Tener buenos hábitos experimentales puede ser clave para poner el producto en el mercado ya que permite aprender rápido y reducir riesgos asociados a la no reproducibilidad de prototipos
1. La importancia de la Experimentación en el Proceso de Innovación
Lourdes Pozueta Fernández. Doctora en Estadística.
Socia Fundador de Avancex+i. Miembro fundador de Ideas2Value
lourdes.pozueta@avancex.com; lpozueta@ideas2value.net
2. 2
La importancia de la Experimentación en el Proceso de Innovación
Lourdes Pozueta Fernández. Doctora en Estadística.
Socia Fundador de Av ancex+i. Miembro fundador de Ideas2Value
lourdes.pozueta@av ancex.com ; lpozueta@ideas2v alue.net
Introducción
La experimentación y el prototipado
Método científico o instinto
Métodosestadísticos para diseño de experimentos
Experimentación física y experimentación virtual
Tener buenos hábitos experimentales es una competencia clave para las personas que están
inmersas en el proceso de innovación, sin embargo es una disciplina que se resiste a permear con
suficiente profundidad, pudiendo ser la clave del éxito para poner el producto en el mercado.
Dentro del proceso de Innovación, en la fase de prototipado, la “experimentación con rigor
científico” permite un aprendizaje rápido y eficaz ya que ayuda a identificar los factores clave que
afectan a las funciones requeridas para el producto y a entender estas relaciones. Esta manera de
trabajar se basa en tomar decisiones en base a evidencias. Las evidencias, resultantes de un plan
experimental metódico, permite aprender al equipo innovador y permite convencer al mercado.
La buena noticia es que existen rutinas, protocolos, que permiten avanzar por un camino de menor
coste y más aprendizaje, donde se reducen la incertidumbre y los fracasos que impiden llegar al
mercado. En este camino, se utilizan herramientas estadísticas de diseño de experimentos que ayudan a
seleccionar aquellas condiciones experimentales que permiten, en un posterior análisis de datos basado
en modelos, evaluar el impacto de cada factor a estudio y seleccionar el prototipo que mejor se adapta al
mercado.
Hay herramientas estadísticas sencillas y sofisticadas, todas
ellas dirigidas a entender las fuentes de variabilidad que
impiden no reproducir los resultados. En el ejemplo del
“Equipo Colágeno” compartiremos en un próximo post una
herramienta sencilla de diseño experimental que estamos
utilizando para lograr prototipos óptimos y reproducibles. Este
equipo emprendedor aprovecha materiales de desecho de piel
de vaca para la elaboración de materiales con propiedades
termoplásticas de aplicaciones interesantes para biomedicina,
fabricación aditiva,…etc.
Ilustración 1 Equipo Colágeno delInstituto de
FP MiguelAltuna de Bergara, Gipuzkoa
3. 3
La experimentación y el prototipado
El concepto “experimentar” se entiende de manera diferente según la actividad en que uno se encuentra
en el proceso de innovación. Mi intención es centrarme en la fase de prototipado que comprende
actividades diversas que quedan recogidas cuando se utiliza la clasificación en niveles TRL (
Technology Readiness Levels) de madurez de una tecnología.
Así, las fases donde recomiendo en este post potenciar la experimentación con rigor son las TRL4-
TRL7, ya que en fases previas los equipos ya han logrado la tecnología de una forma básica, y tienen
una “receta de partida” que busca aplicación en el mercado.
Maduración tecnológica y fases del proceso de innovación1
TRL 9 Aplicación comercial. Despliegue
TRL 8 Primer sistema/prototipo comercial
Producto o servicio comercializable
Certificaciones pruebas específicas
TRL 7 Sistema/prototipo validado en entorno real.
Prototipo/Demostrador
Desarrollo tecnológico
TRL 6 Sistema/prototipo validado en entorno simulado.
TRL 5 Desarrollo a escalareal.
TRL 4 Desarrollo a pequeña escala (laboratorio).
TRL 3 Investigación aplicada. Prueba de concepto
Prueba de concepto Investigación industrialTRL 2 Formulación de la Tecnología
TRL 1 Investigación básica
El equipo innovador persigue adaptar la tecnología a los requerimientos del mercado de modo que
puedan convencer de que se pueden reproducir productos de forma rentable.
