Conjunto de ferramentas lean ampliado para produtividade total

| Artigo

O lean continua a ajudar empresas de manufatura e serviços do mundo todo a melhorar sua performance. Ao mesmo tempo, no entanto, a performance “ótima” do sistema de produção se torna cada vez mais difícil de definir, e mais ainda de atingir. O próximo passo da melhoria da produtividade e da performance, portanto, exigirá que as empresas levem o lean além do foco tradicional na maximização da eficiência.

Novos Desafios

No futuro, é provável que as empresas enfrentem restrições relativas a muitos recursos, entre eles energia e água limpa, além de matérias-primas e da capacidade do ambiente de absorver resíduos. Elas precisarão projetar novos tipos de equipamentos e sistemas de produção que façam mais com menos e possam ser aplicados sem problemas a diferentes tipos de produtos. Precisarão também fazer complexos trade-offs para operar esses sistemas, de modo a maximizar a produtividade geral dos recursos e o valor do tempo de vida dos ativos de fabricação.

Os profissionais de hoje que utilizam o lean também precisam pensar muito além das paredes das fábricas ou até das fronteiras de suas organizações. Demanda volátil, oscilação nos preços dos insumos e cadeias de suprimentos complicadas e extensas requerem sistemas de produção capazes de reagir adequadamente para atender necessidades comerciais em mudança. As empresas precisarão reavaliar constantemente o quadro geral, passando de decisões “fazer vs. comprar” (buy or make)  componentes, ou produtos completos,  para escolhas entre reparar ou substituir equipamentos envelhecidos.

Nesse interim, as tecnologias de fabricação mudam rapidamente. O aumento dos custos da mão de obra, aliado a robôs mais baratos e outras tecnologias de automação, está ocasionando um aumento radical da automação. E a natureza dessa automação também está evoluindo: máquinas inteligentes e flexíveis são cada vez mais capazes de assumir tarefas complexas, altamente variáveis ou de baixo volume. Máquinas inteligentes conseguem diagnosticar suas próprias necessidades de manutenção. Nos sistemas de fabricação híbridos, seres humanos trabalham lado a lado com robôs ou dividem suas tarefas com eles.

Novos Recursos

As empresas não precisarão enfrentar esses desafios às cegas. A mudança tecnológica trouxe consigo uma multiplicidade de novos recursos que as empresas podem aproveitar para fundamentar e respaldar a melhoria contínua e os esforços de transformação.

Em primeiro lugar, existem os dados. Produtos, bem como as máquinas que os fabricam, são equipados com sensores que coletam uma enorme quantidade de dados sobre qualquer coisa, de temperatura e pressão nos processos de produção até hábitos do consumidor em campo. As empresas de hoje estão apenas arranhando a superfície dos possíveis usos dos dados: em uma moderna plataforma petrolífera, por exemplo, apenas 1% dos dados gerados por 30.000 sensores chega a ser examinado.1

Would you like to learn more about our Operations Practice?

Mas as empresas não estão restritas a seus próprios dados para fundamentar a melhoria de processos. Elas também têm a possibilidade de acessar vastos recursos de dados externos provenientes de uma grande variedade de fontes públicas e proprietárias. A mídia social proporciona insights sem precedentes, quase em tempo real, sobre os níveis de satisfação dos clientes com produtos e serviços. Órgãos governamentais fornecem dados sobre qualquer coisa, de condições atmosféricas a fluxos de tráfego nas estradas.

Em segundo lugar, existe a comunicação. Tecnologias de rede permitem que as empresas compartilhem e combinem dados envolvendo grandes distâncias, em tempo real. Os fabricantes conseguem ver exatamente qual é a performance de seus equipamentos e processos. E as empresas não apenas monitoram seus ativos remotos; elas também podem controlá-los. Atualmente, são muitas as empresas que utilizam grupos centralizados de especialistas em confiabilidade e processos para solucionar remotamente problemas de equipamentos críticos, proporcionando suporte instantâneo e especializado. Uma empresa fornecedora de equipamentos industriais opera suas fábricas à distância, enviando equipes de manutenção às unidades fabris apenas quando necessário.

