Manufacturing-Analytics-unleashes-1536x1536_Standard

Manufatura: analytics aumenta a produtividade e a rentabilidade

Alto grau de incerteza e baixo crescimento já forçaram os fabricantes a extrair o máximo valor possível de todos os seus ativos. O próximo alvo serão seus próprios dados.

As indústrias de processo têm sido pressionadas de todos os lados nos últimos anos, pois as matérias-primas tornaram-se mais caras ou difíceis de obter e o crescimento diminuiu para níveis insignificantes. O aumento da produtividade das empresas industriais da União Europeia caiu de uma média de 2,9% no período 1996-2005 para apenas 1,6% em 2006-2015, de acordo com a Organização para a Cooperação e Desenvolvimento Econômico (OCDE). Embora existam alguns sinais de uma possível recuperação cíclica, a incerteza política pode continuar entorpecendo as atividades comerciais.

A maioria dos fabricantes já efetuou as mudanças mais óbvias para enxugar suas operações, usando métodos tradicionais para sorver o máximo de produtividade possível de suas cadeias de suprimentos e de suas fábricas. Para conseguirem fazer ainda mais com menos em um ambiente incerto e de crescimento lento, as empresas precisam buscar novas maneiras de aumentar a produtividade e a rentabilidade de suas operações.

E há um ativo importante que muitos fabricantes ainda não otimizaram: seus dados. As indústrias de processo geram enormes volumes de dados, mas muitas não chegam a aproveitar essa enorme fonte de inteligência potencial. Historicamente, a manufatura sempre ficou atrás de outros setores em termos de capacidades de TI. No entanto, graças ao poder de computação mais barato e ao rápido avanço das oportunidades em analytics, as indústrias de processo podem colocar esses dados para trabalhar, reunindo informações de múltiplas fontes de dados e aproveitando os modelos de machine learning e plataformas de visualização para descobrir novas maneiras de otimizar seus processos, desde o sourcing de matérias-primas até a venda de produtos acabados.

Advanced analytics também ajuda os fabricantes a resolver problemas anteriormente inescrutáveis e a revelar outros que eles sequer conheciam – como gargalos ocultos ou linhas de produção não lucrativas. Em particular, existem três aplicações de advanced analytics que, juntas, constituem ferramentas poderosas para maximizar o desempenho físico e financeiro dos ativos e de cadeias de suprimentos frequentemente complexas (Quadro 1).

A manutenção preditiva analisa os dados históricos do desempenho das máquinas a fim de prever quando uma delas provavelmente quebrará, limitar o tempo que permanecerá inativa e identificar a causa-raiz do problema. Análises de rendimento-energia-capacidade produtiva [YET: yield-energy-throughput] podem ser usadas para assegurar que cada máquina em funcionamento seja tão eficiente quanto possível, contribuindo para aumentar seu rendimento e sua capacidade produtiva, e reduzindo a quantidade de energia que consome. Análises da maximização do lucro por hora [PPH: profit-per-hour], por sua vez, analisam detalhadamente os milhares de parâmetros e condições que impactam a rentabilidade total de uma cadeia de suprimentos integrada (desde a compra de matérias-primas até as vendas finais), fornecendo informações sobre o melhor modo de tirar proveito de determinadas condições.

Juntas, essas abordagens de advanced analytics podem melhorar a margem de EBITDA (lucro antes de juros, impostos, depreciação e amortização) entre 4% e 10%. Também podem promover esforços ininterruptos de melhoria contínua em um momento em que os fabricantes aparentemente esgotaram outras opções para aumentar a produtividade. Além disso, elas oferecem uma alavanca em termos de vantagem competitiva, mesmo para empresas com capacidade ociosa, ajudando-as a aprimorar a gestão de seus sistemas de produção e a realocar melhor os recursos em tempo real.

Reduzir o tempo de inatividade em um mundo que não para

Máquinas quebram. Esta é a primeira e provavelmente a mais antiga regra no mundo da manufatura industrial. Antes, a melhor maneira de gerenciar máquinas era esperar que alguém na fábrica, graças a uma combinação de instinto e experiência, percebesse indícios de que uma peça estava prestes a quebrar e conseguisse repará-la a tempo. No entanto, em vista da necessidade de cuidar de um número cada vez maior de máquinas cada vez mais caras, da pressão constante para aumentar o tempo de atividade e a produtividade, e da crescente demanda por operações flexíveis, a esperança não é mais uma estratégia viável.

