Cómo obtener datos importantes para mejorar las métricas de rendimiento de las minas

El Imperativo para las Operaciones de Minería Dirigida por Datos

La industria minera mundial está bajo presión incesante para reducir costos, aumentar la seguridad y aumentar la productividad. Al mismo tiempo, las calificaciones de mineral están disminuyendo, los depósitos son más profundos y complejos, y las regulaciones ambientales se están endureciendo. En este entorno, los enfoques tradicionales de la gestión del equipo —reactiva reparaciones, mantenimiento de intervalo fijo y toma de decisiones basadas en intuición— ya no son suficientes.

Al recopilar, integrar y analizar sistemáticamente el torrente de datos generados por maquinaria minera moderna, los operadores pueden descubrir patrones que anteriormente eran invisibles. Pueden predecir fallos antes de que ocurran, optimizar la utilización en flotas e identificar las causas profundas de la ineficiencia. El resultado es una mejora de cambio en las métricas de rendimiento clave: mayor disponibilidad, mejor utilización, mayor eficiencia y menor costo total de propiedad.

Las operaciones mineras líderes ya están demostrando lo que es posible. Por ejemplo, una importante mina de cobre en Chile redujo el tiempo de inactividad no planificado en un 30% después de implementar un programa de mantenimiento predictivo alimentado por datos de sensores y aprendizaje automático. Una mina de oro en Australia mejoró la utilización de camiones de carga en un 15% utilizando analíticas en tiempo real para optimizar las decisiones de envío.

Comprender los Big Data en el contexto de la minería

Los grandes datos en la minería se definen no sólo por volumen, sino por velocidad, variedad y veracidad. Un único camión moderno puede generar más de 100.000 puntos de datos por segundo de sus sensores a bordo, sistema telemático y módulos de control. Cuando se multiplica en toda una flota de camiones, taladros, cargadores, transportadores y trituradores, el flujo de datos se convierte en disparadores masivos.

Fuentes de datos en operaciones modernas de minería

El ecosistema de datos de una mina es extraordinariamente diverso.

Sensores a bordo: Temperatura, vibración, presión, velocidad, par y niveles de fluidos de motores, transmisiones, hidráulicas y componentes estructurales.
Telematics Systems: localización GPS, peso de carga, consumo de combustible, ciclos y datos de comportamiento de los operadores transmitidos en tiempo real.
]Dispositivos IoT: Sensores inalámbricos desplegados en infraestructura fija como transportadores, bombas y ventiladores de ventilación para monitorear la condición y el rendimiento.
Registros de Mantenimiento y Reparación: Datos estructurados de CMMS (Sistemas de Manejo de Mantenimiento Computerizados) incluyendo órdenes de trabajo, reemplazos de parte, horas de trabajo y códigos de fallo.
Informes operacionales:] Informes de los cambios, valores de producción y datos de control de calidad del análisis de laboratorio de muestras de mineral.
Vigilancia ambiental: Datos meteorológicos, lecturas de estabilidad terrestre, niveles de polvo y ruido, y mediciones de calidad del agua.

El reto de la variedad es significativo. Los datos del sensor son generalmente de serie de tiempo, de alta frecuencia y estructurados. Los registros de mantenimiento son a menudo semiestructurados con comentarios de texto libre. Los datos ambientales pueden llegar en intervalos irregulares desde estaciones remotas. Integrar estos diversos tipos de datos en una plataforma de análisis unificada requiere sólidos oductos de datos, esquemas estandarizados y una cuidadosa atención a la calidad de los datos.

Función de la gobernanza de los datos

Antes de que se produzcan análisis, las empresas mineras deben establecer políticas claras de gobernanza de datos, lo que incluye definir la propiedad de datos, garantizar la calidad de los datos, gestionar los permisos de acceso y mantener el linaje de datos. Sin gobernanza, silos de datos proliferan, definiciones de conflicto y confianza en los erosiones de análisis. Un entorno de datos bien desarrollado es la base sobre la cual se construyen todos los análisis avanzados.

Metrices de rendimiento de equipo clave en profundidad

Para mejorar el rendimiento, es necesario definir y medirlo de forma sistemática. La industria minera ha establecido un conjunto de métricas estándar que capturan diferentes dimensiones de la eficacia del equipo. Entender estas métricas en detalle es esencial para cualquier iniciativa de datos grandes.

