Computación e ingeniería industrial 137 (2019) 106099

Listas de contenidos disponibles en ScienceDirect

Computación e ingeniería industrial

revista Página de inicio: www.elsevier.com/locate/caie

Comprensión de la analítica de Big Data para procesos de fabricación: conocimientos de la revisión de la

literatura y múltiples estudios de casos

Amine Belhadi un , • , Karim Zkik segundo , Anass Cherrafi C , Sha'ri M. Yusof re , Dijo el fezazi un
un Universidad Cadi Ayyad, Marrakech, Marruecos
segundo TICLab, Universidad Internacional de Rabat, Sale, Marruecos
C ENSAM-Meknes, Universidad Moulay Ismail, Meknes, Marruecos
re Universidad de Tecnología de Malasia, Kuala Lumpur, Malasia

INFORMACIÓN DEL ARTÍCULO ABSTRACTO

Palabras clave: Hoy, sin duda, estamos en la era de los datos. Big Data Analytics (BDA) ya no es una perspectiva para todos los niveles de la organización. Esto es de
Análisis de Big Data especial interés en el proceso de fabricación con su alta intensidad de capital, limitaciones de tiempo y dada la enorme cantidad de datos ya capturados. Sin
Proceso de manufactura embargo, existe una escasez de literatura anterior sobre BDA para desarrollar una mejor comprensión de las capacidades y las implicaciones estratégicas
Capacidades de Big Data Analytics
para extraer valor de BDA. En ese sentido, el objetivo central de este artículo es desarrollar un modelo novedoso que resuma las principales capacidades de
Business Intelligence
BDA en el contexto del proceso de fabricación. Esto se lleva a cabo basándose en los hallazgos de una revisión de la investigación en curso junto con varios
Revisión de literatura
estudios de casos dentro de un fabricante líder de derivados de fosfato para señalar las capacidades de BDA en los procesos de fabricación y esbozar
Estudio de caso múltiple
recomendaciones para avanzar en la investigación en el campo. Los hallazgos ayudarán a las empresas a comprender las capacidades de análisis de big
data y sus posibles implicaciones para sus procesos de fabricación y las respaldarán en su búsqueda de diseñar una infraestructura habilitadora de BDA
más efectiva.

1. Introducción
La aparición generalizada de tecnologías digitales y el avance de la potencia informática y la
expansión de la Internet de las cosas industrial (IoT) han llevado a una nueva generación de
tecnologías basadas en la información en red, análisis de datos y modelado predictivo ( Él y Wang,
2018 ). Esta nueva generación proporciona capacidades de computación integradas sin igual para
proporcionar a los fabricantes los mejores medios para extraer valor de una cantidad cada vez mayor
de datos y obtener una poderosa ventaja competitiva ( Chiang, Lu y Castillo, 2017; Él y Wang, 2018 ).
Según el informe de investigación publicado a principios de 2011 por McKinsey Global Institute
bajo el título " Big Data: la próxima frontera para la innovación, la competencia y la productividad ”, Big
Data ha penetrado en todos los aspectos de la vida y se convierte en un pionero fundamental de la
producción en un futuro próximo ( Manyika et al., 2011 ). De acuerdo a Manyika y col. (2011) , Big Data
involucra conjuntos de datos cuyo tamaño excede la capacidad de las herramientas típicas de
software de bases de datos para capturar, almacenar, administrar y analizar. Principalmente, Big Data
se caracteriza por la capacidad de manejar datos con cuatro cualidades: Volumen (el tamaño / escala
de los datos), Variedad (la forma / formato de los datos), Velocidad (la tasa de los datos que se
producen) y Veracity (la incertidumbre / confiabilidad de los datos). El Big Data suele estar asociado
con el concepto de Analytics que se refiere a la capacidad de adquirir información a partir de datos
mediante la aplicación de estadísticas, matemáticas, econometría, simulaciones, optimizaciones u
otras técnicas para apoyar los procesos de toma de decisiones ( Arunachalam, Kumar y Kawalek,
2018; Wang, Gunasekaran, Ngai y Papadopoulos, 2016 ).
Particularmente para los procesos de fabricación, el desafío de Big Data Analytics (BDA) es aún
mayor. En realidad, el uso excesivo de operaciones de procesos, computadoras de control y
sistemas de información hace que las bases de datos de operaciones de procesos de fabricación
existentes sean enormes y masivas. Además, con el avance cada vez mayor de los dispositivos de
IoT desde sensores de proceso convencionales hasta imágenes, videos y tecnologías de medición
indirecta, se espera que los datos extraídos de los futuros procesos de fabricación inteligente se
expandan drásticamente ( Qin, 2014 ). Por lo tanto, parece ser un consenso que solo los fabricantes
capaces de analizar sus procesos de fabricación basándose en esta enorme masa de datos en
aceleración sobrevivirán en la siguiente etapa de la transformación de la fabricación avanzada dentro
de la era de los datos como un activo competitivo decisivo. Dichos fabricantes predicen el mejor flujo
de proceso en curso y controlan proactivamente sus procesos con este conocimiento ( Krumeich,
Jacobi, Werth y Loos, 2014 ).
Debido a las consideraciones antes mencionadas, Big Data Analytics en los procesos de
fabricación ha recibido una atención creciente debido a

• Autor para correspondencia en: Route Dar Si-Aïssa BP. 89 Avenue Echahid Mbarek El Mokhtar, Safi, Marruecos.

Correos electrónicos: belhadi-9@hotmail.fr , Belhadi.amine@outlook.com (A. Belhadi).

https://doi.org/10.1016/j.cie.2019.106099
Recibido el 28 de octubre de 2018; Recibido en forma revisada el 3 de julio de 2019; Aceptado el 27 de septiembre de 2019 On-line el 28 de
septiembre de 2019

0360-8352 / © 2019 Elsevier Ltd. Todos los derechos reservados.

A. Belhadi y col.
su considerable impacto en los procesos de fabricación. En primer lugar, el uso generalizado de
sistemas de control distribuido y el desarrollo de algunas tecnologías típicas de la información y la
comunicación (TIC) han hecho evolucionar considerablemente el modo de producción. Los procesos
de fabricación actuales operan cada vez más en un entorno incierto y complejo con operaciones
complicadas y restricciones demasiado complicadas ( Cheng, Chen, Sun, Zhang y Tao, 2018 ). Por lo
tanto, se vuelve cada vez más difícil construir modelos de primer principio en esos procesos
complejos y muchos procesos y prácticas que satisfacen el modo tradicional de gestión de la
producción ya no son apropiados ( Cheng y col., 2018; Ge, Song, Ding y Huang, 2017 ). En segundo
lugar, la inmensa necesidad de los gerentes de producción de una gestión de la producción en
tiempo real, dinámica, autoadaptativa y precisa ha traído nuevos desafíos a los métodos
tradicionales. Es muy necesario crear inteligencia de fabricación a partir de datos en tiempo real para
proporcionar una predicción precisa de la calidad del producto, la producción y el tiempo de
procesamiento. Esto se hace mediante nuevas técnicas efectivas, dentro de un tiempo de cálculo
más corto para controlar los sistemas de producción continuos en tiempo real e identificar fallas,
defectos y algunas otras situaciones anormales junto con el apoyo a la toma de decisiones precisa y
oportuna ( Cheng y col., 2018; Él y Wang, 2018 ).
A pesar del entusiasmo y el crecimiento del interés en Big Data Analytics, se sabe poco sobre
sus capacidades clave para los procesos de fabricación. De hecho, las organizaciones que desean
adoptar Big Data en sus procesos de fabricación luchan por comprender mejor su concepto y luego
obtener el valor comercial de BDA ( Wamba, Akter, Edwards, Chopin y Gnanzou, 2015 ). Además,
muy pocos académicos destacan que BDA aún se encuentra en su etapa inicial y que aún hay
direcciones por descubrir sobre BDA en los procesos de fabricación. Para cerrar la brecha de
conocimiento existente en la literatura, el presente artículo tiene como objetivo basarse en estudios
previos sobre BDA en procesos de fabricación junto con varios estudios de caso en profundidad
dentro de una empresa internacional que utiliza Big Data Analytics para mejorar su proceso de
fabricación y lograr lo siguiente investigar objetivos:
1. Aclarar el concepto de BDA en el contexto de los procesos de fabricación,
2. Revisar, clasificar y resumir todos los artículos relevantes relacionados con el BDA en los
procesos de fabricación basándose en un marco conceptual para clasificar la literatura.
3. Señalar las tendencias de investigación futuras para mejorar las capacidades de BDA en el proceso
de fabricación,
4. Analizar en profundidad los hallazgos de varios estudios de caso dentro de una empresa líder
para proporcionar recomendaciones para avanzar en la implementación de BDA en los procesos
de fabricación.
El resto de este trabajo se organiza como sigue. Sección 2 proporciona una definición
integradora del concepto de Big Data Analytics. El alcance de la investigación junto con la
metodología seguida para realizar el estudio se introducen luego en Seccion 3 , seguido por Sección 4
y Además, existe en la literatura una variedad de definiciones de 'big data' que se centran en
Sección 5 , que presentan y discuten en profundidad los hallazgos y resultados de la revisión de la
literatura y los múltiples estudios de caso. Sección 6 señala las implicaciones para la investigación y
la práctica junto con las contribuciones del estudio. Finalmente, el artículo concluye con el resumen,
limitaciones y sugerencias para la futura agenda de investigación en Sección 7 .
2. El concepto y las definiciones de Big Data y Analytics
Big Data Analytics es, sin duda, una vía importante en la próxima ronda de transformación de la
tecnología de la información en la industria ( Qin, 2014; Wamba et al., 2015 ). Obviamente, BDA
involucra dos conceptos principales: Big Data y Data Analytics. La literatura ha discutido ampliamente
los beneficios y resultados de BDA en el crecimiento y la rentabilidad de las empresas actuales ( Gunasekaran,
Yusuf, Adeleye y Papadopoulos, 2018; Krumeich et al., 2014; Qin, 2014 ). Sin embargo, la rápida
evolución del concepto de BDA ha generado cierta confusión con respecto a su definición ( Wamba et
al., 2015 ). En realidad, no hay consenso sobre una clara y
2
Computación e ingeniería industrial 137 (2019) 106099
definición integradora de este concepto compuesto.
2.1. Definición de Big Data
Al intentar definir Big Data, el tamaño es el atributo inmediato que viene a la mente
intuitivamente ( Gandomi y Haider, 2015 ). Sin embargo, existen otros atributos importantes de Big
Data, a saber, la variedad y la velocidad de los datos. Las tres V (volumen, variedad y velocidad)
constituyeron, en el pasado, el marco más utilizado para definir Big Data ( Chen, Chiang y Storey,
2012 ). Muy pocas definiciones de 'Big data' se resumen en Wamba y col. (2015) . Además, Beyer y
Laney (2012, p. 2) proponen una definición en gran medida convergente de BD de Gartner utilizando
las tres V como:
"Activos de información de gran volumen, velocidad y variedad que exigen formas rentables e
innovadoras de procesamiento de información para una mejor comprensión y toma de decisiones"
Con el tiempo, se han incluido algunos otros atributos en el marco básico, como Veracidad,
Variabilidad, Volatilidad y Valor ( Tewari y Dwivedi, 2019 ). Las Siete V se pueden definir como:
• Volumen: se refiere a la magnitud y el tamaño cada vez mayores de los datos generados. Los grandes
tamaños de datos alcanzan fácilmente varios terabytes incluso
tabytes.
• Variedad: representa la heterogeneidad, diversidad y desigualdad de los tipos de datos en un
conjunto de datos. Las TIC avanzadas en las empresas actuales
Erar varios tipos de datos estructurados, semiestructurados y no estructurados de varios tipos, como
texto, datos de sensores, audio, video, archivos de registro
y así.
• Velocidad: es la frecuencia de generación de datos y la alta velocidad en
que debe ser procesado, analizado y actuado.
• Veracidad: introducido por IBM como un atributo definitorio de big data.
La veracidad se refiere al grado de veracidad e incertidumbre relacionado con la mayoría de las fuentes
de datos. Big Data propone el uso de herramientas específicas y
analítica para hacer frente a datos imprecisos y poco fiables.
• Variabilidad: promovido por SAS como un atributo adicional de big data.
La variabilidad y complejidad en el proceso de generación de datos implica una alta necesidad
de conectar, emparejar, limpiar y transformar datos.
recibido de diferentes fuentes.
• Volatilidad: se refiere a la capacidad de almacenamiento y retención de datos.
Con el enorme volumen y la velocidad de los datos, el problema de la retención del almacenamiento junto con la
seguridad de los datos se vuelve importante para las grandes empresas.
datos.
• Valor: acuñado por Oracle como el séptimo V. El valor de la generación de datos
erado es insignificante en su forma cruda en comparación con su enorme volumen. Este valor se
puede incrementar significativamente procesando y analizando grandes volúmenes de tales
datos.
diferentes aspectos del concepto. Si bien algunas definiciones consideran la perspectiva de la
capacidad (p. Ej. Qin, 2014 ), Autores como
Arunachalam y col. (2018) y Wamba et al. (2015) propuso definiciones más holísticas que engloban
las tecnologías de proceso, gestión y análisis de datos. En resumen, todavía no existe un punto de
referencia de una definición universal de BD. Desde la perspectiva de la fabricación de procesos, las
organizaciones deben pensar en 'big data' como un medio para decodificar sistemas de fabricación
complejos mediante la expansión de habilidades y competencias avanzadas que manejan
herramientas de TI avanzadas para recopilar, almacenar, organizar y extraer datos de diferentes TIC
con el fin de analizarlas y generar información útil que apoye la toma de decisiones para la creación y
optimización de valor.
2.2. Información sobre análisis de datos
Big data no es un fin en sí mismo. Su valor potencial no se puede destacar a menos que se
emplee como herramienta de apoyo para la toma de decisiones.
A. Belhadi y col.
Figura 1. Clasificación de problemas y técnicas de BD Analytic.
procesos ( Gandomi y Haider, 2015 ). Para abordar este problema, académicos y profesionales de las
comunidades de inteligencia artificial, algoritmos y bases de datos han diseñado muy pocas técnicas
y procesos de minería de datos y análisis estadístico bajo el título "Análisis de datos" para extraer de
grandes volúmenes de datos escalables. y comprensión procesable de varios datos ( Chen y col.,
2012 ). Al abordar un proyecto de big data, existe una gran cantidad de técnicas analíticas. De
acuerdo a ( Sivarajah, Kamal, Irani y Weerakkody, 2017 ), BDA puede mejorar la toma de decisiones y
aumentar la producción organizacional extrayendo sentido de los datos para diferentes tipos de
problemas analíticos, a saber, análisis descriptivo, análisis predictivo y análisis prescriptivo como se
presenta en Figura 1 .
Analítica descriptiva: Proporcionar una visión retrospectiva del estado actual de una situación
empresarial utilizando herramientas de inteligencia empresarial mediante la generación de informes
periódicos, informes ad hoc y alertas ( Joseph y Johnson, 2013; Sivarajah et al., 2017 ). La analítica
descriptiva se considera retrospectiva y revela "lo que sucedió" o alerta sobre lo que va a suceder a
través de un subconjunto de técnicas. Banerjee, Bandyopadhyay y Acharya (2013) destacar, además
de los informes y cuadros de mando habituales, el cuadro de mando como una forma de aplicación
cuando una organización produce sistemáticamente numerosos indicadores o métricas basadas en
datos para monitorear un proceso a lo largo del tiempo. Se señalan otras herramientas como la
visualización avanzada de datos (ADV), la minería de datos y el análisis estadístico avanzado para
aprovechar el análisis descriptivo de los procesos. Se enfatizan otras técnicas para respaldar el
análisis descriptivo, como el análisis de texto, video y otros multimedia ( Gandomi y Haider, 2015 ).
Estas herramientas son necesarias para sentir la necesidad de extraer hechos de textos, audios no
estructurados y transmisiones de video, conectarlos con el proceso de toma de decisiones relevante
y finalmente nutrir un proceso de decisión basado en datos.
Análisis curiosos: vet 'por qué sucedió algo'. El análisis inquisitivo generalmente se nutre de la
salida del análisis descriptivo o datos adicionales si es necesario recopilarlos utilizando técnicas de
análisis descriptivo para revelar las causas fundamentales de un problema ( Banerjee et al., 2013 ). En
términos generales, las técnicas de análisis inquisitivo buscan revelar las reglas, características y
relaciones potenciales o recesivas (como dependencia, similitud, correlaciones, etc.) que existen en
los datos, como generalización, asociación, minería de patrones de secuencia y agrupamiento.
analítica, etc. ( Cheng y col., 2018 ). Existen otras técnicas como estadísticas de modelado,
herramientas de consulta, hojas de cálculo, herramientas OLAP, árboles de decisión ( Chen y col.,
2012 ).
3
Computación e ingeniería industrial 137 (2019) 106099
Analítica predictiva: tienen como objetivo proporcionar vislumbres y previsión del futuro.
Basado en datos históricos y actuales, el análisis predictivo aplica modelos estadísticos y de
pronóstico para brindar una idea de "lo que es probable que suceda" en el futuro en función de
modelos de aprendizaje supervisados, no supervisados y semisupervisados ( Gandomi y Haider,
2015; Sivarajah et al., 2017 ). Cheng y col. (2018) hablar sobre dos categorías de técnicas de análisis
predictivo. La primera categoría son las técnicas orientadas al análisis estadístico, que utilizan
modelos matemáticos para inducir y analizar datos existentes, así como inferir y predecir información
desconocida. Estas técnicas incluyen modelos logit multinomiales ( Sivarajah et al., 2017 ), técnicas de
regresión ( Gandomi y Haider, 2015 ), Vecino más cercano K (KNN), bayesiano ( Cheng y col., 2018 ).
La segunda categoría son las técnicas orientadas a KD de descubrimiento de conocimientos, que se
basan en datos y no requieren indicar suposiciones y problemas por adelantado. Esta categoría
incluye principalmente técnicas de aprendizaje automático como redes neuronales (NN),
retropropagación múltiple (MBP), mapa autoorganizado (SOM) ( Sivarajah et al., 2017 ), conjunto
aproximado, algoritmo genético (GA), regla de asociación, máquina de vectores de soporte (SVM),
patrón secuencial generalizado (GSP), etc. ( Cheng y col., 2018 ).
Analítica prescriptiva: optimizar los modelos de proceso basados en la información de salida
de modelos analíticos predictivos ( Sivarajah et al., 2017 ). Además, la analítica prescriptiva se ocupa
de la definición del conjunto de decisiones que deben tomarse mediante la interpretación de la
relación causa-efecto entre los resultados analíticos y las políticas de procesos de negocio ( Banerjee
et al., 2013 ). A pesar de su dificultad, algunos autores citan un conjunto de técnicas como el
Modelado de Elección Discreta, la Programación Lineal y No Lineal y el Análisis de Valor ( Banerjee
et al., 2013; Sivarajah et al., 2017 ). Además, los simuladores de "qué pasaría si" brindan información
sobre las posibles opciones que la empresa debería implementar para optimizar su proceso ( Banerjee
et al., 2013 ).
2.3. Hacia una definición integradora de Big Data Analytics
"Big Data Analytics" es la palabra de moda del día. En realidad, BDA es una nueva tendencia en la
gestión de operaciones, que reúne un conjunto de técnicas para manejar grandes volúmenes de datos
con el fin de identificar tendencias, detectar patrones y aprovechar conocimientos valiosos. Desde el
punto de vista de la gestión de procesos de fabricación, Figura 2 describe nuestro punto de vista de la
esencia de BDA en el contexto del proceso de fabricación.
Según nuestro punto de vista, el proceso de fabricación genera
A. Belhadi y col. Computación e ingeniería industrial 137 (2019) 106099