Os fabricantes podem maximizar o tempo de operação dos ativos críticos valendo-se de big data para antever quando quebrarão. Os sistemas de manutenção preditiva coletam dados históricos (estruturados e não estruturados, relacionados e não relacionados com as máquinas) para gerar insights que não podem ser obtidos por meio de técnicas convencionais. Usando advanced analytics, as empresas podem determinar as circunstâncias que tendem a fazer com que uma máquina quebre e monitorar os parâmetros dos insumos para que possam intervir antes que a quebra ocorra – ou se preparar para substituí-la quando isso ocorrer –, minimizando o tempo de inatividade. De modo geral, a manutenção preditiva consegue reduzir o tempo de inatividade das máquinas em 30% a 50% e aumentar sua vida útil em 20% a 40%.

Empresas de gás e petróleo foram as primeiras a adotar advanced analytics na manutenção preditiva. Certa produtora de petróleo, por exemplo, enfrentava repetidos problemas com os compressores de suas plataformas de produção em alto-mar. Quando um quebrava, a plataforma era forçada a interromper a produção, o que custava à empresa de US$ 1 a US$ 2 milhões por dia. Os engenheiros vinham tentando há anos descobrir o motivo dessas quebras, sem muito sucesso. Desconfiavam que a temperatura ou a pressão dos fluídos entrantes pudesse ser a causa, mas não conseguiam encontrar uma correlação entre esse fator e a quebra do maquinário. O uso de advanced analytics, por meio da análise de dados de centenas de sensores com informações sobre 1.000 parâmetros diferentes, revelou que havia uma correlação entre as quebras e a elevação da pressão e da temperatura, além de alguns outros fatores. O algoritmo que eles desenvolveram foi capaz de prever com várias semanas de antecedência quando um compressor deixaria de funcionar. Embora não pudesse evitar a quebra, a empresa conseguiu diminuir o tempo de inatividade de 14 dias para apenas seis, posicionando previamente seu pessoal e consertando os equipamentos no próprio local, o que economizou milhões de dólares em cada ocorrência.

Fazer mais com menos

Do mesmo modo que a manutenção preditiva é capaz de aumentar o tempo de atividade de cada ativo, a análise do YET – rendimento-energia-capacidade produtiva – pode maximizar sua eficácia. Mesmo pequenas melhorias percentuais na eficiência operacional podem aumentar substancialmente o lucro antes de juros e impostos (EBIT). A abordagem YET consegue fazer isso equilibrando rendimento, capacidade produtiva e custos dos materiais para maximizar a rentabilidade de cada etapa do processo.

Certa corporação química global vinha tendo problemas com variações na capacidade produtiva e o baixo nível geral de produção em uma de suas fábricas na Europa. O seu forno de monômeros apresentava uma taxa de produção extremamente variável que deixava muito a desejar. Os sensores da fábrica haviam produzido um enorme conjunto de dados sobre as operações do forno ao longo de 615 dias de produção: 600.000 amostras, com 63 tags, totalizando 40 milhões de pontos de dados. Análises avançadas dos dados identificaram os fatores críticos da capacidade de produção e permitiram que fosse construído um modelo do processo. Esse modelo quantificou a interdependência das variáveis-chave (antes a empresa só tinha conhecimento das correlações qualitativas) e permitiu uma melhor compreensão do processo. Um teste do forno confirmou as constatações do modelo.

Antes, os especialistas da empresa suspeitavam que algumas das alavancas identificadas no modelo poderiam aumentar a produtividade. Entretanto, não dispunham nem das ferramentas nem dos dados necessários para confirmar essa hipótese. Agora, porém, com uma nova compreensão do processo e de seus principais fatores, a empresa passou a realizar experimentos para otimizar a produção. O resultado foi um aumento da produção de 18% para 30%, representando um aumento da contribuição líquida de cerca de €5 milhões. A aplicação da análise YET na fábrica inteira revelou um ganho potencial de €30 milhões.

Às vezes, as mudanças sugeridas por um modelo YET podem ser simples. Certa produtora de aço, por exemplo, precisou apenas ajustar uma receita para gerar uma melhoria significativa. Outras vezes, a análise pode revelar a influência de parâmetros que irão mudar ao longo do tempo. Nesses casos, o fabricante pode instituir novos procedimentos operacionais padrão a serem seguidos em cada situação. Entretanto, a abordagem que muitos fabricantes estão adotando é partir de uma análise YET para criar um dashboard de desempenho na sala de controle, alimentado com dados das operações em tempo real, a fim de permitir que o pessoal de produção altere as condições operacionais conforme indicações da análise.

Otimização de redes complexas de produção

Se a manutenção preditiva e as análises YET são concebidas visando melhorar o desempenho e a rentabilidade de cada máquina ou processo, a maximização do lucro por hora (PPH) pode otimizar a interação dessas máquinas e processos. Abrangendo todas as etapas – de compras até produção e vendas –, essa técnica avançada de modelagem maximiza dinamicamente a geração de lucros em complexos sistemas de produção e cadeias de suprimentos. Ao contrário dos planejadores humanos, essa abordagem de advanced analytics geralmente considera até 1.000 variáveis e 10.000 fatores impeditivos a fim de ajudar os fabricantes a determinar o que comprar, o que produzir e como produzir para obter o maior lucro possível em cada etapa.

