Por qué la mentalidad de hacer cosas no tiene sentido

Phil Kay

Phil Kay es gerente de aprendizaje de JMP Statistical Discovery, una filial de SAS. Su trabajo consiste en comprender los retos de la ciencia y la ingeniería, y ofrecer orientación sobre soluciones de análisis de datos para organizaciones industriales de todo el mundo.

Phil ha sido un científico clave en el desarrollo de numerosos procesos de fabricación de colorantes para impresión digital en FujiFilm Imaging Colorants. Phil tiene un máster en Estadística Aplicada con una monografía sobre diseño de experimentos. También tiene un máster y un doctorado en Química.

Es miembro de la Real Sociedad de Estadística, químico colegiado y miembro del comité del Grupo de Química y Tecnología de Procesos de la Real Sociedad de Química.

A Phil le encanta mostrar a todo el mundo cómo el análisis de datos permite desarrollar una ciencia mejor. Siga a Phil Kay, evangelista del Análisis de Datos, en LinkedIn.

Cuando empecé como químico de desarrollo en el sector, un buen día para mí era hacer algo mejor que lo que había hecho el día anterior.Esa era mi idea del éxito. Con el tiempo, sin embargo, me di cuenta de que el producto de mis experimentos no era realmente lo que había en los matraces, sino lo que estaba aprendiendo: los conocimientos necesarios para fabricar sistemáticamente productos que satisfagan las demandas de nuestros clientes.Fue una revelación. Mi trabajo no consistía en hacer cosas, sino en generar comprensión.

Supongo que ahora mismo hay muchos químicos que apenas han comenzado este viaje.Para tener éxito en el futuro digital de la química, los científicos necesitarán orientación y estímulo para realizar ese cambio.Incluso podríamos evitar que la mentalidad de hacer cosas se arraigue desde el principio.

De los preparativos a los planes

En la escuela y la universidad, mi única experiencia con experimentos eran las prácticas de laboratorio.Eran útiles para demostrar las rutas sintéticas que estábamos aprendiendo y para adquirir habilidades prácticas, pero el éxito se definía a menudo como un montón de cristales grandes e incoloros.Eso me hizo pensar que los experimentos consistían en confirmar nuestra comprensión de los mecanismos químicos.

Estaba siguiendo el método científico... pero había poca estrategia.

Esta noción fue cuestionada inmediatamente en mi primer trabajo como químico de procesos que fabricaba tóner para impresión láser.El sistema era demasiado complejo y desordenado para entenderlo sólo desde la teoría y las flechas curvas no servían de nada.En lugar de eso, me pasaba los días realizando minuciosamente "preparaciones" para averiguar cómo combinar látex, dispersión de pigmentos y otros ingredientes para producir partículas de tóner de tamaño uniforme.Con cada preparación, modificaba la fórmula. Podía cambiar una materia prima, modificar las concentraciones y proporciones o cambiar la temperatura de una de las fases de retención.Siempre había un razonamiento, y me alegraba de estar siguiendo el método científico (formular una hipótesis, hacer una predicción, comprobar la predicción), pero había poca estrategia.Cuando llegaba a algo que funcionaba, no sabía realmente cómo lo había conseguido.Me acostumbré a la imprevisibilidad de este método, pero nunca me sentí cómodo con él.

La mente sobre la materia

Entonces escuché un seminario del profesor de estadística Dick de Veaux que me introdujo en una nueva forma de pensar: los datos recogidos a partir de observaciones acumuladas a lo largo de muchas ejecuciones de un proceso industrial pueden ser "minados" para obtener información sobre los comportamientos que impulsan el sistema y construir un modelo de cómo las entradas afectarán a los resultados.En pocas palabras, en lugar de ir paso a paso con la esperanza de llegar a la mejor fórmula, puedo utilizar los datos de forma holística para elaborar un mapa que me muestre dónde encontrar la mejor fórmula.

Al menos esa era la teoría. En la práctica, mis propios conjuntos de datos no eran muy útiles. Cada preparación requería tiempo y recursos considerables, así que veinte filas de datos era mucho para un solo proyecto, y esa no es la idea que se tiene del big data.Había poco o ningún punto en común entre un proyecto y otro, así que no merecía la pena el esfuerzo de combinar datos históricos.Y cuando miraba los datos, muchas de las variables de entrada apenas habían variado.Necesitaba una nueva mentalidad que acompañara al nuevo abordaje.

Nunca es demasiado pronto ni demasiado tarde para aprender estas habilidades

Necesitaba planificar cada proyecto para obtener los datos que me ayudaran a cumplir los objetivos de desarrollo.Tenía que elegir las entradas que variar y los resultados que medir, y cómo variar sistemáticamente las entradas para optimizar lo que podía aprender de cada ejecución.Afortunadamente, ya existía una metodología para ello: el diseño estadístico y el análisis de experimentos o DOE.

Con estas herramientas y mi nueva perspectiva, mis proyectos se volvieron más eficientes y predecibles, y mis compañeros empezaron a prestarme atención.Tuvimos grandes éxitos, como duplicar la productividad de una fase de fabricación con cuellos de botella sin necesidad de nuevas y costosas infraestructuras de planta.Ayudar a mis colegas con el DOE se convirtió en mi pasión a tiempo completo y en mi objetivo profesional.

Desde entonces he sabido que muchos científicos e ingenieros han tenido experiencias similares.En un reciente seminario web organizado por Chemistry World, Pilar Gómez Jiménez, científica principal de Johnson Matthey, explicó cómo la introducción de este enfoque más inteligente de la experimentación ayudó a reducir en un 50 % los costes de I+D de la empresa.'Cada problema químico o cada reto que me plantean mis colegas lo veo como una tabla con columnas y filas.Es un cambio total de mentalidad...", ella explicó.

Como muchos otros, Gómez Jiménez y yo desearíamos haber aprendido estas ideas antes en nuestras carreras.La formación de posgrado en DOE en el Centre for Rapid Online Analysis of Reactions (Roar) del Imperial College es un ejemplo poco frecuente de cómo acercar estas ideas a los estudiantes antes de que se incorporen al mercado laboral.Pero, ¿por qué no realizar ejercicios sencillos de DOE para estudiantes universitarios o incluso en las clases de ciencias de los institutos?

Nunca es demasiado pronto ni demasiado tarde para aprender estas habilidades, y usted puede empezar ahora mismo.Regístrese en nuestro taller en línea, Su guía para resolver problemas complejos dominando el diseño de experimentos y comience su experiencia. Deje de hacer cosas y empezará a tener sentido.