Pouco antes de o aço fundido ser colocado em moldes sólidos na usina da Tata Steel em Kalinganagar, Índia, os operadores da linha de frente submetem o metal a um processo conhecido como superaquecimento, que é necessário para levar o aço à temperatura adequada para a fundição. O superaquecimento pode ser um procedimento complexo. O aço atinge mais de 1600 °C durante o superaquecimento e a temperatura ideal varia apenas 15 graus. Se o aço sair muito quente, os operadores do equipamento precisam retardar a etapa de fundição. Se não estiver quente o bastante, ele pode “congelar” antes da fundição, o que compromete sua qualidade.
Os operadores da linha de frente na estação de metalurgia secundária costumavam executar o processo de superaquecimento tendo como base experiências anteriores. Eles consideravam comandos de sistemas de controle, que eram abastecidos com fórmulas padrão, e então decidiram que pontos decisivos aplicar para que a temperatura do aço chegasse ao intervalo desejado. Na maioria das vezes, eles conseguiam aquecer dois em cada três lotes de aço dentro da temperatura ideal. Essa taxa de acerto permitia à usina completar 25 “aquecimentos” por dia, mas também abria espaço para melhoria. Elevar a taxa de acerto para um patamar de aproximadamente 85% resultou em 28 a 30 aquecimentos por dia, o suficiente para aumentar a produção em 8 a 12%, ou 600 a 900 toneladas por dia.
A oportunidade surgiu para os gerentes da usina, que haviam recebido instrução para melhorar a performance da planta com advanced analytics. No início de 2017, os gerentes elaboraram um plano para construir modelos de analytics que ajudariam os operadores da linha de frente a obter resultados melhores no processo de superaquecimento e em várias outras atividades. Cientistas de dados da Tata Steel e da McKinsey utilizaram informações históricas da planta para construir e “treinar” um modelo de otimização de superaquecimento, que examinaria dados operacionais em tempo real e recomendaria pontos definidos no processo que levassem a uma maior taxa de acerto. Os gerentes também providenciaram treinamento teórico em ciência de dados, engenharia de dados e outras disciplinas de advanced analytics para alguns funcionários.
Inicialmente, o modelo de superaquecimento propôs configurações que melhoraram consistentemente a taxa de acerto. Porém, como o mix de pedidos de aço dos clientes começou a se diferenciar do mix de pedidos registrado nos dados de treinamento do modelo, o modelo passou a gerar recomendações falhas que os operadores da linha de frente pararam de seguir. Os funcionários que haviam passado pelo treinamento teórico tentaram corrigir o modelo, mas consideraram os problemas muito complexos para resolver usando as habilidades básicas que eles haviam aprendido. Dificuldades semelhantes surgiram com os modelos usados em outras áreas da usina.
Apesar do contratempo, os gerentes viram como os modelos de advanced analytics reduziam custos e aumentavam a produção. Os gerentes também perceberam que o treinamento isoladamente não prepararia os funcionários para sustentar as melhorias de performance. Eles concluíram que a empresa precisaria aprimorar a qualificação dos funcionários em analytics e transformar sua forma de trabalhar. Sua percepção foi recompensada. Ao realizar essa capacitação, a usina conseguiu aumentar sua performance para níveis mundiais e foi reconhecida pelo Fórum Econômico Mundial em julho de 2019 como uma das 44 plantas de referência na adoção de tecnologias da 4ª Revolução Industrial.
O que funcionou e o que não funcionou: Lições do programa de analytics de Kalinganagar
Foco nas melhorias do negócio e não nas melhorias em tecnologia. Kalinganagar expandiu seu uso de analytics rapidamente buscando melhor performance e desenvolvendo soluções tecnológicas para alcançá-la, em vez de explorar as tecnologias disponíveis e pensar em como aplicá-las.
Desenvolver talentos em analytics em vez de terceirizar. Quando os modelos de analytics de primeira onda precisaram ser atualizados, a usina não tinha especialistas para atender a demanda internamente. O treinamento prático permitiu à usina desenvolver os talentos em analytics que precisava para ganhar escala.
Escalonar analytics para torná-los parte da forma de trabalhar de todos. Ir além de projetos piloto produziu valor suficiente para convencer os resistentes a trabalhar usando analytics. A adoção também aumentou, pois os funcionários da linha de frente trabalharam com especialistas para criar as ferramentas e os gerentes reconheceram o sucesso dos funcionários usando essas ferramentas.
