Peter van Bruggen, estadístico de I+D de Unilever
Abstracto:
En Unilever, se realizan miles de experimentos antes de lanzar (re)productos al mercado. Los cientos de investigadores, ingenieros y técnicos que participan en estos experimentos a nivel mundial cuentan con formación en diferentes disciplinas y un nivel variable de conocimientos estadísticos. Aplicar la DOE no suele ser una práctica común, y no siempre se cuenta con apoyo de estadísticos. Es un hecho que, para quienes no son expertos en estadística, la DOE presenta algunas dificultades: 1) la abrumadora cantidad de DOE, 2) el nivel de detalle necesario para completar la información necesaria y 3) la dificultad para comprender los resultados del análisis estadístico. Es fácil elegir un diseño incorrecto o interpretar los resultados erróneamente. Esto marca la diferencia entre el éxito y el fracaso. En lugar de capacitar a todos los científicos en estadística y DOE, Unilever implementó una herramienta para superar estas dificultades. Esta herramienta, llamada Plyos, se desarrolló internamente y funciona en JMP. Plyos simplifica el proceso y guía al usuario a través de la configuración de DOE con ayuda ampliada. Plyos también ofrece explicaciones detalladas para interpretar los resultados del análisis estadístico. La presentación destaca las formas de trabajar con la herramienta, así como sus ventajas y limitaciones.
Texto de los presentadores:
Consulte un PDF separado para ver las diapositivas presentadas.
1 Introducción
“Pensar es una de las armas más importantes para afrontar los problemas”
Mandela dijo esto hace muchos años en una entrevista refiriéndose a su encarcelamiento de 27 años.
Sin embargo, estas sabias palabras también podrían aplicarse al Diseño de Experimentos. Se han convertido en parte de nuestro lema para los cursos relacionados con el Departamento de Energía.
Unilever es una empresa que produce bienes de consumo de alta rotación en diversas áreas de alimentación, hogar y cuidado personal. Tiene presencia en numerosas plantas de todo el mundo.
El proceso de lanzamiento de productos al mercado se podría, simplificado, dividir en tres etapas: En las ubicaciones de Investigación y Desarrollo se moldean los productos que luego se prueban a pequeña escala en plantas piloto antes de producirlos para el mercado en nuestras fábricas.
Los costes asociados a la experimentación en fábricas son relativamente altos debido al costoso equipamiento, a los lotes a menudo de mayor tamaño y al hecho de que los productos resultantes no pueden venderse en el mercado.
En I+D, podemos realizar muchos más experimentos gracias a su menor escala, lo que resulta en costos por muestra mucho menores. La planta piloto se encuentra prácticamente en el centro.
El deseo de utilizar técnicas DoE está, por supuesto, directamente relacionado con la cantidad de experimentos que se realicen.
Sin embargo, el conocimiento común sobre estadísticas y DoE –pero también el nivel de apoyo estadístico– es lamentablemente mucho menor en las plantas piloto en comparación con I+D, y es aún menor en las fábricas.
Con la introducción de DoE en nuestras plantas piloto nos enfrentamos a varios desafíos.
Estos desafíos se deben a que contamos con más de 40 plantas piloto en todo el mundo, con más de 500 colegas involucrados. El nivel de formación varía considerablemente, y con ello, sus conocimientos de estadística. El uso de técnicas estadísticas no siempre es una práctica diaria.
El personal que trabaja en plantas piloto está altamente cualificado y es reconocido en su área de especialización, pero al iniciar una herramienta DoE, se enfrentan a numerosas opciones. Algunas son fáciles, pero otras pueden ser muy difíciles. La mayoría de los problemas que enfrentan se relacionan con el tipo de diseño, el análisis y la interpretación de los resultados. La falta de conocimientos en esta área podría impedirles usar DoE.
Hay varias maneras de superar una posible falta de conocimiento, de las cuales las más obvias se enumeran aquí. Sin embargo, tanto la capacitación como el aumento del soporte estadístico son muy costosos debido a la gran cantidad de sitios y colegas involucrados. Y, como todos sabemos, forzar el uso de una técnica no funcionará.
2 Introducción de DoE en plantas piloto
Unilever ha optado por simplificar el proceso de solicitud de DoE. Esto no solo permite reducir costos, sino que también podría ser una opción más sostenible para Unilever, con tantos empleados y donde las personas cambian de trabajo periódicamente.
Para ello hemos establecido ciertas exigencias para simplificar el proceso de elaboración de un Diseño de Experimentos y su análisis.
Hemos intentado evitar al máximo el uso de lenguaje estadístico. Omitimos los términos sobre el tipo de diseño y las técnicas de análisis, y nos centramos en la información que debe recopilarse tras la prueba y en el conocimiento que el usuario tiene antes de ella.
Dado que no siempre es posible evitar el lenguaje estadístico, especialmente al analizar datos, se ha optado por brindar ayuda en cada etapa del proceso.
Herramienta 3 Plyos
Para que este proceso simplificado tenga éxito se necesita, inevitablemente, una herramienta de software sencilla, útil y fácil de utilizar.
