Hola, soy Laura Higgins. Soy ingeniera de sistemas en el Equipo Global de Habilitación Técnica. Hoy quiero hablarles sobre cómo el diseño de experimentos puede impulsar sus innovaciones. Están aquí porque les interesa la innovación. Buscan crear un mejor producto o proceso, o quieren mejorar algo que ya existe. Quizás estén intentando crear algo completamente nuevo.
¿Cómo podemos dar pasos de gigante en el proceso de innovación? ¿Cómo podemos avanzar a la siguiente etapa con menos tiempo, menos dinero y menos esfuerzo? En definitiva, la clave para mejorar la innovación reside en utilizar la analítica para crear productos y procesos robustos y de alta calidad.
Si innovar fuera fácil, todo el mundo lo haría. Pero la complejidad lo dificulta. Esta complejidad reside en factores subyacentes: aquellos aspectos que intentamos cambiar o ajustar para alcanzar nuestro objetivo.
Tenemos que probar cosas nuevas, y lo hacemos mediante experimentos. La experimentación es esencial para la innovación. Vamos a probar nuevas combinaciones de estos factores subyacentes, o probar cosas nuevas, factores que nunca antes habíamos probado, nuevos ingredientes; en definitiva, la experimentación es como aprendemos.
¿Cómo conciliamos estas dos cosas? Por un lado, la complejidad dificulta las cosas, y por otro, debemos experimentar para innovar. El análisis de datos aporta especificidad. Seamos precisos sobre qué entendemos por cada una de estas cuestiones.
La complejidad radica en los factores, por lo que, nuevamente, los componentes subyacentes de lo que estamos ajustando pueden ser complejos. Pueden influirse mutuamente de manera inesperada. Podemos tener una gran cantidad de elementos cuya importancia desconocemos, pero que creemos que debemos considerar. Esta influencia inesperada es lo que nos llevará más allá de nuestro conocimiento experto, y debemos adentrarnos en este terreno para lograr algo nuevo y mejor.
Por otro lado, la experimentación es la forma en que aprendemos como grupo y como organización. Tenemos que repetir las cosas muchas veces. Experimentamos de forma secuencial. Construimos sobre lo aprendido, pero necesitamos un enfoque estructurado. La estructura es fundamental, y lo que realmente queremos hacer son experimentos estratégicos inteligentes.
El diseño de experimentos es un marco lo suficientemente amplio como para abarcar tanto la complejidad como la experimentación. Este marco ofrece mucha flexibilidad, y ese es el mensaje principal que quiero transmitirles. Prácticamente cualquier nivel de complejidad puede integrarse en él. Es fácil empezar, y eso es lo que les voy a mostrar hoy. Realizar un experimento de diseño les permitirá avanzar, ser más eficientes y eficaces, acelerando así sus innovaciones.
No partimos de cero. Vamos a aprovechar nuestro conocimiento experto, pero debemos ir más allá de realizar experimentos que solo ajustan un factor a la vez. Tradicionalmente, estos se denominan experimentos de un factor a la vez. De nuevo, buscamos las mejores combinaciones de factores que expliquen la causalidad. Permítanme mostrarles la diferencia entre un experimento de un factor a la vez y un experimento de diseño.
Aquí, analizamos un factor a la vez. En el eje x, tenemos la temperatura, y en el eje y, el pH. En un experimento de un solo factor a lo largo del tiempo, hacemos lo siguiente: elegimos un valor de pH y probamos diferentes temperaturas. Encontramos la temperatura óptima y luego modificamos el pH a esa temperatura.
En esta ilustración, el color representa el rendimiento, y encontramos el mejor rendimiento con este enfoque de un factor a la vez. A diferencia de un experimento diseñado, en este caso abarcaremos todo el espacio de diseño y analizaremos combinaciones más amplias que con un solo factor a la vez. En este ejemplo, obtenemos un rendimiento mayor con combinaciones que nunca habríamos intentado con un solo factor. Esto amplía considerablemente el rango y nos permite comprender la complejidad; al comprender la complejidad, podemos comprender la causalidad.
Así es como se ven los dos resultados. Uno es más bien una colina, y el otro una pendiente. Imagínate que estás en la naturaleza, en la cima de una colina, y crees haber llegado a la cumbre, pero es un día nublado, y de repente las nubes se disipan, te das la vuelta y te das cuenta de que hay una cima mucho más alta detrás de ti, pero está muy lejos, y nunca la habrías encontrado simplemente caminando. Necesitas una guía y un camino. Hay lugares más altos donde podemos encontrar mejores resultados. En este caso, mejores cosechas.
