En este caso de éxito de ingeniería de datos, implementamos un modelo avanzado de predicción de caudales y detección de anomalías con IA. Por consiguiente, logramos optimizar la toma de decisiones en plantas de tratamiento de agua. Gracias a la analítica predictiva, la planta anticipa comportamientos críticos y planifica sus recursos con total fiabilidad.
Precisión en Predicción de Caudales
Conectividad con SAP e Integración Externa
El reto: Monitorizar caudales con datos heterogéneos
El objetivo principal del proyecto era monitorizar y estimar con precisión los caudales de las depuradoras de la fábrica. Para lograrlo, debíamos considerar variables externas complejas y el consumo general de las instalaciones. Sin embargo, nos enfrentamos a un problema inicial. La información histórica estaba fragmentada en silos de datos con diferentes frecuencias temporales.
Metodología técnica e ingesta de datos multicanal
Con el fin de unificar el escenario analítico, diseñamos una estrategia de extracción de datos robusta dividida en tres pilares:
- Integración nativa con SAP ERP: En primer lugar, conectamos el sistema directamente a SAP. De este modo, extraemos en tiempo real los datos actualizados de consumo y producción de la planta.
- Incorporación de covariables externas: En segundo lugar, recurrimos a fuentes de datos públicas. Así, añadimos información histórica de lluvias y temperaturas a lo largo de los años para enriquecer el contexto del modelo.
- Descomposición de series temporales: Finalmente, analizamos de forma detallada las tendencias, la estacionalidad y el ruido presentes en los históricos de caudales.
Arquitectura de datos y transferencia de estacionalidad
La principal innovación de este proyecto radica en el tratamiento avanzado y la armonización de las diferentes fuentes de información:
1. Agregación temporal y creación de patrones comunes
Para empezar, contábamos con sistemas de datos históricos mensuales y otros de registro diario. Para unificar el criterio, realizamos una agregación sobre los datos diarios para convertirlos en mensuales. Gracias a esta técnica de agregación temporal, pudimos extraer patrones de comportamiento estables. Posteriormente, comparamos estos patrones con los sistemas que solo disponían de datos mensuales y agrupamos las instalaciones en clústeres homogéneos.
2. Transferencia de estacionalidad de mensual a diario
A continuación, aplicamos una metodología de transferencia de estacionalidad. Esta técnica nos permitió compensar la falta de datos diarios en ciertas plantas. Al conocer los patrones de los grupos que sí tenían datos detallados, pudimos transferir esa estructura mensual a una escala diaria. Como resultado, propusimos una estimación promedio diaria altamente fiable para las plantas con menor resolución de datos.
3. Detección proactiva de anomalías
Por último, el sistema utiliza estas predicciones estacionales para identificar desvíos en tiempo real. Si el caudal medido no coincide con el rango estimado por la IA, el software reporta una anomalía de inmediato. De esta manera, garantizamos una supervisión constante y una respuesta rápida ante posibles fugas o desbordamientos en las depuradoras.
