Cada día, millones de hombres y mujeres en organizaciones industriales de todo el mundo dedican más del 30 % de su jornada laboral a actividades de tiempo no productivo (NPT).[i]. No están perdiendo el tiempo sin hacer nada, sino que están tratando activamente de encontrar la información correcta, esperando orientación o tratando de coordinarse con otros equipos de trabajo. Si bien esta condición existe en todas las empresas y en todas las industrias, es particularmente endémica dentro de las actividades de operaciones y mantenimiento técnico. Para agravar la situación, una vez que estos trabajadores tienen la información que necesitan, es probable que sigan haciendo el trabajo incorrectamente el 25 % del tiempo.[ii]. Esta elevada tasa de error humano (HER, por sus siglas en inglés) da como resultado una costosa reelaboración, así como un mayor potencial de fallas catastróficas del equipo y lesiones humanas.
Las causas de NPT y HER altos en la primera línea industrial pueden ser tan variadas como las empresas que experimentan el problema. En la mayoría de las organizaciones, los datos quedan atrapados en silos y, a menudo, se pierde la relevancia contextual en los dominios y actividades funcionales. Los sistemas de tecnología de la información permanecen desconectados de los sistemas de tecnología operativa, lo que impide que los conocimientos críticos lleguen a los trabajadores en la última milla táctica. Y a pesar de la inversión corporativa masiva en captura y análisis de datos, la aplicación de esa información sigue restringida a las operaciones de la sede: eficiencia empresarial y optimización de la producción, y planificación de inversiones en equipos de capital. Los trabajadores de primera línea rara vez tienen acceso a información que pueda ser relevante para su propia toma de decisiones y actividades.
Exacerbar los obstáculos descritos anteriormente es un problema estructural fundamental que continúa afectando a las empresas: una brecha de habilidades de la fuerza laboral. La adopción de nuevas tecnologías y los cambios en la demografía han transformado radicalmente la forma en que las organizaciones realizan negocios y el tipo de habilidades necesarias en su fuerza laboral. La aceleración de la jubilación de la fuerza laboral y un tiempo demasiado largo para la competencia cuando se incorpora nuevo personal está dando como resultado la pérdida de conocimientos expertos tácitos y la falta de personal calificado. Esta brecha de habilidades empeora NPT y HER, ya que equipos más pequeños de trabajadores sin experiencia deben mantener, reparar y operar equipos cada vez más complejos con menos conocimientos y menos recursos disponibles.
Madison Insight Engine, lanzado recientemente por un miembro de AREA contexto, es la primera solución que combina la extracción de datos, el aprendizaje automático y la comprensión del lenguaje natural para brindar información y apoyo en la toma de decisiones a los trabajadores técnicos de primera línea que mantienen, reparan, operan y fabrican equipos complejos. Esta capacidad permite a los trabajadores industriales hacer bien el trabajo desde la primera vez, desarrollar sus conocimientos y habilidades en el trabajo y mejorar su productividad y seguridad.
Al reconocer a Contextere en su informe 2020 Cool Vendors for the Digital Workplace[iii], Gartner señaló que los motores de análisis e información "generalmente se enfocan en las necesidades de los trabajadores de escritorio en grandes organizaciones", mientras que Madison Insight Engine es único en el sentido de que "utiliza solo el contexto para entregar de manera proactiva toda la información relevante necesaria para completar un tarea” independientemente de la ubicación del usuario o el dominio.
Madison aplica el aprendizaje automático junto con el procesamiento de lenguaje natural conversacional para brindar orientación seleccionada de manera proactiva y predictiva a un técnico o analista en un entorno industrial en función de su contexto local en tiempo real en evolución. El enfoque de los algoritmos de Madison es determinar y entregar la información correcta: un enfoque reduccionista para seleccionar la gran cantidad de datos empresariales disponibles.
Las organizaciones industriales de todo el mundo buscan abordar los problemas de productividad y una brecha de habilidades cada vez mayor en su fuerza laboral de primera línea. Al proporcionar información crítica de manera proactiva, cuándo y dónde se necesita, Madison Insight Engine permite que cada trabajador industrial aumente continuamente su conocimiento y competencia en el trabajo, realice sus tareas de manera segura y sea lo mejor posible en productividad. A su vez, las empresas reciben el beneficio de un desarrollo efectivo de la fuerza de trabajo, el máximo tiempo de actividad del equipo y un rendimiento humano-máquina óptimo. Para obtener más información y ver una demostración de Madison, vaya esta página.
[i] Slaughter, A, Bean, G. y Mittal, A. (2015, 14 de agosto). Barriles conectados: transformando las estrategias de petróleo y gas con Internet de las cosas. Obtenido de http://dupress.com/articles/internet-of-things-iot-in-oil-and-gas-industry/
[ii] Lyden, S. (2015). Tasa de reparación por primera vez: las 5 principales métricas de potencia de servicio de campo. Obtenido de https://www.servicemax.com/uk/fsd/2015/04/13/first-time-fix-rate-field-service-metrics-that-matter/