Hemos desarrollado una herramienta de este tipo. Se llama "Plyos" y, por supuesto, está disponible en Unilever a nivel mundial.
Esta herramienta se ejecuta en JMP y muestrea únicamente la información deseada. ¿Cuáles son las respuestas y los factores? Y muestrea únicamente información adicional cuando es estrictamente necesaria. Por ejemplo, la pregunta de si es necesario incluir interacciones en el diseño solo se plantea cuando es posible incluirlas.
Se explican todos los pasos y se comunican al usuario las posibles decisiones. Este verifica la información ingresada y sugiere mejoras según el conocimiento de Unilever.
Finalmente, la herramienta proporciona un diseño efectivo que se presenta aleatorio o bloqueado si las circunstancias lo desean.
La herramienta también analiza las respuestas utilizando un número mínimo de técnicas estadísticas en función del tipo de respuesta y del número de factores y explica cómo debe interpretarse cada técnica, individualmente y en combinación.
Flujo del programa 4 Plyos
Con los ejemplos dados, se obtiene una idea general del flujo del programa, además de algunas capturas de pantalla. Solo se presentan algunos puntos destacados.
Al iniciar Plyos, se ofrecen opciones para cambiar la carpeta predeterminada de almacenamiento de datos. Puede consultar la ayuda o abrir un manual más detallado. También existen opciones para probar la aplicación con archivos de ejemplo.
Más importante, por supuesto, es el diseño de un nuevo conjunto de experimentos o abrir un diseño existente para agregar datos de respuesta y analizar estos resultados.
Cuando los usuarios comienzan a crear un nuevo diseño, la herramienta solicita primero detalles para identificar la prueba posteriormente. A continuación, el usuario debe completar los detalles de las respuestas, de las cuales se muestra una pantalla de ejemplo. El nivel de detalle solicitado es mayor del esperado al configurar un diseño en JMP. Esta información adicional es típica de Unilever y se utiliza en segundo plano para optimizar el diseño final. Por ejemplo, Plyos preguntará si las respuestas ordinales o nominales pueden reemplazarse por respuestas continuas. Las respuestas continuas son más fáciles de analizar y los resultados presentan menos problemas de interpretación para quienes no son estadísticos.
Hay una pantalla de ayuda separada disponible para explicar los diferentes campos y su impacto.
Después de cerrar esta pantalla de respuesta, el siguiente paso del proceso aborda, de manera similar, los factores que es necesario investigar.
Si el sistema de conocimiento Plyos decide que el usuario debe tomar una decisión (por ejemplo, si deben incluirse interacciones o no), el sistema formula la pregunta y proporciona ayuda para aclararla.
El siguiente paso “Decisiones y consecuencias” se refiere a una decisión forzada por parte de Plyos.
Si Plyos ha forzado una decisión (por ejemplo, cuando es necesario limitar los niveles de factores), se muestra una ventana separada con explicaciones y, si corresponde, opciones para seleccionar.
Cuando todo se ha completado y respondido, se proporciona un diseño aleatorio y listo para usar.
Esta tabla de datos JMP, con el apoyo de la ayuda, puede utilizarse directamente como receta para los ensayos en la planta piloto. Se pueden completar los resultados de las respuestas y, por supuesto, guardar la tabla para su posterior procesamiento.
La tabla corresponde a la información proporcionada y es más detallada que la tabla de datos estándar de JMP tras su proceso DoE estándar. Por ejemplo, JMP DoE creará factores nominales únicamente para todos los factores categóricos en la entrada, mientras que Plyos los convierte en ordinales o nominales según la entrada.
Un buen diseño de experimentos es inútil sin un análisis adecuado de los datos de respuesta.
En el ejemplo dado, puede ver en el lado izquierdo una ventana de informe JMP que presenta las técnicas estadísticas predefinidas que se eligieron para el modelo bajo investigación y en el lado derecho puede ver la explicación de las mismas técnicas.
Las explicaciones sólo mostrarán aquellas técnicas que realmente se utilizan en el análisis y viceversa.
Junto con las descripciones generales del modelo y los supuestos más importantes, las explicaciones detalladas de las técnicas de análisis (individualmente y en combinación) deberían ser suficientes para la mayoría de las situaciones para extraer conclusiones sólidas y fiables de los datos, incluso cuando el usuario sólo tiene conocimientos limitados de estadística.
5 desafíos de diseño
Durante el diseño de la herramienta, nos enfrentamos a varios desafíos. Algunos tuvieron un gran impacto, otros fueron menores.
El primero trata sobre qué tipos de diseño serían necesarios para combinaciones específicas de factores y si seríamos capaces de crear un flujo tal que se elija el mismo diseño al comenzar el mismo proceso nuevamente.
Afortunadamente, contábamos con un amplio conocimiento especializado sobre el grupo objetivo y sus necesidades específicas. Las diferentes situaciones se definieron según el número de factores, su tipo, el número de niveles por factor (categórico), la inclusión o no de interacciones o no linealidad, y otras restricciones.
Toda la información se almacena en una gran tabla de datos que también incluye información sobre cómo deben analizarse los datos.
