Diseñar bien las pruebas cuando se experimenta
7
La importancia de la Experimentación en el Proceso de Innovación Lourdes Pozueta Fernández . Doctora en Estadística. Socia Fundador de Avancex+i. Miembro fundador de Ideas2Value [email protected] ; [email protected]
-
Upload
lourdes-pozueta-fernandez -
Category
Engineering
-
view
341 -
download
4
Transcript of Diseñar bien las pruebas cuando se experimenta
La importancia de la Experimentación en el Proceso de InnovaciónLourdes Pozueta Fernández. Doctora en Estadística.
Socia Fundador de Avancex+i. Miembro fundador de [email protected]; [email protected]
La importancia de la Experimentación en el Proceso de InnovaciónLourdes Pozueta Fernández. Doctora en Estadística.
Socia Fundador de Avancex+i. Miembro fundador de [email protected]; [email protected]
IntroducciónLa experimentación y el prototipado
Método científico o instintoMétodos estadísticos para diseño de experimentosExperimentación física y experimentación virtual
Tener buenos hábitos experimentales es una competencia clave para las personas que están inmersas en el proceso de innovación, sin embargo es una disciplina que se resiste a permear con suficiente profundidad, pudiendo ser la clave del éxito para poner el producto en el mercado.
Dentro del proceso de Innovación, en la fase de prototipado, la “experimentación con rigor científico” permite un aprendizaje rápido y eficaz ya que ayuda a identificar los factores clave que afectan a las funciones requeridas para el producto y a entender estas relaciones. Esta manera de trabajar se basa en tomar decisiones en base a evidencias. Las evidencias, resultantes de un plan experimental metódico, permite aprender al equipo innovador y permite convencer al mercado.
La buena noticia es que existen rutinas, protocolos, que permiten avanzar por un camino de menor coste y más aprendizaje, donde se reducen la incertidumbre y los fracasos que impiden llegar al mercado. En este camino, se utilizan herramientas estadísticas de diseño de experimentos que ayudan a seleccionar aquellas condiciones experimentales que permiten, en un posterior análisis de datos basado en modelos, evaluar el impacto de
cada factor a estudio y seleccionar el prototipo que mejor se adapta al mercado.
Hay herramientas estadísticas sencillas y sofisticadas, todas ellas dirigidas a entender las fuentes de variabilidad que impiden no reproducir los resultados. En el ejemplo del “Equipo Colágeno” compartiremos en un próximo post una herramienta sencilla de diseño experimental que estamos utilizando para lograr prototipos óptimos y reproducibles. Este equipo emprendedor aprovecha materiales de desecho de piel de vaca para la elaboración de materiales con
Ilustración 1 Equipo Colágeno del Instituto de FP Miguel Altuna de Bergara, Gipuzkoa
2
propiedades termoplásticas de aplicaciones interesantes para biomedicina, fabricación aditiva,…etc.
La experimentación y el prototipado
El concepto “experimentar” se entiende de manera diferente según la actividad en que uno se encuentra en el proceso de innovación. Mi intención es centrarme en la fase de prototipado que comprende actividades diversas que quedan recogidas cuando se utiliza la clasificación en niveles TRL ( Technology Readiness Levels) de madurez de una tecnología.
Así, las fases donde recomiendo en este post potenciar la experimentación con rigor son las TRL4-TRL7, ya que en fases previas los equipos ya han logrado la tecnología de una forma básica, y tienen una “receta de partida” que busca aplicación en el mercado.
Maduración tecnológica y fases del proceso de innovación1
TRL 9 Aplicación comercial. Despliegue
TRL 8 Primer sistema/prototipo comercial Producto o servicio comercializable Certificaciones pruebas específicas
TRL 7 Sistema/prototipo validado en entorno real.
Prototipo/Demostrador
Desarrollo tecnológico
TRL 6 Sistema/prototipo validado en entorno simulado.TRL 5 Desarrollo a escala real.TRL 4 Desarrollo a pequeña escala (laboratorio).TRL 3 Investigación aplicada. Prueba de concepto Prueba de concepto Investigación
industrialTRL 2 Formulación de la TecnologíaTRL 1 Investigación básica
El equipo innovador persigue adaptar la tecnología a los requerimientos del mercado de modo que puedan convencer de que se pueden reproducir productos de forma rentable.
