Por Peter Goos.

Una conversación con el profesor Peter Goos La adquisición de Effex por parte de Minitab (ahora Minitab DOE by Effex) incorpora capacidades avanzadas de diseño experimental a un ecosistema analítico más amplio, lo que facilita a las organizaciones el diseño de experimentos más inteligentes, la reducción de costes y la aceleración de la innovación. Para explorar qué significa esto en la práctica, hablamos con el profesor Peter Goos, cofundador de Effex y un experto destacado en diseño estadístico y análisis de experimentos. En esta conversación, explica los fundamentos del Diseño de Experimentos (DOE), por qué sigue estando infrautilizado y cómo los enfoques modernos están cambiando la manera en que las organizaciones abordan la experimentación.

Dentro de la experimentación moderna: del ensayo y error al diseño más inteligente.

¿Cómo describiría el Diseño de Experimentos a quienes no lo conocen?

El Diseño de Experimentos (DOE) es un enfoque sistemático para determinar cómo los factores de entrada influyen en los factores de salida. A menudo, al estudiar un sistema, se busca comprender qué sucede al modificar o ajustar una entrada específica. El DOE proporciona un método estructurado para examinar el impacto de todas las entradas, o "botones", del sistema. En esencia, el DOE ayuda a estudiar el efecto de todas las entradas en las salidas del sistema.

¿Podría dar un ejemplo práctico para que sea más comprensible?

Si quieres hornear pan, debes considerar varios factores. ¿Cuánta harina usarás? ¿Cuánta agua? ¿A qué temperatura lo hornearás? Modificar la temperatura, la cantidad de harina o de agua influirá en el sabor, la consistencia y el volumen del pan. El diseño de experimentos (DOE) ofrece un enfoque sistemático para relacionar los diferentes niveles de estos factores con el sabor, la consistencia y el volumen. Esta relación se materializa en un modelo estadístico que puede predecir el resultado para cualquier combinación de factores que elijas.

¿Cómo terminó especializándose en estadística, particularmente en Diseño de Experimentos?

En resumen, diría que fue una coincidencia. Estudiaba ingeniería empresarial y, durante mis estudios, solo tuve un breve contacto con el Diseño de Experimentos en un curso de Gestión de Calidad. En ese momento, el DOE no me atrajo de inmediato, pero más tarde, durante mi doctorado, la profesora que me contrató, la Prof. Martina Vandebroek, estaba muy interesada en el DOE. Ella me impulsó en esa dirección y pronto me apasionó el campo, especialmente después de trabajar con un consultor en aplicaciones prácticas y colaborar con varias empresas del sector automotriz. También aprecié el aspecto de optimización, que fue mi primera pasión. Originalmente, quería hacer un doctorado en optimización. Además, las aplicaciones prácticas y el impacto en las empresas eran gratificantes. Ver su satisfacción al obtener buenos resultados me motivó a continuar en este campo.

¿Cuál es el problema más interesante que has resuelto utilizando el Diseño de Experimentos?

Uno de los ejemplos más interesantes y recientes es cuando ayudamos a Kellogg's a mejorar la receta de sus patatas fritas Pringles. Con el paso de los años, los costos de producción habían aumentado y el contenido de grasa también era algo elevado. Kellogg's quería desarrollar una nueva receta que redujera tanto el contenido de grasa como los costes de producción. Realizaron un experimento a gran escala, probando varios ingredientes nuevos. Utilizando el Diseño de Experimentos, analizamos y modelamos los datos, y luego realizamos una optimización basada en el modelo estadístico. Como resultado, lograron reducir significativamente tanto el contenido de grasa como el coste de producción. Fue uno de los casos más impresionantes y gratificantes en los que hemos trabajado recientemente.

Analicemos el Diseño de Experimentos (DOE). ¿Cómo se compara con otros métodos? Por ejemplo, ¿por qué Kellogg's eligió el DOE en lugar de simplemente hornear patatas fritas y verificar los resultados?