Lo que realmente buscamos es comprender la relación entre estos factores y las respuestas. Aquí tengo una lista de factores, como la máquina o el operario, la temperatura, la presión y la humedad. También tenemos salidas típicas, como el coste, el rendimiento y las impurezas. Obtendremos múltiples respuestas. En lugar de tratar este proceso como una caja negra, lo que pretendemos es describir un modelo estadístico que lo caracterice. Así comenzaremos a desentrañar las influencias inesperadas de los factores entre sí.
En realidad, se suelen mencionar dos tipos de experimentos. Uno es el de selección, que consiste en determinar qué es importante. Este método nos permite tomar un gran número de factores y simplemente observar su orden de importancia. Cuando tenemos un número menor de factores, podemos empezar a comprender la complejidad y definir las relaciones entre ellos, tanto dentro de cada factor como entre los factores y las respuestas.
Esto suena complicado, y ya les dije que empezar era fácil. Les explico: el cribado es como el chocolate, la parte buena. La caracterización es como la mantequilla de cacahuete, algo más compleja. En JMP tenemos una plataforma llamada Easy DOE que combina el cribado y la caracterización de forma intuitiva. Nos ayuda a alcanzar nuestros objetivos. Ya no tenemos que preocuparnos por cuándo hacer una cosa y cuándo la otra; lo hará automáticamente. Les voy a mostrar cómo funciona.
Antes de continuar, necesitamos hablar brevemente sobre los pasos de un diseño de experimentos (DOE). Al ver esta diapositiva, quizás piensen: "¡Vaya! ¡Es mucha información! ¿Qué vamos a hacer aquí?". Pero este es precisamente el conjunto de pasos que Easy DOE nos mostrará, paso a paso, y nos guiará en cada uno de ellos. No entraré en detalles aquí, ya que se los mostraré en la plataforma Easy DOE. Esta es una imagen muy común. Muchos de ustedes quizás la hayan visto, y esto es exactamente lo que haremos en Easy DOE.
En unos minutos dejaré de usar PowerPoint, pero también quiero hablar sobre la ampliación de datos. Creo que diseñar un experimento es excelente, pero no podemos subestimar la importancia de la ampliación de datos. Cuando se realiza un experimento con un solo factor a la vez, es difícil avanzar y pasar al siguiente experimento. Básicamente, solo se toman algunos valores encontrados y se sigue adelante.
Cuando se realiza un experimento diseñado, se puede aprovechar todo el conocimiento adquirido sin partir de cero. Lo que se hace es tomar el modelo estadístico subyacente y añadirle más información. La ampliación de datos es una parte fundamental de los experimentos diseñados, y permite acceder a todo este conocimiento adicional sin tener que empezar de nuevo. Creo que esta debería ser una de las razones más convincentes para utilizar experimentos diseñados.
Hagamos un diseño de experimentos (DOE) sencillo en JMP. Este es un diario de JMP. Si no lo conoces, es simplemente una herramienta para tomar notas, con tablas de datos vinculadas y otras funciones útiles. ¿Por dónde empezar? Uno de los temas que quiero abordar es la comprensión básica de las relaciones. Para empezar, si tenemos dos factores, en los ejes X e Y, podemos tener una relación positiva o negativa. También podemos tener una relación que se describe bien con una línea recta o una que presenta cierta curvatura. Aquí tienes una pequeña demostración integrada en JMP. Te permite añadir puntos de datos y, al hacer clic, empezar a comprender cómo funciona esta correlación.
Otro aspecto que debemos comprender es la regresión. La correlación es la relación entre variables. La regresión, en realidad, consiste en trazar una línea. Como pueden ver, puedo modificar la relación. Esto les ayudará a comprender mejor qué están viendo al interpretar sus propios resultados.
Hay una cosa más que quiero compartir con ustedes antes de ver nuestro ejemplo. Cuando tenemos un modelo, es decir, un modelo es una relación estadística, todos sabemos que y = mx + b. Si solo tenemos eso, se denomina simplemente Efectos Principales. Aquí tenemos X1 y luego X2 con nuestra variable de respuesta en y.
Aquí vemos que cada X influye en la respuesta, pero X1 y X2 no se influyen entre sí. Ahora bien, quizá no sean relaciones lineales. A esto me refería antes con la diferencia entre una relación lineal y una no lineal o curvilínea.