Disponibilidad

La disponibilidad mide el porcentaje de tiempo que el equipo es capaz de operar, independientemente de si se está utilizando realmente. Se calcula como la relación del tiempo de funcionamiento más tiempo listo para el tiempo total del calendario. Una cifra de alta disponibilidad —normalmente superior al 90% para flotas bien mantenidas— indica que el equipo es confiable y que los procesos de mantenimiento son eficaces. Sin embargo, la disponibilidad por sí sola puede ser engañosa.

Los grandes datos mejoran la disponibilidad permitiendo el mantenimiento predictivo. Al analizar patrones de vibración, los recuentos de desechos de aceite y las tendencias de temperatura, los modelos de aprendizaje automático pueden identificar componentes que se aproximan a las acciones de mantenimiento de fallos y desencadenan durante las horas de inactividad programadas, evitando así desglose inesperados que reducen la disponibilidad.

Utilización

La utilización mide la proporción del tiempo disponible que el equipo está realizando realmente trabajo productivo. Para un camión de transporte, esto significa el tiempo que se carga, transporta, volcado o regresa. Tiempo de ocio, tiempo de espera y descomposición del operador reduce la utilización. Las operaciones mineras de clase superior alcanzan tasas de utilización del 80 al 85 por ciento para sus flotas de transporte primario.

Los análisis de datos grandes pueden determinar las causas de baja utilización. Por ejemplo, el análisis de datos de GPS y envío podría revelar que los camiones están esperando frecuentemente en la trituradora debido a los cuellos de botella en el circuito de trituración. Alternativamente, el análisis de comportamiento del operador podría demostrar que ciertos operadores logran una menor utilización debido a técnicas de carga o de transporte ineficientes.

Eficiencia

Eficiencia mide lo bien que el equipo realiza en relación con su capacidad de diseño. Para una pala, la eficiencia podría medirse en toneladas por hora en relación con su capacidad nominal. Para un camión de transporte, la eficiencia podría considerar la utilización de la carga útil — carga útil real dividida por carga útil nominal. Las pérdidas de eficiencia pueden resultar de camiones subcargados, condiciones de carretera de transporte suboptimal, o degradación del equipo que reduce el rendimiento.

Los datos del sensor permiten un seguimiento continuo de la eficiencia. Los sensores de carga pueden alertar a los operadores y los despachadores cuando los camiones están constantemente bajo carga, permitiendo ajustes a los procedimientos de carga. Los datos de velocidad y torsión pueden indicar cuándo los motores no funcionan en su punto más eficiente debido a las malas condiciones de la carretera o la selección incorrecta de los engranajes.

Metría de mantenimiento: MTBF y MTTR

Mean Time Between Failures (MTBF) and Mean Time To Repair (MTTR) are critical indicators of maintenance effectiveness. MTBF measures the average time between equipment failures; a higher MTBF indicates better reliability. MTTR measures the average time required to restore equipment to service after a failure; a lower MTTR indicates more efficient maintenance processes.

El análisis de datos puede mejorar tanto la métrica. El mantenimiento predictivo se extiende por el MTBF evitando fallos antes de que ocurran. La realidad aumentada, el diagnóstico remoto y el inventario optimizado de piezas de repuesto, todo ello impulsado por datos, pueden reducir el MTTR asegurando que los equipos de reparación tengan las partes, herramientas e información adecuadas cuando lleguen al equipo.

Eficacia general del equipo

La eficacia global del equipo (OEE) combina disponibilidad, utilización (o rendimiento), y calidad (o eficiencia) en una sola métrica. OEE = Disponibilidad " Tiempos " ; Calidad. Mientras que la OEE es más común en la fabricación, se aplica cada vez más a los equipos mineros para proporcionar una visión holística del rendimiento. Big data permite el cálculo OEE en tiempo real a nivel de la flota, permitiendo a los administradores identificar activos infravalordinados y priorizar esfuerzos de mejora.

Recopilación e Integración de Datos: Construyendo la Fundación

La calidad de cualquier iniciativa de análisis depende de la calidad y la integridad de los datos subyacentes. Para las empresas mineras que inician su gran viaje de datos, el primer paso es establecer procesos fiables de recopilación e integración de datos.