Figura 2. Esencia de Big Data Analytics en el contexto del proceso de fabricación.

datos mediante la aparición de TIC avanzadas como sensores, RFID, etc. Estos datos son de gran
volumen, gran variedad, alta velocidad, veracidad no determinada, amplia variabilidad, intensa
volatilidad y bajo valor. Al utilizar la alta capacidad de procesamiento en tiempo real de las teorías y
métodos de big data, los datos se someten a varios pasos de valoración, es decir, "Adquisición y
registro", "Limpieza y anotación" y "Agregación y representación" para proporcionar un soporte
completo y confiable de datos sin procesar. sobre un mayor análisis de datos. Posteriormente, se
puede descubrir información y conocimientos valiosos en cuatro niveles: descriptivo, inquisitivo,
predictivo y prescriptivo a partir del big data utilizando técnicas analíticas avanzadas para redirigir el
pilotaje del proceso de fabricación.
Se realiza una revisión y clasificación estructurada de la literatura utilizando una red bibliométrica.
Esta metodología se persigue debido a su racionalidad, transparencia y reproducibilidad, al tiempo
que se obtiene una comprensión significativa a través del análisis de la literatura existente y la
comparación de trabajos influyentes ( Sivarajah et al., 2017 ). Además, Sivarajah y col. (2017) argumentó
que esta metodología ayuda a estipular la evidencia actual en torno a una tecnología o un
tratamiento, como para resumir la evidencia de los beneficios y los inconvenientes de una técnica de
mapa explícito (en este ejemplo, BDA en el proceso de fabricación). Para ello, este estudio adopta la
metodología de revisión de la literatura propuesta por Rowley y Slack (2004) . Los artículos recientes
también siguieron una metodología similar para extraer conocimientos de trabajos de investigación
anteriores de BDA (p. Ej. Arunachalam et al., 2018; Sivarajah et al., 2017; Wang et al., 2016 ). Esta
metodología de revisión comprende, además del paso de recolección de material, tres pasos de
análisis de la literatura: análisis descriptivo, análisis bibliométrico y análisis de problemas.

3. Alcance de la investigación y enfoques metodológicos

Los artículos que abordan el BDA en el contexto del proceso de fabricación comienzan a
aparecer en la literatura (p. Ej. Ge et al., 2017; Gunasekaran et al., 2018; He y Wang, 2018;
Krumeich et al., 2014 ). Sin embargo, estos documentos no discutieron en profundidad las
3.1.1. Búsqueda de literatura y recolección de material
capacidades de BDA para los procesos de fabricación. Además, los estudios y artículos que tratan
Rowley y Slack (2004) propuso varias herramientas para ayudar en la identificación y ubicación
con BDA en cuestiones relacionadas con el proceso de fabricación no proporcionan una comprensión
de documentos. A partir de estas herramientas, optamos por los motores de búsqueda, que se cree
general de sus capacidades desde muchas facetas y dimensiones y se limitan a un solo aspecto.
que son eficientes para localizar páginas web con búsquedas simples basadas en palabras clave.
Esto sugiere que el BDA en el contexto del proceso de fabricación aún está evolucionando y aún hay
Con el fin de elegir las palabras clave para este estudio y asegurarse de que el tema del estudio
estudios por explorar en esta área, por lo tanto, una comprensión inteligible del tema, sus facetas y
estuviera completamente cubierto, se seleccionaron "Big Data", "Analytics" y "Proceso de fabricación"
clasificación aún no está completamente rodeada.
como las palabras clave principales. También se agregaron otras palabras clave relacionadas como
“Gestión de operaciones”, “Industria de procesos”, “Proceso de producción”, “Analítica predictiva”.
Las palabras clave se utilizaron tanto por separado como en combinación (utilizando operadores
El avance significativo de BDA no solo descubrió una falta de investigación académica y teórica
booleanos "y" / "o") para una búsqueda exhaustiva en las siguientes bases de datos: Science Direct,
en el campo, sino una clara falta de conocimientos y aplicaciones gerenciales en el contexto de la
Emerald, Springer, Taylor & Francis, IEEE Xplore, Wiley Library, Inderscience, Scopus (Elsevier) y
vida real del proceso de fabricación. Esta escasez de literatura crea un estado de incertidumbre entre
Web of Sciences.
las organizaciones sobre las capacidades y los beneficios potenciales que BDA podría proporcionar a
sus procesos de fabricación. Por lo tanto, este artículo busca abordar esta escasez en la literatura
mediante el uso de un enfoque de investigación metodológica de dos fases que se muestra en Fig. 3 .
La primera fase está destinada a realizar una revisión bibliográfica extensa y exhaustiva de artículos
de revistas para descubrir las tendencias de investigación inexploradas, mientras que la segunda
La búsqueda comenzó el 12 de junio de 2018 y finalizó el 15 de junio de 2019. Aunque la
fase está dedicada a realizar un análisis profundo de varios estudios de caso dentro de una empresa
investigación inicial no se limitó con una restricción de tiempo, la lista final de artículos
química líder, que está implementando BDA de forma contemporánea. para la optimización de sus
preseleccionados apareció en el período 2004-2019. La preselección ha dado como resultado 304
procesos de fabricación. El objetivo es esbozar recomendaciones para llenar los vacíos en las
artículos, que se cargaron en Endnote, un paquete de software de gestión de referencias, para su
tendencias de investigación identificadas.
posterior análisis. Luego, se llevó a cabo un paso de eliminación de referencias duplicadas y seguido
de la eliminación de artículos fuera de alcance e irrelevantes a través de una lectura completa del
resumen de los artículos restantes ( Arunachalam et al., 2018; Wamba et al., 2015; Wang et al., 2016 ).
Por último, la revisión actual se limita a los artículos que describen claramente la aplicación de BDA
en el proceso de fabricación. Esto constituyó una lista final de 62 artículos que cubren el período de
3.1. Revisión completa de la literatura sobre BDA en el proceso de fabricación 2004 a 2019.

Con el fin de obtener información y proporcionar una comprensión más comprensible de las
capacidades de BDA en el proceso de fabricación, un

4
A. Belhadi y col.
Fig. 3. Enfoques metodológicos del estudio.
3.1.2. Análisis de la literatura
La lista de artículos recopilados se analiza en dos pasos. En el primer paso se complementa el
análisis descriptivo y bibliométrico. Obviamente, el contenido de los trabajos seleccionados se revisa
y clasifica en función de categorías como la distribución del año de publicación, la metodología de
investigación, entre otras ( Belhadi, Sha'ri, Touriki y Fezazi, 2018 ). El proceso de análisis descriptivo
se realiza mediante el análisis bibliométrico para sintetizar la investigación existente y el análisis
temático para una mayor conceptualización del contenido de la literatura. Para ello, se utiliza el
software BibExcel debido a su flexibilidad y capacidad para gestionar grandes volúmenes de datos
junto con su compatibilidad con aplicaciones como Excel, Pajek y Gephi. Posteriormente, se utiliza
un análisis de problemas para identificar las tendencias de investigación y construir un marco teórico
de las capacidades de BDA en el proceso de fabricación. El propósito es encontrar temas, tópicos y
aspectos conceptuales de las capacidades de BDA relevantes para el contexto del proceso de
fabricación. Los hallazgos del análisis descriptivo y el análisis de problemas se dan en Sección 4 .
3.2. Múltiples casos de estudio: implementación de BDA en North African Phosphates
Company
Con el fin de obtener conocimientos prácticos de BDA en el proceso de fabricación en el
contexto de la vida real, se recuperaron datos en profundidad de una serie de estudios específicos
del contexto en la Compañía de Fosfatos del Norte de África (NAPC) (por razones de
confidencialidad, el nombre de la empresa no se puede revelar; NAPC es un seudónimo). El objetivo
era realizar tres estudios de caso y recopilar datos más profundos y prácticos de la empresa para
extraer lecciones para el uso eficaz de BDA y las capacidades asociadas y los resultados
competitivos para el proceso de fabricación. En nuestro caso, el estudio de caso como estrategia de
investigación es muy recomendable por su perfecta idoneidad para la construcción de teorías durante
su etapa formativa ( Belhadi, Touriki y fezazi, 2016; Gunasekaran et al., 2018 ). Además, el enfoque
de estudios de casos múltiples permite estudiar diferentes facetas de un fenómeno en un entorno
real y, en particular, mientras el fenómeno y sus condiciones no pueden explicarse a la ligera ( Ketokivi
y Choi, 2014 ). Por lo tanto, se seleccionó el enfoque de estudios de casos múltiples.
3.2.1. Situación general del área de estudio
NAPC es un fabricante líder de fosfatos y sus derivados ubicado en el norte de África. La
empresa estatal en un 95%, encargada de administrar las vastas reservas de fosfato del país del
norte de África, produce una serie de productos derivados como ácido fosfórico, piensos y
fertilizantes. En 2017, NAPC se encontraba en el punto medio de un programa de transformación
industrial de $ 20 mil millones con el objetivo de mejorar su capacidad industrial, mejorar la
rentabilidad y estimular la competitividad empresarial. El programa giraba en torno a la difusión de los
5
Computación e ingeniería industrial 137 (2019) 106099
actividades de extracción y exportación de roca fosfórica cruda hacia una mayor producción de ácido
fosfórico y productos fertilizantes terminados. En la siguiente fase del programa, la empresa
planeaba concentrarse más en la producción de fertilizantes, especialmente para los mercados de
África, donde históricamente los fertilizantes no se usaban bien. En consecuencia, surge una gran
oportunidad para alimentar y aprovechar la creciente demanda de fertilizantes proponiendo productos
adecuados a las necesidades de los agricultores africanos. Para hacer frente a ese aumento, la
revolución digital y la digitalización a todos los niveles se presentan como un nuevo desafío. Por ello,
las diferentes entidades de la empresa aprovecharon el programa industrial para integrar el
componente de digitalización en los diferentes procesos de fabricación ( Figura 4 ). La compañía
maneja una variedad de procesos y tecnologías de fabricación en dos sitios de producción. En el sitio
minero, diversos procesos de fabricación extraen y preparan la roca fosfórica, que es el principal
insumo del sitio químico responsable de la fabricación de ácido fosfórico y diversas calidades de
alimentos (MCP / DCP) un largo con una amplia variedad de NPK- fertilizantes a base de. NAPC
apunta a un salto cualitativo con análisis digital y de big data para permitir que los equipos
industriales desarrollen o incluso dupliquen modelos de fábricas llave en mano en África.
3.2.2. Estrategia de recopilación de datos
Como el autor está directamente involucrado en el proyecto de digitalización del proceso de
fabricación del NAPC, el estudio de caso sigue la estrategia de un proyecto de investigación
comprometido para recopilar y analizar datos. En la investigación comprometida o en acción, el
investigador y el personal de la empresa están trabajando juntos para resolver o mejorar un problema
determinado en la empresa y contribuir al cuerpo de conocimiento ( Hutter, Haeussler y Missbauer,
2018 ). Por lo tanto, la estrategia de recopilación de datos se ha basado en la observación directa e in
situ junto con entrevistas a varios de los miembros clave del proyecto. A lo largo de las visitas, el
autor comenzó con la observación, la recopilación de materiales disponibles y entrevistas
semiestructuradas junto con un recorrido realizado por las distintas entidades que implementan el
proyecto BDA. El entrevistador principal fue uno de los ingenieros clave directamente involucrados en
el proyecto.
4. Hallazgos y resultados de la revisión de la literatura
4.1. Análisis bibliométrico
Como se mencionó anteriormente, el software BibExcel se utiliza para explotar datos en formato RIS,
que incluye toda la información bibliográfica requerida para los artículos. La atención se centra en la
información relacionada con el año de publicación, los autores, el título, la revista, las palabras clave y las
afiliaciones.
4.1.1. Distribución de artículos por año de publicación
Como se muestra en Figura 5 , la distribución de artículos por año indica un
clara tendencia creciente en cuanto al número de publicaciones que tratan
A. Belhadi y col.
Figura 4. Diagrama de flujo del proceso de fabricación general de la empresa.
con BDA en proceso de fabricación. De hecho, a partir de 2014 se observa un aumento constante del
número de artículos, en un rango de siete artículos en 2014 a 22 artículos en 2018. Además, la
mayoría de las publicaciones aparecieron en los últimos cuatro años (85% del total). publicaciones).
La tendencia destaca que hay un aumento significativo en el interés de los investigadores por
investigar el tema del BDA en el proceso de fabricación.
4.1.2. Estadísticas de afiliación
Con BibExcel, las afiliaciones de todos los primeros autores se extrajeron del archivo de datos
de RIS. Posteriormente se extrajo el país en el que se ubica la institución del primer autor para su
posterior análisis graficado en
Figura 6 . Aunque la distribución de artículos por afiliaciones de los primeros autores muestra que los
investigadores de todo el mundo (26 países de los cinco continentes) están interesados en la
investigación sobre el tema de BDA en el proceso de fabricación, las instituciones de EE. UU. Y China
dominaron la lista de las cinco principales instituciones contribuyentes. . Esta lista incluye también
Alemania, Taiwán y
Figura 5. Distribución de artículos por año de publicación.
6
Computación e ingeniería industrial 137 (2019) 106099
Corea del Sur.
4.1.3. Estadísticas de palabras clave
De manera similar, se utilizó BibExcel para eliminar las palabras clave utilizadas en los artículos
y se calculó la frecuencia de uso para un análisis adicional dado en tabla 1 . Las palabras clave más
utilizadas son "Big Data", "Análisis de Big Data", "Minería de datos", "Procesos de fabricación" y
"Control de procesos". Estas palabras clave son las palabras clave de búsqueda efectivas del
estudio.
4.1.4. Autores contribuyentes y revistas
Tabla 2 ilustra los diez autores contribuyentes principales junto con su número de publicaciones.
Cuatro autores asombrosos, es decir, Zhong RY, Werth D, Krumeich J y Loos P empataron en el
primer lugar con tres publicaciones para cada uno. Seguido por otros seis autores con dos
publicaciones para cada uno.
Finalmente, Tabla 3 describe la contribución de las revistas según el
A. Belhadi y col. Computación e ingeniería industrial 137 (2019) 106099