La función cuadrática es la forma matemática en que describimos las curvas. De nuevo, X1 y X2 no se influyen entre sí, pero su relación con la variable de respuesta es más compleja. X1 y X2 podrían modificarse mutuamente. Esta es la complejidad subyacente que dificulta las innovaciones y donde los experimentos diseñados pueden ayudar a comprenderla. Si modificamos X1, la relación entre X2 y la respuesta cambia. Quizás ya lo hayas notado sin darte cuenta, y puede ser muy frustrante no tener una forma de definirlo. Así, podemos tener ambas opciones: curvas donde los factores se influyen mutuamente.
Estos son los distintos niveles de complejidad que debemos considerar al diseñar un experimento. Vamos a simplificarlo con Easy DOE. Empezamos en la sección de Diseño de Experimentos (DOE) y usaremos Easy DOE. Como les mostré en la diapositiva anterior, estos son los pasos a seguir. De hecho, les abro un ejemplo ya completado. Aquí están los pasos que les mostré en las diapositivas: Definir, modelar, diseñar, etc. Todo está a su disposición.
Ten en cuenta que existen dos modos: guiado y flexible. Si ya tienes experiencia en diseño experimental, te conviene elegir el modo flexible. Este te brindará opciones adicionales para la selección de diseños y los tipos de análisis. Pero si eres principiante, que es a quien me dirijo, simplemente activa el modo guiado.
Voy a… Aquí está nuestro formulario en blanco. Analicemos las respuestas. La respuesta es lo que queremos medir. El primer diseño que haremos será un filtro. Simplemente queremos comprender el orden de importancia de nuestros factores. Puede que tengas un objetivo en mente, o puede que no. Aquí encontrarás algunas sugerencias si quieres profundizar en el tema, pero te ahorrará tener que… La documentación es excelente. Incluye ejemplos, pero también está disponible aquí para que la consultes al tomar estas decisiones.
Quiero añadir una respuesta y que coincida con un objetivo. Voy a borrar esa. Estamos preparando café. Me gusta el café. Vamos a analizar la intensidad del café. Buscamos un valor entre 1.2 y 1.4. También podríamos querer maximizar o minimizar un objetivo. Por ejemplo, si tuviéramos que considerar el costo, querríamos minimizarlo. Esas son nuestras respuestas.
También necesitamos añadir factores. Estos son los elementos que vamos a modificar en nuestro experimento. Ver cómo escribo es un poco aburrido. Permítanme explicarles cuáles son estos factores. Les voy a mostrar... Se puede tener una tabla con factores. Lo que voy a hacer aquí es cargarlos para que podamos analizarlos. Vamos a ver cada uno. Aquí tengo la molienda. El café puede ser molido grueso o, en este caso, molido medio. Esta es una respuesta categórica. Si van a añadir una respuesta categórica, se trata de algo que viene en unidades discretas. Rojo/azul, diferentes proveedores. En este caso, la molienda.
La temperatura es una variable continua. Se introducen los niveles mínimo y máximo. Las variables continuas son aquellas que tienen un control que se mueve de forma continua. En el caso de la temperatura, podemos tener cualquier variación. Nuestro siguiente factor también es continuo: el tiempo. El tiempo siempre es continuo. Podemos configurarlo entre tres y cuatro. La carga tiene que ver con la intensidad del café. Depende del tiempo que la máquina esté funcionando o del ajuste que modifique la intensidad del café.
Tenemos dos estaciones de café distintas, porque quizá haya alguna diferencia entre ellas que desconozco. Esto nos lleva al importante tema del ruido. Una de las cosas que hacen los experimentos de diseño es aleatorizar, para que no tengamos que preocuparnos por todo. Porque podría ser que la resistencia de una de mis estaciones no sea tan buena como la de la otra, pero la aleatorización entre ellas ayudará a disimular ese hecho y a eliminar el ruido que no nos interesa y que no estamos intentando definir, lo que nos permitirá comprenderlo mejor.
El otro tipo que aparece aquí es un factor numérico discreto. Esto se usa cuando tienes algo como un horno. Digamos que el horno solo tiene un par de configuraciones. Si bien la temperatura podría ser una variable continua, en realidad no la vas a usar así. Podrías preguntarte: "¿Por qué no usarla como variable categórica?". Porque obtendrás más información con un factor numérico discreto.
Si mis dos valores numéricos discretos fueran 10 y 100, reconocería la diferencia entre 10, 20 y 100. La diferencia entre 10 y 20 es solo 10, pero entre 10 y 100 es 90. Lo tendrá en cuenta. Si simplemente los incluyo en un factor categórico, los tratará como A, B y C, y perderé la información adicional que podría haber obtenido. Continuemos. Al hacer clic en los controles de navegación, me llevará a la siguiente pestaña.