Muchos ingenieros prefieren el enfoque clásico de "un factor a la vez", pero Kellogg's necesitaba usar el Diseño de Experimentos. Aumentar la cantidad de un ingrediente inevitablemente requería reducir la cantidad de otro, por lo que el método tradicional de "un factor a la vez" era inviable. En Kellogg's, cambiar una entrada afectaba a las demás, por lo que debían considerar todas las entradas simultáneamente. Esta característica clave distingue al Diseño de Experimentos del enfoque de "un factor a la vez". Puede parecer contraintuitivo, ya que si se cambian varios factores a la vez y se observa un efecto, ya sea positivo, negativo, beneficioso o perjudicial, no se sabe de inmediato qué entrada lo causó. Ahí es donde entra en juego la estadística. La técnica estadística de regresión lineal múltiple ayuda a desentrañar los efectos de todas las entradas. El único requisito es cambiar varias entradas simultáneamente, de acuerdo con un DOE bien diseñado. Una vez recopilados los datos, el análisis de regresión lineal múltiple identifica la contribución específica de cada variable de entrada.

¿Cuándo debería alguien considerar el uso del Diseño de Experimentos (DOE)? Por ejemplo, si yo fuera científico o ingeniero, ¿cuándo diría usted: «Ahora es el momento de usar DOE»? ¿Podría dar un ejemplo? Lo he pensado mucho. Cuando se tienen dos o más entradas, se debería considerar el Diseño de Experimentos. Con una sola entrada, el método de ensayo y error puede funcionar, pero en cuanto intervienen dos factores, el conocimiento del tema por sí solo a menudo no es suficiente. Cuando dos entradas interactúan, las cosas se complican. Llamamos efecto de interacción al impacto conjunto de dos entradas, distinto de la suma de sus efectos individuales. La interacción puede ser sinérgica o antagónica. A menudo, es difícil evaluarla o predecirla solo con el conocimiento del tema. En tales casos, se necesita un enfoque empírico para probar múltiples entradas simultáneamente y cuantificar cualquier efecto de interacción. Ahí es donde entra en juego el DOE. Proporciona una forma eficiente de identificar interacciones importantes entre múltiples entradas. En lugar de cambiar variables sin cesar, el DOE ayuda a gestionar el proceso de forma eficaz siempre que se tengan dos o más factores.

Entonces, ¿está diciendo que usar el Diseño de Experimentos también es más rentable?

Sin duda. Mucha gente todavía cree que el Diseño de Experimentos es ineficiente porque piensa que implica probar todas las combinaciones posibles de entradas. Pero eso no es cierto. El Diseño de Experimentos moderno, del siglo XXI, ya no se trata de probar todas las combinaciones posibles. Todo lo contrario: se trata de seleccionar estratégicamente qué combinaciones probar, teniendo en cuenta el presupuesto, incluso si es limitado.

¿Qué importancia tienen las estadísticas y, por extensión, el Diseño de Experimentos (DOE) en el proceso de innovación?

Durante este proceso, existe mucha incertidumbre, ya que se conoce poco sobre el nuevo producto o proceso y se dispone de datos limitados. Para tomar decisiones basadas en datos, es necesario recopilar la información adecuada. Aquí es donde el DOE destaca. Es altamente eficaz para obtener datos de alta calidad de forma económica, incluso bajo presión de tiempo o en entornos costosos. En situaciones de incertidumbre, los experimentos pequeños pero potentes son clave, y el DOE proporciona las herramientas para ejecutarlos de manera eficiente. Un análisis estadístico adecuado permite distinguir las señales del ruido, específicamente, los efectos reales de las entradas sobre la salida frente a la inevitable variación aleatoria de los datos.

¿Por qué el Diseño de Experimentos (DOE) sigue siendo relativamente desconocido hoy en día? ¿Y por qué no recibe más atención en las universidades?

Existen varias razones para ello. En primer lugar, el DOE no se enseña lo suficiente en las universidades. Incluso cuando se enseña, los estudiantes a menudo carecen de la experiencia práctica necesaria para apreciar su valor. El DOE se comprende mejor entre quienes han experimentado las limitaciones de depender únicamente del conocimiento especializado y entienden la necesidad de una recopilación sistemática de datos.

