Encontrar el primer proyecto de inteligencia artificial no empieza eligiendo un algoritmo. Empieza explorando el proceso y los datos para descubrir qué problema merece resolverse, qué señal puede explicarlo y qué decisión cambiaría si la IA funcionara.
Resumen inicial
Un análisis exploratorio de datos o EDA permite comprobar, antes de invertir en un desarrollo de IA, si existe una oportunidad real en los datos. Su valor no está solo en visualizar distribuciones o correlaciones: ayuda a entender la calidad del histórico, relacionar variables con resultados de negocio, detectar segmentos anómalos y convertir hallazgos en hipótesis comprobables.
El mejor primer proyecto de IA suele estar en la intersección de cuatro condiciones: un problema con coste visible, datos con señal suficiente, una acción operativa posible y un alcance que permita demostrar valor sin bloquear la planta. El EDA aporta la evidencia para evaluar esas condiciones y descartar pronto los casos que todavía no están preparados.
Guía inicial: qué hacer primero
Si quieres una orientación rápida, sigue esta secuencia antes de hablar de modelos:
- Elige un proceso con una pérdida o variabilidad reconocible.
- Formula una pregunta que conecte dato, resultado y decisión.
- Reúne señales de proceso, contexto y eventos de resultado.
- Haz un EDA que mida calidad y busque patrones útiles.
- Prioriza por impacto, viabilidad, acción y riesgo.
- Define un experimento corto con KPI y criterio de éxito.
Qué es un EDA y qué aporta al descubrimiento de proyectos de IA
EDA son las siglas de Exploratory Data Analysis o análisis exploratorio de datos. Es un proceso iterativo para comprender un conjunto de datos mediante estadística descriptiva, visualizaciones, segmentación y contraste de hipótesis. Su objetivo inicial no es entrenar el modelo definitivo, sino entender qué contiene el dato, cómo se comporta y qué preguntas puede responder con suficiente fiabilidad.
El enfoque clásico del EDA, documentado por el National Institute of Standards and Technology (NIST), se apoya en los datos para revelar estructura, detectar valores atípicos, probar supuestos y construir modelos más parsimoniosos. En un proyecto industrial hay que añadir una capa esencial: validar con las personas de planta si el patrón tiene sentido físico y si puede traducirse en una acción.
Por eso, un EDA útil combina dos recorridos. El recorrido técnico revisa completitud, granularidad, consistencia temporal, distribuciones, relaciones, anomalías y capacidad predictiva preliminar. El recorrido operativo explica qué representa cada variable, qué cambió en el proceso, quién decide y cuánto cuesta el problema. Separar ambos produce análisis interesantes pero proyectos débiles.
Por qué el EDA es una buena puerta de entrada a la IA
Muchas organizaciones empiezan con una lista de tecnologías: visión artificial, modelos predictivos, copilotos o IA generativa. El problema es que una tecnología no define por sí sola un caso de uso. El EDA invierte el orden: primero busca evidencia sobre dónde existe señal y valor; después se decide qué técnica podría aprovecharlos.
Reduce incertidumbre técnica
Muestra si las fuentes se pueden unir, si el histórico cubre la variabilidad real y si el resultado que interesa está registrado con suficiente calidad.
Hace visible el coste del problema
Segmenta pérdidas por línea, turno, referencia, activo o condición para localizar dónde una mejora tendría impacto económico relevante.
Evita pilotos demasiado amplios
Permite acotar el primer alcance a una familia, una etapa del proceso o una decisión repetitiva donde el aprendizaje sea rápido.
Crea un lenguaje común
Operaciones, IT, calidad, mantenimiento y dirección pueden discutir sobre patrones y KPIs concretos, no sobre promesas abstractas de IA.
Este enfoque encaja especialmente bien con empresas que todavía están ordenando su hoja de ruta. La guía de Datision sobre cómo empezar con IA industrial insiste en la misma idea: el caso debe mejorar una decisión operativa concreta y contar con datos suficientes para relacionar señal y resultado.
