Pushing-productivity_thumbnail_1536x1536_100_Standard

Levando a produtividade na fabricação ao limite

Por Robert Feldmann, Markus Hammer, e Ken Somers

Advanced analytics e computação de baixo custo constituem uma poderosa ferramenta para as empresas gerenciarem a lucratividade hora a hora.

Muitas empresas fazem o melhor possível para otimizar os processos de produção usando apenas princípios gerais ou dados incompletos. Todavia, no final do mês ou do período contábil, muitas vezes descobrem que existe um grande descompasso entre os lucros reais e o que esperavam obter. Em nossa experiência, isso em geral ocorre porque elas não possuem parâmetros suficientemente precisos para compreenderem as pequenas variações em tempo real nos fluxos dos processos e nas etapas de fabricação que, cumulativamente, vão corroendo os retornos das unidades produtivas – minas, usinas siderúrgicas ou outras instalações de fabricação. Além disso, essas informações raramente são compartilhadas com rapidez suficiente para que os gerentes possam reagir a tempo.

Nosso trabalho em diversos setores sugere que as empresas têm condições de eliminar essas variações dissipadoras de lucros e, ao mesmo tempo, acelerar os tempos de reação se utilizarem advanced data analytics e informarem os dados aos níveis mais altos da organização para melhorar a gestão do desempenho. Uma métrica que denominamos lucro por hora – e que em outro artigo nós descrevemos como uma maneira de aumentar a produtividade dos recursos – oferece uma visão muito mais exata das flutuações no ambiente operacional e constitui um meio muito melhor de comunicar as implicações para a alta gerência.

Ampliando as fronteiras da mensuração

Por combinar medições de valor, custo e volume ao longo do tempo, “lucro por hora” é uma medida mais potente do que as métricas comumente usadas em diversos setores. Usando dados obtidos a partir de sensores, juntamente com ferramentas de advanced analytics, empresas industriais podem hoje implantar modelos de autoaprendizado que simulam continuamente o valor e o custo esperados de cada processo – e até de fábricas inteiras. Com esse tipo de análise, é possível distinguir padrões onde os custos, os níveis de calor, os níveis de recuperação e outras variáveis começam a se desviar dos valores previstos. Os operadores podem então calibrar os procedimentos dos processos ou ajustar os insumos de modo a eliminar ao máximo as perdas ao longo dos períodos do dia em que a rentabilidade cai abaixo dos níveis ideais. Esses insights criam um novo backbone de informações que relaciona o desempenho da produção em tempo real à rentabilidade da empresa, dando tempo aos gerentes para que efetuem os trade-offs necessários.

Até recentemente, as empresas não contavam com dados aproveitáveis, sensores avançados e capacidade de processamento para avaliar com precisão o desempenho das operações em tempo real. Hoje, porém, a disponibilidade de sensores de baixo custo, da conectividade sem fio, do armazenamento de dados na nuvem e de computadores potentes mudaram essa equação – para não falar no desenvolvimento de ferramentas analíticas mais inteligentes capazes de analisar fluxos contínuos de processos e complementar os sistemas avançados de controle de processos, como os encontrados no refino, na indústria petroquímica ou nas principais etapas de produção da indústria siderúrgica. Além disso, à medida que analytics mais eficientes e eficazes vão surgindo, torna-se possível ampliar as análises do lucro por hora para um número maior de processos, e não apenas os mais críticos. Enquanto isso, novas reduções no custo para armazenar enormes quantidades de dados permitem uma gestão mais bem calibrada do desempenho de fábricas inteiras e até mesmo de mais de uma empresa.

Colhendo os benefícios

Dois exemplos demonstram como o lucro por hora pode resultar em ganhos significativos de desempenho.

Aprimoramento dos processos em uma fábrica de produtos químicos

O fabricante já investira maciçamente em automação e em controles avançados de processos para aumentar a capacidade de uma linha de produtos. Os gerentes, no entanto, sabiam que as condições climáticas também afetavam a eficiência do processo e o desempenho da fábrica: o problema era que não sabiam quantificar a influência do clima. Os técnicos da empresa identificaram uma lista de condições ambientais e internas que tendiam a variar no verão – direção do vento, umidade relativa e temperatura, entre outras. Munidos dos dados necessários, eles construíram um modelo avançado de análise neural capaz de simular o lucro por hora da linha de produção em condições ideais (devidamente ajustadas para cada estação do ano), permitindo aos gerentes perceberem a ocorrência de distúrbios e adotarem medidas corretivas. O modelo permitiu ainda que a equipe identificasse com precisão qualquer diminuição na produção e os efeitos sobre as margens resultantes das variações em cada fator – incluindo e indo além dos parâmetros climáticos. A equipe então focou as cinco principais variáveis que poderiam ser controladas mediante ajustes nos processos ou investimentos direcionados. No final, a empresa descobriu que a atualização de um único equipamento poderia gerar quase €500.000 anuais – um investimento que se pagou em apenas de 12 meses. O modelo também mostrou como reações rápidas a desvios operacionais aumentavam o lucro por hora, e essa mensagem foi comunicada em sessões adicionais de treinamento para os operadores da linha de frente responsáveis por monitorar painéis de controle e ajustar processos em tempo real. Parâmetros e regras recém-definidos foram posteriormente incluídos nos sistemas de controle de processos com o objetivo de aumentar o lucro por hora em até 2%.

