El negocio de la construcción presenta un desafío de productividad mayor actualmente. Mientras que la productividad laboral en la economía global ha aumentado un 2,8 por ciento anual en las últimas dos décadas, y la industria manufacturera lo ha hecho en un impresionante 3,6, el sector construcción sólo ha aumentado en un 1 por ciento anual. Así pues, las empresas de ingeniería y construcción están bien posicionadas para generar cambios que ayuden a disminuir dicha brecha.

Para hacerlo, algunas empresas están recurriendo a decisiones basadas en datos que ya han revolucionado otros rincones de la economía. Dichas técnicas emergen como herramientas vitales para mejorar los proyectos de capital y reducir el riesgo. Al permitir que las empresas de Ingeniería y Construcción (I&C) utilicen las vastas cantidades de datos que ya poseen, el análisis de éstos pueden revelar información que acelera y mejora las tomas de decisiones de gestión. En particular, pueden ayudar a los equipos de proyectos a evaluar las condiciones del mercado, la composición de la cartera y el desempeño de los proyectos individuales.

No obstante, el uso de datos por parte de las empresas de I&C puede presentar grandes desafíos, ya que a diferencia de otros sectores que siguen patrones predecibles, éstas enfrentan una gran variabilidad relacionada muchas veces con los procesos propios de un proyecto, dificultando así la predicción. La cultura organizacional y los procesos propios de cada empresa pueden presentar aún una mayor dificultad.

Con el tiempo, las soluciones de análisis predictivo, aprendizaje automático e inteligencia artificial probablemente introducirán cambios mayores en las formas en que las empresas de E&C ofertan y entregan proyectos. Por ahora, tres aplicaciones ilustran cómo las compañías están comenzando a adoptar soluciones de datos mientras establecen una base para iniciativas más ambiciosas en el futuro.

• 1. "¿Deberíamos ofertar en este proyecto y, de ser así, cuánto?"

Usualmente las empresas de I&C deben entrar a una licitación de un proyecto con información incompleta. Los grandes proyectos de construcción tienen un horizonte de 5 a 10 años lo que dificulta la definición precisa del alcance de posibles complejidades y los cambios que podrían ocurrir en el mercado a lo largo de la complexión del proyecto. Las empresas confían en el juicio y la experiencia de quienes toman la decisión, pero éstas se ven evidentemente afectadas por un sesgo personal y por objetivos de crecimiento personales o incluso incentivos individuales.

El modelamiento de datos puede reemplazar el sesgo cognitivo y las suposiciones erróneas con perspectivas basadas en hechos sobre las probabilidades estadísticas de éxito de un proyecto. Al analizar información histórica, como los tipos de acuerdos laborales y contractuales, las tendencias de gasto regional y el tamaño del proyecto, los análisis pueden evaluar las probabilidades de los resultados del proyecto. Estos, a su vez, permitirán a los equipos evaluar mejor el atractivo de un proyecto dado, volver a equilibrar la cartera de los trabajos que tienden a tener un rendimiento inferior y calcular el nivel correcto de contingencia para incluir en una oferta.
 
Una empresa, por ejemplo, aprovechó los datos de más de 100 de sus proyectos anteriores. Combinó datos internos sobre ubicaciones de proyectos, clases de activos, estructuras de contratos y márgenes de ganancias con información externa como el gasto total en un sector determinado o geografía y estadísticas sobre el tamaño de la fuerza laboral local y la sindicalización. Al analizar estos factores en forma agregada, la compañía descubrió las características del proyecto que influyeron en los márgenes de ganancias de una manera que el análisis convencional no pudo aclarar. Por ejemplo, si bien las empresas a menudo buscan factores como la región o el tipo de proyecto para predecir la rentabilidad, esas variables pueden estar simplemente correlacionadas con factores más influyentes, como las estrategias de contratación, la sindicalización artesanal o los presupuestos del sector público regional.

Utilizando los conocimientos de este análisis, la organización desarrolló un panel de control de variables de riesgo que podrían afectar los márgenes del proyecto. El sistema crea una tarjeta de puntaje que identifica los riesgos potenciales en función de patrones pasados, por ejemplo, si la empresa está en una región con un historial de proyectos de bajo margen, o si implica trabajar con un propietario del sector público con requisitos diferentes a los privados típicos, socios del sector.

Toda la información obtenida ayuda a la toma de decisiones respecto a la oferta.

• 2. "¿Son las ofertas del subcontratista razonables?"

Cuando las empresas de I&C reciben ofertas de los subcontratistas, recurren a los especialistas en adquisiciones para evaluarlas. Estas personas a menudo dependen de estimaciones paramétricas para evaluar los costos citados y aprovechar la experiencia de los gerentes de proyectos, lo que ralentiza el proceso. Las estimaciones complejas pasan a través de múltiples revisores, y cada uno de ellos ajusta la estimación en función de su propia experiencia y juicio (así como de un posible sesgo).

A pesar de estas consultas extensas, la falta de una base empírica dificulta que las compañías de ingeniería desafíen de manera creíble las estimaciones de un subcontratista más allá de confiar en reglas generalizadas. Además, si bien muchas empresas mantienen (y se suscriben) a bases de datos de factores de costo paramétricos para la licitación, rara vez hacen un seguimiento de los costos reales al final de sus proyectos para evaluar la precisión de esas estimaciones.
 