Tecnologias de comunicação rápida, em banda larga, são complementadas pela explosão das capacidades de armazenamento de dados. O “universo digital” de dados armazenados dobra de tamanho a cada dois anos. Em 2020, espera-se que atinja 44 zettabytes.2 Isso equivale a 1,5 bilhão de anos de conteúdo de vídeo em HD, ou espaço suficiente para armazenar uma gravação de áudio de tudo que a humanidade já falou. Tecnologias mais inteligentes de organização, busca e recuperação aumentam cada vez mais a acessibilidade desses dados – possibilitando às empresas comparar as atuais condições de produção com fatos semelhantes ocorridos em toda a vida do ativo, por exemplo, ou ainda examinar dados do processo da fabricação para detectar a causa-raiz de falhas de produtos em serviço.

Por fim, existe a inteligência. Computadores rápidos e tecnologias analíticas inteligentes são capazes de discernir tendências e padrões em enormes conjuntos de dados. Modelos digitais conseguem testar centenas de cenários para encontrar a melhor solução. Décadas de experiência humana podem ser incorporadas às bases de conhecimento, permitindo que sistemas de controle de processos tomem decisões com maior celeridade e exatidão do que operadores humanos. Tecnologias de inteligência artificial permitem que os computadores aprendam com a experiência, melhorando sua performance ao longo do tempo.

Usar Novas Ferramentas Para Tomar Melhores Decisões

Uma tarefa crucial enfrentada por muitas empresas manufatureiras da atualidade é adaptar e ampliar suas capacidades de melhoria para fazer o melhor uso possível desses novos recursos para vencer os desafios à sua frente. Alguns exemplos das melhores empresas de hoje permitem vislumbrar o potencial desse conjunto de ferramentas lean ampliado.

Otimização de sistemas com insumos complexos

Algumas abordagens convencionais à otimização da produção podem gerar efeitos colaterais indesejáveis. Para exemplificar, o foco no maior rendimento possível de uma unidade industrial pode levar a excesso de consumo de energia, custos desnecessários com processamento de águas residuais, ou maior tempo de parada de produção e custos de manutenção mais elevados. À medida que as empresas têm acesso a mais dados sobre a performance histórica e usam esses dados para construir modelos abrangentes de comportamento da fábrica, elas podem adotar uma abordagem mais holística à gestão de seus processos e às iniciativas de controle.

Uma forma particularmente eficaz de adotar essa abordagem é expressar a performance da fábrica em termos de lucro por hora.3 Foi o que fez uma empresa de mineração quando a queda da qualidade do minério provocou a diminuição da produção de uma grande unidade. A empresa estruturou seus dados históricos para expressar a performance de processamento em termos de lucro por hora e, em seguida, usou um modelo de rede neural (um tipo de tecnologia de inteligência artificial que simula o modo como o cérebro biológico aprende) para investigar a relação entre determinadas variáveis do processo, como as concentrações de reagentes usados, e a recuperação de materiais.

Essa análise revelou que a otimização de algumas variáveis tinha a possibilidade de aumentar a quantidade de materiais extraídos de um dado grau de minério em mais de 7,5% - com uma elevação ligeiramente maior do lucro por hora, já que o processo otimizado também reduzia o consumo de outros insumos. Essa constatação surpreendente ia de encontro às convicções anteriores do departamento de engenharia a respeito da melhor forma de otimizar os processos. A redução do material desperdiçado no processamento, além de ajudar a mina a atingir suas metas de produção, também ocasionou um expressivo corte de custos, uma vez que a mina passou a extrair e processar menos material, podendo funcionar de maneira menos exigente. Consequentemente, o lucro por hora aumentou em 9%.

Modelagem de cenários

Os modernos sistemas de fabricação e correspondentes cadeias de suprimentos são muito complexos. Materiais e componentes são obtidos de vários fornecedores, com diferentes preços e níveis de qualidade. Esses insumos podem percorrer diferentes rotas de produção e utilizar equipamentos diferentes em cada fábrica, ou através de processos executados em diferentes fábricas com diferentes subcontratados.  Eles podem ser transformados em diferentes produtos, subprodutos ou derivados e resíduos, com as correspondentes interações e restrições. Clientes diferentes em mercados diferentes podem comprar esses produtos por preços sujeitos a frequentes alterações. Com toda essa complexidade, é difícil o fabricante ter certeza de estar tomando as melhores decisões sobre o que ele deverá comprar, fabricar ou vender em qualquer momento dado.