Figura 6. Distribución de artículos por afiliaciones de primeros autores.

número de artículos publicados. Es de notar que ocho revistas compartieron alrededor de un tercio
tabla 1
de los artículos revisados. Estas revistas son Computers & Industrial Engineering (CAIE), Computers
Lista de las palabras clave más utilizadas.
and Chemical Engineering (CCE), International Journal of Production Research (IJPR), The
Palabras clave Frecuencia Palabras clave Frecuencia
International Journal of Advanced Manufacturing Technology (TIJAMT), Industrial Management &
Data Systems (IMDS), Journal of Process Control (JPC), Journal of Cleaner Production (JCLP) y
Big Data 26 Datos de fabricación 4
Procesando Journal of Failure Analysis and Prevention (JFAP). Los otros dos tercios de los artículos publicados
Análisis de Big Data 12 Fabricación 4 se comparten entre otras 22 revistas y 18 conferencias internacionales.
Procesamiento de datos 8 Proceso industrial 4
Fabricación 8 Análisis de datos 3
Procesos
Control de procesos 5 Industrias 3
Internet de las Cosas 5 Jefe de operaciones 3
Análisis de los datos 5 Mejoramiento 3
4.2. Análisis de problemas
Aprendizaje automático 5 Análisis predictivo 3
Eficiencia energética 4 Control de calidad 3
Habiendo llevado a cabo el análisis descriptivo de artículos seleccionados a través del análisis
bibliométrico, el análisis de problemas se utiliza para examinar los problemas de BDA en los
procesos de fabricación con el fin de conceptualizar las capacidades de BDA. Esta es una
Tabla 2 conceptualización filosófica, que se considera un primer paso hacia la construcción de teorías ( Seuring
Diez autores contribuyentes principales.
y Müller, 2008 ). Siguiendo la guía de varios autores (p. Ej. Arunachalam et al., 2018; Seuring y Müller,
Autores Numero de publicaciones 2008 ), aquí se utiliza un enfoque descendente que se basa en leer los artículos repetidamente. La
lectura y relectura profunda de los artículos permitió desarrollar un marco conceptual para allanar el
Zhong RY 3
camino y circunscribir las capacidades de BDA en los procesos de fabricación ( Figura 7 ).
Werth D 3
Krumeich J 3
Loos P 3
Akter S 2
Chien CF 2
Hay tres capas para conceptualizar las capacidades de BDA para el proceso de fabricación. La
Chongwatpol J 2
primera capa de las capacidades de BDA son los desafíos del proceso de fabricación, que se refieren
Gunasekaran A 2
Martillo M 2 a los componentes del proceso de fabricación con el mayor potencial de valor para capturar. Estos
Liu Y 2 componentes incluyen, además de Quality and Process Control (Q&PC), otros componentes de alto
impacto como Energy & Environment Efficiency (E&EE), Diagnóstico y mantenimiento proactivo
(PD&M) y Safety and Risk Analysis (S&RA). Todos estos componentes generan un gran flujo de
datos y prosperan en una serie de facultades de BDA que permiten transformar los datos en

Tabla 3
Distribución del artículo reseñado en diversas revistas y congresos.
diario
Computadoras e Ingeniería Industrial Computadoras e
Ingeniería Química Revista Internacional de Investigación de
Producción The International Journal of Advanced
Tecnología de fabricación
Gestión industrial y sistemas de datos Revista de
control de procesos
Revista de producción más limpia
Journal of Failure Analysis and Prevention Otros (una
referencia de cada revista) Congresos internacionales
Total
acciones. Estas facultades incluyen almacenamiento de datos (DW), agregación e integración de
datos (DA&I), análisis y modelado de datos (DA&M) y cultura basada en datos (DDC). En la tercera
capa se refiere a los valores que BDA podría aportar al proceso de fabricación. De hecho, BDA
Número de publicadas %
artículos
encarna muy pocos valores, como aumentar la transparencia, mejorar el desempeño, apoyar la toma
de decisiones y mejorar el conocimiento. En las siguientes secciones se ofrece una descripción más
7 10,30% detallada de las diferentes capas de la estructura.
5 7,35%
5 7,35%
3 4,41%
2 2,94%
2 2,94%
2 2,94%
2 2,94% 4.2.1. Desafíos del proceso de fabricación
22 32,36% Cuadro 4 proporciona la distribución de papeles por los retos del proceso de fabricación que
18 26,47% aborda BDA. Sobre todo, es notable que numerosos artículos se ocuparon de más de un desafío del
68 100,00%
proceso de fabricación abordado por BDA. Posteriormente, la abrumadora mayoría de

7
A. Belhadi y col.
Figura 7. Marco general de las capacidades de BDA en el proceso de fabricación.
los artículos son sobre Q&PC (51 artículos). Le siguen E&EE, PD & M y S&RA con 18, 9 y 9
artículos, respectivamente.
Control de calidad y procesos (Q&PC): En un futuro cercano, las organizaciones que sean
capaces de monitorear sus operaciones a través de la cantidad cada vez mayor de datos para
pronosticar sus fallas de calidad y controlar proactivamente sus procesos por medio de análisis
avanzados estarán a la vanguardia de sus competidores ( Krumeich, Werth y Loos, 2016 ). Al hacerlo, Él
y Wang (2018) habló sobre una nueva generación de Control Estadístico de Procesos (SPC) que se
ocupa de complejos y multivariables con los cuales los métodos de MSPM pueden fallar o dar lugar a
resultados engañosos (distribución multimodal, dinámica, relaciones no lineales entre variables,
características, otras características como valores atípicos, errores graves y / o sensores
defectuosos). Esta nueva generación de SPC implica el uso de cada vez más Model Predictive
Control (MPC) ( Chongwatpol, 2015; Isaksson, Harjunkoski y Sand, 2018; Krumeich et al., 2016; Li y
Kashiwagi, 2005; Zhuchkov, 2015 ) mediante la integración de técnicas avanzadas de BDA como el
reconocimiento de patrones de gráficos de control (CCPR), métodos basados en regresiones, redes
neuronales, métodos de vectores de soporte ( Lee, Yoon y Kim, 2017; Tewari y Dwivedi, 2019;
Weese, Martinez, Megahed y Jones-Farmer, 2016 ). Otro aspecto de QP&C es la gestión de alarmas
mencionado por Hu, Shah y Chen (2018) que se relacionan con un conjunto de técnicas BDA, como
la distribución de la longitud de ejecución y el análisis del temporizador de retardo (RLD y DTA), el
índice de vibración (CI), el análisis de alarma oscilante (OAA), el análisis de inundación de alarma
(AFA), la inferencia de causalidad para alarmas (CIA) Análisis de alarma dependiente del modo
(MDAA). El objetivo es predecir la ocurrencia de situaciones anormales y luego prevenir su
propagación a lo largo de las vías interconectadas para causar interrupciones significativas y
catastróficas en el proceso. Por otro lado, y cuando se sabe poco sobre el proceso o cuando no hay
información disponible sobre qué forma un evento fuera de control, las técnicas de aprendizaje
automático como Big Data Approximating Control (BDAC), PCA / PLS, k-means clustering, Se utilizan
mapas autoorganizados (MOS) y múltiples métodos de aprendizaje ( Ge et al., 2017;
8
Computación e ingeniería industrial 137 (2019) 106099
Stanley, 2018; Weese et al., 2016 ). Esto es para detectar correlaciones y relaciones causales entre
las variables del proceso para capturar el material y las rutas de flujo de información en el proceso ( Hu
y col., 2018; Lee, Shin y Realff, 2018 ).
Eficiencia energética y ambiental (E&EE): Inclinado ante la abrumadora presión de los
recursos naturales limitados y los crecientes problemas ambientales graves ( Belhadi, Touriki y fezazi,
2018 ), los procesos de fabricación sitúan el ahorro de energía y la reducción de emisiones como dos
retos importantes que debe afrontar BDA ( Zhang, Ma, Yang, Lv y Liu, 2018 ). Por ejemplo, se puede
aplicar una herramienta analítica avanzada para optimizar los factores que se cree que tienen el
mayor impacto en el desempeño ambiental. Zhang y col. (2018) demostró este hecho proponiendo un
marco analítico impulsado por big data basado en dos tecnologías, es decir, adquisición de big data
de energía y minería de big data de energía, que se utilizan para reducir el consumo y las emisiones
de energía para las industrias de fabricación intensivas en energía. Las tecnologías avanzadas
implementadas junto con las condiciones de operación sofisticadas dificultan mucho la comprensión
de la actitud de consumo de energía, ya que se incluyen variables dinámicas no lineales muy
complicadas ( Chongwatpol, 2016 ). Por lo tanto, BDA es vital para comprender y controlar mejor los
parámetros operativos, optimizar la gestión de la energía y reducir el impacto ambiental ( Chiang et
al., 2017 ). Al hacerlo, BDA se ha aplicado ampliamente en procesos de fabricación como modelos
predictivos de consumo de energía ( Eckstein y col., 2016; Grossmann, 2014; Shao, Li, Gu, Zhang y
Luo, 2018; Shin, Woo y Rachuri, 2014 ), gestión de redes inteligentes ( Chiang et al., 2017 ) y gestión
energética del edificio ( Favoino, Fiorito, Cannavale, Ranzi y Overend, 2016; Martillo, 2018 ).
Diagnóstico y mantenimiento proactivo (PD&M): Además de su uso en el proceso de
fabricación para cuestiones de calidad y medio ambiente, BDA también se está incorporando en otro
desafío crítico que enfrenta el proceso de fabricación, a saber, el diagnóstico proactivo y el
mantenimiento de los equipos. Una de las primeras aplicaciones industriales conocidas de PD&M es
el mantenimiento basado en condiciones (CBM) ( Krumeich et al., 2016 ), cuales
 A. Belhadi y col.

Cuadro 4

Desafíos de BDA relacionados con el proceso de fabricación.