Grandes fabricantes de produtos químicos podem ser os principais beneficiários da maximização do lucro por hora. Eles têm que gerenciar um nível altíssimo de complexidade: custos e preços voláteis, múltiplas fábricas e produtos que podem ser fabricados de diversas maneiras mediante combinações diversas (e muitas vezes não lineares) de materiais. Certa empresa global de produtos químicos vendia uma ampla gama de produtos no mercado mundial valendo-se de uma mistura de contratos à vista e de longo prazo. As decisões sobre produção e vendas baseavam-se em um sistema complexo e quase incompreensível de preços de transferência arbitrariamente estabelecidos por cada região e departamento. As responsabilidades organizacionais espalhavam-se entre as várias unidades de negócios e funções corporativas. A diretoria acreditava que decisões medíocres de produção e distribuição estavam fazendo com que muito dinheiro deixasse de ser ganho.

E estavam certos. Um modelo de programação que utilizava integrais mistas, abrangendo mais de 500 variáveis, investigou curvas de custos não lineares e mais de 3.000 fatores impeditivos relacionados a capacidade de produção, transporte e contratos – além de centenas de etapas de produção (com percursos alternativos e circuitos de feedback); curvas de preços não lineares e estruturas de custos das matérias-primas; e estoques intermediários.

Com o auxílio do modelo, a empresa identificou mudanças táticas imediatas que proporcionaram uma economia de custos de vários milhões de euros por ano. Começou, por exemplo, a fabricar um produto intermediário essencial em uma linha subutilizada em vez de adquiri-lo de terceiros, e reduziu o custo das matérias-primas transferindo a produção de outro produto intermediário-chave para equipamentos de melhor rendimento. Também identificou oportunidades estratégicas de médio prazo para expandir seu potencial de produção aumentando a capacidade produtiva de alguns ativos de produção críticos. Para completar, fez as vendas crescerem aumentando o potencial de produção de certas categorias de produtos.

A abordagem analítica também revelou algumas melhorias contraintuitivas. O modelo sugeriu que encerrar a produção de PVC em sua fábrica de solventes aumentaria a lucratividade. A empresa vendia esse PVC de baixa qualidade para a China – um mercado “comoditizado” com custos logísticos elevados. Transferindo o material intermediário necessário para produzir PVC para a fabricação de outro produto, a empresa poderia aumentar o lucro por hora. Se o responsável pela linha de negócios de PVC continuasse encarregado de tomar essa decisão (como de fato acontecia antes da introdução do modelo de lucro por hora), tal mudança talvez jamais fosse sequer sugerida.

Em suma, essas mudanças permitiram que a empresa global de produtos químicos aumentasse seu EBIT em mais de 50% em um setor “comoditizado” e historicamente marcado pelo baixo retorno sobre as vendas.

O fabricante baseado em dados

A aplicação de advanced analytics aos dados dos fabricantes poderá gerar insights que otimizarão a produtividade de cada ativo e a operação manufatureira em geral. Implantadas em conjunto umas com as outras, essas ferramentas permitem que os operadores maximizem sua produtividade e rentabilidade.

Por exemplo, certa grande fábrica de metais utilizou uma combinação de ferramentas de advanced analytics como base de um programa de melhoria contínua. A visualização em tempo real do desempenho nas estações de trabalho dos operadores permitiu que a empresa aumentasse o índice de produção de uma de suas linhas em 50%. Os engenheiros estão adquirindo novos insights sobre as características das quebras de equipamento e estão realizando melhorias contínuas para aumentar a confiabilidade. A empresa espera aumentar a produção total em 30%, sem um aumento substancial nos custos operacionais, utilizando o monitoramento de condições e a manutenção preditiva em conjunto com controles de processo e rastreamento automatizado de materiais.

Em um contexto de manufatura cada vez mais complexo, essas transformações baseadas em dados podem permitir que as empresas otimizem dinamicamente seu planejamento tático e tomem melhores decisões estratégicas de longo prazo. Contudo, as ferramentas de advanced analytics, por si só, não são capazes de transformar num passe de mágica as indústrias de processo. O valor dessas novas ferramentas só se materializa quando elas complementam habilidades e expertise humanas. Essas novas abordagens tornam possível que os profissionais de manufatura se envolvam em mais discussões baseadas em fatos, comparem o impacto real de diferentes parâmetros nos resultados comerciais antes de tomarem decisões e, em muitos casos, considerem medidas contraintuitivas capazes de aumentar a produtividade ou a rentabilidade.