Infraestructura de sensores y telemática

Los fabricantes de equipos originales (OEM) como Caterpillar, Komatsu y Liebherr ofrecen sistemas de telemática que capturan cientos de parámetros de cada máquina. Sin embargo, muchas minas no aprovechan totalmente estos datos porque se colocan dentro de plataformas específicas de OEM o no se integran con otros datos operacionales. La primera prioridad debe ser la de agregar todos los datos de comparación de telemática a un almacén de datos central que aseguran diferentes tipos de datos

Para equipos de mayor edad que carecen de sensores instalados en fábrica, hay soluciones de IoT postmercado disponibles. Sensores de vibración inalámbricos, sondas de temperatura y sensores de desgaste pueden ser reacondicionados a las máquinas existentes a un costo relativamente bajo. Estas soluciones de reacondicionamiento hacen posible llevar flotas de mayor edad al ecosistema basado en datos.

Arquitectura de la integración de datos

Una arquitectura de integración de datos robusta incluye típicamente los siguientes componentes:

Data Ingestion Layer: Herramientas como Apache Kafka o AWS Kinesis manejan datos de transmisión en tiempo real de sensores y sistemas de telemática, mientras que las herramientas de ingestión de lotes manejan datos periódicos de registros de mantenimiento e informes operativos.
]Estudio de almacenamiento de datos: Un lago de datos basado en la nube (por ejemplo, Amazon S3, Azure Data Lake, o Google Cloud Storage) proporciona almacenamiento escalable y rentable para datos brutos en su formato nativo.
Layer de Procesamiento de Datos: El Spark o marcos similares se utilizan para limpiar, transformar y agregar datos brutos en conjuntos de datos preparados para análisis.
La Capa de Almacén de datos: Un almacén de datos estructurado (por ejemplo, Snowflake, Redshift o BigQuery) almacena los datos procesados para la consulta y presentación de informes.
Data Catalog and Governance: Las herramientas como Apache Atlas o Alation proporcionan gestión de metadatos, linaje de datos y control de acceso.

Garantía de calidad de los datos

La calidad de los datos es un reto persistente en los entornos mineros. Los sensores pueden derivar, fallar o desconectarse. Las redes de comunicación pueden perder conectividad en áreas remotas. Los operadores pueden introducir datos incorrectos en los registros de mantenimiento. Sin un monitoreo riguroso de la calidad de los datos, los productos de análisis se vuelven inconformes. Las mejores prácticas incluyen controles automatizados de validación de datos, tuberías de detección de anomalía que marcan puntos de datos sospechosos, y auditorías regulares de la integridad y la integridad de datos.

Técnicas analíticas para el rendimiento del equipo

Con una base sólida de datos, las empresas mineras pueden aplicar un espectro de técnicas analíticas, que van desde descriptivas hasta prescriptivas, hasta extraer valor de sus datos.

Análisis descriptivo: Lo que sucedió

Los paneles e informes resumen métricas clave como la disponibilidad, utilización, MTBF y MTTR durante períodos de tiempo específicos. Mientras que la analítica descriptiva no predice el futuro, es esencial para establecer bases de referencia, identificar tendencias y proporcionar responsabilidad. Herramientas de visualización modernas como Power BI, Tableau o Grafana pueden crear sistemas de control intuitivos y de visibilidad de los operadores de flotas en tiempo real.

Análisis diagnóstico: por qué sucedió

Cuando las métricas de rendimiento se desvían de los valores esperados, la analítica de diagnóstico busca identificar las causas de la raíz. Esto podría implicar la perforación en los datos de sensores para determinar si un aumento de la vibración fue causado por una condición operativa específica, o analizar registros de mantenimiento para ver si un tipo de parte particular tiene una tasa de falla más alta de lo esperado. Técnicas estadísticas como análisis de correlación, regresión y pruebas de hipótesis son usadas comúnmente.

Análisis predictivo: ¿Qué pasará?

La analítica predictiva es el núcleo de la gran propuesta de valor de datos para el rendimiento del equipo. Mediante la formación de modelos de aprendizaje automático sobre datos históricos, se puede prever los futuros estados de equipos, incluyendo fallas, degradación del rendimiento y vida útil restante.

