Data Analytics para la mejora de la eficiencia en la planta de producción farmacéutica

Estamos en plena vorágine de la Digitalización y esto no va a hacer más que acelerar en los próximos meses. La esperada puesta en marcha de la economía y la llegada de los fondos Next Generation será un revulsivo adicional sobre el aprendizaje que ya hemos tenido durante el año COVID.

La pregunta clave es ¿qué aportará a mi negocio este esfuerzo? Debemos fijarnos en las necesidades de la empresa y descubrir qué puede aportar la tecnología digital en cualquiera de sus formas: Data Analytics, Inteligencia Artificial, Machine Learning, etc.

La respuesta no puede ser generalista ya que cada sector ha tenido una travesía distinta durante el 2020 y se encuentra en una situación concreta en 2021. La consultora McKinsey en su informe “España post COVID-19: de la resiliencia a la reinvención” clasifica la industria farmacéutica como el sector de menor caída de ventas y más rápida recuperación. El informe identifica las siguientes prioridades principales para el sector después de la crisis:

  • Digitalización de los modelos de ventas y distribución.
  • Innovación en productos y servicios.
  • Redefinición de la cadena de suministro (p.ej. reduciendo riesgos).

¿Qué puede aportar Data Analytics en el área industrial de una empresa farmacéutica?

Hablar de un enfoque global para la fabricación en el sector farmacéutico es equivocado. El entorno es más complejo y dentro de la cadena de suministro del sector hay al menos dos grandes fases. Las dos necesitan de los datos para “redefinirse”, con una mirada clara en la eficiencia, el servicio y la calidad, pero de manera distinta:

Fabricación de principios activos

En la fabricación de principios activos, los resultados de negocio están en gran manera ligados a lo que ocurre “dentro del reactor”. Conocer las variables clave del proceso químico o biológico puede suponer una mejora del rendimiento que en términos económicos puede muy valiosa.

Además, garantizar la calidad del proceso en el reactor asegura el cumplimiento de los plazos de entrega comprometidos.

La analítica de datos aplicada al proceso de un reactor puede desvelar las causas raíz de problemas de bajo rendimiento o mala calidad. Un factor de dificultad añadido es el mantenerse dentro de los parámetros de proceso validados ya que su cambio puede suponer un nuevo proceso de validación que consumirá tiempo y recursos.

La analítica de datos aplicada a los “logs” de parámetros de proceso almacenados con frecuencias altas permite identificar patrones y definir algoritmos que optimicen los rendimientos y reduzcan los lotes erróneos.

Laboratorios de fabricación de medicamentos

Para la fabricación de los medicamentos el mantenimiento de máquinas es crítico. Las paradas por avería son una causa directa de las pérdidas económicas en el laboratorio. El modelo de gestión se basa en el OEE (Eficiencia Global de los Equipos) y en la reducción de las 6 Grandes Pérdidas. Para ello el mantenimiento preventivo basado en el tiempo y el predictivo clásico son dos de los pilares utilizados hasta ahora.

El mantenimiento está evolucionando rápidamente al Mantenimiento Basado en la Condición (CBM). Con este enfoque se desarrolla un modelo analítico que utiliza Machine Learning para desarrollar un algoritmo que permita, en función de las lecturas en tiempo real de los sensores, anticiparse a las averías de las máquinas.

En un caso que hemos desarrollado, se analizaron los datos que 26 sensores tomaron en el proceso industrial cada 30 segundos durante 4 años, 22 Gbytes de datos entre los que se incluían 10.000 alarmas. El algoritmo permitió identificar la causa raíz de los fallos reduciendo las paradas un 66% y el tiempo de paro un 25%.

¿Es necesario esperar años para acumular los datos? Probablemente no, es muy posible que, con los datos ya disponibles, o con un plazo relativamente corto de extracción de datos se puedan lograr mejoras considerables no solo de los parámetros de proceso sino de los resultados de negocio.

Relacionados