo es automatizar (escalar) los procesos de toma de decisiones

Inteligencia Artificial - Aprendizaje Automático - Aprendizaje Profundo

Redes Neuronales

Soluciones a problemas complejos

¿ Qué están haciendo los "big-players" ?

Industria del automóvil

• Predicción del fallo de maquinaria

• Si una máquina se estropea se paraliza toda la línea

• Existen paradas planificadas donde se podrían sustituir

• Reparar antes de que fallen

SOLUCIÓN – MACHINE LEARNING

• Sensorizar para capturar datos

• Etiquetar datos:

• Menos de 1 mes para el fallo

• Menos de 2 meses para el fallo

• Más de dos meses para el fallo

Industria del automóvil

• Resultado del 91% de acierto*

Industria del automóvil

* pero se aporta una información temporal que hace que el sistema sea casi perfecto

Otros casos de éxito

• Detección de fraude en transacciones, BBVA Data & Analytics

• Motor de reconocimiento de matrículas, sector seguridad

• Estimación de consumo energético, SolverEnergy

• Predicción de precio de la energía, SolverEnergy

• Reconocimiento facial, sector fintech

• Análisis de redes sociales, sector fintech

• Predicción de ventas y planificación de ofertas, sector consumo