Algunos de los retos que tienen estos equipos innovadores son:
a. Dominar la tecnología a pequeña escala: lograr, con la “receta de partida”, reproducir las
prestaciones iniciales sin que ocurran hechos fortuitos “inexplicables” y desagradables.
o Por ejemplo, una persona que innova para fabricar productos semielaborados como una pizza, antes de
poner el producto en el mercado ha de lograr reproducir este producto, no es suficiente con que algunas
pizzas le salgan bien. Ha de identificar las fuentes de variación que hace que ocurran problemas , y
contrarrestarlas.
b. Adecuar la tecnología al cliente: identificar modificaciones oportunas en “la receta” para
lograr las nuevas prestaciones requeridas en promedio.
o El innovadorpizzero que domina su proceso tiene que pasara continuación a poner sus esfuerzos en
mejorarla receta. Y para ello si sigue un plan experimental científico llegará a más conocimiento en
menos tiempo.
c. Adecuar la tecnología de forma robusta: identificar modificaciones oportunas en “la
receta” para lograr que se logra las prestaciones y que estas no varían antes entornos variables
de fabricación o de uso.
o Por último, el innovador pizzero ha de pensar en otros factores que pueden afectara la experiencia del
consumidorcomiendo la pizza. Porejemplo tendrá que tener en cuenta el envejecimiento de la pizza en el
envase, las variaciones que elusuario realiza en el horno (temperatura y el tiempo) recomendables en el
envase,…etc.) para seleccionaruna receta robusta o insensible a estas variaciones. En este casolos
diseños de experimentos robustos le pueden ayudaren su objetivo.
Es decir, en las etapas TRL4-TRL7 se trata de lograr un prototipo que sea fabricable, que su
fabricación no sea sensible a variaciones en materias primas, utillajes, condiciones de entorno,…etc. y
por supuesto que el comportamiento no varíe dependiendo de las condiciones en que el usuario final lo
utilice.
1 Niveles de madurez delatecnología. Technology Readiness Levels. TRL’s. Juan Miguel Ibáñez deAldecoaQuintana. Revista: EconomiaIndustrial
nº393
4. 4
Método científico o instinto
En pocos años hemos pasado de tener “toda la vida laboral para comprender” los procesos, y utilizar
sólo de forma reiterada las habilidades de observar y especular para dar una explicación de lo que
acontece (equivocándonos en un alto porcentaje de las situaciones), a tener necesidad de aprender
rápido, a tener necesidad de adquirir conocimiento y estar convencidos de cambiar el modo de hacer las
cosas.
Uno no nace científico y esta mente “no científica” posee tácticas ineficientes, que hace que nuestro
aprendizaje sea lento y escaso; si no cambiamos de táctica es fácil agotar los recursos y avanzar poco en
los retos.
Si experimentamos en el laboratorio igual que en la cocina de casa, por impulsos, persiguiendo cada
domingo un asado rico con tácticas prueba-error (muy caras) del tipo “añade más de esto”, “pon un
poco menos de aquello”, “sube un poco más la temperatura, unpoco más”, “prueba a cambiar de
proveedor”, puede que lleguemos un domingo a un buen asado, pero como no sabremos a qué se debe
no lo sabremos repetir para el próximo.
La habilidad de experimentar con rigor permite chequear hipótesis, despejar incertidumbres y
decidir realizar cambios desde el convencimiento objetivo.
La clave está en tener la habilidad de recoger datos de calidad que permitan entender las relaciones,
es decir, tener la habilidad de seleccionar aquellas recetas o prototipos que permitan
distinguir la contribución de cada factor para con ello optimizar la receta, y esto lo aporta el método
científico.
Por lo tanto el método científico ha de darnos un plan experimental y un modo de analizar los datos de
modo que las evidencias destierren las dudas y permitan aprender rápido y con el mínimo coste.
El propio método servirá para comunicar el proceso seguido y los logros obtenidos en base a evidencias
y así convencer al mercado.
“La clave está entener la habilidad de recoger datosde calidad que permitan entender las
relaciones, es decir, tener la habilidad de seleccionar aquellasrecetaso prototipos que permitan
distinguir la contribuciónde cada factor para con ello optimizar la receta.
Métodos estadísticos para diseño de experimentos (DOE)
El diseño de experimentos ayuda a enfocar problemas complejos basándose en el conocimiento de
un equipo multidiciplinar. El experto en diseño de experimentos no puede resolver el problema por si
solo, sino que guía al equipo para extraer la información necesaria para planificar adecuadamente las
pruebas a llevar a cabo. Además será responsable de analizar los datos buscando evidencias para
chequear las hipótesis.