Desafíos Elementos clave Referencias Número%

Control de Calidad y Procesos (Q&PC), Control del Proceso Estadístico Li y Kashiwagi (2005), M'Sahli y Matlaya (2005), López-Escobar, González-Palma, Almorza, Mayorga y Carnero (2012), Krumeich et al. (2014), 52 59,09%
•
Gestión de alarmas Grossmann (2014), Qin (2014), Yang, Park, Cho, Song y Kim (2014), Chongwatpol (2015), MacGregor, Bruwer, Miletic, Cardin y Liu (2015),
•
Análisis de conectividad y causalidad O'Donovan , Leahy, Bruton y
•
Enfoques de aprendizaje no supervisados para el monitoreo de procesos O'Sullivan (2015), Stojanovic, Dinic y Stojanovic (2015), Severson, Chaiwatanodom y Braatz (2015), Nasonov (2016), Qiu et al. (2016), Wang et al.
•
Zhuchkov (2015), Eckstein et al. (2016), Krumeich et al. (2016), Kumar et al. (2016), Li (2016), Smirnov y (2017), Chen (2017), Chiang et al. (2017),
(2016), Weese et al. (2016), Chen et al. (2016), Beneventi et al. Hammer, Somers, Karre y Ramsauer (2017), Ji y Wanga (2017), Lee et al. (2017),
Chien, Liu y Chuang (2017), Choi et al. (2017), Ge et al. (2017), Jonsson y Lejon (2017), Wamba et al. (2017), Zhang, Ren, et al. (2017), Zhang, Li
Lindström, Larsson, Chen y Huang (2017), Amini y Chang (2018), Gunasekaran et al. (2018), Hammer (2018), He y Wang (2018), Kozjek et al.
y col. (2017), Zhong, Xu, (2018), Hu et al. (2018), Isaksson et al. (2018), Khakifirooz, Chien y Chen (2018), Kho, Lee y Zhong (2018), Sadati et al.
(2018), Lee et al. (2018), Mehta, Butkewitsch-Choze y Seaman (2018), Ning and You y Dwivedi (2019)
(2018), Stanley (2018), Wamba, Akter y Bourmont (2018), Wang et al. (2018), Tewari Grossmann (2014), Shin et al. (2014), Shrouf, Ordieres y

9
Miragliotta (2014), O'Donovan et al. (2015), Bose (2016), Beneventi et al. (2017), Chiang et al. (2017), Ge et al. (2017), Zhang, Ren, et al. (2017),

Eficiencia energética y medioambiental (E & Adquisición y minería de big data de energía Zhang, Li, Shukla y Mattar (2019) 18 20,45%
•
EE) Patrones de consumo de energía Chongwatpol (2016), Favoino et al. (2016), Li (2016), Papacharalampopoulos et al. (2016), Paul, Zhong y et al. (2017), Hammer (2018), Hidalgo et al.
•
Redes inteligentes
•
(2018), Lee et al. (2018), Shao et al. (2018), Zhang et al. (2018), Qin (2014), O'Donovan et al. (2015), Krumeich et al. (2016), Beneventi et al. (2017),

Diagnóstico y mantenimiento proactivo (PD
&METRO)
Análisis de riesgos y seguridad (S&RA)
••• Mantenimiento bajo condiciones Lindström et al. (2017), 9 10,23%
Mantenimiento predictivo en línea / en tiempo real Sun, Jämsä-Jounela, Todorov, Olivier y Craig (2017), Zhang, Ren, et al. (2017), Zhang, Li y col. (2017), O'Donovan et al. (2015), Li (2016),
Tele-mantenimiento Hammer (2018), Isaksson et al. (2018)
HAZOP de base bayesiana Chiremsel et al. (2016), Khakzad y Reniers (2016), Choi et al. (2017), (2018) 9 10,23%
•
Diseño avanzado inherentemente más seguro Sistemas Zerrouki y Smadi (2017), Hammer (2018), Hu et al. (2018), Wang, Cheng y col. (2018), Wang, Liu, et al.
•
instrumentados de seguridad
•
Total 88 100%

Nota: Algunos artículos se incluyen más de una vez porque tratan más de un desafío del proceso de fabricación.
Computación e ingeniería industrial 137 (2019) 106099
A. Belhadi y col. Computación e ingeniería industrial 137 (2019) 106099

Cuadro 5

Clasificación de técnicas de Data Mining y Analytics.

Categorías Técnicas sin conexión Técnicas online Referencias

Analítica descriptiva
• Fine-Kinney
• Visualización y modelado de datos Wang, Cheng y col. (2018), Wang, Liu, et al. (2018), Mehta et al.
tecnicas
• control de calidad continuo
• Agregación & (2018), Lindström et al. (2017), Kozjek et al. (2018), Kho et al.

• Visualización de datos Contextualización (2018), Zhang et al. (2018), Chongwatpol (2016), Krumeich et al.

• Percepción y adquisición de big data

• Bus de eventos (2014), Yang et al. (2014), Tewari y Dwivedi (2019)

• procesamiento de datos

• Administración y conectividad en memoria

• Gestión de API
Análisis curiosos
• Bosque aleatorio (RF)
• Variable latente multivariante Chien y col. (2017), Chiremsel et al. (2016), Kozjek et al. (2018), Kho et al. (2018),
tecnicas
• Diagnóstico de excursiones (PCA / PLS) MacGregor et al. (2015), Hidalgo et al. (2018),

• Análisis del árbol de fallos

• procesamiento de flujo autoadaptativo Amini y Chang (2018), He y Wang (2018); Tewari y

• algoritmos heurísticos para programar tareas:

• Clasificación de datos Dwivedi (2019), Hu et al. (2018), Kumar et al. (2016), Sadati et al.

• Primero en entrar, primero en salir (FIFO) (2018), Shukla y Mattar (2019)

• Tiempo planificado más temprano (EPT)

• previsión

• Agrupación de K-means

• Optimización del descenso de gradientes

• Monitoreo de procesos

• Seguimiento de procesos estadísticos

• Muestreo

• Programación de Hadoop MapReduce

• modelado basado en datos

• optimización metaheurística

• Caracterización y clasificación
Analítica predictiva
• Red Bayesiana
• Clasificadores para patrón Chiremsel y col. (2016), Chen et al. (2016), Eckstein et al. (2016), Lindström et al.
tecnicas
• Control predictivo lineal y no lineal reconocimientos (2017), Khakzad y Reniers (2016),

• gráfico de control y predicción de defectos

• Máquina de vectores de soporte (SVM) Chongwatpol (2016), Ji y Wanga (2017), Krumeich et al.

• Analítica de procesos
• mantenimiento predictivo online (2014), Tewari y Dwivedi (2019), Kumar et al. (2016), M'Sahli y Matlaya (2005), Shin et

• Predicción de procesos
• predicción de fallas al. (2014), Zhuchkov (2015), Weese

• Control predictivo
• Análisis de transmisión et al. (2016), Khakifirooz et al. (2018), Ning y tú (2018), Stanley (2018)

• Métodos de aprendizaje estadístico

• coincidencia de patrones y

• Análisis de regresión aproximación

• Análisis de conglomerados

• red neuronal

• agrupamiento basado en puntajes de predicción Métodos

• de suavizado de kernel

• análisis de componentes principales

• Modelado cuantitativo
Análisis prescriptivo
• análisis de pronóstico Wang, Cheng y col. (2018), Wang, Liu, et al. (2018), Chongwatpol (2016), Krumeich et
tecnicas
• Alertas proactivas al. (2014)

• Red de creencias bayesianas

• modelo de serie temporal

integra los estados y eventos del proceso actual para estimar cuándo el equipo requiere
mantenimiento para minimizar el apagado no planificado en función del uso, la antigüedad y el
rendimiento del equipo ( Chiang et al., 2017 ). De acuerdo a Krumeich y col. (2016) , la adquisición de
big data y la tecnología de sensores permiten localizar y agrupar los defectos de los equipos para
identificar, diagnosticar y resolver fácilmente los problemas de los equipos antes de que ocurra una
falla. Otros aspectos de PD&M se han discutido ampliamente en la literatura. Por ejemplo, Beneventi,
Bartolini, Cavazzoni y Benini (2017), Zhang, Ren, Liu y Si (2017) y Zhang, Li, Li, Yang y Zou (2017) discutieron
el medio ambiente. Hu y col. (2018) y Li (2016) subrayó, además de los análisis basados en HAZOP,
el mantenimiento predictivo en línea / en tiempo real reconocible por la integración de patrones de
comportamiento del equipo al encontrar umbrales y relaciones entre parámetros que se pueden usar
para indicar problemas potenciales que ocurren (es decir, diagnósticos) y requisitos de
mantenimiento (es decir, pronósticos). Por último, el BDA también se aplica para el
telemantenimiento o telemantenimiento de equipos junto con algunas otras funciones relacionadas
con el mantenimiento como la gestión de inventarios de repuestos y consumos ( Martillo, 2018 ).
Análisis de riesgos y seguridad (S&RA): Debido al avance y la sofisticación de los procesos
de fabricación actuales, el análisis de riesgos y seguridad es hoy más desafiante y requiere más
tiempo ( Zerrouki y Smadi, 2017 ). Sin lugar a dudas, el análisis de riesgos y seguridad en el proceso
de fabricación se beneficiaría con la aplicación adecuada de BDA ( Choi, Wallace y Wang, 2017 ).
Según lo declarado por Martillo (2018) , la aplicación de análisis avanzados junto con la
representación y la actuación de los conocimientos proporcionados llevan a establecer requisitos de
seguridad estrictos y, por lo tanto, a proteger la seguridad física de los trabajadores, los usuarios y el
medio ambiente. Zerrouki y Smadi (2017)
demostró el uso de redes bayesianas (BN) en el análisis HAZOP. En la misma vena, Khakzad y
Reniers (2016) aplicó Advanced Analytics al diseño basado en riesgos y la toma de decisiones en
plantas químicas para emplear los principios de Diseño Inherentemente Más Seguro (ISD) y
Planificación del Uso de la Tierra (LUP). Adicionalmente, Chiremsel, Said y Chiremsel (2016) utilizó
Advanced Analytics para diagnosticar los Sistemas Instrumentados de Seguridad (SIS) con el fin de
prevenir la ocurrencia de eventos peligrosos y aliviar sus secuelas para los trabajadores, el equipo y
el diagnóstico de condiciones de trabajo anormales y las decisiones sobre el tratamiento de
emergencia de accidentes graves.
4.2.2. Facultades de análisis de big data
Sin duda, la aplicación de BDA encierra un enorme potencial de mejora para los diferentes retos
a los que se enfrentan los procesos de fabricación. La fuerza impulsora detrás de este enorme
potencial está representada por bastantes facultades de BDA que pueden beneficiar el proceso de
fabricación.
Gestión y almacenamiento de datos (DW&M): En el contexto de un proceso de fabricación,
los datos están muy dispersos y pueden extraerse de fuentes extremadamente variadas. Para eso,
BDA ofrece la facultad de recopilar, integrar, transformar y almacenar datos de fuentes de datos
dispares donde los sistemas de bases de datos tradicionales son ineficaces ( Hu et al., 2018 ). DW&M
es un requisito previo, por lo que se puede asegurar una ganancia exitosa de minería de datos. Esto
conduciría a una mejor calidad de los datos que permitiría mejorar la precisión y el rendimiento de los
siguientes

