Clase 01.

La necesidad de
información en la Industria 4.0
TRANSFORMACIÓN DIGITAL E INDUSTRIA 4.0: UNA
MIRADA ACTUAL

¿Por qué datos y por qué ahora?

Las transformaciones en el mundo que vivimos se sostienen y aceleran principalmente por el

uso de datos. Su implementación atraviesa múltiples industrias, áreas de servicio y amplios
aspectos de la vida cotidiana.

¿Cómo crees que ha influido el uso de datos en la situación pandémica del SARS-COV2?
¿Cómo ha impactado a la hora de combatir el virus y crear la vacuna?

¿De dónde viene la Industria 4.0?

El término “Industria 4.0” surge de un de especialistas multidisciplinarios convocados por el

gobierno alemán a comienzos de la década de 2010 enfocados en rediseñar un programa de
mejoras para la industria manufacturera.

A partir de de esta nueva nominación se transformó la mirada sobre la industria de las

revoluciones anteriores: Industria 1.0, Industria 2.0 e Industria 3.0.
 Fuente: Mixtrategy.com

🤔 ¿Escuchaste hablar de la Primera y Segunda Revolución Industrial en la escuela? Bueno,

ya vamos por la 4ta.

Hablar de Industria 4.0 es hablar de la Cuarta Revolución Industrial

Entendemos la 4ta Revolución Industrial como la transición hacia nuevos sistemas ciber-
físicos que operan en forma de complejas redes como salto cualitativo a sólo 50 años de la
Revolución digital (Industria 3.0).

El Banco Interamericano de Desarrollo (BID) identifica la particularidad de esta Revolución

Industrial en la convivencia de una gran variedad de tecnologías que se fusionan borrando los
límites entre lo físico, lo digital y lo biológico.

Sin duda, esto implica un gran cambio paradigmático en todos los ámbitos de la vida.
¿Qué tiene que ver con la Transformación Digital?

La transformación digital es “el fomento de evolución y nuevos modelos de negocio

incorporando la digitalización de archivos e incorporando lo digital a todas las áreas de
negocio”.
Harvard Business Review

Tendencias en Data & Analytics 2020-2021

● IA mas inteligente, rápida y responsable

● Decision Intelligence
● X Analytics: Data No Estructurada
● Gestión de datos aumentada
● Cloud es una realidad
● Choques entre mundos de datos y analytics
● Data Marketplaces e Intercambios
● Blockchain en data & analytics

¿Qué hacer con datos?

El Hacking Cultural se trata de encontrar puntos vulnerables en su cultura y convertirlos en un

cambio real que se mantenga.

Ejemplo de caso de uso: Seguimiento de la ubicación interior en un aeropuerto:

● Objetivo: Gran aeropuerto internacional quiere mejorar los servicios ofrecidos a los
clientes
● Estrategia: Configura un sistema para rastrear a los viajeros usando triangulación wifi
● Funcionamiento: Si el wifi de un pasajero está activado, la medición de la intensidad
de la señal en diferentes enrutadores permite una medición precisa de la ubicación
dentro de la terminal
● Oportunidades: Combinar con datos de ventas de tiendas e información sobre vuelos

Objetivos específicos

● Comprender el comportamiento del pasajero para mejorar su experiencia.

● Optimizar las asignaciones de puertas y ubicaciones de tiendas.
● Mitigar la experiencia negativa de los retrasos.
 ● Brindar ofertas promocionales, cupones y ofertas en ciertas tiendas.
● Actualizar y/o reubicar servicios.

Datos y análisis del caso

Datos: Variados, Estructurados, No Estructurados.

Análisis: Descriptivo, Predictivo, Prescriptivo

ESTRATEGIA DATA-DRIVEN

Data Driven es una disciplina que utiliza diversas técnicas y herramientas de análisis para
aprovechar los datos generados dentro de un ámbito o empresa para su beneficio y el de sus
clientes.

Dicho de otro modo, se trata de sacar valor a los millones de datos de los que hoy
disponemos para tomar mejores decisiones basadas en ellos.

Organización Data-Driven

● Datos: Los clientes compran el producto de datos una vez y continúan usándolo tal
como está. Ej. Datos de la empresa, Datos web, Datos móviles, Datos sociales e
Información abierta.
● Refinamiento: Un producto de datos es una aplicación informática que toma entradas
de datos y genera salidas, devolviéndolas al entorno. Ej. Inteligencia de negocios, Big
data, Procesamiento de datos, personalización, Predicciones y Análisis.
● Uso: Un producto de datos es información digital que se puede comprar. Ej.
Marketing, Distribución, Servicios, Innovación.
Ejemplo de Producto de Datos

Estrategia de Data & Analytics

¿Qué es Estrategia?

¿Cómo Triunfamos?

● Propósito Empresarial
● Relaciones críticas y resultados
● Formas en que la empresa crea valor.
● Habilidades empresariales esperadas
¿Qué es el Modelo de Operación?

¿Qué se requiere para ejecutar?:

● Recursos, proceso, prácticas y estructuras organizativas para cerrar brechas.

● Datos requeridos y activos analíticos con un ciclo de vida administrado
● Cómo deben evolucionar los entornos, plataformas, herramientas y prácticas
● Orquestación de recursos en proyectos, programas y/o líneas de productos para tener
éxito.

A medida que su entorno empresarial se vuelve más dinámico e impredecible, también lo

hace la conexión entre la estrategia y el modelo operativo

COMPONENTES DE UNA ESTRATEGIA DATA-DRIVEN

ORGANIZACIÓN DATOS HERRAMIENTAS CULTURA

DE ANALISIS

Objetivos Estratégicos Nuevos Datos Autoservicio Cultura de Datos

Resultados Esperados Datos Gobernados Capacidad de Cómputo Alfabetización de Datos

Medibles
 Modelo de Operacion Datos Disponibles Consultas Sencillas Especializacion

Roles Definidos Datos Oportunos Visualización Intuitiva Comunicacion

Alineación / Autonomía Calidad de Información Ciencia de Datos Storytelling

Gestion de Datos Repositorios Escalables

Data Management Maturity Model

En la industria la administración de datos pasa por 5 niveles que definen la

madurez de esta.

Nivel 1 Nivel 2 Nivel 3 Nivel 4 Nivel 5

● Poca o ninguna ● Gobierno ● Data vista como ● Gobierno ● Procesos de Alta

gobernanza emergente habilitador centralizado y Predicción
organizacional. planificado
● Roles definidos ● Introducción ● Riesgo Reducido
dentro de los consistente de ● Procesos y ● Gestión de
silos herramientas herramientas Riesgos asociado ● Métricas bien
escalables a datos establecidas y
● Problemas de ● Algunos roles y desplegadas
calidad de procesos ● Metas ● Métricas de para medir la
datos no definidos establecidas Performance de calidad de los
abordados considerando la Iniciativas de datos
● Creciente calidad de los Datos
conciencia del datos
impacto de los ● Métricas de
problemas de ● Automatización mejora de
calidad de datos de procesos Calidad de Datos

Big Data Analytics Maturity Model