Da pedra bruta ao diamante: sete regras para obter excelentes resultados com analytics

Da pedra bruta ao diamante: sete regras para obter excelentes resultados com analytics

Embora advanced analytics baseado na Internet das Coisas (IoT) possa valer trilhões para fabricantes, transformar insights em resultados exige bem mais do que apenas a tecnologia certa.

A manufatura pode gerar uma enorme quantidade de dados, mas ainda falta muito para as empresas dominarem como usá-los a fim de melhorar seu desempenho. Atualmente, porém, o menor custo do sensoriamento, a melhor conectividade e o aumento constante das capacidades computacionais estão fazendo com que analytics e inteligência alcancem patamares muito superiores ao que era possível no passado.

O desafio é saber como começar – e como obter um impacto mensurável e sustentado. Nosso trabalho com fabricantes do mundo todo sugere que, ao adotar sete regras de ouro, as empresas podem começar mais rapidamente a tirar proveito de advanced analytics baseado em IoT e construir uma base sólida para continuar melhorando.

Regra Nº 1: Comece pelo mais simples, com os dados existentes

Com o aumento da agitação em torno da Internet das Coisas na manufatura, muitas empresas estão ansiosas para implementar milhares de sensores de baixo custo em suas operações. Embora esta ideia de fato possa gerar valor, nossa experiência demonstra que a maioria dos dados gerados atualmente não são usados (vide anexo). Analytics simples, realizado da forma certa e com os dados existentes, pode ser de grande valia para os fabricantes no futuro próximo. E vitórias assim, obtidas logo no início e sem muito esforço, têm impacto emocional e racional nos funcionários da linha de frente, ajudando a conquistar sua adesão e, ao mesmo tempo, fortalecendo uma cultura de decisões baseadas em dados e um caso de negócio para mais investimentos em advanced analytics.

Da pedra bruta ao diamante: sete regras para obter excelentes resultados com analytics

A digitalização da gestão de desempenho, por exemplo, – como por meio da visualização em tempo real de dados de desempenho humano e de máquinas – exige recursos mínimos, já que se baseia em soluções simples e rapidamente implementáveis. Seus resultados facilmente quantificados, no entanto, podem servir como porta de entrada para rápidas melhorias e adesão da gerência.

O desempenho de um determinado fabricante parecia bom: a implementação de sua gestão lean já tinha alcançado um nível de maturidade e havia uma sólida cultura de resolução de problemas. No entanto, percebendo uma oportunidade de melhoria ainda maior, a empresa implementou uma solução analítica que aplicava analytics sofisticados em tempo real a dados existentes (mas não usados anteriormente), produzindo visualizações de fácil utilização. Poucas semanas depois de ser aplicado a uma planta com capacidade limitada, o sistema forneceu detalhes antes indisponíveis às reuniões diárias da área e sessões de resolução de problemas, revelando várias causas anteriormente desconhecidas para desaceleração e pequenas interrupções. No gargalo mais relevante, as mudanças resultantes aumentaram em 50% a eficiência dos equipamentos em geral.

Regra Nº 2: Capture os dados certos, não apenas mais dados

Ter os dados certos é mais importante do que ter milhares de dados. Uma empresa de materiais básicos investiu alguns milhões de dólares na instalação de um sistema de produção “independente” que rastreava mais de um milhão de variáveis. Quando a empresa analisou 500 tags de dados do sistema pertencentes a um caso de uso analítico específico, no entanto, metade deles continha informações limitadas ou duplicadas. Outros 25% dos dados foram descartados por não serem úteis como dados analíticos, após serem submetidos à verificação de cientistas de dados e especialistas em processos. Posteriormente, no estágio de análise exploratória, a empresa encontrou 20 variáveis críticas – incluindo uma importante variável dependente - que não estavam sendo mensuradas, tornando impossível uma análise preditiva precisa. Isso foi motivo para a implementação cuidadosa de novos sensores na planta, enquanto a empresa usava analytics para fornecer, a engenheiros de processos, ferramentas de suporte à tomada de decisões críticas, como um primeiro passo na busca para aumentar o produção em 1%.

Regra Nº 3: Não deixe que o ótimo de amanhã seja o inimigo do bom de hoje

Dados faltantes podem ameaçar paralisar projetos de analytics , à espera de uma transformação da arquitetura de dados ao longo de vários anos. Sabemos que a captura do pleno valor de advanced analytics baseado em IoT exigirá um investimento no stack de tecnologia. Mas não é por isso que as empresas devem ficar estagnadas dependendo de projetos de TI de longo prazo. Pequenos investimentos poderão agregar muito valor.

Um passo certeiro é o desenvolvimento de um “data lake” – uma forma flexível de integrar dados em uma empresa e evitar a gestão de dados com base em silos, sem, com isso, ter que haver uma centralização total. Embora os data lakes precisem de uma forte governança e da responsabilização pela definição e qualidade dos dados, eles podem democratizar o acesso aos dados. Tipicamente, os data lakes fornecem dados a diferentes grupos de usuários, seja permitindo acesso a dados brutos ou seja por meio da destilação de dados, o que permite acesso a estruturas de dados pré-definidas.