Certo fabricante conseguiu aumentar os ganhos em 55% aplicando as mudanças que haviam sido indicadas por advanced analytics e modelagem de dados (Quadro 2).

Como chegar lá a partir daqui

Tal como ocorre com a maioria das mudanças provocadas pela tecnologia, as novas ferramentas analíticas não são suficientes para produzir essas melhorias. Os fabricantes devem fazer várias mudanças no âmbito das pessoas, dos processos e da tecnologia para garantir que são capazes não só de agregar e analisar seus dados, mas também de extrair o máximo proveito das descobertas.

Dominar o gerenciamento de dados

Advanced analytics e modelagem exigem que se recupere e se limpe os dados estruturados de modo condizente com a plataforma sendo usada. Este é o “trabalho pesado” de advanced analytics e pode ocupar até metade do tempo de um cientista de dados – é muito mais esforço do que muitas empresas podem imaginar. Também exige expertise em TI – funcionários com conhecimentos e habilidades para agregar dados obtidos de sensores (incluindo sua localização, tipo e grau de precisão) e a capacidade de armazenar as informações em diversas plataformas.

Combinar habilidades analíticas e expertise na área de domínio

A aplicação de advanced analytics às operações de manufatura exige uma combinação de cientistas de dados, especialistas em plataformas de advanced analytics e peritos em questões relativas à manufatura (em áreas como tecnologia de processos, manutenção de ativos e gestão da cadeia de suprimentos) – além de indivíduos que possam atuar como intermediários entre todas essas pessoas.

Criar pilotos de experiências bem-sucedidas

Uma transformação baseada em analytics começa identificando processos específicos que possam servir de piloto – problemas e oportunidades reais que o advanced analytics provavelmente ajudará a resolver – para demonstrar a viabilidade e o valor da análise e possibilitar a obtenção de benefícios rapidamente.

Algumas empresas acham útil montar laboratórios de análise dentro das unidades operacionais, onde equipes de especialistas multifuncionais podem reunir suas experiências analíticas e seu know-how da linha de frente. O laboratório pode servir de plataforma de lançamento para essas novas iniciativas e como uma fonte de aprendizado e melhores práticas à medida que o fabricante dimensiona seu programa de análise. Ao priorizar casos de uso de alto valor, o programa de advanced analytics muitas vezes consegue se autofinanciar, ao menos em parte.

Repensar os processos de negócio

Uma empresa de transporte ferroviário utilizou advanced analytics para prever quando a bateria de suas locomotivas deixaria de funcionar. Porém, enquanto a empresa não modificou seus procedimentos de manutenção, essas notificações de falha iminente não tiveram muita utilidade. A empresa precisou retrabalhar seus processos, o modo como implantava o trabalho dos técnicos e sua cadeia de suprimento de peças sobressalentes para que houvesse um impacto real. Esse é o caso da manufatura, em que processos que vêm sendo usados há décadas precisam ser reformulados para que os insights analíticos possam gerar impacto. Os plenos benefícios de advanced analytics só podem ser concretizados quando as novas soluções forem integradas às operações do dia a dia e ao modo de trabalhar.

Entender a importância da gestão da transformação

Para que as melhorias decorrentes das análises causem um impacto financeiro substancial, os fabricantes também precisam levar em conta o aspecto humano. Ajudar os funcionários a se adaptarem ao uso de análises é o fator que mais contribui para o sucesso das transformações que o advanced analytics torna possível. Todos precisam entender, de modo geral, como essas ferramentas podem ajudá-los para que possam confiar nelas. Os funcionários também precisam entender como elas irão afetar seu trabalho e, potencialmente, melhorar sua vida. Se não houver sólida adesão a essa iniciativa, as ferramentas serão rejeitadas como uma ameaça – em vez de aceitas como uma oportunidade – e os fabricantes não poderão evoluir de dados para insights para benefícios comerciais reais.


A introdução de advanced analytics nas operações de manufatura não é um exercício pontual colocado em prática uma única vez. Tais análises precisam ser realizadas repetidamente para que produzam os resultados desejados. Assim, os fabricantes devem encarar essa questão como uma transformação contínua da empresa que exige de todos mudanças de mentalidade e nos modos de trabalhar – da diretoria, dos gerentes, dos engenheiros de processo e até dos operadores de máquinas. As indústrias de processo que conseguirem mobilizar sua organização para que adote essa abordagem – aplicar continuamente advanced analytics e aprender ininterruptamente com essas análises, máquina por máquina, processo por processo, fábrica por fábrica – auferirão o valor total dessas novas tecnologias e alcançarão novos patamares de produtividade e rentabilidade.