Algunos de los retos que tienen estos equipos innovadores son:
a. Dominar la tecnología a pequeña escala: lograr, con la “receta de partida”, reproducir las prestaciones iniciales sin que ocurran hechos fortuitos “inexplicables” y desagradables.
o Por ejemplo, una persona que innova para fabricar productos semielaborados como una pizza, antes de poner el producto en el mercado ha de lograr reproducir este producto, no es suficiente con que algunas pizzas le salgan bien. Ha de identificar las fuentes de variación que hace que ocurran problemas, y contrarrestarlas.
b. Adecuar la tecnología al cliente: identificar modificaciones oportunas en “la receta” para lograr las nuevas prestaciones requeridas en promedio.
o El innovador pizzero que domina su proceso tiene que pasar a continuación a poner sus esfuerzos en mejorar la receta. Y para ello si sigue un plan experimental científico llegará a más conocimiento en menos tiempo.
c. Adecuar la tecnología de forma robusta: identificar modificaciones oportunas en “la receta” para lograr que se logra las prestaciones y que estas no varían antes entornos variables de fabricación o de uso.
1 Niveles de madurez de la tecnología. Technology Readiness Levels. TRL’s. Juan Miguel Ibáñez de Aldecoa Quintana. Revista: EconomiaIndustrial nº393
3
o Por último, el innovador pizzero ha de pensar en otros factores que pueden afectar a la experiencia del consumidor comiendo la pizza. Por ejemplo tendrá que tener en cuenta el envejecimiento de la pizza en el envase, las variaciones que el usuario realiza en el horno (temperatura y el tiempo) recomendables en el envase,…etc.) para seleccionar una receta robusta o insensible a estas variaciones. En este caso los diseños de experimentos robustos le pueden ayudar en su objetivo.
Es decir, en las etapas TRL4-TRL7 se trata de lograr un prototipo que sea fabricable, que su fabricación no sea sensible a variaciones en materias primas, utillajes, condiciones de entorno,…etc. y por supuesto que el comportamiento no varíe dependiendo de las condiciones en que el usuario final lo utilice.
Método científico o instinto
En pocos años hemos pasado de tener “toda la vida laboral para comprender” los procesos, y utilizar sólo de forma reiterada las habilidades de observar y especular para dar una explicación de lo que acontece (equivocándonos en un alto porcentaje de las situaciones), a tener necesidad de aprender rápido, a tener necesidad de adquirir conocimiento y estar convencidos de cambiar el modo de hacer las cosas.
Uno no nace científico y esta mente “no científica” posee tácticas ineficientes, que hace que nuestro aprendizaje sea lento y escaso; si no cambiamos de táctica es fácil agotar los recursos y avanzar poco en los retos.
Si experimentamos en el laboratorio igual que en la cocina de casa, por impulsos, persiguiendo cada domingo un asado rico con tácticas prueba-error (muy caras) del tipo “añade más de esto”, “pon un poco menos de aquello”, “sube un poco más la temperatura, un poco más”, “prueba a cambiar de proveedor”, puede que lleguemos un domingo a un buen asado, pero como no sabremos a qué se debe no lo sabremos repetir para el próximo.
La habilidad de experimentar con rigor permite chequear hipótesis, despejar incertidumbres y decidir realizar cambios desde el convencimiento objetivo.
La clave está en tener la habilidad de recoger datos de calidad que permitan entender las relaciones, es decir, tener la habilidad de seleccionar aquellas recetas o prototipos que permitan distinguir la contribución de cada factor para con ello optimizar la receta, y esto lo aporta el método científico.
Por lo tanto el método científico ha de darnos un plan experimental y un modo de analizar los datos de modo que las evidencias destierren las dudas y permitan aprender rápido y con el mínimo coste. El propio método servirá para comunicar el proceso seguido y los logros obtenidos en base a evidencias y así convencer al mercado.
“La clave está en tener la habilidad de recoger datos de calidad que permitan entender las relaciones, es decir, tener la habilidad de seleccionar aquellas recetas o prototipos que permitan distinguir la contribución de cada factor para con ello optimizar la receta.
Métodos estadísticos para diseño de experimentos (DOE)
El diseño de experimentos ayuda a enfocar problemas complejos basándose en el conocimiento de un equipo multidiciplinar. El experto en diseño de experimentos no puede resolver el problema por si solo, sino que guía al equipo para extraer la información necesaria para planificar adecuadamente las pruebas a llevar a cabo. Además será responsable de analizar los datos buscando evidencias para chequear las hipótesis.