A abordagem necessária para implementar analytics reforça a necessidade de uma arquitetura de TI alternativa. A experimentação e a exploração analítica exigem métodos ágeis para o desenvolvimento de software com ciclos de divulgação semanais ou mensais. Essa cadência curta é sempre um desafio para processos de TI e infraestrutura de dados estabelecidos. A solução é uma infraestrutura paralela de TI e dados de “alta velocidade”, frequentemente baseada em um sistema de nuvem, oferecendo uma variedade de ambientes para implementação e bancos de dados customizados.

Os data lakes e as soluções em nuvem contribuem para que os esforços de analytics das empresas produzam resultados mais rapidamente, permitindo que elas desenvolvam, testem e implementem novos casos de uso com mais agilidade. Isso ajuda a criar uma comprovação do conceito necessária antes de uma implementação mais ampla das novas soluções. É também uma forma valiosa de desenvolver “a musculatura de analytics” da organização, à medida que as pessoas gradualmente se acostumam a novas formas de trabalho e tomada de decisão usando dados analytics.

Regra Nº 4: Foco no resultado, não na tecnologia

Investimentos em produtos e soluções digitais sem saber como eles produzirão impacto significativo levarão a discussões frustradas com os líderes empresariais. Uma abordagem baseada em casos de uso pode ajudar (Leia também “Successful analytics use cases”). Ao definir um caso, certifique-se de responder quatro perguntas fundamentais, bem como as questões que derivam delas:

  • Qual é o resultado comercial desejado? É uma nova oportunidade de negócio, uma oportunidade de redução de custo, um aumento na capacidade de inovação?
  • Quais são as alavancas de criação de valor? O foco deve ser a economia de energia, manutenção mais eficiente, maior utilização dos ativos, estoque menor, aumento na produção?
  • Quais exigências técnicas a abordagem proposta deverá atender para ser escalada em toda a organização? São necessárias novas fontes de dados? Como a solução irá se integrar com os sistemas de TI legados? Como vamos tratar o volume de dados de forma segura? Quais técnicas analíticas serão usadas? Quais novos painéis de controle são necessários?
  • Como a abordagem se adequará aos processos existentes? Quem usará o novo sistema? Quais comportamentos e processos de tomada de decisão deverão ser alterados para transformar os insights analíticos em resultados comerciais?

Regra Nº 5: Procure o valor entre as atividades e dentro delas

Embora métodos de advanced analytics venham sendo aplicados com muito sucesso a várias atividades específicas que ocorrem dentro de uma planta industrial, muito do valor da digitalização reside entre os silos organizacionais, por meio da eliminação das lacunas entre as áreas de desenho e manufatura, manufatura e cadeia de suprimento, até, finalmente, chegar ao usuário final. Um fabricante de equipamentos altamente especializados conduziu recentemente um “diagnóstico de digital tread” que identificou mais de $300 milhões em melhorias de produtividade acionáveis que poderiam ser realizadas usando um fluxo de dados melhor entre desenho e produção, gestão de desempenho em tempo real e outras alavancas.

Regra Nº 6: Fuja da armadilha do piloto

Um projeto piloto é uma forma poderosa e importante de demonstrar o valor de advanced analytics, criar momentum e estimular a adesão. Para capturar esse valor, no entanto, é necessário escalonar a abordagem em toda a empresa. Isso é difícil e a falha nesse escalonamento poderá transformar os apoiadores em críticos muito rapidamente. Os líderes devem então refletir sobre a jornada necessária de ponta a ponta para transformar casos de uso atraentes em impacto real. Algumas armadilhas comuns:

  • Focar na tecnologia ou abordagem, em vez da efetiva fonte de valor. Ao definir o caso de uso é importante começar com a verdadeira fonte de valor que frequentemente é a necessidade do usuário ou do cliente. Uma ferramenta de software quase nunca é uma panaceia; além disso, a escolha da tecnologia certa depende do universo de casos de uso que a empresa deseja implementar.
  • Solucionar um caso de uso por vez: concentrar-se demais em um único caso de uso pode resultar em escolhas que limitarão a escalabilidade no futuro. Entre as exigências técnicas que possibilitam um escalonamento eficaz estão uma arquitetura avançada de dados analíticos e operacionais, tal como data lakes e camadas de busca de dados, juntamente com plataformas de IoT, ferramentas para digitalização e analytics e um repertório de ferramentas e técnicas de modelagem.

    Em um ambiente industrial, a plataforma correta de IoT pode ajudar a analisar muitas funções independentemente da aplicação específica e, portanto, escalonar uma variedade de casos de uso de uma só vez. A necessidade de tecnologia subjacente é essencialmente a mesma se a organização está tentando otimizar o rendimento ou prever falhas em equipamentos críticos. Uma plataforma de IoT poderá fornecer capacidades comuns para poder computacional, armazenamento ou segurança, reduzindo, ao mesmo tempo, o custo de desenvolvimento e manutenção de aplicativos.