Historicamente, os modelos usados pelos fabricantes para apoiar essas decisões dependem fortemente de muitas premissas e simplificações, como o uso de uma estimativa de “preços de transferência” para determinar qual matéria-prima comprar, qual produto específico fabricar, e até qual unidade fabril ou local deve produzir cada produto. Essas premissas podem redundar em más decisões. Preços de transferência artificialmente altos podem fazer com que o uso dos ativos da rede fique aquém do desejado ou levar à impressão de que oportunidades de alto potencial pareçam ser não rentáveis.

Os poderosos sistemas de computação de hoje em dia permitem às empresas montar cenários detalhados de toda a sua cadeia de valor, desde a compra, até a demanda do cliente e a entrega final. Pacotes avançados de otimização, utilizando dados detalhados, podem testar rapidamente centenas ou até milhares de diferentes combinações de produtos, instalações industriais e processos, com o objetivo de maximizar a margem para a organização, levando em conta restrições definidas. Um aspecto de importância crítica é que, enquanto as análises de bastidores desses sistemas são altamente avançadas, as mais modernas ferramentas são fáceis de operar, com interfaces diretas, nos moldes de planilhas.

Uma empresa industrial europeia empregou essa abordagem para identificar mudanças táticas críticas que proporcionaram economias de custos de vários milhões de euros por ano. Essa empresa começou a fabricar um produto intermediário essencial em uma linha até então subutilizada, em vez de comprá-lo de um terceiro. Também deslocou a produção de outro produto intermediário essencial para um equipamento de maior rendimento, reduzindo os custos com matérias-primas. Em seguida, a empresa identificou várias oportunidades estratégicas de curto prazo de aumentar a capacidade por meio da aplicação de um programa de excelência operacional e de confiabilidade voltado para importantes ativos de produção. O resultado foi o aumento dos volumes de vendas, graças à maior capacidade de produção em diversas categorias de produtos de margens altas. Essas mudanças, somadas, permitiram à organização aumentar seu lucro antes dos juros e impostos (EBIT) em mais de 50%, em um setor de commodities que, historicamente, apresentava baixo retorno das vendas.

Uso de dados em tempo real

A rápida coleta e análise de dados permite às empresas fazer a sintonia fina dos parâmetros de seus processos em tempo real ou “quase” real. Uma empresa química utilizou essa abordagem para otimizar o rendimento de um processo de reação contínua. A organização aplicou um modelo de rede neural para ajustar o momento operacional da reação, com base na qualidade de insumos e no tempo de duração de catalizadores.  Com a nova abordagem, o rendimento subiu 0,5%, um avanço significativo em um processo altamente otimizado, cuja eficiência já era de mais de 90%.

Automatização do aprendizado e da tomada de decisões

A disponibilidade de mais dados e o poder de processamento para lidar com enormes conjuntos de dados estão mudando a forma de controle dos sistemas de fabricação. Cada unidade pode usar dados históricos de processos para ajustar automaticamente seu sistema de controle, resultando em sistemas que reconhecem e reagem imediatamente a distúrbios, como a mudança da qualidade de material que entra em um processo. As máquinas também podem usar esses dados para melhorar sua performance continuamente ao longo do tempo.

Técnicas de advanced analytics também estão evoluindo muito no sentido de lidar com problemas confusos cuja solução, antigamente, exigia operadores com profunda experiência, ou o método de tentativa e erro. Uma mudança na produção de um processo da fabricação pode ter numerosas causas-raiz, desde o desgaste de ferramentas ou peças até a contaminação de materiais recebidos. De posse de dados sobre as características do sistema, sistemas de detecção e classificação de falhas (FDC) podem usar modelos estatísticos para interpretar as causas mais prováveis e ajustar os parâmetros do processo automaticamente para compensar, ou recomendar as melhores ações corretivas aos operadores.

Integração entre atividades/funções

Hoje, as empresas podem integrar dados sobre as atividades do sistema de produção com dados sobre os resultados do sistema, revelando as correlações entre as atividades e os resultados. Essas correlações contribuem para garantir que o sistema lean opere com eficácia, de tal forma que os problemas possam ser identificados e sanados com rapidez.

Um dos exemplos é a eficácia geral de equipamentos (OEE), uma conhecida medida de produtividade das operações. Ao combinar níveis históricos de OEE com informações de outras funções organizacionais, como dados da cadeia de suprimentos e de vendas, as empresas podem avaliar e entender o verdadeiro impacto de negócios de perdas de processos e equipamentos originadas por problemas como tempo parado não planejado, equipamentos de operação lenta, tempo prolongado de troca de máquinas.

