Por Óliver Franz

Hay pocas cosas peores que un apartamento o una casa fría.

Viviendo en Chicago, he llegado a conocer muy bien esa lucha y, déjenme decirles, es desagradable.

Para dar un poco de información general, vivo en un dúplex en comunidad de propietarios en Chicago. Contamos con una habitación trasera que sirve como mitad habitación de invitados, mitad oficina. Entonces, cuando trabajo de forma remota o fuera del horario estándar, ahí es donde hago la mayor parte de mi trabajo para Minitab.

Sin embargo, hay un problema. La habitación es fría. No sólo un podo de frío, sino mucho fr-io. Hay dos respiraderos de calefacción, pero la habitación no está muy bien aislada (tres de las paredes también son paredes exteriores) y hay una gran puerta doble que conduce a nuestra terraza trasera y dos ventanas grandes.

Un día de diciembre decidi que ya era suficiente. Quería entender mejor por qué nuestra oficina central estaba tan fría.

Afortunadamente tengo acceso al conjunto completo de soluciones de Minitab.

MÉTODOS

Primero, necesitaba decidir qué variables podrían afectar la temperatura de nuestra oficina. Después de investigar un poco, llegué a la temperatura exterior, la velocidad del viento, si la puerta del pasillo estaba abierta o cerrada y si nuestros vecinos de abajo estaban en la ciudad, ya que generalmente bajan el tesmostato mientras viajan. Supuse que dejar la puerta del pasillo abiera podría permitir que entrara más calor en la habitación.

Desde el 28 de diciembre hasta el 16 de enero, registré todas las variables aproximadamente a la misma hora todos los días: 6:00 p.m. También utilicé un temómetro Ecobee para registrar la temperatura interior de la oficina y ver qué variables tenían el mayor impacto. Configuré nuestro termostato a 70 grados todos los días para reducir la variación.

Luego, hice los números.

RESULTADOS

No es un secreto que no soy estadístico, por lo que es bueno que Minitab Statistical Software y Predictive Analyitics sean tan fáciles de usar.

Después de utilizar el módulo de Analítica Predictiva de Minitab, obtuve varios hallazgos clave. Utilicé el aprendizaje automático para generar un gráfico de importancia relativa de las variables y un gráfico de dependencia parcial del predictor.

Primero, con la tabla de imporancia relativa de variables pude determinar que las dos variables más importantes con respecto a la temperatura en la oficina eran el estado de apertura de la puerta del pasillo y la velocidad del viento exterior:

La importancia de las variables mide la mejora del modelo cuando se hacen divisiones en un predictor. La importancia relativa se difine como el % de mejora respecto al predictor superior.

Si bien mis vecinos estaban en la ciudad y la temperatura exterior todavía tuvo un ligero impacto, fue mucho menor que la puerta y el viento. El gráfico de dependencia parcial de un predictor muestra además cómo a medida que la velocidad del viento era mayor, la habitación estaba más fría:

Di el salto no tan loco de que el aislamiento de ventanas y puertas puede tener algo que ver con esta disparidad.

Fui a Home Depot y compré un par de kits de aislamiento para ventanas y un kit para las puertas. Los instalé esa noche. También comencé constantemente a dejar abierta la puerta del pasillo interior durante la noche y durante el día (cuando era posible) para ver si esa intervención ayudaba.

Continué registrando la temperatura interior durante varios días, pero inmediatamente noté una diferencia drástica: la temperatura media aumentó más de 10 grados, como se ve en las estadísticas descriptivas de Minitab:

Temperatura antes de las intervenciones

Temperatura después de las intervenciones

Además, puedes visualizar esta diferencia con este diagrama de caja que mide las temperaturas interiores antes de añadir impermeabilización a las ventanas y puertas y después:

Esto confirmó que las variables que abordé eran de hecho los dos factores más importantes que hacían que la habitación fuera tan fría. Y, aunque no puedo controlar la velocidad del viento, pude tomar medidas prácticas para realizar mejoras.

PARA LLEVAR

Los datos están a nuestro alrededor. Antes de trabajar para Minitab, no habría pensado en aprovechar el análisis de datos para resolver este desagradable problema. Y probablemente todavía tendría frío.

La mayoría de los datos se recopilan y nunca se analizan. A la hora de tomar decisiones, es fundamental basarse en datos, ya sea que se trate de desafíos como mantener los pies calientes mientras se trabaja, reducir las materias primas en la fabricación o incluso determinar la combinación ideal de variables para crear una vacuna altamente eficza. Los conocimientos adquiridos a partir de su análisis pueden conducir a pasos simples y concretos que le ahorrarán tiempo y dinero.

En este caso, pude ahorrar recursos considerables. En lugar de aumentar la calefacción y utilizar más energía y costes, puedo mantener mi oficina cómoda a una temperatura más baja y constante realizando mejoras basadas en datos.

Según mi investigación, este cambio respetuoso con el medio ambiente debería ahorrarme entre el 7% y un 9% en mi factura de energía mensual, todo gracias al poder de los datos.