10
A. Belhadi y col.
proceso minero Cheng y col., 2018 ). Hidalgo, Rosas, Vasquez y Wladdimiro (2018) habló sobre los
sistemas de procesamiento de flujo autoadaptativos que se ocupan de los flujos de datos de alta
frecuencia con características variables en el tiempo que desafían las capacidades de los sistemas
de procesamiento de flujo tradicionales. Krumeich y col. (2016) describió la capacidad de preprocesar
datos en tiempo real a través de la plataforma de gestión de datos en memoria para que la
información estructurada pueda extraerse de datos multimedia no estructurados. Zhang, Ren y col.
(2017) y Zhang, Li y col. (2017)
destacó la eficiencia del lenguaje de marcado de empresa a fabricación (B2MML) y el lenguaje de
marcado extensible (XML).
Minería y análisis de datos (DM&A): Se aplican algoritmos o métodos de minería de datos para
extraer información y conocimientos útiles de una gran cantidad de datos ( Cheng y col., 2018 ). La
integración de los resultados de la minería de datos grandes en el Sistema de Monitoreo de Procesos
(PMS) y el Sistema de Soporte de Decisiones (DSS) crea un sistema de circuito cerrado de recopilación
de comentarios y ajustes oportunos para lograr la optimización del proceso en todos los desafíos del
proceso de fabricación ( Zhang, Ren y otros, 2017 ). En realidad, DM&A permite que los sistemas de toma
de decisiones prosperen en el autoaprendizaje y las facultades cognitivas para abordar los datos en
tiempo real y las interrelaciones complejas.
Hammer (2018) y Qiu, He y Ji (2016) consideró DM&A como un nexo vital entre la tecnología
operativa y la tecnología de la información para formar sistemas avanzados de control de procesos
(APC) con análisis avanzados.
Chiang y col. (2017) informó sobre el uso exitoso de Enterprise Manu- facturing Intelligence (EMI) en
el caso del sector químico.
Las técnicas de DM&A se pueden dividir según el tiempo hasta la decisión en dos categorías, a
saber. técnicas en tiempo real y técnicas fuera de línea. Cuadro 5 y Figura 8 representan la
clasificación de las técnicas de DM & A offline / online de acuerdo con las cuatro etapas del BDA, a
saber, analítica descriptiva, inquisitiva, predictiva y prescriptiva.
Como se muestra en Figura 8 a, aparte de unos pocos estudios sobre
técnicas analíticas prescriptivas (7% de los estudios), la mayoría de los trabajos de investigación se
centran principalmente en el estudio e implementación de técnicas analíticas descriptivas, inquisitivas
y predictivas (93% de los estudios). Por otro lado, según Figura 8 b, las técnicas fuera de línea se
utilizan mucho más que las técnicas en línea (se impusieron 38 técnicas fuera de línea contra 12
técnicas en línea), especialmente en artículos que ofrecen el análisis de algunos estudios de casos
reales como Kozjek, Vrabič, Rihtaršič y PeterButala (2018), Shukla y Mattar (2019) y Tewari y Dwivedi
(2019) .
Cultura basada en datos (DDC): La cultura impulsada por los datos es una facultad inviolable
que BDA aporta a la forma de monitoreo y optimización del proceso de fabricación. DDC es un patrón
de pensamiento que resume un conjunto de convicciones, mentalidades, actitudes y formas de
optimizar los procesos. En los procesos tradicionales, la gran cantidad de datos recopilados se utiliza
típicamente solo con fines de seguimiento y no como base para mejorar las operaciones ( Sadati,
Chinnam y Nezhad, 2018 ). Sin embargo, la aplicación de BDA participa de manera efectiva en el
cambio de cultura hacia la toma de decisiones basada en hechos a través de análisis integrados. Martillo
(2018) argumentó que los cambios en la cultura de toma de decisiones obtenidos por BDA podrían
mejorar significativamente el desempeño del proceso.
Figura 8. Análisis de las técnicas de Data Mining y Analytics utilizadas. a. distribución de técnicas DM&A por categorías. segundo. números de técnicas online vs offline.
11
Computación e ingeniería industrial 137 (2019) 106099
4.2.3. Valores de Big Data Analytics
Al aplicar BDA en el proceso de fabricación, grandes cantidades de datos recopilados se
pueden transformar en varios valores y beneficios para los diferentes componentes del proceso de
fabricación. El objetivo es aprovechar el conocimiento y aumentar el valor de la información ( Lee et
al., 2018 ).
Mejora de la transparencia: El primer valor clave obtenido de BDA es la mejora de la
transparencia y la responsabilidad intra e interorganizacionales. Según lo declarado por Chongwatpol
(2015) , el proceso, que solía aprovechar big data, recibirá información en tiempo real de sensores,
RFID y otros dispositivos con verdadera transparencia y sin interferencias externas.
Mejorando el desempeño: Se reconoce unánimemente que la aplicación de BDA conlleva una
mejora significativa en el desempeño operativo en todos los desafíos del proceso (calidad, energía,
emisiones, seguridad…). Los estudios de caso indican una mejora significativa en el desempeño (p.
Ej. Chiang et al., 2017; Chongwatpol, 2016, 2015; Isaksson et al., 2018 ).
Apoyando la toma de decisiones: De acuerdo a Isaksson y col. (2018) ,
BDA genera nuevos conocimientos y datos basados en el conocimiento que pueden ser
consultados por el proceso de fabricación a fin de respaldar una toma de decisiones más
descentralizada. Zhang, Ren y col. (2017) discutieron la capacidad de las técnicas BDA como
Bayesiana y los árboles de decisión para permitir a los tomadores de decisiones tomar decisiones
flexibles en presencia de atributos como flexibilidad, calidad, innovación, proactividad y costo. Lee y
col. (2018) exploró el uso de avances recientes en aprendizaje profundo y aprendizaje por refuerzo
para elaborar políticas de decisión.
Mejorando el conocimiento: Además de los valores técnicos, se confirma que BDA cubre la
organización de inteligencia, incluido el trabajo y las habilidades del personal ( Li, 2016 ). Como
muestra un estudio de caso presentado por Li (2016) , BDA permite realizar capacitaciones laborales y
estudios a través de aplicaciones tecnológicas como tecnología de realidad virtual, plataforma de
simulación e interacción y demostración 3D. Choi y col. (2017) argumentó que BDA ayuda a
comprender los fenómenos, que tampoco pueden explicarse teóricamente.
4.3. Tendencias críticas de análisis e investigación
Los hallazgos de nuestra revisión de la literatura destacaron cómo el proceso de fabricación podría
utilizar las capacidades de BDA, materia para extraer valor de grandes conjuntos de datos como big data a
través de un marco de tres capas. Consecuentemente, las capacidades de BDA se han confirmado como
esenciales para que los ingenieros y gerentes de procesos obtengan drásticamente más información que
antes, en lo que concierne a diferentes desafíos en su proceso de fabricación. Sin embargo, se puede
identificar un conjunto de tendencias a partir de la revisión de la literatura realizada. En realidad, estas
tendencias constituyen brechas de investigación que aún no se abordan por completo y, por lo tanto,
necesitan mucha atención.
4.3.1. Tendencia de investigación 1: arquitectura habilitadora de BDA
En el proceso de fabricación, los datos se transmiten desde múltiples
A. Belhadi y col.
fuentes heterogéneas y dispersas (estructurales y no estructuradas). Por lo tanto, la implementación
de la minería de datos y BDA requiere una arquitectura inteligente basada en estrategias de gestión y
almacenamiento de datos, gobernanza y gestión de riesgos ( Chen, 2017 ) para tratar un gran
volumen de datos de diferentes fuentes. De hecho, el volumen, la variedad, la velocidad y las otras
siete V que caracterizan el big data significan que el uso de BDA necesita recursos de alto
rendimiento, como espacio de almacenamiento y módulos de procesamiento ( Chiang et al., 2017;
Isaksson et al., 2018 ). Según nuestra revisión de la literatura, los autores enfatizan este tema a
través de dos enfoques principales. Primero, algunos propusieron el establecimiento de un
almacenamiento de datos interno que permite almacenar y administrar los datos recopilados ( Beneventi
et al., 2017; Choi y col., 2017; Hutter et al., 2018 ). Esta solución permite a las empresas tener un
control total sobre sus datos y brindar más seguridad, pero requiere enormes costos de inversión en
términos de implementación, ingeniería y mantenimiento. En segundo lugar, algunos otros trabajos
propusieron el uso de soluciones basadas en datos de outsourcing como Cloud Manufacturing (CM) ( Kumar,humano en la era de BDA y con un proceso de fabricación cada vez más automatizado ( Isaksson et
Shankar, Choudhary y Thakur, 2016; Papacharalampopoulos, Stavridis, Stavropoulos y
Chryssolouris, 2016; Qiu et al., 2016 ). Esta solución reduce los costos, pero presenta un riesgo
significativo para la seguridad de los datos.
Aunque existe una tendencia creciente hacia la implementación de la arquitectura habilitadora
de BDA, esta es actualmente un área poco explorada debido a los diversos problemas que surgen,
como la seguridad y la privacidad de los datos ( Martillo, 2018 ), gestión de crisis y riesgos ( Zerrouki y
Smadi, 2017 ), costos de implementación ( Shukla y Mattar, 2019 ), etc.
4.3.2. Tendencia de investigación 2: enfoques de minería de datos en tiempo real
El potencial máximo de BDA se puede derivar para optimizar la toma de decisiones mientras se
controla el proceso de fabricación con anticipación ( Hammer, 2018; Hu et al., 2018 ). Uno de los
problemas más importantes que se cree que enfrenta el proceso de fabricación al usar BDA es el
intervalo de tiempo hasta la decisión ( Chiang et al., 2017; Él y Wang, 2018 ) debido a la inevitable
pérdida de rendimiento del proceso entre el tratamiento de los datos fuera de línea y la decisión
proactiva ( Choi et al., 2017 ). La escala de tiempo de este intervalo puede variar según el entorno
computacional, por ejemplo, tiempo real frente a fuera de línea, y el dominio de aplicación. Por lo
tanto, la capacidad de recopilar y procesar datos instantáneamente en línea es de suma importancia.
Nuestra revisión de la literatura muestra una tendencia aparente hacia modelos BDA capaces
de ejecutarse en un entorno computacional de transmisión en tiempo real en el contexto del proceso
de fabricación ( Ji y Wanga, 2017; Kumar y col., 2016; Lee et al., 2018; Li, 2016 ). En los últimos años,
los enfoques en tiempo real se han investigado ampliamente para el análisis descriptivo ( Hidalgo et
al., 2018; Tewari y Dwivedi, 2019 ) y análisis inquisitivos ( He y Wang, 2018; Ji y Wanga, 2017 ). Por
otro lado, ya diferencia de la analítica descriptiva e inquisitiva, que ha avanzado hacia estas
tendencias para ser apropiada para su uso en aplicaciones de uso intensivo de datos, la analítica
predictiva y prescriptiva está todavía en su infancia. Aparte de algunas aplicaciones de
mantenimiento predictivo en línea y en tiempo real (p. Ej. Beneventi et al., 2017; Zhang, Ren y otros,
2017 ), los estudios sobre analítica predictiva y prescriptiva aún son conceptuales ( Cheng y col.,
2018; Chiang et al., 2017; Martillo, 2018 ).
Al investigar las razones detrás de esta demora, surgen múltiples problemas, como la necesidad
de mejorar la velocidad del procesamiento de solicitudes y la actualización del modelo en línea ( Él y
Wang, 2018 ). Por ejemplo, Amini y Chang (2018) admitió que la escasez en su entorno
computacional impediría que se llevara a cabo el monitoreo en tiempo real.
Chiang y col. (2017) argumentó que a pesar del esfuerzo significativo para aumentar las capacidades de
almacenamiento, existe una necesidad constante de almacenar y procesar datos rápidamente para lograr
una decisión óptima en tiempo real. Por otro lado, varios autores han mencionado el tema cultural dentro de
las industrias de procesos. Chiang y col. (2017) argumentó que la industria de procesos es por naturaleza
lenta para responder a los comentarios de los clientes en tiempo real. Por lo tanto, las aplicaciones en
tiempo real presentan muchas dificultades para ser incluidas en la mentalidad de los administradores de
procesos.
En general, la aparición de IoT y datos controlados por sensores en el proceso
12
Computación e ingeniería industrial 137 (2019) 106099
La industria ha llevado a una creciente demanda de sistemas en tiempo real, que necesitan más
atención para contribuir a los avances adicionales de la investigación de BDA en el proceso de
fabricación.
4.3.3. Tendencia de investigación 3: inteligencia de datos humanos integrada
El capital humano se ha considerado un "imprescindible" para desarrollar las capacidades de
BDA en el proceso de fabricación. En una empresa, el capital humano engloba toda la experiencia,
conocimiento, juicio, propensión a asumir riesgos y sabiduría de las personas relacionadas con el
proceso de fabricación ( Martillo, 2018 ). Sobre la base de nuestra revisión de la literatura, varios
estudios sostienen que la inteligencia humana junto con la inteligencia computacional experimentará
una evolución significativa en el futuro cercano, alcanzando una etapa avanzada ( Chiang et al., 2017;
Li, 2016 ). Por otro lado, también se plantea un problema de base con respecto al papel del operador
al., 2018 ). Digamos que la máquina todavía no puede reemplazar la inteligencia humana y el
operador todavía es necesario en el proceso de fabricación. Por lo tanto, es de suma importancia
considerar cómo el operador interactúa con el control y la optimización basados en modelos para no
debilitar progresivamente las habilidades de los operadores ( Isaksson y col., 2018; Shukla y Mattar,
2019 ). Autores como Li (2016) discutieron los sistemas de aprendizaje automatizados que son
importantes para combinar la inteligencia humana y la máquina y deben integrarse de manera
efectiva con el aprendizaje humano y el entorno de decisiones.
Se observa claramente que el esfuerzo por un sistema basado en datos con humanos y
componentes técnicos que trabajen sinérgicamente juntos en una unidad sociotécnica,
proporcionando valor agregado creativo al trabajar fácilmente juntos es una tendencia en la literatura
( Hammer, 2018; Shukla y Mattar, 2019 ).
4.3.4. Tendencia de investigación 4: análisis prescriptivo dentro del proceso de fabricación
El análisis prescriptivo es la etapa más avanzada del análisis de datos y puede proporcionar la
mayor inteligencia y valor al proceso de fabricación ( Martillo, 2018 ). La aplicación de analítica
prescriptiva ha despertado cada vez más preocupación en la investigación dentro del proceso de
fabricación en los últimos tiempos ( Wang, Cheng y Deng, 2018; Wang, Liu y Qin, 2018 ). Para varios
investigadores, la analítica prescriptiva, también llamada analítica operativa, se busca cada vez más
porque constituye la siguiente ronda hacia la mejora de la madurez de la analítica de datos y
desencadena una toma de decisiones optimizada sin intervención humana antes de tiempo ( Chongwatpol,
2016; Hammer, 2018; Wang, Cheng y otros, 2018 ). De hecho, con la naturaleza temporal del proceso
de fabricación, obtener valor comercial a partir de la gran cantidad de datos generados requiere una
acción expedita sobre eventos en tiempo real antes de que el valor se desvanezca. Esto requiere
más que una predicción; necesita determinar con precisión qué hacer y cuándo hacerlo. Por lo tanto,
se espera que la analítica prescriptiva sea mucho más común y omnipresente entre una gran
variedad de profesionales.
A pesar de esto, nuestra revisión de la literatura muestra claramente que la analítica prescriptiva
dentro del proceso de fabricación aún se encuentra en una etapa temprana en comparación con la
analítica descriptiva, inquisitiva o incluso predictiva. Con la excepción de algunas iniciativas (p. Ej. Chongwatpol,
2016; Krumeich et al., 2014; Wang, Cheng y otros, 2018 ), el potencial de la analítica prescriptiva está
lejos de estar bien aprovechado. Por lo tanto, se requiere más investigación en la dirección de
combinar los resultados de la analítica predictiva con big data y algoritmos avanzados para avanzar
en la próxima generación de procesos de fabricación basados en sistemas analíticos. Esto
conducirá no solo a definir riesgos y anomalías potenciales mientras se abordan los desafíos del
proceso de fabricación, sino que también sugerirá palancas accionables, proporcionando de manera
efectiva un apoyo de decisiones preciso, confiable y en tiempo real a los gerentes de proceso.
5. Perspectivas y aprendizajes de estudios de casos múltiples
El objetivo de los estudios de caso era explorar más a fondo la
A. Belhadi y col.
interdependencias de las capacidades básicas de BDA en un contexto de la vida real del proceso de
fabricación y descubrir temas emergentes.
5.1. Descripción de los estudios de caso
Discutimos tres proyectos de implementación de BDA en diferentes plantas subsidiarias de
NAPC. Los proyectos forman parte de un proyecto más amplio de transformación digital de las
operaciones de la compañía en el que la alta dirección muestra claramente su compromiso.
Seleccionamos estos casos porque están bien documentados, involucraron capacidades de BDA,
tuvieron implicaciones para nuestras tendencias de investigación y se consideran proyectos exitosos.
5.1.1. Caso 1: Implementación de BDA en una planta de fertilizantes
En abril de 2018, se eligió una planta de fertilizantes como área piloto del proyecto de implementación de BDA. Para eso, la
gerencia contrató a un personal altamente calificado de ingenieros de TI y científicos de datos para brindar apoyo a los ingenieros de
proceso y mantenimiento durante el programa de implementación. El primer prerrequisito es la implementación de un sistema en
tiempo real mediante la creación de un Data Hub en el que se encuentran múltiples fuentes de datos de diferentes etapas del proceso
de fabricación (estructurado y no estructurado) a través de varios departamentos (producción, mantenimiento, laboratorios,…)
integrado. El objetivo era combinar estos datos con información histórica para un mejor seguimiento del proceso. Al hacer eso, una
variedad de capacidades de TI dotaron al proceso de fabricación de la empresa. Por ejemplo, Hadoop Data Lake, que se vinculó
también a HDFS (Hadoop Distributed File System), se adquirió para garantizar la facultad de DW & M. En realidad, Hadoop Data-Lake
constituye una infraestructura sólida para la gestión de datos en tiempo real, además de varias facultades como recopilación de datos,
historización, recuperación, análisis, presentación y visualización. Varias dificultades motivaron el uso de Hadoop Data Lake, a saber:
(1) El servidor OPC se implementa en una máquina con Windows, lo que presenta un riesgo de seguridad, (2) Debido a la falta de la
red Lora, los datos de contexto de los sensores inteligentes no se explotan y (3) La capacidad de almacenamiento de datos históricos
de DSC está limitada a un año. El uso de Hadoop Data-Lake permite reunir una gran variedad de datos de diferentes plataformas
vinculadas al proceso de fabricación, tales como: Hadoop Data-Lake constituye una infraestructura sólida para la gestión de datos en
tiempo real, además de varias facultades como recopilación de datos, historización, recuperación, análisis, presentación y
visualización. Varias dificultades motivaron el uso de Hadoop Data Lake, a saber: (1) El servidor OPC se implementa en una máquina
con Windows, lo que presenta un riesgo de seguridad, (2) Debido a la falta de la red Lora, los datos de contexto de los sensores
inteligentes no se explotan y (3) La capacidad de almacenamiento de datos históricos de DSC está limitada a un año. El uso de
Hadoop Data-Lake permite reunir una gran variedad de datos de diferentes plataformas vinculadas al proceso de fabricación, tales
como: Hadoop Data-Lake constituye una infraestructura sólida para la gestión de datos en tiempo real, además de varias facultades
como recopilación de datos, historización, recuperación, análisis, presentación y visualización. Varias dificultades motivaron el uso de
Hadoop Data Lake, a saber: (1) El servidor OPC se implementa en una máquina con Windows, lo que presenta un riesgo de
seguridad, (2) Debido a la falta de la red Lora, los datos de contexto de los sensores inteligentes no se explotan y (3) La capacidad de almacenamiento de datos históricos de DSC está limitada a un año. El uso de Hadoop Data-Lake permite reunir una gran variedad de datos de diferentes plataforma
• Sistema PI: utilizado como capacidad de monitoreo de autoservicio de la planta de datos por
Ingeniero de Procesos,
• Tratamiento OPM: utilizado como herramienta de monitoreo de desempeño, plataforma MyOPS: ya
• implementada como herramienta obligatoria para el HSE
procesos y los procesos de confiabilidad del mantenimiento,
• Oracle EAM: aborda el mantenimiento integral y rutinario de activos
requisitos de tenencia de organizaciones intensivas en activos,
• LIMS: permite gestionar eficazmente el flujo de muestras y as-
datos asociados para mejorar la eficiencia del laboratorio mediante la estandarización de los flujos de trabajo, las
pruebas y los procedimientos, al tiempo que se proporcionan controles precisos
del proceso.
• Connect y AlMaarifa: dos plataformas, aplicando el principio de
Internet of People (IoP), constituye un espacio de información donde las personas están
interconectadas y se comparten sus conocimientos y experiencia.
Además del Data Hub, se implementó un Sistema de Monitoreo Inteligente (ISM) basado en dos
dimensiones; (1) una vasta campaña de informatización de datos utilizando sensores en línea para
parámetros de proceso y ambientales (concentración, emisión de gas tóxico, etc.), (2) Procesamiento
de eventos complejos (CEP) usando algoritmos específicos. El objetivo era rastrear y procesar flujos
de datos sobre eventos ocurridos mediante la integración de múltiples fuentes con el objetivo de
detectar situaciones o patrones que comprenden un significado particular para el sistema, como
oportunidades o amenazas, y reaccionar ante ellos.
5.1.2. Caso 2: Implementación de BDA en una planta de ácido fosfórico
A principios de 2019, el proyecto de implementación de BDA se llevó a cabo en una planta de ácido
fosfórico. El proyecto se basó en los niveles de madurez de un árbol,
13
Computación e ingeniería industrial 137 (2019) 106099
verbigracia. personas, organización e infraestructura.
Personas: Una actividad clave en este nivel fue involucrar a la fuerza laboral en el desarrollo de
la visión. En consecuencia, se han organizado varios talleres para garantizar que todos los
empleados tengan el mismo nivel de comprensión del proyecto general junto con las capacidades de
BDA. Luego, se les invitó a proponer los temas a ser cubiertos por la implementación de BDA. Se
utilizó la técnica del agente de cambio para asegurar una amplia comunicación y participación de
todos los empleados. Posteriormente, el personal ha recibido múltiples sesiones de capacitación
sobre módulos BDA e interfaces digitales con el fin de educar a las personas para que desarrollen la
capacidad de explotar los sistemas de datos conectados.
Organización: Por el lado de la organización, el foco estuvo en introducir una estructura
eficiente y flexible en la etapa de implementación integrando un modelo de proyecto Stage-Gate con
principios ágiles. De hecho, se formó un equipo multidisciplinar integrado por personas con un
conocimiento tanto de los procesos de fabricación como de la arquitectura digital. Esto unió la
programación y la fabricación y permitió a la organización acceder a todo el potencial del flujo de
datos. Paralelamente, las funciones y responsabilidades inherentes a la gestión de datos se
definieron mediante unas “Directrices de gobernanza de datos”. Reunir a las personas adecuadas y
definir sus roles aseguró la confiabilidad del sistema de gestión de datos y amplificó el potencial de
digitalización de la organización.
Infraestructura: Con el fin de crear una arquitectura habilitada para la implementación de BDA,
la primera piedra angular fue conectar las aplicaciones existentes a través del flujo de datos para
crear una plataforma común. Posteriormente, se implementó un sistema de análisis de desempeño
en tiempo real basado en servicios conectados basados en la nube proporcionados por PI system.
El sistema se basó en una infraestructura de datos en tiempo real que recopila datos basados en
sensores de muchas fuentes diferentes y los almacena en una ubicación central y segura para
facilitar su visualización, análisis y uso compartido en tiempo real. Los sistemas permitieron el
análisis automatizado de la información operativa y dieron señales de advertencia para los
departamentos de medio ambiente, producción y mantenimiento. Alertas como emisiones, tiempo de
actividad / inactividad, MTBF,
5.1.3. Caso 3: Implementación de una unidad de producción inteligente y autocontrolada
El proyecto se refería a la implementación de una unidad inteligente y autocontrolada de
concentración de ácido fosfórico. En ese sentido, la unidad necesitaba tener cuatro características:
(1) conectividad, (2) conciencia del contexto, (3) inteligencia y (4) servicios medidos. Por lo tanto, la
arquitectura general del sistema se basó en equipos de fabricación basados en la nube que utilizan
CPS y BDA.
El primer paso fue actualizar los equipos de fabricación a equipos de fabricación basados en la
nube. Para ello, se integraron varios módulos en los dispositivos de fabricación con el fin de mejorar
la naturaleza cognitiva del sistema en la comprensión de su estado y comunicar esta información al
entorno externo.
• Módulo de control adaptativo inteligente, que cubre las principales opciones de control como el
cálculo de interpolación, entrada / salida
gestión, control de movimiento, etc., demandando lógica difusa y neural
control de red,
• Módulo de monitoreo de equipos, que monitorea todos los atributos de datos.
butes (progreso de trabajo de las tareas de producción, parámetros de proceso en tiempo real,
etc.) de equipos de fabricación basados en la nube. El objetivo es generar historial de
producción en la nube para datos posteriores
analítica en el ciberespacio.
• Módulo de procesamiento de datos que funciona con el núcleo de control numérico para
preprocesar todos los datos de condición de la unidad que se recopilan
A. Belhadi y col. Computación e ingeniería industrial 137 (2019) 106099