    Ao avaliar as necessidades da plataforma de IoT, as empresas devem ter em mente cinco fatores: a conectividade do ambiente de aplicação e da plataforma proposta à infraestrutura de TI existente; a capacidade da plataforma de ingerir fluxos de dados variados e de alta velocidade, fornecendo, ao mesmo tempo, contexto aos dados; sua compatibilidade com a estratégia mais ampla de nuvem; a soberania dos dados e questões de segurança; e sua capacidade de processamento e controle de borda, significando que permite o processamento e o armazenamento de dados próximo à fonte, e não somente de forma centralizada.
  • Celebrar o sucesso de forma prematura: as empresas devem refletir sobre a jornada toda, do começo ao fim, além dos elementos técnicos necessários para alcançar escala além de uma única prova do conceito. Questões de governança de dados tais como domínios, elementos críticos de dados, modelos de responsabilização e definição de papéis podem representar questões organizacionais e pessoais, especialmente considerando as novas posições técnicas e analíticas que possam ser exigidas. E os insights gerados por analytics devem ser integrados aos fluxos de trabalho existentes, frequentemente com mudanças concomitantes nos processos comerciais.
  • Concentrar-se na solução técnica, mas se esquecer das pessoas: a tecnologia é estimulante - mas são as pessoas que captam o impacto. Embora o uso de analytics possa apontar a resposta correta, as pessoas devem agir de forma diferente para captar o impacto. Captar a oportunidade digital é um esporte em equipe que exige colaboração atenta entre as funções.Uma equipe de pessoas com profundo conhecimento do processo, perspicácia analítica e experiência em TI deve trabalhar em conjunto para definir o problema, traduzir o problema comercial em analítico e definir o sistema certo e as exigências técnicas da perspectiva de TI. Traduzir os resultados analíticos em um modelo que possa ser usado na linha de frente e mudar o comportamento dos funcionários da linha de frente para que possam fazer bom uso dessas novas informações exige conhecimento dos fatores humanos, um desenho persuasivo e experiência na gestão de mudanças. Algumas empresas acham útil criar uma nova função – digital translator – na interseção entre conhecimento do processo, ciência de dados e TI para reunir as equipes multifuncionais e coordenar os esforços de analytics desde o conceito até o impacto final.

Para evitar essas armadilhas, as empresas precisam de uma abordagem estruturada para gerenciar seus esforços de analytics, identificando e administrando um fluxo de casos de uso, por exemplo, e desenvolvendo o stack de tecnologia certo. Uma vez escolhido um caso de uso, as empresas precisam planejar, pilotar, escalonar e incorporar analytics em seus processos diários por meio de capacitação e gestão de mudanças em larga escala.

Regra Nº 7: Desenvolva suas capacidades

A aplicação de analytics em escala também exigirá mudanças organizacionais. Por exemplo, uma empresa precisa definir sua estratégia de talentos conforme emergem novas funções e carreiras. Serão necessários cientistas de dados, equipes de TI ágeis e designers de experiência de usuário (UX), com papel fundamental no uso de analytics no mundo real. Um desenho persuasivo criado com o envolvimento da linha de frente é frequentemente o segredo dos altos níveis de adoção para qualquer solução de analytics. Dessa forma, os profissionais de UX devem estar envolvidos desde o momento da elaboração de um caso de uso e não serem chamados para aplicar uma interface visual depois da construção de uma solução.

Além disso, a empresa precisa de “translators” – pessoas com múltiplas habilidades que possam conduzir o processo de ponta a ponta. Os translators precisam ter profundo conhecimento do negócio e capacidade para participar do fluxo de trabalho das equipes de operações e manutenção. Eles devem estar confortáveis com as tecnologias de analytics e serem capazes de questionar os cientistas de dados. Devem entender sobre os sistemas de TI e design thinking. E ser capazes de comunicar o impacto à equipe de liderança. Essa é uma combinação de competências muito difícil de encontrar.

Além desses papéis internos, é importante uma clara estratégia de parceria. Há um grande número, tanto de grandes empresas quanto de start-ups, com competências únicas de IoT. As empresas de sucesso irão, muito rapidamente, investir em sua proposta de valor única e firmar parcerias em áreas que as ajudem a acelerar o desenvolvimento de suas capacidades.


O potencial impacto de advanced analytics baseado em IoT é determinante para o sucesso. Embora seja fácil para as empresas começar a desenvolver esforços e obter alguns ganhos rápidos, o escalonamento em toda a empresa e a geração de impacto consistente no resultado final são feitos muito mais difíceis de serem alcançados. As organizações de sucesso serão aquelas capazes de refletir sobre todas as implicações, investir tanto em tecnologia quanto em pessoas, estabelecer parcerias inteligentes e manter desejo de liderança o suficiente para persistirem.

Related

The great re-make: Manufacturing for modern times

The great re-make: Manufacturing for modern times

This 21-article compendium gives practical insights for manufacturing leaders looking to keep a step ahead of today’s disruptions.

Related Articles