{"id":7891,"date":"2023-11-16T23:54:37","date_gmt":"2023-11-16T23:54:37","guid":{"rendered":"https:\/\/gerens.pe\/blog\/?p=7891"},"modified":"2023-12-19T16:41:11","modified_gmt":"2023-12-19T16:41:11","slug":"impulsando-el-conocimiento-a-partir-de-los-datos-en-la-industria-minera","status":"publish","type":"post","link":"https:\/\/gerens.pe\/blog\/impulsando-el-conocimiento-a-partir-de-los-datos-en-la-industria-minera\/","title":{"rendered":"Impulsando el conocimiento a partir de los datos en la industria minera"},"content":{"rendered":"

Es bien sabido que la industria minera hoy en d\u00eda tiene una gran cantidad de datos de sus operaciones. Esto incluye datos relacionados con el rendimiento de los equipos, datos del yacimiento (recursos, reservas), datos la calidad (ley), datos de las operaciones de la planta (recuperaci\u00f3n), datos de perforaci\u00f3n y voladura, datos del consumo de energ\u00eda\/combustible y datos de mantenimiento, por nombrar algunos. La mayor\u00eda de las minas ha implementado alg\u00fan tipo de reporte diario y mensual y se pregunta si este es el momento adecuado para sumergirse en pruebas de concepto sobre machine learning. Muchos lo hacen, solo para darse cuenta m\u00e1s tarde de que este trabajo no se puede escalar, esto debido a que el problema ha hab\u00eda sido adecuadamente definido , o es demasiado complejo para gestionarla a largo plazo, carecen de calidad de dato o no proporciona los beneficios deseados. En esencia, es necesario un enfoque estructurado y la aplicaci\u00f3n de <\/span>data analytics<\/span><\/i> que debe progresar a medida que el negocio madura, para obtener informaci\u00f3n de los datos para la toma de decisiones.<\/span><\/p>\n

Informaci\u00f3n a partir de los datos <\/span><\/b>\u00a0<\/span><\/h5>\n

La siguiente secci\u00f3n cubre algunos enfoques clave en la adopci\u00f3n de estrategias basadas en datos en la industria minera y pueden ser aplicados por mineros grandes o peque\u00f1os dependiendo de su madurez.<\/span>\u00a0<\/span><\/p>\n

KPI y visualizaci\u00f3n\u00a0de datos basados en design thinking:\u00a0<\/span><\/b><\/h6>\n

La mayor\u00eda de los mineros tienen un buen nivel de informes y han invertido en data warehuses como repositorio central de datos y utilizan herramientas de business intelligence para generar reportes. Con frecuencia, el problema suele ser que estos informes por s\u00ed solos no cuentan una historia (con falta de tendencias o KPI relevantes) y, a menudo, son solo una declaraci\u00f3n hist\u00f3rica de cifras que no son necesariamente \u00fatiles para la gesti\u00f3n. Muchas veces, estos informes no son hol\u00edsticos y tienen una visualizaci\u00f3n deficiente que no aborda\u00a0los problemas del mundo real: la gestionando de la interfaz mine to mill, el remanejo de toneladas, las variaciones de los planes y lo que se necesita para ajustase al plan. Una buena visualizaci\u00f3n de los datos puede hacer que la gerencia y los supervisores hagan las preguntas correctas para mejorar el negocio y abordar los planteamientos de problemas mal definidos.<\/span>\u00a0<\/span><\/p>\n

Enfoque de mejora empresarial basado en modelos:<\/span><\/b>\u00a0<\/span><\/h6>\n

La mayor\u00eda de\u00a0los mineros han utilizado \u00e1rboles de impulsores de valor en alg\u00fan momento como herramienta, pero en su mayor\u00eda est\u00e1n basados en Excel y no son din\u00e1micos. Por lo general, solo proporcionan una instant\u00e1nea puntual de la jerarqu\u00eda de costos o productividad, pero no profundizan en las palancas t\u00e9cnicas subyacentes ni permiten un an\u00e1lisis hipot\u00e9tico para planificar mejoras a corto plazo.<\/span>\u00a0Idealmente,\u00a0se<\/span> puede adoptar un enfoque basado en modelos para identificar los cuellos de botella que se pueden mejorar antes de pasar al siguiente cuello de botella. Las palancas que son controlables, como las paradas, la disponibilidad del operadores y los factores de llenado, pueden utilizarse utilizando tecnolog\u00eda adicional en el campo o pr\u00e1cticas de trabajo operativas para guiar la mejora y lograr escala y sostenibilidad a largo plazo.<\/span>\u00a0<\/span><\/p>\n

Data analytics\u00a0en tiempo real:<\/span><\/b><\/h6>\n

Este es un enfoque del que se habla mucho con la llegada de IoT y las plataformas de datos. Son realmente un complemento de las fuentes de datos operativos y es bueno para la toma de decisiones a nivel de turno o por d\u00eda, y podr\u00edan proporcionar informaci\u00f3n adicional que los sistemas de miner\u00eda subyacentes proporcionan actualmente (por ejemplo, una vista de inventario de un silo en tiempo real junto con la tasa de extracci\u00f3n desde el tajo, etc.). Tambi\u00e9n podr\u00edan ayudar con enfoques de control de intervalos cortos para la toma de decisiones.<\/span>\u00a0<\/span><\/p>\n

Enfoque basado en\u00a0machine learning:<\/span><\/b>\u00a0<\/span><\/h6>\n

El machine learning\u00a0puede proporcionar un enorme valor al negocio cuando hay un planteamiento del problema bien definido, con suficiente granularidad a partir de la exploraci\u00f3n de datos sobre las variables de dominio y los posibles resultados, y una estrategia sobre c\u00f3mo se puede actuar sobre los resultados. A menudo, se ignora la \u00faltima parte: un buen gr\u00e1fico de correlaci\u00f3n que cuenta la historia, pero no se puede actuar sobre ella o el proceso de negocio no la incluye en el flujo de trabajo.<\/span>\u00a0<\/span><\/p>\n

Hay buenos ejemplos en los que el mantenimiento predictivo ha tenido \u00e9xito en la identificaci\u00f3n de problemas como el an\u00e1lisis del estado\u00a0 de los camiones de acarreo, la predicci\u00f3n de fallos en los transportadores mediante algoritmos de \u00e1rbol de decisi\u00f3n, etc. Sin embargo, han carecido de un proceso o enfoque para hacer que estas iniciativas sean sostenibles e integrarlas en el proceso de trabajo.<\/span> (industria minera)<\/span><\/p>\n

\"industria<\/p>\n

Algunas consideraciones clave<\/span><\/b>\u00a0<\/span><\/h5>\n

Los siguientes puntos son pautas importantes a la hora de adoptar una estrategia basada en datos.<\/span><\/p>\n