Benefícios para uma usina siderúrgica como um todo. A unidade mais importante de uma empresa produtora de aço parecia estar operando no escuro. Somente às vezes investimentos de capital resultavam em retornos maiores. As decisões operacionais tendiam a se basear em critérios históricos e na experiência pessoal, com poucos fatos que demonstrassem seu possível impacto financeiro. Ao mesmo tempo, a coleta de dados era de má qualidade e cada unidade de produção dentro da fábrica costumava utilizar seus próprios indicadores-chave de desempenho (KPIs) de alto nível, impedindo uma visão integrada do desempenho da fábrica como um todo.

A alta gerência decidiu corrigir a situação com uma abordagem radicalmente diferente em múltiplas etapas. No cerne dessa abordagem estava um novo KPI, que permeou toda a diretoria executiva e associou o desempenho das operações a um único padrão de lucro diário para a fábrica inteira, fundamentado em análises do lucro por hora. O objetivo era permitir que os gerentes de fábrica e os operadores da linha de frente enxergassem melhor a variabilidade da produção, e também oferecer aos executivos financeiros uma noção mais segura do desempenho de toda a empresa. Durante a primeira fase, o mix de métricas operacionais foi alinhado à nova métrica de lucro. Na segunda fase, os técnicos testaram a métrica a fim de obterem insights do desempenho operacional de todas as unidades do local (laminação a quente, produção de aço, produção de ferro, sinterização e geração de energia auxiliar, entre outras). Na terceira fase, que envolveu novos investimentos em TI, a empresa instalou painéis de monitoramento (veja quadro) que exibiam as métricas tanto no chão de fábrica como nos escritórios da alta gerência. Um sistema centralizado de armazenamento de dados e análises padronizadas de dados constituem hoje o backbone de TI.

Exhibit

A métrica unificada permitiu um monitoramento completo dos custos. Com treinamento adicional tanto dos funcionários da linha de frente como dos gerentes, ela contribuiu para a resolução de problemas em tempo real, com uma nítida inspiração na filosofia kaizen.1 As variações de eficiência, que antes tendiam a se prolongar por dias, agora são eliminadas em questão de horas devido às novas maneiras de trabalhar em todas as unidades. Os custos caíram 8% nos dois anos desde que o novo padrão de lucro foi adotado e, juntamente com outras iniciativas de melhoria, resultou em um aumento cumulativo de $ 80 milhões nos ganhos. Espera-se que haverá ganhos adicionais à medida que análises de dados mais aprimoradas abrirem caminho para novas melhorias nos processos e fluxos de trabalho.

Explorando novos horizontes

Diante da rápida adoção de sensores de processos e da ampliação da captura de dados, é provável que a inteligência artificial assuma um papel de destaque na próxima onda deganhos. Os modelos analíticos “aprenderão” com as variações dos processos e farão ajustes automaticamente. A inteligência artificial DeepMind do Google já vem fazendo isso para reduzir em até 40% a energia usada para resfriar seus data centers. Esses modelos aprendem com dados históricos, como temperatura, consumo de energia e o funcionamento dos sistemas de resfriamento, e usam as informações para “entender” as variações nas condições operacionais dos data centers e “julgar” qual é o melhor modo de fazer os sistemas de resfriamento funcionarem com um mínimo de energia. Em futuros sistemas similares de inteligência artificial, o lucro por hora poderá se tornar o referencial para otimizar as operações.

Embora ainda esteja no início, temos visto casos em que o lucro por hora pode ser instituído em diversas unidades de fabricação de uma empresa – e, de modo ainda mais amplo, em redes de cadeias de suprimentos e em decisões sobre como atender melhor os clientes. Uma visão mais precisa e em tempo real poderá ajudar as empresas a entender – dentre uma lista crescente de possibilidades – como otimizar as rotas de suprimento de cada produto final, como atender os clientes de modo mais lucrativo quando existem várias unidades de produção, quantos produtos devem ser fabricados em cada unidade de produção e qual é melhor combinação possível de opções fabricar vs. comprar. Esses sistemas de ponta a ponta poderão oferecer às empresas análises post-mortem inigualáveis para identificar onde há perda de valor em suas operações, bem como novas maneiras de simular o impacto futuro das decisões estratégicas.

Diante da possibilidade de obter cada vez mais dados não estruturados sobre interações humanas a partir das mídias sociais e de vídeo, a métrica do lucro por hora poderá em breve ser aplicada em ambientes não industriais, como as operações de varejo. À medida que a qualidade das habilidades analíticas e de TI melhora em todos os setores, e agora que os gerentes estão aprendendo a acelerar a adoção na linha de frente, os níveis de produtividade provavelmente aumentarão em uma ampla gama de atividades econômicas.

Sobre o(s) autor(es)

Robert Feldmann é especialista sênior no escritório da McKinsey em Frankfurt, Markus Hammer é especialista sênior no escritório de Viena e Ken Somers é sócio do escritório de Antuérpia.

Os autores desejam agradecer as contribuições de Steve Chen, Olivier Noterdaeme, Joris van Niel e Xiaofan Wang.