de diferentes sensores antes de que los datos vayan a la nube para su posterior análisis.

Rec1: La implementación del abastecimiento interno (Data Hub) para el almacenamiento y el procesamiento de big data puede resolver el problema de la seguridad y privacidad de los datos. Sin embargo, surge el problema de los costos de
Luego, los atributos de los datos se transfirieron a la nube a través de un sistema OPC. El
objetivo es crear un vínculo permanente con el ciberespacio para mantener el gemelo digital de un

Rec4: El sistema de monitoreo inteligente (IMS) que utiliza información impulsada por sensores y el procesamiento de eventos complejos (CEP) puede promover la implementación de enfoques en tiempo real
equipo basado en la nube. Este flujo es bidireccional ya que transfiere órdenes pendientes del
ciberespacio a equipos inteligentes para ejecutar acciones basadas en el protocolo MQTT.

Rec9: Los métodos y algoritmos genéricos de BDA que utilizan inteligencia artificial y aprendizaje automático pueden servir como base al desarrollar enfoques prescriptivos
Rec3: La definición de roles y responsabilidades inherentes a la gestión de datos a través de "directrices de gobierno de datos" puede reducir el riesgo de seguridad de los datos.
El autocontrol de la unidad de concentración de ácido fosfórico permitió incrementar la calidad
del ácido fosfórico producido junto con varios beneficios medioambientales como la eficiencia del uso

Rec8: La contratación de empleados capacitados junto con sesiones de capacitación avanzada sobre ciencia de datos puede promover el vínculo de la conexión de inteligencia de datos humanos
del agua durante los ciclos de lavado y la reducción de las emisiones de HF.

Rec10: La generalización de la automatización y la información impulsada por sensores es de suma importancia en la próxima generación de análisis prescriptivo
5.2. Recomendaciones extraídas de los estudios de caso

Rec2: Las fuentes externas, como la computación en la nube, pueden ofrecer varias oportunidades para la gestión de datos a expensas de la privacidad.

Rec7: La comunicación amplia utilizando IoP junto con la participación temprana de todos los empleados garantizan la integración de los humanos en BDA
Al analizar las experiencias de implementación de BDA dentro del proceso de fabricación en los

Rec5: La conexión entre los diferentes elementos del proceso y las aplicaciones es crucial para promover el monitoreo en tiempo real.
estudios de caso, se pueden aprender varias lecciones. De ahí en adelante, un par de
recomendaciones serían útiles para abordar las tendencias de investigación que surgen de la
literatura. Tabla 6
resume las recomendaciones propuestas.

Rec6: La fabricación en la nube (CM) puede proporcionar soluciones para promover la aplicación de técnicas en tiempo real
5.2.1. Arquitectura habilitadora de BDA

Durante el caso 1, se implementó un centro de datos que dependía del abastecimiento interno;
proporcionando grandes beneficios en términos de la gran capacidad de almacenamiento propuesta
por Hadoop Data Lake. De hecho, la enorme capacidad del almacenamiento de datos permitió
mantener el historial de los parámetros del proceso durante más de un año disponible en el DCS y
luego modelar con mayor precisión las tendencias y las tendencias basadas en análisis avanzados.
Aunque esta solución no está muy extendida en la literatura debido a la inversión requerida y la alta
complejidad técnica, se muestra beneficiosa especialmente para resolver el problema de la privacidad
y la seguridad de los datos.

Recomendación 1: La implementación del abastecimiento interno (Data Hub) para el almacenamiento y el

procesamiento de big data puede resolver el problema de la seguridad y privacidad de los datos. Sin embargo,

surge el problema de los costos de implementación.

Otra solución para la implementación de la arquitectura habilitadora de BDA es confiar en los

recursos de subcontratación proporcionados por la fabricación en la nube, como se exploró en el
caso 2 y el caso 3. Esta es la solución más popular en la literatura ( Kumar y col., 2016;
Papacharalampopoulos et al., 2016; Qiu et al., 2016 ) ya que permite acceder a diversas
Recomendaciones

funcionalidades mientras se almacenan y procesan datos.

implementación

Recomendación 2: Las fuentes externas, como la computación en la nube, pueden ofrecer varias

oportunidades para la gestión de datos a expensas de la privacidad.

Como se muestra en el caso 2, la definición de roles y responsabilidades relacionados con la
Caso 3

estrategia de gestión de datos es de suma importancia para mitigar el riesgo de privacidad y seguridad
√

√
√

de los datos.
Caso 2

Recomendación 3: La definición de roles y responsabilidades inherentes a la gestión de datos a

través de “directrices de gobernanza de datos” puede reducir el riesgo de seguridad de los datos.
√
√

√
√
√
√
Caso 1

√
√

5.2.2. Enfoques de minería de datos en tiempo real

El monitoreo inteligente es un sistema bien establecido de gestión de tecnología que combina la

detección en tiempo real con el procesamiento de datos específicos del proyecto, como el
procesamiento de eventos complejos (CEP), análisis predictivo y herramientas colaborativas para la
interpretación de datos y la toma de decisiones ( Chen, Fan y Chang, 2016; Hu y col., 2018; Krumeich
El resumen de las recomendaciones propuestas.

et al., 2014 ).
Análisis prescriptivo dentro del proceso de fabricación

Recomendación 4: El Sistema de Monitoreo Inteligente (IMS) que usa información impulsada por
sensores y Procesamiento de Eventos Complejos (CEP) puede promover la implementación de enfoques
en tiempo real.
Inteligencia integrada de datos humanos
Enfoques de minería de datos en tiempo real

En todos los casos de estudio, el establecimiento de una comunicación entre diferentes

elementos y aplicaciones en el proceso de fabricación, ya sea creando una plataforma común (caso
Arquitectura habilitadora de BDA

1) o utilizando el ciberespacio virtual (caso 2 y 3) es muy beneficioso para que el proceso de

Tendencia de investigación

fabricación se desarrolle. velop monitoreo efectivo en tiempo real.

Recomendación 5: La conexión entre los diferentes elementos del proceso y las aplicaciones es
Tabla 6

crucial para promover el monitoreo en tiempo real.