Modelo. Creo que aquí es donde empiezan las preocupaciones. Aquí hay una breve explicación de lo que significan algunas de estas cosas. Incluso indica que ahora mismo solo estamos haciendo una selección. Solo queremos saber cuáles de estos elementos son los más importantes. Por eso mostré la ilustración de interacciones y funciones cuadráticas, porque podemos incluirlas y analizarlas.
Una de las cosas que se observa es que obtener más información sobre lo que sucede, si nuestros factores son lineales o no, y si interactúan entre sí, implica un mayor número de simulaciones. Por eso, si se tiene un gran número de factores, es preferible realizar un diseño de cribado y, posteriormente, un diseño de caracterización. En Easy DOE, lo único que debo decidir es cuál de esas preguntas intento responder.
En este caso, solo quiero saber qué es importante. Nos vamos a centrar en eso. Esto me ha facilitado el diseño. Aquí está mi diseño. Puedo exportar los datos. Voy a crear una tabla de datos en JMP y luego puedo continuar. Debes ejecutar cada ensayo en orden, tal como se indica. La primera vez que realice el experimento, lo haré en la estación 2, usaré una molienda gruesa a una temperatura de 195 °C durante tres segundos y una carga de 2.4. La segunda vez que lo haga, también usaré la estación 2. Usaré una molienda media, y aquí puedes ver las demás variables. El orden de los ensayos es fundamental. Esto forma parte de la aleatorización. Si te desvías del orden y simplemente ordenas los datos, no habrás respetado el diseño del experimento.
Esto va un poco más allá de lo que vamos a tratar hoy. Si retomamos nuestro modelo y… No, lo siento. Si retomamos nuestros factores y nuestro modo flexible, podemos añadir información adicional sobre aspectos que son realmente difíciles de modificar. Por ejemplo, sumergir algo en grandes recipientes de ácido. Esto va a cambiar el tipo de modelo estadístico subyacente que estamos construyendo. Pero está aquí, y se puede hacer, y se debería usar. Los experimentos industriales a menudo presentan aspectos difíciles de modificar, y no podemos usar toda la aleatorización. Continuemos.
Ya realicé este experimento. Aquí están mis datos. Puedes cargar las respuestas. Simplemente selecciona una columna de la tabla de datos. Esa es la mejor manera de recuperar tus datos. En el experimento anterior, exportaste la tabla de datos, la completaste y luego pudiste volver a cargar tus respuestas en Easy DOE. ¿Qué es este pequeño gráfico de aquí abajo? Nos muestra una vista previa de nuestros resultados. Aquí está la intensidad de mi café, mi variable de resultado en el eje Y. Cada punto de datos representa uno de mis experimentos. Podemos obtener una vista previa de cómo se ven los resultados para cada factor. Déjame ampliarlo un poco. Listo.
Parece que la molienda podría ser importante. Es difícil saberlo sobre algunas de las otras. No vamos a hacerlo a ojo, pero sí muestra la distribución de los datos para cada uno de tus puntos de datos. Al hacer clic en Siguiente en mi control de navegación, llego a Analizar.
Esto es genial. Aquí hay dos cosas distintas. Podemos analizar todo el modelo. La línea continua indica que es significativo, y la línea punteada, que no lo es. Para que quede claro, en experimentos diseñados, que no sea significativo no significa que no sea importante. Significa que no se detectó algo. Quizás si se hubieran realizado el doble de repeticiones, se habría detectado. En este caso, no tenemos evidencia de que sea importante. El modelo completo lo es todo. Si queremos verlo, podemos consultar esos resultados.
Lo que buscamos aquí es que nuestra estimación real esté alejada de cero. Lo hacemos observando los intervalos de confianza. Podemos verlo en nuestra variable de molienda. El gráfico lo muestra automáticamente. En cambio, para otras variables, indica que no es significativo. Se puede observar que cruza esta línea en cero. Si hago clic en "Mejor modelo", indica que el mejor modelo para explicar nuestro diseño de experimentos incluye la molienda y posiblemente la temperatura. La temperatura está un poco en el límite. Quizás convenga mantenerla por ahora. El tiempo, la carga y la estación no son importantes, así que podemos continuar y pensar en qué más podríamos hacer a continuación.
Hay un perfilador de predicción. Los perfiladores de predicción son la forma en que visualizamos ecuaciones en JMP. Aquí está nuestro eje Y, y el azul representa los intervalos de confianza. Cada cuadrado representa nuestra variable de resultado. Es interactivo. Aquí no solo podemos explorar haciendo clic, sino que donde haya un triángulo rojo en JMP, tendremos muchas opciones y podremos realizar optimizaciones. Esto puede ser muy importante si queremos verificar los resultados. Por ejemplo, podemos preparar otra taza de café y comprobar si es la mejor opción. También hay un informe detallado que se puede imprimir. Este es un ejemplo de un diseño de experimentos (DOE). Se trata de un diseño de cribado.