Preparando-se para analytics, muito além de seu tempo
O trabalho plurianual da Tata Steel para se qualificar em analytics na usina de Kalinganagar nasceu de uma decisão tomada pelos executivos em 2005, quando a usina foi projetada e construída. As tecnologias de analytics estavam há anos de se tornar imediatamente aplicáveis às empresas. No entanto, os executivos da Tata Steel consideraram se deveriam equipar a usina com instrumentos e sensores para monitorar equipamentos e processos.
Sua decisão era menos óbvia do que seria hoje – os equipamentos de sensoriamento remoto atualmente são acessíveis e advanced analytics têm sido amplamente adotados. Porém, alguns executivos e gerentes previram que investir em recursos para coleta de dados valeria a pena, mesmo que não estivesse clara a forma como os dados seriam usados. Amit Kumar Chatterjee, então diretor de manutenção elétrica da usina, estava entre os favoráveis a fazer o investimento antecipado – e mesmo ele reconheceu que, naquele momento, as potenciais aplicações para advanced analytics estavam indefinidas.
“Não tínhamos em mente como utilizaríamos os dados, exceto talvez para controles autônomos de processos. Estávamos vivendo no mundo da ciência física, onde a experiência e as equações eram o que mais importava. Ciência de dados não estava nem mesmo no horizonte,” disse Chatterjee. Até mesmo os fabricantes das máquinas da usina resistiam a adicionar instrumentação. “Ainda assim, acreditávamos que devíamos inserir os sensores naquele estágio pois prevíamos que seria muito mais difícil depois, quando os usos para os dados fossem conhecidos.”
Até a metade da década de 2010, os líderes da usina de Kalinganagar começaram a analisar o que eles poderiam fazer com os dados que os sensores da usina estavam coletando. In 2015, T. V. Narendran, presidente da Tata Steel, definiu uma meta de otimização de custos de $1 bilhão e convidou os líderes das usinas da empresa a mapear um caminho para atingir essa meta. Uma forma de impulsionar a performance, conforme ele sugeriu, era fazer mais com a tecnologia digital. Avanços em hardware e ciência de dados haviam facilitado para as empresas extraírem grandes conjuntos de dados, identificar padrões e fazer previsões que poderiam ajudar a obter melhorias de performance.
Os líderes de Kalinganagar iniciaram sua própria análise sobre como a usina poderia aplicar ciência de dados. Em 2016, eles viajaram para a Alemanha e visitaram start-ups de tecnologia e grandes empresas industriais para entender melhor o que a ciência de dados poderia fazer. No início do ano seguinte, os líderes da usina decidiram começar um programa de advanced analytics em Kalinganagar.
Começando a transformação de analytics
Gerentes seniores em Kalinganagar decidiram experimentar advanced analytics em vários projetos piloto. Durante um workshop de dois dias, gerentes e especialistas em operações trabalharam com especialistas da McKinsey para identificar 10 possíveis usos para analytics e escolheram três para se concentrar – um dos quais envolvia o processo de superaquecimento na estação de metalurgia secundária da usina. Os gerentes queriam criar um modelo de advanced analytics que pudesse avaliar as condições na usina e calcular quanto calor aplicar durante o superaquecimento para que o aço estivesse dentro da faixa de temperatura desejada.
A equipe que estava trabalhando no modelo de superaquecimento buscou entender que variáveis eram determinantes para a temperatura final do aço e, dessa forma, saber como os operadores poderiam melhorar a taxa de acerto. Eles reuniram dois anos de dados operacionais que haviam sido gerados por sensores ou registrados manualmente em livros de registros. Cientistas de dados escreveram algoritmos para fazer conexões entre fatores-chave: medidas da condição do aço ao chegar à estação de metalurgia secundária, configurações de equipamentos que os operadores ajustavam durante o ciclo de superaquecimento, e outras configurações que não podiam ser ajustadas durante um ciclo, mas que podiam ser alteradas ao longo do templo (como a taxa máxima de fluxo de oxigênio, limitada pelo equipamento já em uso).
Depois de duas semanas, a equipe havia construído um modelo capaz de prever, com precisão de 75%, se um grupo de recomendações de pontos decisivos poderia fazer com que o aço fundido chegasse à estação de fundição dentro da faixa de temperatura desejada. As outras duas equipes de projetos piloto construíram modelos de confiabilidade similar. Embora nenhum dos modelos ainda tivesse sido testado no chão de fábrica, os resultados preliminares convenceram os líderes da usina de Kalinganagar a expandir o trabalho em analytics e criar modelos que os funcionários pudessem usar.