Las preguntas que un EDA debe responder antes de proponer IA
Un buen análisis exploratorio no se mide por el número de gráficos, sino por la calidad de las decisiones que permite tomar. Como mínimo, debería responder cinco bloques de preguntas.
1. ¿El problema está bien definido?
“Mejorar la eficiencia” es demasiado amplio. “Reducir el scrap de arranque en la familia A” ya delimita un proceso, una población, un resultado y una posible línea base. La pregunta debe incorporar una pérdida o un objetivo observable: minutos de parada, defectos, kWh por unidad, tiempo de ciclo, retrasos o variabilidad de un parámetro crítico.
2. ¿Los datos representan la realidad del proceso?
Hay que comprobar cobertura temporal, frecuencia, unidades, cambios de sensor, valores ausentes, duplicados, desfases de reloj y periodos sin producción. También conviene distinguir entre dato continuo y evento: una temperatura puede estar bien registrada, mientras que la causa de una parada se documenta de forma irregular. El EDA debe hacer visibles esas diferencias.
3. ¿Existe señal relacionada con el resultado?
No basta con encontrar una correlación global. Hay que revisar retardos temporales, segmentos, regímenes de operación, cambios de receta y posibles variables de confusión. Una relación puede existir solo en una línea, desaparecer tras un mantenimiento o deberse al mix de producto. El conocimiento de proceso evita convertir coincidencias en conclusiones.
4. ¿La predicción o recomendación cambiaría una acción?
Imagina que el sistema detecta un riesgo con antelación. ¿Quién recibe la señal? ¿Puede ajustar una consigna, inspeccionar una pieza, cambiar una secuencia o programar una intervención? Si la organización no tiene margen para actuar, incluso una predicción precisa puede generar poco valor.
5. ¿Se puede medir el impacto?
El proyecto necesita una línea base, un KPI principal y una ventana de evaluación. También debe separar rendimiento del modelo de resultado operativo. Precisión, error medio o tasa de detección describen la solución; scrap evitado, disponibilidad, consumo o margen protegido describen su utilidad.
Método paso a paso para encontrar tu primer proyecto de IA con un EDA
Construye un inventario de dolores, no de tecnologías
Reúne a responsables de operaciones, calidad, mantenimiento, producción, energía e IT. Pide problemas repetitivos y medibles: dónde se pierde tiempo, material, capacidad, estabilidad o servicio. Para cada uno, anota frecuencia, severidad, propietario del proceso y decisión actual.
Formula cada oportunidad como una hipótesis
Usa una estructura sencilla: “Si podemos anticipar o explicar X mediante Y, el equipo Z podrá ejecutar A y mejorar el KPI B”. Esta frase obliga a nombrar resultado, señales, usuario, acción y métrica antes de entrar en la técnica.
Reúne una muestra con señal, contexto y resultado
Combina variables de proceso con contexto productivo: lote, receta, turno, referencia, estado de máquina, alarmas, mantenimiento, calidad o condiciones ambientales. Sin contexto, el análisis puede confundir cambios normales de operación con anomalías.
Audita calidad y trazabilidad
Mide ausencia, duplicidad, rangos imposibles, estabilidad de unidades, alineación de timestamps y cambios de captura. No busques perfección universal: define si la calidad es suficiente para la decisión concreta y qué brechas deben resolverse.
Explora patrones con varias lentes
Revisa distribuciones, evolución temporal, estacionalidad, outliers, correlaciones, retardos y diferencias entre segmentos. Compara periodos buenos y malos. Una visualización agregada puede ocultar el patrón que aparece al separar por producto, turno o régimen de máquina.
Contrasta los hallazgos con expertos del proceso
Lleva patrones concretos a planta. Pregunta si tienen explicación física, si coinciden con cambios conocidos y si una intervención sería viable. Esta validación reduce falsos descubrimientos y suele revelar variables o eventos que no estaban documentados.
Prueba la señal con un modelo ligero
Cuando tenga sentido, utiliza un baseline sencillo para comprobar separabilidad o capacidad predictiva aproximada. El objetivo no es optimizar décimas de precisión, sino verificar si existe suficiente señal para justificar una prueba de concepto.