El análisis de datos puede proporcionar una solución a estos problemas. Al analizar los impulsores individuales de los costos del proyecto anterior, estas herramientas pueden permitir a las compañías de I&C evaluar rápidamente un nivel realista de esfuerzo y costo para un proyecto y comparar esas cifras con las cotizaciones de los subcontratistas.
 
Un gran propietario de infraestructura de EE. UU. tomó los contratos iniciales de 17,000 proyectos anteriores, incorporó enmiendas y ajustes, y creó una base de datos completa de todos los costos finales por estructura de desglose del trabajo, tanto en tiempo como en materiales. Luego construyó un modelo estadístico multivariable para determinar los factores que predecirían con mayor exactitud los costos finales del proyecto, como la probable cantidad de horas de ingeniería estructural requeridas para el reemplazo de un puente, o el costo proyectado de los materiales para un carril adicional a lo largo de un recorrido de cuatro millas de una franja de carretera arterial rural. El resultado es una herramienta de adquisición que compara el costo final de un proyecto. Cuando llegan las ofertas, los gerentes saben inmediatamente si están dentro del rango esperado para ese tipo de trabajo. Hoy en día, los líderes pueden calcular un precio exacto para los contratos adquiridos dentro de un promedio de dos días, por debajo de un promedio de 60 días que a menudo se dedican a las negociaciones que requieren de mucha negociación por parte de los actores.

• 3. "¿Está el proyecto a punto de tener problemas?"

Los controles tradicionales de proyectos a menudo retrasan la incurrencia de costos por días o semanas, lo que los convierte en una herramienta efectiva para la presentación de informes retrospectivos pero no para la gestión de proyectos en curso. Los controles tampoco tienen en cuenta la interconectividad de diferentes métricas y las combinaciones únicas que pueden tener efectos de gran tamaño en el rendimiento. Por ejemplo, la productividad del personal retrasada a menudo se puede recuperar a través de actividades de planificación especiales; pero la entrega tardía del material o los múltiples días de clima adverso podrían exacerbar las pérdidas de productividad del personal y requerir una intervención diferente de la administración.

Incapaces de rastrear y lidiar continuamente con todos los datos que genera un proyecto, los gerentes tienden a seguir algunos indicadores clave de desempeño. La imagen incompleta resultante del progreso diario del proyecto puede llevar a decisiones erróneas sobre el terreno.

Las herramientas analíticas pueden ofrecer una mejora significativa en este frente al permitir que las empresas analicen de forma rápida y continua los datos del proyecto y evalúen el progreso, permitiendo a los gerentes reaccionar más rápidamente ante posibles problemas.

Los líderes de la industria han creado un enfoque, estadísticamente correlacionado con la erosión de los márgenes, para monitorear el desempeño de sus proyectos. Diariamente, el modelo analítico analiza los datos del proyecto del día y busca estas señales de alerta; si aparecen suficientes, se avisa a la administración de inmediato para que intervenga antes de que el problema se materialice.

Como hemos escrito en otra parte, las empresas de ingeniería y construcción que deseen prepararse para la era digital deberán establecer un nuevo modelo operativo. Este cambio requiere tratar las iniciativas digitales como parte de la estrategia central, adaptar los procesos y las estructuras organizativas y garantizar que el personal tenga la capacitación necesaria para implementar, solucionar problemas y liderar iniciativas digitales. Pero el primer paso en tales transformaciones es aplicar análisis para evaluar las operaciones actuales y el rendimiento.

A medida que la digitalización penetre en todas las partes de la economía, incluida la ingeniería y la construcción, será esencial capitalizar los conocimientos ocultos en los datos. Las compañías de I&C que se muestran renuentes a invertir en los sistemas y las habilidades necesarias para aprovechar lo que han recolectado deben recordar que los competidores que han hecho el cambio con éxito ya están obteniendo beneficios significativos. Las empresas que adoptan la analítica pueden hacer ofertas más agudas, evitando así proyectos no rentables y aumentando sus tasas de ganancias en aquellos con un gran margen de potencial. Llevan a cabo negociaciones más inteligentes con los subcontratistas, reduciendo los costos y aumentando la velocidad de decisión. Y anticipan problemas con los proyectos en curso, lo que permite a los gerentes intervenir antes de que los posibles retrasos y sobrecostes se conviertan en reales. A medida que la industria implementa cada vez más estas herramientas, es probable que las compañías que ingresen temprano surjan como líderes.

Fuente: “How analytics can drive smarter engineering and construction decisions”, Garo Hovnanian, Kevin Kroll, y Erik Sjodin.  Mc Kinsey&Company.

Disponible en: https://www.mckinsey.com/industries/capital-projects-and-infrastructure/our-insights/how-analytics-can-drive-smarter-engineering-and-construction-decisions?cid=other-eml-alt-mip-mck&hlkid=341ace5bba9249ceb060f71631aa1093&hctky=11199374&hdpid=bdd94ef2-43be-49a1-84b8-5091f0b8cf58