En una etapa temprana del desarrollo, se decidió utilizar principalmente diseños clásicos. Estos son fáciles de entender y repetibles. Sin embargo, no son fáciles de codificar, especialmente cuando se desea evitar que los usuarios accedan a las pantallas de diálogo estándar de DoE de JMP.
Por lo tanto, la mayoría de los diseños se codifican en los scripts mediante bucles. Otros se almacenan en tablas de datos y se utilizan según demanda.
Se requirieron diversos tipos de ayuda, solicitados durante las diferentes etapas del proceso de creación del diseño. Para facilitar el mantenimiento, el texto no debía almacenarse en una zona demasiado profunda de los scripts.
Introducimos texto en diferentes fuentes, incluyendo guiones. Sin embargo, la mayoría se almacena en tablas de datos y diarios. En particular, la forma que encontramos para almacenar grandes cantidades de texto en un diario y presentar partes del mismo de forma flexible nos dio una gran satisfacción.
También nos encontramos con varios problemas menores:
Algunos nombres de columnas creadas parecían depender del idioma (p. ej., "Residuos"). Optamos por la solución simple y probamos el idioma actual, solicitando al usuario que lo cambie si es necesario.
Algunas "Preferencias de Plataforma" cambian la forma en que se presentan los datos durante el análisis. Algunas no se pueden solucionar mediante codificación rígida. No encontramos maneras de solucionar algunos problemas, por lo que incluimos advertencias en nuestro texto.
Comenzamos el desarrollo en 2011 con JMP9. Posteriormente, se introdujo JMP11, lo que causó algunos problemas con ciertas rutinas. Desarrollamos subrutinas dependientes de la versión para solucionarlos. Sin embargo, JMP9 ya no está disponible.
6 Disponibilidad y puesta en marcha de herramientas
La herramienta se ha implementado en todo el mundo Unilever. Se entrega mediante una unidad compartida.
Aunque el uso de la herramienta se explica por sí solo mediante la ayuda y el manual incluido, la herramienta también forma parte de un programa de formación.
Durante esta capacitación, el enfoque no se centra en los fundamentos del diseño de experimentos ni en estadísticas complejas, sino más bien en la práctica con la herramienta y la preparación necesaria para configurar un diseño. Nuestro lema durante la capacitación es «Piensa bien antes de empezar», repitiendo las palabras del Sr. Mandela.
Nuestra experiencia nos indica que este proceso de reflexión es incluso más importante que el proceso mismo de creación de un Departamento de Energía.
7 Uso de herramientas
Plyos está disponible desde 2012.
Observamos que el uso de la herramienta se extiende a toda la empresa Unilever, con una cobertura de más de 20 países y más de 500 usuarios. Alrededor de 100 usuarios han creado varios de los 600 casos relevantes que hemos visto en los últimos 2 o 3 años. Plyos resultó aplicable en aproximadamente el 95 % de estos casos, lo que resultó en un diseño válido y útil. En aproximadamente el 5 % de estos casos se requirió la intervención de un estadístico.
Sin embargo, hay un punto fundamental: todos los aspectos deben contar con el impulso y el apoyo de la alta dirección. Sin dicho apoyo, existe un alto riesgo de que el uso de la herramienta, y por ende, la aplicación del DoE, disminuya. Tenemos mucha suerte de contar con este apoyo.
8 Conclusión
Sigue siendo difícil llegar a una conclusión sólida, especialmente para un diseñador de la herramienta.
Sin embargo, a partir de las estadísticas que acabamos de ver y de los comentarios y preguntas que recibimos y aún recibimos de los usuarios, creo que hemos tenido éxito en la simplificación del proceso de configuración de diseños de experimentos.
Por supuesto, debemos hacer todo lo posible para que el usuario se concentre en la creación de un diseño de experimentos siempre que el trabajo en la planta piloto lo requiera. Lo hacemos en parte mediante la gestión, pero también ofreciendo ayuda especializada de estadísticos cuando se necesita.
Además, la herramienta en sí también debe actualizarse periódicamente para mantenerla en línea con las crecientes demandas de los usuarios.
También resultó beneficioso el enfoque en "Piensa bien antes de empezar". El usuario es mucho más consciente de lo que quiere investigar y ve Plyos como una herramienta útil para hacerlo sin la ayuda de un estadístico.
9 Equipo y cierre
Por último me gustaría destacar que este desarrollo no hubiera sido posible sin un gran equipo.
Lamentablemente, Winfried Theis abandonó Unilever mucho antes de que se desarrollara la herramienta.
Los otros dos chicos, Frits Quadt de Quadt Consultancy para el soporte técnico y Hans de Roos de Octoplus Information Solutions para el scripting, todavía están en nuestro equipo.
Por supuesto, muchas otras personas han participado en el proceso, haciendo posible la implantación global de Plyos. Su ayuda fue y sigue siendo muy apreciada.
Peter van Bruggen
Estadístico
Investigación y desarrollo de Unilever, Vlaardingen, Países Bajos
peter-van.bruggen@unilever.com