Prioriza y diseña el siguiente experimento
Compara oportunidades con criterios comunes. Para la mejor, fija alcance, KPI, datos, responsables, integración mínima, criterio de éxito y condiciones de parada. El EDA termina cuando existe una decisión clara, no cuando se agotan los gráficos.
Cómo priorizar los casos que aparecen durante el EDA
Un patrón interesante no es automáticamente un buen primer proyecto. La oportunidad debe equilibrar impacto, viabilidad técnica y capacidad de adopción. Esta tabla propone una evaluación de 1 a 5 para comparar candidatos con el mismo lenguaje.
| Criterio | Pregunta de evaluación | Señal favorable | Alerta |
|---|---|---|---|
| Impacto | ¿Mueve un KPI económico u operativo relevante? | Coste visible, frecuencia alta o capacidad bloqueada. | Beneficio difuso o solo reputacional. |
| Viabilidad de datos | ¿Existe señal accesible y relacionada con el resultado? | Histórico trazable con contexto y variabilidad. | Etiquetas ausentes o fuentes imposibles de alinear. |
| Capacidad de acción | ¿Alguien puede actuar a tiempo sobre la salida? | Usuario, workflow y palanca operativa claros. | Predicción sin respuesta posible. |
| Tiempo a valor | ¿Puede probarse el efecto en un alcance acotado? | Línea o familia piloto representativa. | Dependencias corporativas antes de aprender. |
| Riesgo | ¿Qué ocurre si el sistema se equivoca? | Uso asistido y supervisión humana viable. | Decisión crítica sin control o reversibilidad. |
| Escalabilidad | ¿El aprendizaje puede reutilizarse? | Fuentes y proceso similares en más líneas. | Caso único con integración desproporcionada. |
Una forma práctica de decidir es exigir un mínimo alto en impacto, datos y acción. Después se usan tiempo a valor, riesgo y escalabilidad para ordenar los finalistas. La lógica económica puede detallarse con la guía de Datision para cuantificar el ROI de un proyecto de IA, que conecta línea base, beneficio atribuible, coste total y payback.
Ejemplo: del scrap irregular a un primer caso de IA
Supongamos una planta con scrap variable en una familia de producto. La intuición inicial apunta a la temperatura, pero no existe una explicación consistente. El EDA reúne variables de proceso, receta, lote, turno, materia prima y resultado de calidad.
El caso empieza a ser defendible porque tiene población acotada, señal temporal, usuario operativo, acción posible y KPI: porcentaje de scrap por lote. El siguiente paso no sería automatizar toda la calidad, sino probar si una alerta anticipada reduce defectos sin introducir inestabilidad ni aumentar falsos avisos.
El mismo razonamiento puede aplicarse a mantenimiento predictivo, consumo energético, tiempos de ciclo, planificación o detección de anomalías. Lo que cambia son las fuentes y la acción; la disciplina de descubrimiento es la misma.
Qué entregables debería dejar un EDA orientado a descubrir IA
Para que el análisis no termine en una presentación difícil de ejecutar, conviene exigir un paquete de decisión. Estos son los entregables mínimos:
- Mapa del proceso y de las fuentes: qué sistemas aportan cada variable, con qué frecuencia y quién es responsable.
- Informe de calidad: cobertura, anomalías, desfases, cambios y limitaciones relevantes para el caso.
- Hallazgos priorizados: patrones con explicación, segmento afectado, estabilidad y validación de expertos.
- Fichas de caso de uso: problema, usuario, acción, KPI, datos, integración, riesgos y retorno esperado.
- Matriz comparativa: puntuación y argumentos para seleccionar o posponer cada oportunidad.
- Plan de PoC o MVP: alcance, calendario, responsables, baseline, criterio de éxito y decisión posterior.
Es importante documentar también los descartes. Saber por qué un caso no está listo evita que vuelva a la cartera con una narrativa distinta pero las mismas carencias.
Errores frecuentes al buscar el primer proyecto de IA
Empezar por un dataset aislado
Sin proceso, resultado y decisión, el análisis puede encontrar patrones estadísticos que nadie sabe utilizar.