Uno de los campos de interés más notables al abordar la

14
A. Belhadi y col.
desafío de tiempo si BDA es fabricación en la nube (CM), que representa una red de servicios de
fabricación débilmente conectada que se puede adoptar rápidamente en el proceso ( Isaksson et al.,
2018 ). De acuerdo con varios estudios en la literatura (ej. Papacharalampopoulos et al., 2016; Kumar
y col., 2016; Qiu et al., 2016 ), los resultados del caso 2 y del caso 3 confirman la utilidad de CM para
avanzar en el control del proceso en tiempo real.
Recomendación 6: La fabricación en la nube (CM) puede proporcionar soluciones para promover la
aplicación de técnicas en tiempo real.
5.2.3. Inteligencia integrada de datos humanos
Se cree que la implementación de IoP junto con las plataformas de intercambio de conocimientos
en el caso 1 (por ejemplo, AlMaarifa de Knowledge Management y Connect) garantiza una participación
temprana de las personas en la implementación de BDA. Estas plataformas son una verdadera
herramienta para mejorar el conocimiento de los operadores que se familiarizan con las nuevas
tecnologías.
Recomendación 7: La comunicación amplia utilizando IoP junto con la participación temprana de todos
los empleados garantizan la integración de los humanos en BDA
El secreto para aprovechar los resultados de BDA es equipar a los gerentes y operadores con
una sólida competencia profesional, como se describe en el caso 2 y el caso 3. Por lo tanto, es vital
que las empresas brinden cursos de capacitación analítica en campos como estadística básica,
minería de datos e in- información a los operadores de procesos que asumirán un importante papel
de apoyo en el nuevo contexto de trabajo rico en información.
Recomendación 8: La contratación de empleados calificados junto con las sesiones de capacitación avanzada
sobre ciencia de datos puede promover el vínculo de la conexión de inteligencia de datos humanos
5.2.4. Análisis prescriptivo dentro del proceso de fabricación
Un punto de partida para cambiar a la nueva generación de análisis prescriptivo son los
métodos y algoritmos predictivos de BDA. Como se describe en el caso 3, se utilizaron lógica difusa y
red neuronal. La misma conclusión puede extraerse de la literatura existente (p. Ej. Chongwatpol,
2016; Krumeich et al., 2014; Wang, Cheng, et al., 2018; Wang, Liu y otros, 2018 ).
Recomendación 9: Los métodos y algoritmos genéricos de BDA que utilizan inteligencia
artificial y aprendizaje automático pueden servir como base al desarrollar enfoques prescriptivos.
Es de suma importancia informatizar la recopilación de datos en todo el proceso de fabricación.
Para ello, los sensores y dispositivos inteligentes deben generalizarse para mejorar la capacidad del
proceso de intercambiar datos y acciones con el ciberespacio.
Recomendación 10: La generalización de la automatización y la información impulsada por
sensores es de suma importancia en la próxima generación de análisis preceptivos.
6. Discusión e implicaciones
El uso de BDA en un contexto industrial permite ofrecer varias oportunidades para los procesos
de fabricación. Sin embargo, son pocas las empresas que se benefician plenamente de este
potencial probado, especialmente para sus procesos de fabricación ( Choi y col., 2017; Isaksson et
al., 2018 ). De hecho, a pesar de los diversos resultados de BDA en los campos industriales, su
despliegue sigue siendo muy limitado ya que no existe una documentación clara que agrupe las
capacidades de big data y las clasifique según cada contexto y caso de uso. Por otro lado, el trabajo
de investigación existente que discute el potencial transformador de BDA en realidad se ocupa de
diferentes aspectos del uso de BDA en el contexto de fabricación en lugar de centrarse en los
procesos de fabricación. Otros trabajos se centran principalmente en el lado práctico y proponen
modelos técnicos para el uso de BDA y generalmente tratan de una capacidad a la vez. Sin embargo,
la mayoría de estas investigaciones no discuten los aspectos teóricos sin proponer ningún modelo o
referencial que represente los diferentes insights y capacidades de BDA.
El presente estudio tuvo como objetivo proporcionar una visión general de las diferentes
oportunidades que ofrece el uso de técnicas BDA, por lo que ofrece una
15
Computación e ingeniería industrial 137 (2019) 106099
repositorio para investigadores y empresas interesadas en el enorme potencial de BDA. Para ello,
hemos procedido en tres ejes diferentes:
• En primer lugar, hemos realizado una revisión sistemática de la literatura sobre BDA en el contexto
del proceso de fabricación en el que seleccionamos y con-
consideró 68 artículos de las principales bases de datos científicas. Se realizó un análisis crítico de
la literatura a partir de un análisis bibliométrico y temático para clasificar los artículos
seleccionados según aspectos, tendencias de BDA
y categorías.
• En segundo lugar, proponemos un marco general de capacidades BDA en
proceso de fabricación, que presenta un resumen de los desafíos del proceso de fabricación,
facultades y capacidades de análisis de datos de licitación y valores de análisis de datos de
licitación. Esta arquitectura fue propuesta en base a
el análisis de trabajos relevantes propuestos en la literatura.
• Finalmente, realizamos múltiples estudios de caso sobre una empresa líder
que ya ha implementado BDA en su proceso de fabricación. La elección de los estudios de caso
no fue arbitraria. De hecho, llevamos a cabo estudios de caso sobre empresas que utilizan BDA
para abordar las diferentes tendencias de investigación identificadas en nuestro análisis crítico.
El propósito de estos casos de estudio es comparar los resultados obtenidos de la
implementación de BDA en estas empresas con los resultados, afirmaciones y predicciones
encontrados en la literatura. Nuestro objetivo también fue analizar los casos y dar nuevas líneas
de avance de investigación.
Cabe destacar que nuestro artículo es el primero que combina una revisión sistemática de la
literatura con múltiples estudios de casos para ofrecer una visión general holística sobre la
implementación de BDA en el proceso de fabricación.
6.1. Implicaciones teóricas
El presente artículo aporta algunas ideas interesantes sobre las implicaciones teóricas del uso
de BDA en el proceso de fabricación y contribuye a su literatura metodológica. Por lo tanto, este
estudio proporciona una comprensión más amplia de las implicaciones de BDA dentro del proceso de
fabricación al conceptualizar varios conceptos relacionados con BDA en el proceso de fabricación de
una manera holística y basada en datos.
En realidad, los hallazgos de la revisión sistemática de la literatura pueden ayudar a los
investigadores académicos a abordar nuevas investigaciones empíricas en este campo y aclarar los
conceptos de BDA en el contexto de los procesos de fabricación, que aún se encuentra en la etapa
inicial. Para ello, una revisión, una clasificación y un resumen de todos los trabajos relevantes sobre el
BDA permitieron complementar un análisis descriptivo y bibliométrico. Este análisis muestra un
crecimiento exponencial en cuanto al número de publicaciones que tratan sobre BDA en el proceso de
fabricación. Teniendo en cuenta las tendencias de investigación, se demostró a partir de nuestro análisis
que los proyectos de investigación en el campo del big data o la industria también se enfocan e
investigan cada vez más en el tema de BDA especialmente durante estos últimos cuatro años, que
representan el 85% del total de publicaciones fundadas y seleccionadas.
En general, el presente manuscrito permite fomentar el debate acalorado y escalable de BDA en
el proceso de fabricación y contribuye a una comprensión más profunda de esta tecnología relevante
a partir de la revisión sistemática de la literatura y la conceptualización de las principales
capacidades. Además, este trabajo reagrupa los principales desafíos, facultades y valores de BDA
relacionados con el proceso de fabricación de una manera integral con base en los resultados
obtenidos de nuestra revisión sistemática y con base en el análisis de tendencias realizado que
permitirá a las investigaciones comprender mejor las capacidades y oportunidades de BDA.
En este trabajo realizamos un análisis crítico de proyectos de investigación seleccionados y los
clasificamos de acuerdo con cada categoría de Data Mining y Analytics (analítica descriptiva,
inquisitiva, predictiva y prescriptiva). Luego identificamos las diferentes técnicas utilizadas en cada
artículo y las dividimos en dos categorías (técnicas fuera de línea y técnicas reales en línea). Los
resultados de nuestro análisis crítico nos llevan a identificar las principales tendencias de
investigación (arquitectura habilitadora de BDA, enfoques de minería de datos en tiempo real,
inteligencia integrada de datos humanos y analítica prescriptiva dentro del proceso de fabricación).
Después nosotros
A. Belhadi y col.
analizó cada una de las tendencias identificadas para dar respuesta a las principales preguntas de
investigación de BDA con respecto a la gestión del rendimiento, el control de la producción y el
mantenimiento en los procesos de fabricación.
El análisis y la conceptualización realizados nos llevan a dar lugar a un marco teórico de las
capacidades del BDA, que podría contribuir a reorientar las investigaciones futuras en este campo.
Los marcos propuestos pueden ser una buena base para todos los investigadores que pretenden
comprender las oportunidades de utilizar BDA y sus limitaciones. El marco se compone de tres capas
relacionadas: las primeras capas tienen como objetivo reagrupar los desafíos de BDA en cuartas
categorías distintas: control de calidad y proceso, eficiencia energética y ambiental, diagnóstico
predictivo y mantenimiento y análisis de seguridad y riesgo. La segunda capa presenta las facultades
de BDA de manera integral. El objetivo principal de la construcción de esta capa es demostrar que
unas pocas facultades pueden representar los enormes potenciales de BDA. Este enfoque permitirá
que el investigador se concentre en estas facultades en lugar de dispersarse analizando todas las
capacidades descritas en la literatura. La tercera capa se refiere a los valores de BDA y reagrupa las
principales oportunidades de BDA en cuatro categorías: mejorar la transparencia, mejorar el
desempeño, apoyar la toma de decisiones y mejorar el conocimiento. El objetivo es ofrecer una
visión global de las oportunidades de BDA basada en diferentes aspectos y objetivos de la industria
de fabricación.
6.2. Implicaciones prácticas
El presente documento proporciona algunas ideas interesantes sobre las implicaciones
prácticas del uso de BDA en el proceso de fabricación y ofrece algunos resultados interesantes
emitidos al realizar y analizar algunos estudios de caso significativos. Al mezclar los hallazgos de la
revisión sistemática de la literatura y los estudios de casos analizados, este documento ha intentado
proporcionar a los investigadores y administradores un conocimiento significativo sobre la
formulación e implementación del enfoque habilitador de BDA en el entorno del proceso de
fabricación:
• Este estudio ofrece una descripción detallada de algunos estudios de casos exitosos que pueden
ayudar a las empresas de fabricación a transformarse en un ágil
y fábricas inteligentes totalmente digitalizadas mientras se usa BDA como
pilar importante en la industria 4.0 para el proceso de fabricación.
• Además, este estudio puede ayudar a las empresas manufactureras a mejorar
Complementar la arquitectura BDA totalmente habilitada para TI para aumentar su eficiencia de
rendimiento, mejorar la calidad de producción, mejorar el mantenimiento
administración, fomentar empleado compromiso y
empoderamiento, y fortalecer la cultura de seguridad y la ejecución a largo plazo.
Además, los estudios de caso realizados están en perfecta concordancia con las tendencias de
investigación identificadas de BDA. El análisis de estos casos prácticos permitió leer las principales
recomendaciones en el uso de BDA según cada tendencia.
Por otro lado, el análisis de casos prácticos permitió concluir que para implementar con éxito
BDA en el contexto de la manufactura debemos contar con algunas palancas de transformación
clave como la automatización de procesos y operaciones y el uso de servicios digitales y técnicas de
analítica avanzada. Este hallazgo representa una gran contribución, ya que proporciona
recomendaciones esenciales a tener en cuenta al desarrollar capacidades BDA completas. Además,
las empresas que operan en condiciones similares a las de la empresa caso pueden beneficiarse de
los hallazgos de los estudios de casos para diseñar su infraestructura que permita el uso de BDA
para su proceso de fabricación.
7. Conclusión y trabajos futuros
En la era contemporánea de Big Data, la utilización de datos para la fabricación de inteligencia
de procesos adquiere una importancia cada vez mayor en el camino hacia la excelencia operativa.
Por otro lado, los procesos de fabricación y las herramientas de producción han experimentado
enormes evoluciones.
dieciséis
Computación e ingeniería industrial 137 (2019) 106099
con el tiempo, impulsando el rápido avance tecnológico en toda la industria. Por lo tanto, los
investigadores sobre el tema argumentaron que la mayoría de las empresas admiten la prominencia
de sus datos para monitorear su proceso de fabricación y han apoyado el uso de análisis mejorados
e inteligencia empresarial como una prioridad principal en el futuro cercano. En este sentido, el
presente documento ha proporcionado una mejor comprensión de cómo estas empresas pueden
aprovechar las capacidades potenciales de Big Data Analytics (BDA) en sus procesos de fabricación
como una forma de impulsar la transformación digital para ganar valor empresarial. En consecuencia,
el presente estudio comienza con la identificación de las capacidades más aceptadas de BDA en el
proceso de fabricación a través de los hallazgos de una revisión sistemática de la literatura para
desarrollar un marco de capacidades de BDA en el proceso de fabricación. Después,
Como cualquier otro estudio, el nuestro tiene bastantes limitaciones que deben reconocerse. La
primera limitación de este estudio es la selección de artículos a revisar. En realidad, las restricciones
impuestas durante el proceso de búsqueda (por ejemplo, uso de palabras clave específicas, bases de
datos específicas…) pueden contribuir a dejar fuera algunos artículos de alta calidad sobre BDA en el
proceso de fabricación. Además, el análisis cualitativo realizado para realizar los estudios de casos
múltiples es otra limitación de este estudio. De hecho, los conocimientos adquiridos a partir de los
estudios de casos son cualitativos, lo que dificulta profundizar y sacar conclusiones objetivas sobre
las capacidades de BDA en el proceso de fabricación.
Se pueden realizar investigaciones futuras sobre los siguientes aspectos. En primer lugar, la
evaluación del impacto de las capacidades de BDA en el rendimiento de fabricación con un método
de análisis cuantitativo basado en datos primarios debe llevarse a cabo mediante estudios empíricos
más profundos. Además, la infraestructura habilitadora de BDA debe explorarse en contextos
específicos como las pymes y las empresas de servicios. Vale la pena señalar que la investigación
sobre BDA en el proceso de fabricación, y el estudio teórico correspondiente, acaba de comenzar,
como resultado de lo cual hay mucho trabajo por hacer impulsado por los requisitos de la aplicación y
las tecnologías relacionadas antes de que el BDA se construya con éxito. en el proceso de
fabricación.
Referencias
Amini, M. y Chang, SI (2018). MLCPM: un marco de monitoreo de procesos para metal 3D
impresión en industrial. Computación e Ingeniería Industrial, 124, 322–330 .
Arunachalam, D., Kumar, N. y Kawalek, JP (2018). Comprender el análisis de big data
capacidades en la cadena de suministro. Investigación de transporte Parte E: Revisión de logística y
transporte, 114 ( Junio), 416–436 .
Banerjee, A., Bandyopadhyay, T. y Acharya, P. (2013). Análisis de datos: promocionado como-
piraciones o verdadero potencial? Vikalpa, 4 años, 1-12 .
Belhadi, A., Sha'ri, YBM, Touriki, FE y Fezazi, SE (2018). Producción ajustada en
Pymes: revisión de la literatura y reflexión sobre los retos del futuro. Revista de Ingeniería Industrial y de
Producción, 35 ( 6), 368–382 .
Belhadi, A., Touriki, FE y fezazi, SE (2016). Un marco para una mejora eficaz