Ahora, vamos a realizar un diseño de caracterización. En este caso, nuestros factores serán el pH, la temperatura y el proveedor. Nuestras respuestas serán si se trata del analito objetivo y si hay impurezas. Como pueden ver, maximizaremos o minimizaremos estos parámetros. Para evitar que se aburran, cargaré estos datos en Easy DOE. Usaré este pequeño triángulo rojo. Cargaré mis respuestas y mis factores. Como pueden ver, es como si seleccionara estos parámetros con el botón de más (+): analito objetivo e impurezas. Quiero maximizar el analito objetivo y minimizar las impurezas. Tengo tres factores: pH (continuo), temperatura (continua) y proveedor (categórico).
Estoy intentando caracterizar la complejidad de la relación. No sé si tengo líneas rectas o curvas, ni si interactúan entre sí. Eso es lo que quiero averiguar. Lo interesante es que, al tener menos factores, puedo usar cualquiera de estos tres tipos de diseño para estimar estos modelos con la misma cantidad de ejecuciones.
Voy a elegir la que me proporcione más información. Analizando interacciones y ecuaciones cuadráticas. También se le llama diseño de superficie de respuesta. De nuevo, el programa va a generar el modelo automáticamente. Aquí están mis 18 ejecuciones. Voy a exportar mis datos. Aquí está mi tabla de datos.
Ojalá funcione la magia de mi simulación. Me subo a mi máquina del tiempo y recopilo mis datos. Aquí están los datos. La máquina del tiempo no viene incluida con Easy DOE. Vamos a hacer clic en Siguiente. Ahora voy a cargar mis respuestas. De nuevo, si observamos estos gráficos de factores, podemos empezar a hacernos una idea de cómo son nuestros resultados. Aquí tengo dos resultados: el objetivo y la impureza. Parece que hay una relación, quizá con el pH. Con los demás es un poco difícil de determinar. La impureza podría tener algo que ver con mi proveedor.
Ejecutemos el modelo. Tenemos mucha potencia aquí porque nuestros márgenes de error son pequeños. Podemos ver muchas líneas verdes sólidas y un par de líneas punteadas pequeñas. Si hago clic en "Mejor modelo", dirá: "No creo que estos factores sean significativos". Una de las cosas que se observa aquí, tal como está escrito pH*pH, sería ver si la línea es curva, y dice que no lo es. De igual manera, la temperatura probablemente no sea curva, pero definitivamente tenemos algunas interacciones. Las interacciones se escriben así: pH*temperatura. Hay más información aquí abajo si queremos seguir analizando. Podemos examinar cada respuesta porque tal vez solo nos interese... Esto es para el objetivo, y luego, para la impureza, encontraríamos algo que sea quizás un poco diferente. Realmente queremos poder analizar estos datos en un modelo similar.
Ahora podemos pasar a Predict. De nuevo, en nuestro perfilador, arriba está el valor objetivo y abajo la impureza. Ambos representan el pH. Podemos observar cierta curvatura entre el pH y la temperatura. Sin duda, vemos que estos valores se invierten para cada proveedor. Voy a hacer clic en el botón Optimizar para encontrar la configuración que maximiza el valor objetivo y minimiza la impureza. Esta es la configuración que debería probar con este pH, esta temperatura y este proveedor. Es necesario verificar que se haya realizado un buen diseño de experimentos (DOE). De nuevo, mi informe está aquí si lo necesita; podemos exportarlo.
Eso es Diseño de Experimentos (DOE) sencillo en JMP. En resumen, ¿qué más? Existen otros tipos de DOE. Hay muchas opciones. Se trata de tipos de DOE ligeramente especializados. Hay diseños para enseñar los conceptos clásicos, diseños para comprender las necesidades de los consumidores. Si se realiza un experimento computacional, existen diseños de llenado de espacio. Disponemos de matrices de cobertura si se diseña software. Se pueden crear formulaciones y mezclas. Hay muchas posibilidades para trabajar con mezclas. Existen diseños de análisis de fiabilidad y sistemas de medición, y técnicas de bloqueo avanzadas para mayor complejidad.
Es fundamental, al intentar innovar, tener confianza al abordar este amplio espectro de complejidad con nuestro diseño. Tenemos interacciones complejas, y el diseño de experimentos nos ayudará a aprovechar este espacio de forma inteligente, lo que aumentará nuestra capacidad de innovar. Muchas gracias.