Así, el diseño de experimentos determina las condiciones en que se han de experimentar, la
cantidad en cada condición y el orden de las mismas con la finalidad de aproximar el modelo
subyacente que relaciona la respuesta de interés y los factores y de este modo responder a preguntas
clave. En el caso del Equipo Colágeno alguna preguntas son: ¿Afecta la localización de la pieza en la
vaca a las propiedades mecánicas? ¿Y la edad? ¿Cuánto puedo ahorrar reduciendo el espesor sin que le
afecte a las propiedades? ¿hay diferencia entre usar pluma y pelo como reforzante? ¿Afecta el origen del
proveedor a las características? ¿Se puede lograr un material tan flexible como la piel?
Así, el diseño de experimentos determina las condicionesenque se han de experimentar, la
cantidad en cada condicióny el orden de las mismas conla finalidad de aproximarel modelo
subyacente que relaciona la respuesta de interés y los factoresy de este modo responder a preguntas clave
Un Diseño de Experimentos comprende un listado de pruebas experimentales y un orden de ejecución
que dependerá de:
5. 5
a. tipo de función que se desea estudiar
b. tipo de pregunta que se desea responder
c. tipo y cantidad de factores a estudiar,
d. variabilidad experimental de partida y sus orígenes
e. factores no controlables del entorno
f. presupuesto asignado a la experimentación.
g. Otros (independencia de los factores, variabilidad entre individuos,…)
Muchas de las posibles pruebas a realizar están recogidas en procedimientos reconocidos por la
comunidad científica (ISO-TC 69-Applications of statistical methods) y de extensa aplicación en la
investigación de la salud (sector farmacéutico , médico,..), en empresas de cultura Seis Sigma como
General Electric, o en departamentos de diseño en grandes multinacionales de automoción,
aeronáuticas, …etc.
Así, la experimentación con rigor determina, antes de experimentar, las “pistas” o “evidencias” que
esperamos encontrar en los DATOS para abandonar una hipótesis o mantenerla y estas
evidencias se han de resistir a cualquier tipo de interrogatorio (¿cómo lo has hecho?, ¿el tamaño de
muestra es suficiente, ¿has tenido en consideración esto y aquello?...) por parte de escépticos.
En próximos post pondremos ejemplos de tácticas experimentales.
Experimentación física y experimentación virtual
Hay disciplinas donde se han desarrollado simuladores que logran reproducir procesos o piezas con
bastante rigor y que permiten acercarse al comportamiento real del producto sin necesidad de
obtenerlo físicamente ahorrando en tiempo y coste de desarrollo. Así, se pueden simular geometrías de
piezas para fabricación aditiva y analizar su comportamiento, se pueden simular distintas formas de
placas para fundición y analizar los tiempos de llenado y comportamiento de piezas, …etc.
La utilidad del Diseño de Experimentos para la Experimentación Virtual es enorme ya
que a igual que en la experimentación real el experimentador se encuentra ante un dilema:
Existen numerosos factores que pueden ser modificados.
Para cada factor existe un margen amplio de opciones.
Las pruebas (simulaciones) consumenrecursos.
Los resultados obtenidos han de permitir aprender y avanzar rápidamente y de forma segura.
Cuando los métodos estadísticos orientados a la experimentación se aplican en el campo de la
simulación computacional es posible realizar verdaderos experimentos virtuales que permiten lograr un
aprendizaje más rápido y más completo, e innovar así de forma más eficiente.
La combinación del experto en estadística, el experto en simulación, el innovador tecnológico y el
especialista sectorial, es una magnífica combinación para lograr el éxito a la hora de poner el producto
en el mercado.
En Ideas2Value, los expertos en herramientas estadísticas y en simulación, somos intermediarios
entre los tecnólogos y el mercado con la finalidad de dar apoyo a la realización de ensayos, reales y
virtuales, por medio de técnicas basadas en diseño de experimentos.
Estas colaboraciones resultan interesantes por ejemplo para la optimización de los parámetros de
diseño y/o producción de los nuevos productos. Actualmente se está aplicando también a campos como
la fabricación aditiva (impresión 3D), donde se puede utilizar el diseño de experimentos tanto al
estudio estructuras por simulación computacional como a la fabricación y ensayo de prototipos reales.
Lou rdes Pozu eta Fernández. Doctora en Estadística.
Socia Fu ndador de Av ancex+i. Miem bro fu ndador de Ideas2 Valu e
lou rdes.pozu eta@av ancex.com ; lpozu eta@ideas2 v alu e.net