4
Así, el diseño de experimentos determina las condiciones en que se han de experimentar, la cantidad en cada condición y el orden de las mismas con la finalidad de aproximar el modelo subyacente que relaciona la respuesta de interés y los factores y de este modo responder a preguntas clave. En el caso del Equipo Colágeno alguna preguntas son: ¿Afecta la localización de la pieza en la vaca a las propiedades mecánicas? ¿Y la edad? ¿Cuánto puedo ahorrar reduciendo el espesor sin que le afecte a las propiedades? ¿hay diferencia entre usar pluma y pelo como reforzante? ¿Afecta el origen del proveedor a las características? ¿Se puede lograr un material tan flexible como la piel?
Así, el diseño de experimentos determina las condiciones en que se han de experimentar, la cantidad en cada condición y el orden de las mismas con la finalidad de aproximar el modelo subyacente que relaciona la respuesta de interés y los factores y de este modo responder a preguntas clave
Un Diseño de Experimentos comprende un listado de pruebas experimentales y un orden de ejecución que dependerá de:
a. tipo de función que se desea estudiarb. tipo de pregunta que se desea responderc. tipo y cantidad de factores a estudiar, d. variabilidad experimental de partida y sus orígenes e. factores no controlables del entornof. presupuesto asignado a la experimentación.g. Otros (independencia de los factores, variabilidad entre individuos,…)
Muchas de las posibles pruebas a realizar están recogidas en procedimientos reconocidos por la comunidad científica (ISO-TC 69-Applications of statistical methods) y de extensa aplicación en la investigación de la salud (sector farmacéutico , médico,..), en empresas de cultura Seis Sigma como General Electric, o en departamentos de diseño en grandes multinacionales de automoción, aeronáuticas, …etc.
Así, la experimentación con rigor determina, antes de experimentar, las “pistas” o “evidencias” que esperamos encontrar en los DATOS para abandonar una hipótesis o mantenerla y estas evidencias se han de resistir a cualquier tipo de interrogatorio (¿cómo lo has hecho?, ¿el tamaño de muestra es suficiente, ¿has tenido en consideración esto y aquello?...) por parte de escépticos.
En próximos post pondremos ejemplos de tácticas experimentales.
Experimentación física y experimentación virtual
Hay disciplinas donde se han desarrollado simuladores que logran reproducir procesos o piezas con bastante rigor y que permiten acercarse al comportamiento real del producto sin necesidad de obtenerlo físicamente ahorrando en tiempo y coste de desarrollo. Así, se pueden simular geometrías de piezas para fabricación aditiva y analizar su comportamiento, se pueden simular distintas formas de placas para fundición y analizar los tiempos de llenado y comportamiento de piezas, …etc.
La utilidad del Diseño de Experimentos para la Experimentación Virtual es enorme ya que a igual que en la experimentación real el experimentador se encuentra ante un dilema:
Existen numerosos factores que pueden ser modificados. Para cada factor existe un margen amplio de opciones. Las pruebas (simulaciones) consumen recursos. Los resultados obtenidos han de permitir aprender y avanzar rápidamente y de
forma segura. 5
Cuando los métodos estadísticos orientados a la experimentación se aplican en el campo de la simulación computacional es posible realizar verdaderos experimentos virtuales que permiten lograr un aprendizaje más rápido y más completo, e innovar así de forma más eficiente.
La combinación del experto en estadística, el experto en simulación, el innovador tecnológico y el especialista sectorial, es una magnífica combinación para lograr el éxito a la hora de poner el producto en el mercado.
En Ideas2Value, los expertos en herramientas estadísticas y en simulación, somos intermediarios entre los tecnólogos y el mercado con la finalidad de dar apoyo a la realización de ensayos, reales y virtuales, por medio de técnicas basadas en diseño de experimentos.
Estas colaboraciones resultan interesantes por ejemplo para la optimización de los parámetros de diseño y/o producción de los nuevos productos. Actualmente se está aplicando también a campos como la fabricación aditiva (impresión 3D), donde se puede utilizar el diseño de experimentos tanto al estudio estructuras por simulación computacional como a la fabricación y ensayo de prototipos reales.
Lourdes Pozueta Fernández. Doctora en Estadística.Socia Fundador de Avancex+i. Miembro fundador de Ideas2Value
[email protected]; [email protected]
6