Em setembro de 2017, os líderes definiram cinco áreas operacionais nas quais eles desejavam melhorar os indicadores de performance críticos da usina (consumo de energia, produção, qualidade e rendimento) e concluíram que analytics poderiam ajudar. Os líderes decidiram dar continuidade ao trabalho no modelo de superaquecimento, iniciando a primeira fase completa do projeto. Juntas, as cinco áreas tinham o potencial de melhorar margens em $10 milhões anualmente.
Aceleração
À medida que as equipes de operações e os especialistas em analytics construíam os modelos da fase 1, os líderes da usina de Kalinganagar patrocinavam uma iniciativa para começar a treinar 130 funcionários (que incluía um quarto do quadro gerencial) em analytics. Com a McKinsey, a usina criou uma academia de analytics, formou um grupo de treinadores com 15 membros e desenvolveu um currículo de 50 horas para cinco cargos: champion de digital, project owner, tradutor de negócio, cientista de dados e engenheiro de dados. Os alunos realizaram exercícios práticos simples em linha com as responsabilidades de seus cargos.
Embora os modelos da primeira fase tenham funcionado bem por certo tempo, eles começaram a falhar pois as condições na usina se desviaram das condições para as quais os modelos haviam sido otimizados. Os funcionários que haviam passado pela academia tentaram corrigir os modelos, mas não conseguiram usando as técnicas básicas que eles haviam aprendido até aquele momento. E eles ainda precisavam trabalhar como aprendizes em projetos de analytics, que lhes dariam experiência prática, renovando o treinamento nos modelos. Eles precisavam apenas de mais exposição a analytics no mundo real.
Também surgiram desafios quando os operadores da linha de frente tentaram começar a usar os modelos. Shailendra Rai, responsável pelas operações do alto-forno em Kalinganagar, lembra que os operadores nunca se sentiram seguros com um modelo que havia sido criado para ajudar a melhorar a estabilidade do alto-forno: “A maioria das pessoas passa 20 ou 30 anos aprendendo como operar o alto-forno. Elas pensaram que o modelo seria uma solução mágica. Quando o resultado inicial do modelo não correspondeu às suas convicções, elas não entenderam por quê. Elas não se convenceram de que o modelo iria funcionar. Não houve adesão.”
Dobrando a aposta nas capacidades
O exercício de construção de modelo confirmou o que os líderes em Kalinganagar esperavam: que analytics poderia entregar melhorias de performance significativas e valiosas. O exercício também convenceu os líderes a fazer mais investimentos na capacitação dos funcionários para que eles pudessem sustentar as melhorias de performance e levar analytics a outras áreas. Na metade de 2018, os líderes decidiram iniciar uma segunda fase do programa, na qual os especialistas em analytics e os operadores da linha de frente desenvolveriam e implementariam modelos para auxiliar nas decisões e receberiam treinamento prático em analytics com o apoio da McKinsey.
No contexto da equipe que estava desenvolvendo o modelo de superaquecimento, os especialistas em analytics da Tata Steel participaram de um curso de revisão sobre as habilidades que eles haviam estudado na academia. Eles então foram designados para certas tarefas de desenvolvimento – aumentando a interface do usuário, simplificando a base de dados, treinando novamente o modelo, implementando novas abordagens e técnicas de modelagem – em colaboração com profissionais experientes da McKinsey. Ao contar com funcionários trabalhando nessas tarefas no mundo real, os gerentes os estavam preparando para criar modelos de analytics por si mesmos.
Os especialistas em analytics também dedicaram tempo adicional trabalhando com os funcionários que controlavam o processo de superaquecimento na estação de metalurgia secundária. Eles fizeram mais perguntas sobre o processo para refinar o modelo. Os especialistas observaram os operadores em suas tarefas e conversaram com eles sobre formas de facilitar o uso do modelo. Os operadores citaram diversas dificuldades (de falhas em hardware de computador a interfaces ultrapassadas de usuários), que a equipe de analytics ajudou a resolver. A equipe explicou como ela havia desenvolvido o modelo e como o modelo funcionava, pois queria que os operadores confiassem em suas recomendações.
