[05/07/2023] En los últimos tres años, la multinacional de belleza Belcorp se ha enfrentado a numerosos retos derivados de la pandemia, los cambios en el comportamiento de los consumidores, las interrupciones en las cadenas de suministro, la guerra de Ucrania y la inflación. Para hacer frente a estos retos, la empresa ha recurrido a una combinación de visión por computadora, redes neuronales, PNL y lógica difusa.
"Estas circunstancias han inducido incertidumbre en toda nuestra cadena de valor empresarial", afirma Venkat Gopalan, director digital, de datos y tecnología de Belcorp. "Como resultado, hemos encontrado imperativo fomentar una mayor agilidad y flexibilidad en nuestro proceso de desarrollo de nuevos productos, manteniendo al mismo tiempo altos estándares de eficiencia, seguridad y calidad del producto".
[Reciba lo último de CIO Perú suscribiéndose a nuestro newsletter semanal]
Belcorp opera bajo un modelo de venta directa en 14 países. Entre sus marcas figuran ésika, L'Bel y Cyzone, y sus productos abarcan desde el cuidado de la piel y el maquillaje hasta las fragancias. Cuando Belcorp se planteó las dificultades a las que se enfrentaba, la división de I+D observó que podría agilizar considerablemente los plazos de comercialización y aumentar la productividad en su proceso de desarrollo de productos si pudiera acortar los plazos de las fases experimentales y de prueba en los laboratorios de I+D.
"Estas fases influyen significativamente en el proceso iterativo de conceptualización y lanzamiento de un nuevo producto", señala Gopalan.
Los laboratorios de I+D producían grandes volúmenes de datos no estructurados, que se almacenaban en diversos formatos, lo que dificultaba su acceso y seguimiento. Eso, a su vez, llevaba a una serie de procesos manuales para hacer análisis descriptivos de los resultados de las pruebas.
La respuesta de Belcorp fue una nueva plataforma AI Innovation Labs, que le ha valido a la empresa el premio CIO 100 a la Excelencia en TI.
"Los objetivos clave de esta iniciativa pueden resumirse en que, en primer lugar, pretendemos reducir en un 20% el plazo de desarrollo de nuestros productos", anota Gopalan. "En segundo lugar, nos esforzamos por ampliar la productividad de nuestros sectores de laboratorio en un 60%. Por último, nuestro objetivo es disminuir los periodos de evaluación de riesgos para el consumidor en un 80% sin comprometer la seguridad de nuestros productos".
Creación de la plataforma AI Innovation Lab
Belcorp desarrolló la plataforma en dos etapas principales. La etapa inicial consistió en establecer la arquitectura de datos, que proporcionó la capacidad de manejar los datos de manera más eficaz y sistemática.
"Transferimos nuestros datos de laboratorio -incluidas la seguridad, la eficacia sensorial, las pruebas toxicológicas, las fórmulas de los productos, la composición de los ingredientes y las imágenes de diagnóstico y tratamiento de la piel, el cuero cabelludo y el cuerpo- a nuestro lago de datos de AWS", explica Gopalan. "Esto nos permitió obtener información más fácilmente".
La segunda etapa se centró en crear algoritmos y modelos para predecir y simular condiciones biológicas intrincadas, acelerar los descubrimientos, reducir los riesgos y optimizar la relación costo-beneficio de los desarrollos tecnológicos mediante soluciones de IA. El equipo se apoyó en científicos de datos y biocientíficos expertos.
"Estos algoritmos se construyeron sobre una plataforma de autoservicio de análisis avanzado, lo que mejoró la agilidad de nuestros procesos de modelado, formación y predicción de datos", explica Gopalan.
Vender el proyecto a la dirección ejecutiva
Gopalan señala que el equipo consideró la posibilidad de crear la plataforma utilizando SaaS de terceros, pero finalmente se decidió por soluciones a medida debido a los requisitos exclusivos de la división de I+D, y a la amplitud y naturaleza de la iniciativa. Cuando el equipo presentó la iniciativa AI Innovation Lab al equipo de liderazgo ejecutivo para su aprobación, les mostró los cinco casos de uso con los que planeaba empezar, junto con el valor y los costos potenciales asociados.
"Los estudios de casos empresariales destacaban cómo nos permitirían mejorar la seguridad, la eficacia y el rendimiento de nuestras fórmulas, y cómo eso se traduciría en un mejor tiempo de comercialización y ahorro operativo", sostiene Gopalan. "Para apoyarlo, aportamos pruebas respaldadas por datos y ejemplos que demostraban el impacto positivo de utilizar estas tecnologías".
Gopalan afirma que la comunicación eficaz de los beneficios potenciales, la demostración de un claro retorno de la inversión y el tratamiento de cualquier posible desafío fueron clave para conseguir la aceptación y el apoyo del equipo de liderazgo para el proyecto.
Crear un equipo interfuncional
El equipo reunió a expertos de los departamentos de I+D, tecnología, fábrica y cadena de suministro para que aportaran una visión holística de los requisitos del proyecto. El equipo dedicó unos seis meses a crear y probar la arquitectura de la plataforma y la base de datos, y los seis meses siguientes a desarrollar los distintos casos de uso.