As mais avançadas empresas lean usam benchmarks para fixar metas ambiciosas para suas medidas de produtividade de ativos de nível maior (como utilização de máquinas) e de eficiência operacional (incluindo custo por unidade, por fábrica e por produto). Ao associar métricas de performance de negócios a dados de OEE em cada linha, as empresas têm uma visão do provável impacto de metas não atingidas de resultado financeiro, o que as ajuda a priorizar a implementação de medidas preventivas para evitar prejuízos.

Quando uma parte de um sistema de produção apresenta performance inferior, a análise de dados pode ajudar na identificação da causa-raiz, por exemplo, ao fazer a correlação entre medidas de OEE e adesão a normas operacionais, no caso de medidas como os níveis de pessoal ou o uso de procedimentos operacionais padrão no momento de mudanças de processos ou sistemas. Essa mesma abordagem pode ajudar a comprovar o valor das atividades lean, como o trabalho padrão de líderes, para aumentar a performance e a produtividade, o que até então era difícil de fazer.

Dados multifuncionais também podem exercer um efeito direto na melhoria do planejamento da fabricação. Em vez de ajustar as normas aos tamanhos de lotes, sequências de produção e troca de produtos em termos pontuais ou em bases periódicas, as empresas podem combinar dados históricos e tendências previstas para criar planos de programação e produção quase simultaneamente às mudanças da demanda.

Obtenção e difusão de conhecimento

Ferramentas avançadas de software também estão revolucionando a maneira como as organizações armazenam e comunicam seu know-how a toda a empresa. As melhores empresas sempre se esforçaram por obter e codificar as melhores práticas, desde ideias de redução de resíduos até técnicas para fazer a sintonia fina de parâmetros de operação de equipamentos e atividades de manutenção. As últimas gerações desses sistemas de software tornaram-se mais potentes (em parte devido a mecanismos de cálculo incorporados) e mais integrados e vinculados aos sistemas de planejamento, manutenção e controle de fabricação da empresa.

A combinação de potência e integração ajuda as empresas a tirar o maior proveito possível de seu conhecimento. Se uma ideia de economia de energia for implementada com sucesso em uma fábrica, por exemplo, esses sistemas são capazes de identificar outras instalações da rede mundial daquela empresa que poderiam adotar a mesma abordagem. Eles podem até mesmo calcular as prováveis economias, para que seus executivos possam priorizar a mudança nos planos de melhoria.

Novas maneiras de apresentar informações

Nos setores de consumo, o maior poder de processamento e avanços na tecnologia de exibição provocaram uma revolução na interface com usuários. Exibições em alta resolução, gráficos em 3D e tecnologias de detecção de movimentos prometem fazer uma revolução semelhante na fabricação.

Sistemas de realidade aumentada acrescentam informações digitais diretamente no campo de visão do operador, mediante o uso de dispositivos vestíveis, como óculos inteligentes. Em testes, esses avanços ajudaram os funcionários de depósitos a localizar e recolher produtos com maior rapidez e precisão, aumentando a produtividade em 25%. Um fabricante está desenvolvendo um sistema de realidade aumentada capaz de guiar os técnicos nas atividades de manutenção – orientando-os nos passos de inspeção e reposição de peças, e até mesmo localizando as peças necessárias. Algumas empresas aéreas estão testando óculos equipados com câmeras de vídeo que permitem ao pessoal de manutenção examinar imagens ao vivo de defeitos e participar da solução do problema com colegas que estão a quilômetros de distância.

Captura Dos Benefícios

Como acontece com tantas novas abordagens promissoras, o desafio para as empresas é passar de experimentos, projetos-piloto e casos isolados de sucesso para uma abordagem sustentável à melhoria da produtividade total, que abranja toda a organização, como parte de seu sistema de produção. Para tanto, elas precisarão de três componentes capacitadores: uma sólida infraestrutura técnica, as habilidades e capacidades certas, e uma nova maneira de pensar a organização e os métodos de gestão.