“Todos os funcionários em Kalinganagar haviam sido treinados para tomar decisões a partir de sua experiência. Quando ocorriam problemas, eles tentavam resolvê-los com equações físicas (colocar matérias-primas e aquecer, obter certo resultado). Eles realmente levavam os dados em conta. Mas com ciência de dados ele podiam conectar muito mais pontos de dados do que com ciência física. Mesmo que eles não tivessem uma equação física para explicar por que algo estava acontecendo, eles podiam deduzir por meio de dados. Esse era um novo sistema de crenças que precisava ser construído”, disse Chatterjee.
Cerca de seis meses depois, o squad de superaquecimento havia construído um modelo capaz de recomendar pontos decisivos no processo que elevariam a taxa de acerto para 90%. Aquela era a hora de os operadores da linha de frente começarem a usar o modelo regularmente. Os gerentes acompanharam quem usava o modelo e quem não usava e celebraram as conquistas dos usuários mais dedicados. Os funcionários aumentaram a taxa de adesão às recomendações do modelo de 60 para 85% em poucos meses.
Escalonando analytics
Quando a segunda fase foi concluída, a liderança da usina subiu a barra mais uma vez. Ela começou uma segunda fase, na qual os funcionários da Tata Steel selecionavam, lideravam e entregavam projetos de analytics ligados a cada umas das principais áreas da usina: processos centrais, energia e instalações. Os consultores da McKinsey passaram a desempenhar papéis consultivos nas equipes de projetos lideradas por funcionários. Para focar seus esforços, essas equipes definiram metas de melhoria para mais de 25 indicadores de performance, como a tonelagem diária de ferro gusa produzida pelo alto-forno da usina. Dado que vários desses indicadores pertenciam ao processo de superaquecimento, ele surgiu novamente como uma prioridade do trabalho em analytics.
Os especialistas em analytics da usina haviam aprendido o suficiente sobre ciência de dados até então para encarregar-se do modelo de superaquecimento. Eles reduziram a faixa-alvo de temperatura. Conseguiram também agregar a capacidade de prever quanto resfriamento ocorreria entre a estação de metalurgia secundária e a estação de fundição. Essa capacidade ajudou os operadores a gerenciar melhor a transferência e aumentar a produção. Os operadores da linha de frente seguiram as recomendações do modelo ainda mais estritamente. Como resultado, o modelo de superaquecimento gerou economias anuais de custo de $4 milhões, valor que havia sido estimado no início do programa de analytics.
Ganhos comparáveis foram acrescidos em outras áreas da usina. Para cada um dos mais de 25 indicadores de performance, as equipes perceberam pelo menos 80% das melhorias desejadas. Seus esforços renderam de $70 a 80 milhões de valor e 2 a 3 pontos percentuais de aumento no EBITDA1. E, em julho de 2019, o Fórum Econômico Mundial anunciou que um painel independente de especialistas na 4ª Revolução Industrial havia reconhecido as conquistas da usina de Kalinganagar em digital como tecnologia de ponta e a nomeou instalação de referência – sendo a primeira a receber esse reconhecimento na índia.
Olhando para o futuro
A usina de Kalinganagar agora conta com um coorte de mais de 30 especialistas em analytics, incluindo cientistas de dados e tradutores. Os mais experientes se tornaram coaches e instrutores internos e são responsáveis por ajudar outros colegas a aprender novas habilidades em ciência de dados, desenvolvimento de casos de negócio e outros domínios-chave.
Com modelos de analytics, as pessoas passaram a ser mais orientadas a dados. Em vez de debater qual é a resposta correta, elas podem analisar os dados, encontrar a resposta e criar um modelo de analytics para dar suporte à decisão.
O conhecimento em analytics também chegou ao dia a dia da usina, mudando a forma como muitos funcionários resolvem problemas. Como disse Shailendra Rai, líder das operações do alto-forno, “Se você falar com cinco operadores do alto-forno, eles terão cinco opiniões diferentes sobre como resolver um problema. De certa forma, todos os cinco estão certos, porque todos estão falando a partir de suas experiências. Mas com modelos de analytics, as pessoas passaram a ser mais orientadas a dados. Em vez de debater qual é a resposta correta, elas podem analisar os dados, encontrar a resposta e criar um modelo de analytics para dar suporte à decisão.
Com essas capacidades, os gerentes elaboraram uma lista de mais de 20 casos de uso e estão reforçando o uso de analytics onde ele já foi adotado. Para a usina da Tata Steel em Kalinganagar, analytics se tornou mais do que uma ferramenta para responder perguntas; é parte integrante das operações e da cultura da usina.
