Francisco Rojas.

Todos los chilenos tenemos alguna noción de la importancia de la industria minera en el desarrollo de nuestro país. A modo de contexto, precisamos algunos números que sustentan su relevancia: en el año 2013, la industria minera aportó con el 11,1% del Producto Interno Bruto del país (PIB), el 3,1% del empleo (considerando solo el empleo directo), el 10,1% de los ingresos fiscales y el 59,6% de las exportaciones chilenas.

No obstante, los costos han aumentado drásticamente. Si en el año 2000 nos ubicábamos en un expectante quinto lugar mundial en términos de costos, para el año 2012 ya habíamos bajado a la posición 22, principalmente por el alto costo de la energía, la escasez de recursos hídricos y el encarecimiento de la mano de obra, entre otros factores menos relevantes. Esto, sumado a la baja ley del cobre que extraemos (en el año 1992, el 21% de la producción global tenía una mayor ley que Chile; en el año 2010, el 35%, y Wood Mackenzie y Codelco estiman que hacia el 2020, el 43% de la producción global de cobre tendrá mayor ley que nuestra industria), han configurado un escenario complejo de cara al nivel de competitividad y productividad de la industria a nivel global.

Entonces, el desafío es la productividad operacional y, por ende, recuperar competitividad, lo que obliga a la industria minera chilena a ampliar la mirada y explorar caminos complementarios que pueden traer grandes réditos en el mediano y largo plazo. Es aquí donde aparece el uso de técnicas de modelamiento matemático de grandes volúmenes de datos, para apoyar decisiones sobre procesos productivos. Estas técnicas se conocen bajo el nombre de Business Analytics, las que tienen un uso muy intenso en la industria del retail, banca, telecomunicaciones, educación, salud, entre otras.

Históricamente en la minería, los datos se encuentran en fuentes poco estructuradas y de difícil acceso (tal como lo son las vetas de mineral) para ser usados con Business Analytics, pero es el momento de revisar lo que se está haciendo en esta materia y tomar decisiones concretas que permitan ganar productividad y sustentar las decisiones operacionales con datos duros.

Los procesos productivos involucran una serie de decisiones, las que han aumentado en número y complejidad (mayor cantidad de productos, horizontes de tiempo más largos que pronosticar, diferentes calidades de los insumos, entre otros), por lo que para mejorar la eficiencia debemos ayudar a que el sistema funcione de manera “autónoma”. Si bien siempre existirá la presión por producir en la calidad y cantidad correcta, en el momento oportuno y al menor costo operativo posible, hay herramientas que permiten acercarse a este objetivo y apoyar las decisiones de negocio a partir del uso de información disponible y generada por la misma empresa.

La historia productiva es el mejor predictor del futuro. En ella es posible encontrar patrones de comportamiento que nos expliquen escenarios de alta y baja producción y de alta o baja calidad de productos, usando las distintas fuentes de información de nuestros procesos: malla de turnos, características y experiencia del personal, materias primas utilizadas, plan de mantención, condiciones de operación de la máquina, entre otros. A partir de modelos matemáticos se puede explicar y predecir qué pasará en determinadas condiciones productivas, entendiendo qué variables y en qué rangos hay que modificarlas, para maximizar la calidad de los resultados y/o la productividad de los procedimientos.

La invitación es a reflexionar sobre caminos complementarios, que si bien son distintos y poco triviales, pueden ser utilizados para transitar hacia mayores estándares de productividad, que ayudarán a mejorar la competitividad de la industria minera y nos ayudarán a fortalecer nuestro camino al desarrollo.