Detección de anomalías: Los modelos aprenden el sobre operativo normal de las desviaciones de equipo y bandera que pueden indicar un fallo inminente. Por ejemplo, un aumento repentino de la temperatura de los rodamientos podría indicar un fallo inminente de los rodamientos.
Predicción de falla:] Los modelos de clasificación (por ejemplo, bosque aleatorio, XGBoost o redes neuronales) predicen si un componente fallará dentro de una ventana de tiempo determinada basada en lecturas de sensores.
Remanente Vida útil (RUL) Estimación:] Los modelos de regresión estiman la vida restante de componentes como neumáticos, revestimientos y frenos, permitiendo un reemplazo justo a tiempo.
Forecasting de degradación de la rentabilidad: Los modelos de series temporales predicen cómo la eficiencia del equipo disminuirá con el tiempo, permitiendo un mantenimiento proactivo para restaurar el rendimiento.

Análisis prescriptivo: Qué debe hacerse

La analítica prescriptiva va un paso más allá recomendando acciones específicas para optimizar el rendimiento. Por ejemplo, un modelo prescriptivo podría recomendar el programa de mantenimiento óptimo para una flota basado en probabilidades de fallo predicho, carga de trabajo actual y disponibilidad de repuestos. En la optimización de envío, los modelos prescriptivos pueden determinar la asignación óptima de camiones a palas y volcados para minimizar los tiempos de ciclo y maximizar la rendimiento.

Implementación de mantenimiento predictivo: Guía paso a paso

El mantenimiento preventivo es una de las aplicaciones más impactantes de los grandes datos en la minería. Sin embargo, la aplicación exitosa requiere un enfoque metódico. Los siguientes pasos proporcionan una hoja de ruta para las empresas mineras que buscan implementar el mantenimiento predictivo para sus flotas de equipos.

Paso 1: Identificar los activos prioritarios

No todo el equipo es igualmente crítico. Comience por identificar activos que tienen el mayor impacto en la producción y los mayores costos de mantenimiento. Los camiones de grano, trituradoras primarias y equipos de carga son típicamente las principales prioridades.

Paso 2: Recopilar y etiquetar Datos históricos

Los modelos predictivos requieren datos históricos que incluyen condiciones de funcionamiento normales y eventos de fracaso. Es esencial tener etiquetas precisas que indican cuándo se produjeron los fallos y qué los causó. Esto a menudo requiere fusionar datos de sensores con registros de mantenimiento y códigos de fallos. La limpieza de datos en esta etapa es crítica; falta de valores, outliers y etiquetas inconsistentes deben ser abordados.

Paso 3: Seleccione y entrene modelos

Para la predicción de fallos, los métodos de conjunto de árboles (bosque de aleatorio, XGBoost) suelen funcionar bien y proporcionar resultados interpretables. Para la estimación RUL, los modelos de análisis de supervivencia o regresión pueden ser más apropiados. La capacitación implica dividir datos en conjuntos de capacitación y validación, ajustar hiperparametros y evaluar el rendimiento de modelos utilizando métricas como precisión, memoria y puntuación F1.

Paso 4: Despliegue e integración

Un modelo predictivo es sólo valioso si se integra en los flujos de trabajo operativos. Implemente el modelo en un entorno de producción donde puede marcar datos de sensores en tiempo real y generar alertas. Integre estas alertas con el CMMS y el sistema de planificación de mantenimiento para que las acciones recomendadas se generen automáticamente como órdenes de trabajo.

Paso 5: Monitor e Iterate

Los modelos predictivos se degradan con el tiempo a medida que cambian el equipo y las condiciones de funcionamiento. Establece un proceso de monitoreo continuo para seguir periódicamente modelos de rendimiento y reentrenamiento de modelos. Incorporar nuevos datos y retroalimentación de equipos de mantenimiento para perfeccionar las predicciones.

Optimización de operaciones con análisis de datos

Más allá del mantenimiento predictivo, el análisis de datos grandes ofrece numerosas oportunidades para optimizar las operaciones mineras y mejorar las métricas de rendimiento del equipo.

Optimización de la flota en tiempo real

Los sistemas de despacho modernos utilizan datos en tiempo real para optimizar las asignaciones de camiones. Al analizar posiciones de camiones, estado de pala, disponibilidad de trituradoras y condiciones de carretera, el algoritmo de despacho puede minimizar los tiempos de ciclo y maximizar la rendimiento. Los datos grandes aumentan estos sistemas incorporando variables adicionales como las tasas de desgaste de los neumáticos, el consumo de combustible y los niveles de habilidad del operador para optimizar no sólo para la velocidad, sino para el costo total por tonelada.