Implementación de la producción ajustada en la pequeña y mediana empresa. Revista de Ingeniería y Gestión
Industrial, 9 ( 3), 786–810 .
Belhadi, A., Touriki, FE y fezazi, SE (2018). Beneficios de adoptar la producción ajustada en
desempeño ecológico de las PYME: un estudio de caso. Planificación y control de la producción, 29 ( 11), 873–894 .
Beneventi, F., Bartolini, A., Cavazzoni, C. y Benini, L. (2017). Aprendizaje continuo de
Modelos de infraestructura de HPC que utilizan análisis de big data y herramientas de procesamiento en memoria.
Conferencia y exposición de diseño, automatización y pruebas en europa (FECHA) ( págs. 1038-1043). .
Beyer, MA y Laney, D. (2012). La importancia de los 'macrodatos': una definición. sl: Stamford, CT: Gartner .
Chen, Y. (2017). Fabricación integrada e inteligente: perspectivas y facilitadores.
Ingeniería, 3, 588–595 .
Chen, H., Chiang, RHL y Storey, VC (2012). Inteligencia empresarial y análisis:
Del big data al gran impacto. MIS Quarterly, 36 ( 4), 1165–1188 .
Chen, Y.-J., Fan, C.-Y. y Chang, K.-H. (2016). Inteligencia de fabricación para reducir
falsa alarma de clasificación de defectos al integrar el enfoque de coincidencia de similitudes en la fabricación de
sensores de imagen CMOS. Informática e Ingeniería Industrial, 99, 465–473 .
Cheng, Y., Chen, K., Sun, H., Zhang, Y. y Tao, F. (2018). Minería de datos y conocimiento
con big data hacia una producción inteligente. Revista de Integración de Información Industrial,
9, 1-13 .
Chiang, L., Lu, B. y Castillo, I. (2017). Analítica de Big Data en ingeniería química. Anual
revisión de la ingeniería química y biomolecular, 8, 63–85 .
Chien, C.-F., Liu, C.-W. y Chuang, S.-C. (2017). Análisis de la fabricación de semiconductores
Big Data para la detección de la causa raíz de la excursión para mejorar el rendimiento. Internacional
A. Belhadi y col.
Revista de investigación de producción, 55 ( 17), 5095–5107 .
Chiremsel, Z., Said, RN y Chiremsel, R. (2016). Diagnóstico probabilístico de fallas de seguridad
sistemas instrumentados basados en análisis de árbol de fallas y red bayesiana. Revista de análisis y
prevención de fallas, 16 ( 5), 747–760 .
Choi, T., Wallace, SW y Wang, Y. (2017). Analítica de big data en la gestión de operaciones.
Dirección de producción y operaciones, 27 ( 10), 1868-1883 .
Chongwatpol, J. (2015). Análisis pronóstico de defectos de fabricación. Industrial
Sistemas de gestión y datos, 115 ( 1), 64–87 .
Chongwatpol, J. (2016). Gestión de big data en centrales eléctricas de carbón: un negocio en
marco de teligencia. Sistemas de datos y gestión industrial, 116 ( 8), 1779-1799 .
Eckstein, J., Peitz, S., Schäfer, K., Friedel, P., Köhler, U., Hessel-von Molo, M., ... Dellnitz,
M. (2016). Una comparación de dos enfoques predictivos para controlar la dinámica longitudinal de los vehículos
eléctricos. Tecnología de procedimientos, 26, 465–472 .
Favoino, F., Fiorito, F., Cannavale, A., Ranzi, G. y Overend, M. (2016). Control optimo
y rendimiento del acristalamiento conmutable fotovoltaico para la integración de edificios en climas templados. Energía
aplicada, 178, 943–961 .
Gandomi, A. y Haider, M. (2015). Más allá del bombo publicitario: conceptos, métodos y
analítica. Revista Internacional de Gestión de la Información, 35 ( 2), 137–144 .
Ge, Z., Song, Z., Ding, SX y Huang, B. (2017). Minería y análisis de datos en el proceso
industria: el papel del aprendizaje automático. Acceso IEEE, 5, 20590–20616 .
Grossmann, IE (2014). Desafíos en la aplicación de la programación matemática en
la optimización de las industrias de procesos en toda la empresa. Fundamentos teóricos de la ingeniería
química, 48 ( 5), 555–573 .
Gunasekaran, A., Yusuf, YY, Adeleye, EO y Papadopoulos, T. (2018). Manufactura ágil
Prácticas de fabricación: el papel de big data y análisis de negocios con múltiples estudios de casos. Revista
Internacional de Investigación de Producción, 56 ( 1–2), 385–397 .
Martillo, M. (2018). Perspectiva de la digitalización: impacto de las tecnologías digitales en la manufactura
facturing. Enfoque de gestión para operaciones productivas en recursos, 27–68 .
Hammer, M., Somers, K., Karre, H. y Ramsauer, C. (2017). Beneficio por hora como objetivo
parámetro de control de procesos para sistemas de fabricación habilitados por el análisis de big data y la infraestructura de
la industria 4.0. Procedia CIRP, 63, 715–720 .
He, QP y Wang, J. (2018). Monitoreo de procesos estadísticos como herramienta de análisis de big data para
fabricación inteligente. Revista de control de procesos, 67, 35–43 .
Hidalgo, N., Rosas, E., Vasquez, C. y Wladdimiro, D. (2018). Proceso de flujo de medición
cantar adaptabilidad de sistemas bajo dinámica. Sistemas informáticos de futura generación, 88,
413–423 .
Hu, W., Shah, SL y Chen, T. (2018). Marco para una plataforma de análisis de datos inteligente
hacia la supervisión de procesos y la gestión de alarmas. Informática e Ingeniería Química, 114, 225–244
. itoring de sistemas industriales. IFAC-PapersOnLine, 48 ( 21), 931–939 .
Hutter, T., Haeussler, S. y Missbauer, H. (2018). Implementación exitosa de un pedido
mecanismo de liberación basado en el control de la carga de trabajo: un estudio de caso de un fabricante de fabricación contra
stock. Revista Internacional de Investigación de Producción, 56 ( 4), 1565-1580 .
Isaksson, AJ, Harjunkoski, I. y Sand, G. (2018). El impacto de la digitalización en el
futuro de control y operaciones. Informática e Ingeniería Química, 114, 122-129 .
Ji, W. y Wanga, L. (2017). Predicción de fallas basada en análisis de big data para el taller
Planificación. Revista de sistemas de fabricación, 43, 187-194 .
Joseph, RC y Johnson, NA (2013). Big data y gobierno transformacional. ESO
Profesional, 15 ( 6), 43–48 .
Ketokivi, M. y Choi, T. (2014). Renacimiento de la investigación de casos como método científico.
Diario de gestión de operaciones, 32 ( 5), 232–240 .
Khakifirooz, M., Chien, CF y Chen, Y.-J. (2018). Inferencia bayesiana para minería semi-
Big Data de fabricación de conductores para mejorar el rendimiento y la producción inteligente para potenciar la
industria 4.0. Soft Computing aplicada, 68, 990–999 .
Khakzad, NR y Reniers, G. (2016). Aplicación de red bayesiana y multicriterio
análisis de decisiones para el diseño basado en riesgos de plantas químicas. Transacciones de ingeniería química, 48, 223–228
. paradigma de mación y control basado en la coincidencia y aproximación de patrones. Revista de control de procesos,
Kho, DD, Lee, S. y Zhong, RY (2018). Big Data Analytics para análisis del tiempo de procesamiento
en un taller de fabricación habilitado para IoT. Procedia Manufacturing, 26, 1411-1420 .
Kozjek, D., Vrabič, R., Rihtaršič, B. y PeterButala (2018). Análisis de big data para operaciones
Gestión de las operaciones en la fabricación por encargo. Procedia CIRP, 72, 209–214 .
Krumeich, J., Jacobi, S., Werth, D. y Loos, P. (2014). Big Data Analytics para predictivo
control de fabricación: un estudio de caso de la industria de procesos. Congreso internacional IEEE sobre big data ( págs.
530–537). .
Krumeich, J., Werth, D. y Loos, P. (2016). Control prescriptivo de los procesos comerciales.
Ingeniería de Sistemas de Información y Negocios, 58 ( 4), 261–280 .
Kumar, A., Shankar, R., Choudhary, A. y Thakur, LS (2016). Un MapReduce de big data
marco para el diagnóstico de fallas en la fabricación basada en la nube. Revista Internacional de Investigación de
Producción, 54 ( 23), 7060–7073 .
Lee, JH, Shin, J. y Realff, MJ (2018). Aprendizaje automático: descripción general de los
avances e implicaciones para el campo de la ingeniería de sistemas de procesos. Informática e Ingeniería
Química, 114, 111-121 .
Lee, JY, Yoon, JS y Kim, B.-H. (2017). Una plataforma de análisis de big data para smart fac-
tories en pequeñas y medianas empresas manufactureras: un estudio de caso empírico de una fábrica de fundición
a presión. Revista internacional de ingeniería y fabricación de precisión, 18 ( 10), 1353-1361 .
Li, D. (2016). Perspectiva de fábrica inteligente en la industria petroquímica. Ordenadores &
Ingeniería Química, 91, 136-148 .
Li, Y. y Kashiwagi, H. (2005). Control predictivo del modelo Volterra de alto orden y su aplicación a un proceso de
polimerización no lineal. Revista Internacional de Automatización y Computación, 2 ( 2), 208–214 .
Lindström, J., Larsson, H., Jonsson, M. y Lejon, E. (2017). Hacia inteligente y
producción sostenible: combinación e integración de mantenimiento predictivo online y control de calidad
continuo. Procedia CIRP, 63, 443–448. https: // linkhub.
elsevier.com/retrieve/pii/S2212827117302457https://doi.org/10.1016/j.procir.
2017.03.099 .
López-Escobar, C., González-Palma, R., Almorza, D., Mayorga, P. y Carnero, MC
17
Computación e ingeniería industrial 137 (2019) 106099
(2012). Control estadístico de calidad mediante análisis del espectro de vibraciones autoinducidas del proceso. The
International Journal of Advanced Manufacturing Technology, 58 ( 9-12), 1243-1259 .
M'Sahli, F. y Matlaya, R. (2005). Una aplicación de control predictivo basada en un modelo de red neuronal
proach: Aplicación a un reactor semi-discontinuo. The International Journal of Advanced Manufacturing
Technology, 26 ( 1-2), 161-168 .
MacGregor, JF, Bruwer, MJ, Miletic, I., Cardin, M. y Liu, Z. (2015). Variable latente
modelos y big data en las industrias de procesos. IFAC-Papers OnLine, 48 ( 8), 520–524 .
Manyika, J., Bughin, J., Chui, M., Dobbs, R., Brown, B. y Roxburgh, C. (2011). Big data:
La próxima frontera para la innovación, la competencia y la productividad. sl: McKinsey & Company .
Mehta, P., Butkewitsch-Choze, S. y Seaman, C. (2018). Análisis de fabricación inteligente
aplicación para el proceso de fabricación semicontinuo: un caso de uso. Procedia Manufacturing, 26, 1041-1052
.
Ning, C. y usted, F. (2018). Toma de decisiones basada en datos bajo incertidumbre integrando
optimización robusta con análisis de componentes principales y métodos de suavizado de kernel. Informática
e Ingeniería Química, 112, 190–210 .
O'Donovan, P., Leahy, K., Bruton, K. y O'Sullivan, DTJ (2015). Big data en manu-
facturing: Un estudio cartográfico sistemático. Revista de Big Data, 2 ( 20), 1–22 .
Papacharalampopoulos, A., Stavridis, J., Stavropoulos, P. y Chryssolouris, G. (2016).
Control basado en la nube de procesos de fabricación basados en térmicos. Procedia CIRP, 55,
254-259 .
Paul, D., Zhong, W.-D. y Bose, SK (2016). Precios de servicios en la nube energéticamente eficientes: dos
enfoque de optimización de la escala de tiempo. Revista de aplicaciones informáticas y de red, 64,
98–112 .
Qin, SJ (2014). Procesar el análisis de datos en la era del big data. Revista AIChE, 60 ( 9), 3092–3100 .
Qiu, X., He, G. y Ji, X. (2016). Modelo de fabricación de nubes en la industria de materiales poliméricos.
The International Journal of Advanced Manufacturing Technology, 84 ( 1–4), 239–248 .
Rowley, J. y Slack, F. (2004). Realización de una revisión de la literatura. Noticias de investigación de gestión,
27 ( 6), 31–39 .
Sadati, N., Chinnam, RB y Nezhad, MZ (2018). Modelado basado en datos de observación
y optimización de los procesos de fabricación. Sistemas expertos con aplicaciones, 93,
456–464 .
Seuring, S. y Müller, M. (2008). De una revisión de la literatura a un marco conceptual para
gestión sostenible de la cadena de suministro. Revista de producción más limpia, 16 ( 15), 1699-1710 .
Severson, K., Chaiwatanodom, P. y Braatz, RD (2015). Perspectivas sobre el monitoreo de procesos
Shao, Y., Li, C., Gu, J., Zhang, J. y Luo, Y. (2018). Enfoque de programación de trabajos eficiente para
aplicaciones de big data. Computación e Ingeniería Industrial, 117, 249-261 .
Shin, S.-J., Woo, J. y Rachuri, S. (2014). Modelo de análisis predictivo para el consumo de energía.
sumption en la fabricación. Procedia CIRP, 15, 153-158 .
Shrouf, F., Ordieres, J. y Miragliotta, G. (2014). Fábricas inteligentes en la Industria 4.0: una revisión
del concepto y de la gestión energética abordados en la producción a partir del paradigma del Internet de las
Cosas. 2014 Conferencia internacional IEEE sobre ingeniería industrial y gestión de la ingeniería (IEEM) ( págs.
697-701). .
Shukla, M. y Mattar, L. (2019). Sistemas de auditoría sostenibles inteligentes de próxima generación que utilizan
Big Data Analytics: comprensión de la interacción de barreras críticas. Computación e ingeniería industrial,
128, 1015-1026 .
Sivarajah, U., Kamal, MM, Irani, Z. y Weerakkody, V. (2017). Análisis crítico de Big
Desafíos de datos y métodos analíticos. Revista de investigación empresarial, 70, 263–286 .
Smirnov, PA y Nasonov, D. (2016). Escalado de carga de trabajo basado en la calidad para tiempo real
sistemas de transmisión. Procedia Informática, 101, 323–332 .
Stanley, G. (2018). Big Data Approximating Control (BDAC): una nueva estimación sin modelo
67, 141-159 .
Stojanovic, N., Dinic, M. y Stojanovic, L. (2015). Análisis de procesos de Big Data para
mejora continua del proceso de fabricación. Conferencia Internacional IEEE sobre Big Data (Big Data), 1398–1407
.
Sun, B., Jämsä-Jounela, SL, Todorov, Y., Olivier, LE y Craig, IK (2017). Perspectiva
para la automatización de equipos en industrias de procesos. IFAC-PapersOnLine, 50 ( 2), 65–70 .
Tewari, S. y Dwivedi, U. (2019). Análisis de big data basado en conjuntos de litofacies para
desarrollo automático de yacimientos de petróleo. Informática e Ingeniería Industrial,
128, 937–947 .
Wamba, SF, Akter, S. y Bourmont, MD (2018). Lógica dominante de calidad en big data
análisis y desempeño de la empresa. Diario de gestión de procesos de negocio, 25 ( 3), 512–532 .
Wamba, SF, Akter, S., Edwards, A., Chopin, G. y Gnanzou, D. (2015). ¿Qué tan 'big data'
puede tener un gran impacto: hallazgos de una revisión sistemática y un estudio de caso longitudinal. Revista
Internacional de Economía de la Producción, 165, 234–246 .
Wamba, SF, Gunasekaran, A., Akter, S., Ren, SJF, Dubey, R. y Childe, SJ (2017).
Análisis de big data y desempeño de la empresa: efectos de las capacidades dinámicas. Revista de investigación empresarial,
70, 356–365 .
Wang, C.-H., Cheng, H.-Y. y Deng, Y.-T. (2018). Usando la red de creencias bayesianas y el tiempo
modelo de serie para realizar análisis prescriptivos y predictivos para la industria informática.
Informática e Ingeniería Industrial, 115, 486–494 .
Wang, G., Gunasekaran, A., Ngai, EW y Papadopoulos, T. (2016). Analítica de Big Data en
logística y gestión de la cadena de suministro: determinadas investigaciones para investigación y aplicaciones. Revista
Internacional de Economía de la Producción, 176, 98-110 .
Wang, W., Liu, X. y Qin, Y. (2018). Un enfoque difuso de evaluación de riesgos basado en Fine-Kinney
con el método MULTIMOORA ampliado basado en Choquet integral. Informática e Ingeniería Industrial,
125, 111-123 .
Weese, M., Martinez, W., Megahed, FM y Jones-Farmer, LA (2016). Estadístico
Métodos de aprendizaje aplicados al seguimiento de procesos: una visión general y una perspectiva.
Revista de tecnología de calidad, 48 ( 1), 4-24 .
A. Belhadi y col.
Yang, H., Park, M., Cho, M., Song, M. y Kim, S. (2014). Una arquitectura de sistema para
Análisis de procesos de fabricación basado en técnicas de big data y minería de procesos.
Conferencia Internacional IEEE sobre Big Data (Big Data), 1024–1029 .
Zerrouki, H. y Smadi, H. (2017). Red de creencias bayesianas utilizada en la química y
industria de procesos: revisión y aplicación. Revista de análisis y prevención de fallas, 17 ( 1), 159-165 .
Zhang, H., Li, T., Li, J., Yang, S. y Zou, Z. (2017). Progreso en electrólisis de aluminio
control y dirección futura de la planta inteligente de electrólisis de aluminio. JOM, 69 ( 2), 292–300 .
Zhang, Y., Ma, S., Yang, H., Lv, J. y Liu, Y. (2018). Una analítica impulsada por big data
18
Computación e ingeniería industrial 137 (2019) 106099
marco para las industrias manufactureras intensivas en energía. Revista de producción más limpia, 197, 57–72
.
Zhang, Y., Ren, S., Liu, Y. y Si, S. (2017). Una arquitectura de análisis de big data para una limpieza
Procesos de fabricación y mantenimiento de productos complejos. Revista de producción más limpia, 142 ( Parte
2), 626–641 .
Zhong, RY, Xu, C., Chen, C. y Huang, GQ (2017). Análisis de Big Data para Físico
Plantas de fabricación inteligente basadas en Internet. Revista Internacional de Investigación de
Producción, 55 ( 9), 2610–2621 .
Zhuchkov, Enfermera registrada (2015). Aplicación del enfoque de control predictivo para estabilizar el control
diseño de plantas en red. Automatización y control remoto, 76 ( 9), 1704-1712 .