Nem sempre os dados estão disponíveis e formatados de maneira que facilite a interpretação e contribua para tomadas de decisões assertivas. É comum ouvir relatos de que o volume de informações coletadas na indústria está crescendo, mas essas informações não estão categorizadas, hierarquizadas e muito menos integradas – como ilustra a matéria “Utilização de dados no setor de manufatura”, publicada pelo STRATUS Blog em 2023.
Apesar das notáveis vantagens da digitalização da indústria, segundo o estudo Data Paradox (2021) – realizado pela consultoria Forrester e encomendado pela Dell Technologies –, apenas 66% das empresas no mundo utilizam dados, e somente 21% dessas sabem aproveitá-los adequadamente para gerar resultados.
No Brasil, o cenário não é muito diferente. Em 2016, segundo um estudo da Confederação Nacional da Indústria (CNI), chamado Sondagem Especial sobre a Indústria 4.0 no Brasil (2021), apenas 48% das indústrias utilizavam alguma tecnologia digital em determinada etapa da produção. Já em 2021, esse percentual subiu para 69%. Grande parte dessas empresas ainda estão em processo inicial, conhecidas como “novatas de dados”, e não sabem muito bem como lidar com o grande volume de informações.
Para identificar as principais variáveis de um maquinário, é preciso definir qual análise deve ser realizada e verificar se o objetivo está alinhado com as metas estratégicas do negócio. Após isso, é necessário entender quais dados estão disponíveis para, então, identificar os dados relevantes.
Entretanto, fatores como a presença de máquinas de diferentes tecnologias no parque fabril, processos manuais de baixa resolução (com informações incompletas) ou lacunas de tempo entre um dado e outro costumam impedir uma análise estável.
Muitas vezes, o dado mais importante não está disponível de forma fácil, mas isso não significa que ele não possa ser encontrado. Nessas situações, o cientista de dados, utilizando as ferramentas certas, pode criar o dado que faz mais sentido ser monitorado – a partir da combinação de duas ou mais variáveis que podem ser extraídas nativamente do chão de fábrica.
Criando dados a partir de dados
Uma maneira de criar o dado que precisa ser monitorado é utilizar fórmulas com as informações disponíveis para calcular o indicador chave. Na indústria, melhorar a performance de uma linha produtiva frequentemente significa inovar: através de diferentes práticas de gestão, novas tecnologias, designs eficientes e repensar o uso dos insumos.
Para realizar a análise de produtividade, é necessário medir e comparar os indicadores de desempenho, como quantidade de produção e velocidade, entre outros padrões pré-definidos. Dessa forma, é possível identificar áreas de melhoria, implementar ações corretivas e monitorar o impacto dessas ações na produtividade e performance geral da fábrica.
Nesse exemplo, serão consideradas 2 máquinas que, durante cerca de 40 minutos, estiveram produzindo ao mesmo tempo (mesma disponibilidade), e que obtiveram os seguintes resultados:
Máquina 1: 10.287 produtos
Máquina 2: 11.120 produtos
Ao comparar os resultados, nota-se uma diferença de quase 8%, que impactará no resultado de todo o mês se não for resolvida. Ao buscar os dados de produtividade dessas máquinas, obtém-se as seguintes informações:
Analisar gráficos separadamente pode dificultar a identificação de problemas e a otimização do uso de máquinas com baixo rendimento. Portanto, uma técnica eficaz é combinar ambas as informações em uma única imagem. Embora isso possa não fornecer uma conclusão clara, permite a comparação de rendimento.
Dado encontrado: como realizar uma análise relevante
Dado encontrado: como realizar uma análise relevante
Dentro da análise de produtividade, um dos indicadores que podem ser monitorados é a velocidade das máquinas, como já citado anteriormente. Visto que o dado de produção é coletado a cada 5 segundos, é possível por exemplo calcular a velocidade a cada 30 segundos com a fórmula:
Velocidade=∆Produção/∆Tempo
Mesmo que a variável “velocidade” não possa ser extraída diretamente do maquinário, é possível descobri-la e focar apenas no dado mais relevante para entender a performance da linha. A resposta para a pergunta “para qual devo olhar” muitas vezes é nebulosa, justamente porque a informação buscada não pode ser coletada diretamente do equipamento, mas pode ser criada. Ao comparar os dados, fica evidente em qual período houve a maior discrepância e o que pode ser feito para melhorar a performance.
Nesta comparação, fica claro que a velocidade da máquina 1 é inferior à da máquina 2. Em nenhum momento a máquina 1 consegue atingir o mesmo patamar de velocidade da máquina 2, ficando cerca de 6% abaixo nos momentos de pico de performance.
Com essa informação, torna-se evidente que o trabalho para melhorar a performance geral da linha deve se concentrar em aumentar a velocidade de produção da máquina 1, com uma margem de ganho de mais de 6%. A máquina 1 ainda não opera tão rápido quanto a máquina 2, que é mais eficiente. Com isso, e com a descoberta de que é possível aumentar a velocidade da máquina 1, o resultado será um maior rendimento em menos tempo.
Esse trabalho precisa levar em consideração as velocidades nominais das máquinas subsequentes. Neste caso, um V-Graph pode ser uma ótima ferramenta de auxílio.
Dados que desbloqueiam resultados
O uso de dados na indústria é uma realidade cada vez mais presente no Brasil e no mundo. Com uma demanda crescente, a digitalização permite que as fábricas alcancem uma maior otimização da produção, atendendo às necessidades e exigências em menos tempo e de maneira mais automatizada.
Para isso, é necessário monitorar o dado certo, que nem sempre está disponível de maneira nativa. Isso não significa que ele não possa ser encontrado. Pelo contrário, com um time de cientistas de dados, é possível calcular a variável que deve ser observada, seja através da comparação de duas variáveis ou da utilização de fórmulas.
Embora o exemplo utilizado trate de uma análise de performance, essa linha de raciocínio (comparação de dados) também funciona para monitorar outras áreas, como uso de matéria-prima, recursos naturais, manutenção, qualidade do produto, entre outras. Esse cenário se concretiza graças ao leque de possibilidades permitidas pela ciência de dados e pela capacidade analítica dos cientistas, que utilizam sua experiência, criatividade e visão de mercado para encontrar as métricas mais relevantes para a indústria. Utilizar métodos como esses transforma dados em informações valiosas que desbloqueiam resultados.
Descubra como a ciência de dados contribui para diferentes aplicações:
Performance
Matéria Prima
Recursos Naturais
Qualidade
Pesquisa e Desenvolvimento