"Las entregas se hicieron por fases, y la complejidad aumentó con cada fase", dice Gopalan. "Merece la pena señalar que cada iniciativa conllevaba su propia complejidad única, como distintos tamaños de datos, variedad de datos, modelos estadísticos y computacionales, y requisitos de procesamiento de minería de datos. Por lo tanto, no fueron infrecuentes los contratiempos o las sorpresas, y los afrontamos a medida que iban surgiendo". Trabajar con datos atípicos nos plantea una realidad en la que encontrarnos con retos forma parte de nuestro día a día".
Obstáculos para el éxito
Como CIO, Gopalan afirma que sus mayores obstáculos fueron el carácter extenso y desestructurado de la mayoría de los datos procedentes de procesos de I+D y bases de datos externas, el talento específico necesario para el proyecto (incluidos biocientíficos, profesionales de la bioinformática, tecnólogos y científicos de datos) y el cambio cultural necesario para garantizar la aceptación de la nueva plataforma.
Para abordar el primer reto, Gopalan afirma que el equipo concentró sus esfuerzos en automatizar y limpiar las diversas fuentes y formatos de datos para obtener suficientes datos de alta calidad que permitieran un análisis sólido. Utilizaron tecnologías de minería de datos para extraer y compilar datos para modelos de 23 bases de datos de referencia públicas internacionales, y los compararon con los datos generados internamente desde el 2016.
Para abordar el segundo reto, Belcorp contrató a nuevos talentos para colmar la brecha de conocimientos entre los distintos equipos, y creó un centro tecnológico para contratar a científicos e ingenieros de datos de primer nivel que colaboraran en el diseño y la ejecución del proyecto. Gopalan señala que el equipo de datos y tecnología necesitaba experiencia y conocimientos prácticos en una combinación de áreas, entre ellas:
- Procesos de laboratorio para comprender los datos, los procesos biológicos y los objetivos empresariales de cada caso de uso.
- Arquitectura de datos para una orquestación y conexión eficientes de los datos y las distintas plataformas utilizadas en el proceso integral.
- Análisis avanzados e IA para desarrollar soluciones predictivas.
- Desarrollo de software para crear plugins personalizados y aplicaciones web que proporcionen una interfaz visual a los analistas de I+D.
- Formación de talentos sobre las capacidades de los datos para garantizar que el usuario final pudiera utilizar plenamente la plataforma.
El último obstáculo consistió en abordar el cambio cultural resultante de eliminar muchos de los procesos manuales de los laboratorios.
"Para superarlo, formamos a los analistas de laboratorio en el uso de la plataforma y pusimos a prueba el caso de uso inicial para recabar su opinión", explica Gopalan. "A partir de ahí, hicimos cambios iterativos para perfeccionar la plataforma y su experiencia de usuario. Además, transmitimos sucintamente el valor y los beneficios de la plataforma a los usuarios finales a través de una serie de talleres y demostraciones, asegurando así la adopción de la plataforma".
La plataforma AI Innovation Labs, que ya está totalmente implantada, ha proporcionado hasta la fecha 12 casos de uso que, según Gopalan, han dado resultados significativos. Señala el ahorro de costos derivado de la reducción de las pruebas de laboratorio, las formulaciones, las licencias de software externas y la optimización de las actividades.
"El rendimiento de la inversión en el proyecto asciende a un excepcional 432%", añade.
Gopalan afirma que el proyecto no solo ha dado los resultados esperados, sino que también ha propiciado la transformación digital de la I+D.
"Gracias a la implantación del proyecto y a la exploración de perspectivas basadas en datos, hemos obtenido conocimientos más profundos sobre nuestro proceso de desarrollo de productos y las necesidades de los clientes", afirma. "Esto nos ha abierto las puertas al descubrimiento de nuevas vías de innovación y crecimiento empresarial, permitiéndonos identificar y perseguir oportunidades adicionales que antes estaban sin explotar".
Ideas recogidas
Gopalan afirma que el desarrollo de la plataforma AI Innovation Labs le ha aportado cinco ideas clave para el éxito de la transformación digital con IA y análisis:
- Asumir la complejidad de las transformaciones digitales. Estas transiciones son procesos intrincados y los errores son inevitables. "En lugar de dejarse disuadir por ellos, tómelos como oportunidades para aprender y persistir en su viaje digital", afirma.
- Siga una estrategia centrada en el valor. Concentre su energía y recursos en áreas que tengan el potencial de producir un valor significativo: amplíe rápidamente los casos de uso de alta prioridad, interrumpa los experimentos infructuosos y utilice hitos trimestrales para una evaluación periódica.
- Reimagine los procesos empresariales. Sólo reimaginando y reinventando los procesos empresariales existentes podrá aprovechar realmente las ventajas de la transformación digital.
- Iniciar una narrativa de impacto temprana. Una historia de éxito convincente, respaldada por el equipo ejecutivo e impulsada por un caso de uso destacado, es crucial para ganar entusiasmo en toda la organización y entre los usuarios finales.
- Reconocer la importancia del talento. Determinar las habilidades y competencias necesarias, y alinear a las personas adecuadas en las funciones adecuadas en el momento adecuado, es crucial para lograr el éxito.
Basado en el artículo de Thor Olavsrud (CIO) y editado por CIO Perú