Mejoras de la eficiencia energética

El consumo de energía es un factor importante en la minería, especialmente para la avenida y la comminución. Los análisis de datos grandes pueden identificar oportunidades para reducir el consumo de energía sin sacrificar la producción. Por ejemplo, el análisis de perfiles de carreteras y cargas de camiones puede revelar formas de reducir la resistencia a la rodadura y el consumo de combustible. Asimismo, el análisis de trituradoras y rendimiento de molino puede identificar condiciones óptimas de funcionamiento que maximicen el rendimiento por unidad de energía consumida.

Safety Analytics

Los datos grandes también pueden mejorar las métricas de seguridad, que están estrechamente vinculadas al rendimiento del equipo. Análisis de los datos de comportamiento del operador, como frenado duro, aceleración rápida y exceso de velocidad, puede identificar patrones de operación inseguros que también causan desgaste acelerado del equipo. El entrenamiento proactivo basado en datos puede reducir los incidentes de seguridad y el daño del equipo. Además, los sistemas de detección de proximidad generan datos que pueden analizarse para identificar eventos cercanos y aplicar medidas preventivas.

Construcción del caso de negocios: cuantificación del ROI

Para asegurar la financiación, las empresas mineras deben construir un caso comercial convincente que cuantifique el rendimiento esperado de la inversión.

Oportunidades de reducción de costos

Las principales fuentes de reducción de costos de los análisis de datos grandes incluyen:

Reducido tiempo de inactividad no planificado: El mantenimiento predictivo puede reducir el tiempo de inactividad no planificado en un 30 a un 50 por ciento, aumentando directamente los ingresos de producción.
Menores costos de mantenimiento: Al reemplazar las piezas basadas en condiciones en lugar de intervalos fijos, las empresas pueden ampliar la vida de los componentes y reducir el gasto total de mantenimiento.
Productividad laboral mejorada: La recopilación y análisis de datos automatizados reduce el tiempo de mantenimiento del personal y los ingenieros pasan en la entrada y análisis de datos manuales.
Inventario de Piezas de Reducidas: Una mejor predicción de falla permite la adquisición de piezas de tiempo justo, reduciendo los costos de carga de inventario.

Los parámetros de referencia de la industria sugieren que una iniciativa integral de datos grandes puede reducir los costos totales de mantenimiento en un 10 a 20 por ciento y aumentar la disponibilidad de equipo en 5 a 10 puntos porcentuales. Para una operación minera grande con una flota de 100 camiones de transporte que generan millones de dólares por día en ingresos, estas mejoras se traducen en decenas de millones de dólares en beneficios anuales.

Costos de ejecución y plazo

Los costos de ejecución varían ampliamente en función de la infraestructura existente y del alcance de la iniciativa. Un proyecto piloto centrado en un tipo de activo único podría costar de 200.000 a 500.000 dólares y tomar de 6 a 12 meses para obtener resultados. Una ejecución a gran escala de toda la flota puede costar de 5 a 20 millones de dólares o más y tomar de 2 a 3 años. El caso de las empresas debe modelar un enfoque gradual, con los primeros triunfos de la financiación de los proyectos pilotos posteriores fases.

Desafíos y mejores prácticas

Si bien los beneficios potenciales son sustanciales, la aplicación de análisis de datos en la minería está plagada de desafíos. Entender estos obstáculos y adherirse a las mejores prácticas es esencial para el éxito.

Desafíos comunes

Data Silos: Los datos se dispersan a menudo en múltiples sistemas — plataformas de telemática OEM, CMMS, sistemas de despacho y GIS— sin interfaz común. Derribar estos silos requiere un liderazgo y compromiso organizativo sólidos.
] Cuestiones de calidad de datos: El sensor de deriva, los desembolsos de red y la entrada de datos inconsistentes degradan la fiabilidad de los análisis. Las empresas deben invertir en procesos de monitoreo y remediación de calidad de datos.
Skill Shortages: Hay una escasez global de científicos e ingenieros de datos con experiencia en el campo de la minería. Construir un equipo de análisis interno toma tiempo, y muchas empresas recurren a socios externos o proveedores de servicios gestionados.
Gestión de cambios: Incluso los análisis más sofisticados fallarán si los operadores y el personal de mantenimiento no confían y actúan en las ideas. La confianza de construir requiere comunicación transparente, la participación del personal de primera línea en el diseño de soluciones, y los triunfos demostrados.
Integración con sistemas de legacy: Muchas minas operan equipos y sistemas heredados que no tienen interfaces modernas de datos. A menudo se requieren soluciones de retrecha y integraciones personalizadas.