En las empresas, ¿quién debería conocer el Diseño de Experimentos (DOE)?

Cualquier persona en ingeniería, I+D o producción enfocada en la mejora continua debería conocer el DOE. También es importante que la gerencia, incluyendo a los ejecutivos de alto nivel, tenga conocimientos sobre el DOE para que puedan reconocer su potencial de optimización e innovación.

¿Cuál diría usted que es una de las mayores tendencias o evoluciones en el diseño de experimentos (DOE)?

La mayor evolución es el auge del diseño óptimo de experimentos (DOE), que permite adaptar los experimentos a limitaciones específicas como el presupuesto, la viabilidad y el tiempo. Esto hace que el DOE sea mucho más flexible y rentable que los enfoques anteriores.

¿Cree que aún hay margen para la evolución? ¿Cómo ve el futuro del DOE?

Un cambio importante es pasar de un proceso de experimentación en dos etapas a un experimento único y más eficiente. Nuevos enfoques como los diseños de cribado definitivo (DSD) y los diseños OMARS combinan el cribado y la optimización en uno solo, lo que permite a las empresas avanzar más rápido e innovar con mayor eficiencia.

Con el auge de la IA, ¿sigue siendo necesario el diseño de experimentos (DOE)?

Siempre será necesario. La IA puede ayudar a analizar datos históricos y sugerir caminos a seguir, pero al explorar nuevas combinaciones donde no existen datos, la experimentación es fundamental. El DOE y la IA deben trabajar juntos.

¿Por qué es necesario un nuevo software DOE como Effex?

Es fundamental que los diseños experimentales avanzados y rentables sean ampliamente accesibles. Effex proporciona acceso a diseños de vanguardia como OMARS y utiliza una plataforma en la nube para mejorar continuamente la calidad de los experimentos disponibles para los usuarios.

¿Qué consejos daría a las organizaciones que han tenido experiencias negativas con el diseño de experimentos (DOE)?

Los fallos no suelen deberse al método en sí, sino a su aplicación. Elegir los insumos adecuados y contar con la experiencia necesaria en la materia es fundamental. Sin ello, cualquier enfoque, no solo el DOE, puede fracasar.

¿Cuáles son los conocimientos mínimos necesarios para empezar a usar el diseño de experimentos (DOE)?

Dos cosas son esenciales: comprender la regresión lineal múltiple y contar con el software adecuado para diseñar y explorar experimentos de manera efectiva.

¿Qué industrias están subutilizando el diseño experimental (DOE) en la actualidad?

Las empresas alimentarias, en particular, podrían beneficiarse más del DOE, pero a menudo se enfrentan a dificultades debido a la variabilidad de los materiales biológicos, lo que hace que la experimentación sea más compleja.

¿Es realmente la inacción el mayor competidor del Diseño de Experimentos (DOE)?

En muchos casos, sí. Algunas organizaciones se conforman con los procesos actuales, pero este enfoque no es sostenible a largo plazo. Para seguir siendo competitivas, las empresas deberán innovar, y el DOE desempeña un papel fundamental en ello.

¿Cuál es la forma más convincente de persuadir a los líderes para que adopten el DOE?

Los estudios de caso y las historias de éxito reales son los más efectivos. Ver resultados tangibles ayuda a demostrar claramente su valor.

¿Hacia dónde se dirige la experimentación? El diseño de experimentos no es solo una técnica estadística. Es una forma práctica y escalable de tomar mejores decisiones en sistemas complejos. Ahora que Minitab y Effex están combinados, las organizaciones tienen acceso a capacidades de diseño experimental más avanzadas, incluidos enfoques modernos como los diseños OMARS, dentro de un entorno analítico conectado. Si busca reducir costes, acelerar el desarrollo o tomar decisiones con mayor seguridad, el equipo de Minitab está aquí para ayudarle a aplicar estos métodos en su propio trabajo.