Infraestrutura técnica

O fundamento técnico da nova abordagem começa com dados. E o primeiro desafio para muitas organizações será garantir acesso suficiente a dados, sejam próprios ou disponibilizados por fontes externas. Os fabricantes de bens de capital provavelmente terão tanto interesse nos dados gerados por seus equipamentos quanto seus clientes, por exemplo. Os OEMs já estão fazendo com que o acesso a dados de uso e performance de seus clientes seja uma parte de seus atuais contratos de serviço e assistência. Da mesma forma, os fabricantes que estão pensando nos prós e contras da conveniência da terceirização no curto prazo deverão assegurar-se de que não irão sacrificar o acesso a dados valiosos, nem às melhorias que eles podem proporcionar.

Industry 4.0 demystified—lean’s next level

O desafio seguinte será contar com os sistemas e as ferramentas certas para armazenar, limpar, organizar e visualizar os dados de que as empresas dispõem. Hoje em dia, os ativos de dados costumam ficar amplamente distribuídos em diferentes sistemas e formatos. Uma abordagem de produtividade total requer maior integração, para que todas as partes da organização atuem com uma única versão da verdade. A criação de uma arquitetura adequada e de sistemas para lidar com ela em grandes organizações será um desafio e tanto.

O desenvolvimento de uma infraestrutura de produção para sustentar esse nível de integração exigirá também algumas parcerias. Hoje em dia, normas diferentes (e às vezes proprietárias) tornam difícil para as empresas reunir dados de todos os seus equipamentos. Estão sendo feitos esforços para mudar essa situação. Um dos exemplos é a minuta da norma de API (interface de programação de aplicação) para tecnologia onboard em máquinas móveis de mineração, publicada pelo Global Mining Standards and Guidelines Group, um consórcio de operadores, fabricantes de equipamentos e terceiros.

Capacidades

A melhoria da produtividade total também exigirá novas capacidades. Essa abordagem exigirá todas as habilidades tradicionais lean e de melhoria de processos que as empresas se esforçaram tanto para desenvolver ao longo dos anos. Ela também exigirá novas habilidades, sobretudo nas áreas de gestão de dados e advanced analytics.

Será preciso que as empresas criem novos papéis para cientistas de dados e especialistas de TI que trabalharão lado a lado com as equipes de operações já existentes. Mas elas também precisarão investir no desenvolvimento de habilidades multifuncionais, com treinamento específico de seu pessoal de operações em tomada de decisões baseadas em dados. Os gerentes também precisarão de novas habilidades, tais como a capacidade de entender, interpretar e tomar ações com base em dados, que serão cada vez mais importantes para exercer suas funções. No entanto, é preciso tomar cuidado para garantir que a tomada de decisões ocorra no nível correto da organização. Nesse futuro de riqueza de dados, será ainda mais fácil que o pessoal de nível sênior se perca nos detalhes.

Organização e gestão

As empresas manufatureiras precisão mudar para comportar uma função de TI maior e mais estreitamente integrada, ao lado de maior especialização no manejo e análise de dados para apoiar as funções de produção. Mas elas também precisarão redefinir todos os papéis da organização, desde a linha de frente operacional até o CEO.  Precisará haver uma evolução nas metas e principais indicadores de performance, para evitar, por exemplo a criação de incentivos à performance abaixo do nível ótimo.

As empresas também precisarão de novas maneiras de monitorar o progresso, por exemplo, medir o ritmo em que o pessoal recebe treinamento em novas técnicas e seu grau de aceitação de novas ferramentas e abordagens de melhoria. A tecnologia também tem um papel a cumprir nesse sentido. As ferramentas de software podem coletar dados sobre como e quando elas são usadas, por exemplo, dando aos gerentes uma melhor visão da maturidade do uso do aplicativo em toda a organização.


Os engenheiros e gerentes que dirigirem as fábricas do futuro enfrentarão pressão cada vez mais implacável para melhorar a performance. Suas metas não serão simplesmente mais rigorosas, serão também mais complexas, implicando a necessidade de equilibrar um grande número de fatores como qualidade, rendimento, consumo de energia e eficácia de custos de ativos, tudo isso em um contexto de rápidas mudanças na demanda de clientes e no mundo de negócios em geral. Para vencer esses desafios, as empresas precisarão sistematicamente adotar, criar e aprimorar novas tecnologias, métodos e métodos analíticos. Descrevemos alguns deles neste artigo; outros ainda estão por ser inventados.

Explore a career with us