Las mejores prácticas para el éxito

Iniciar el valor pequeño y probatorio:] Comience con un piloto enfocado en una clase de activos o punto de dolor. Demostrar valor mensurable antes de expandirse.
Inversión en infraestructura de datos Primero: Construir una base de datos sólida antes de invertir en análisis avanzados. Los oleoductos de datos fiables, la garantía de calidad y la gobernanza son requisitos.
Foster Cross-Functional Collaboration: Las iniciativas exitosas implican la colaboración entre equipos de TI, operaciones, mantenimiento e ingeniería. Establecer canales de propiedad y comunicación claros.
Prioritize Interpretability: Elija enfoques analíticos que produzcan resultados explicables. Los modelos de caja negra que no pueden ser comprendidos por los operadores y el personal de mantenimiento no serán confiables.
Plan para Escala:] Diseñar la solución inicial con escalabilidad en mente. Elige una arquitectura basada en la nube que pueda acomodar fuentes y modelos de datos adicionales a medida que el programa se expanda.
Elaborar KPIs Borrados: Defina las métricas de éxito al principio y rastrearlos rigurosamente. Esto asegura que el programa siga centrado en los resultados de negocios en lugar de la tecnología por su propio bien.

Tendencias futuras en Big Data for Mining Equipment

La aplicación de los grandes datos en la minería está evolucionando rápidamente, y varias tendencias emergentes prometen mejorar aún más las métricas de rendimiento del equipo en los próximos años.

Computación de bordes y análisis en tiempo real

A medida que crecen los volúmenes de datos, transmitir todos los datos de sensores crudos a la nube se vuelve cada vez más caro y de alta frecuencia. Los procesos de cálculo de bordes se basan directamente en el equipo o en el sitio de minas, lo que permite analizar y alertas inmediatas en tiempo real sin dependencia de la nube. Los modelos basados en bordes pueden detectar anomalías y desencadenar acciones automatizadas, como reducir la carga del motor cuando se detecta el sobrecalentamiento.

Gemelos digitales

Un gemelo digital es una réplica virtual de un activo físico que refleja su estado y comportamiento en tiempo real. Combinando datos de sensores con modelos de simulación, los gemelos digitales permiten a las empresas mineras probar diferentes escenarios de operación, predecir el impacto de los cambios y optimizar el rendimiento sin arriesgar el equipo físico. Los gemelos digitales son particularmente valiosos para sistemas complejos como plantas de procesamiento y flotas de transporte autónomos.

Equipos autónomos y sinergía de datos

Los camiones y perforaciones autonómicas se están convirtiendo en estándar en operaciones mineras a gran escala. Estas máquinas generan aún más datos que sus homólogos tripulados, incluyendo datos de rendimiento detallados de cada aspecto de su operación. Los datos de las flotas autónomas pueden ser analizados para refinar continuamente los parámetros operativos, mejorar la eficiencia y reducir el desgaste. La sinergia entre la autonomía y la analítica de datos grandes crea un ciclo virtuoso de mejora continua.

Simulación y optimización de impactos

Se están aplicando técnicas avanzadas de IA como el aprendizaje de refuerzo para optimizar procesos mineros complejos. Por ejemplo, los agentes de aprendizaje de refuerzo pueden aprender estrategias óptimas de envío para flotas automotrices interactuando con un entorno de simulación, logrando resultados que superen los sistemas basados en normas.

Conclusión: El camino hacia adelante

La cuestión ya no es si los datos grandes pueden mejorar las métricas de rendimiento de los equipos de minas, pero cuán rápidamente las empresas mineras pueden aprovechar la oportunidad. La tecnología está demostrada, el caso de negocios es convincente, y la ventaja competitiva para los primeros adoptadores está creciendo. El camino hacia delante requiere un enfoque disciplinado: construir una base de datos sólida, comenzar con los pilotos enfocados, y escalar con un enfoque claro en los resultados de negocio.

Las empresas mineras que aprovechan con éxito los grandes datos lograrán una mayor disponibilidad de equipo, menores costos de mantenimiento, mayor seguridad y mayor productividad general. Aquellos que retrasan el riesgo de caer en una industria donde los márgenes son delgados y la brecha entre líderes y lagartos se está ampliando. Los datos están ahí, esperando ser desbloqueados. Las herramientas están disponibles. El único ingrediente que falta es el compromiso de actuar.