Confundir correlación con causa
Una relación puede deberse al mix, a un cambio de turno o a una variable oculta. Contrasta siempre con contexto físico.
Buscar el caso más espectacular
El mejor primer proyecto suele ser acotado, relevante y aprendible; no necesariamente el más visible del portfolio.
Ignorar el tiempo de reacción
Una alerta que llega después de la ventana de intervención puede tener precisión y aun así no generar valor.
Evaluar solo la métrica técnica
Un modelo debe medirse también por adopción, acciones ejecutadas y efecto sobre el KPI operativo.
Ocultar las brechas del dato
Un EDA honesto distingue entre caso viable, caso que necesita instrumentación y caso que conviene descartar.
Cuándo el EDA está listo para convertirse en una PoC
El paso a prueba de concepto tiene sentido cuando el equipo puede responder con precisión a estas preguntas:
- ¿Qué decisión se quiere mejorar y quién la toma?
- ¿Cuál es el KPI principal y cómo se calcula la línea base?
- ¿Qué fuentes alimentan la hipótesis y qué limitaciones tienen?
- ¿Qué patrón o baseline técnico justifica seguir?
- ¿Cuál es la ventana de anticipación o recomendación útil?
- ¿Cómo se integrará la salida en el trabajo real?
- ¿Qué resultado permitirá escalar, iterar o detener el proyecto?
Si varias respuestas siguen siendo vagas, no significa que la IA no encaje. Significa que la fase de descubrimiento aún no ha cerrado las incertidumbres críticas.
Preguntas frecuentes sobre EDA y primeros proyectos de IA
¿Qué diferencia hay entre un EDA y una prueba de concepto de IA?
El EDA investiga los datos y formula oportunidades; una PoC comprueba si una solución concreta alcanza un rendimiento suficiente en un alcance limitado. El EDA decide qué merece probarse. La PoC valida cómo podría funcionar.
¿Hace falta tener los datos perfectos para empezar?
No. Hace falta que los datos sean suficientemente útiles para la pregunta elegida y que sus limitaciones estén identificadas. Un resultado válido del EDA puede ser un plan de instrumentación, limpieza o gobierno previo a la IA.
¿Cuánto histórico necesita un EDA?
No existe una cifra universal. El periodo debe capturar la variabilidad relevante: turnos, campañas, estaciones, productos, mantenimientos y eventos poco frecuentes. Para algunos procesos bastan semanas densas; otros requieren ciclos mucho más largos.
¿Puede un EDA descubrir casos de IA generativa?
Sí, aunque las fuentes cambian. En lugar de centrarse solo en señales numéricas, puede analizar consultas, incidencias, documentos, tiempos de búsqueda y flujos de conocimiento. La pregunta sigue siendo la misma: qué decisión o tarea mejora y cómo se medirá.
¿Quién debe participar en el análisis?
Como mínimo, un propietario del proceso, perfiles de datos, IT u OT y las personas que usarán la salida. Dirección aporta prioridades; los expertos de planta aportan contexto; el equipo técnico comprueba viabilidad.
¿Cuál es el mejor primer proyecto de IA?
El que combina un dolor relevante, datos con señal, una acción viable, riesgo controlable y un KPI que pueda medirse pronto. Un caso algo menos ambicioso pero bien acotado suele enseñar más que un piloto transversal sin dueño operativo.
La idea clave
Descubrir tu primer proyecto de IA con un EDA significa sustituir intuiciones dispersas por evidencia compartida. El análisis permite ver dónde están las pérdidas, qué variables contienen señal, qué límites tiene el dato y qué equipo puede convertir una predicción o recomendación en una mejora real.
El resultado deseable no es una colección de visualizaciones. Es una decisión: qué caso abordar primero, por qué merece la inversión, qué incertidumbre se resolverá y cómo sabremos si funciona.
De los datos a un primer caso de IA defendible
Datision Discovery estructura este trabajo en cuatro semanas: alineación del proceso, análisis de datos, priorización de oportunidades y roadmap de PoC o MVP con KPIs e impacto estimado.
Explorar Datision Discovery