No final dos anos 2010, eu trabalhava para um dos principais fabricantes de eletrodomésticos como Six Sigma Master Black Belt, conduzindo projetos para melhorar a qualidade. Fomos muito bem-sucedidos, economizando cerca de US$ 30 milhões por ano com treinamento e orientação de novos Six Sigma Black Belts para resolver problemas. Naquela época, lembro-me claramente da relutância em usar as ferramentas de análise preditiva. Não sabíamos o que estávamos perdendo!
ABORDAGENS LENTAS PARA RESOLUÇÃO DE PROBLEMAS
Naquela época, os Black Belts aprendiam a abordar os problemas por meio de experimentos planejados baseados em dados. Por exemplo: Ao receber muitos tíquetes de serviço para um novo defeito em uma das nossas máquinas de lavar roupa, nós verificávamos se era possível medir precisamente o problema, entendíamos a variação com relação ao problema e talvez usaríamos o planejamento de Experimentos (DOE) para conhecer a causa e efeito das nossas teorias e soluções previstas. Na nova era da fabricação (às vezes chamada de indústria 4.0), cada vez mais dados se tornavam disponíveis, e os executivos começaram a esperar respostas mais rápidas do que nunca.
Nossa comunidade de resolvedores de problemas tinha um método estabelecido de priorizar os problemas. Muitas vezes, esperávamos por um relatório de Taxa de Incidente de Serviço (SIR) para ver quais problemas ocorriam com mais frequência. Infelizmente, a SIR era uma métrica atrasada. Muitas vezes, o atraso era de 6 meses em relação à ocorrência dos problemas nas residências dos nossos clientes. O dilema era óbvio: precisávamos resolver esses problemas mais rapidamente.
BIG DATA NA FABRICAÇÃO
Além do tempo necessário para detectar problemas, também havia dificuldades na transição de pequenos dados para big data. Naquela época, os Black Belts reduziam grandes quantidades de dados para um planejamento de experimentos (DOE) fatorial porque era assim que isso era feito. Afinal de contas, foi isso que o Master Black Belt havia os ensinado.
Por fim, líderes técnicos na área de fabricação, como engenheiros principais, master black belts e similares, começaram a adotar ferramentas para o conceito recém-criado de "Big Data". A esperança era de que o big data poderia ser usado para finalmente ligar as falhas de campo aos dados de fábrica para prever e reduzir, por exemplo, o custo de garantia e melhorar a qualidade. Digo que esse conceito era novo para nós, pois, embora tivéssemos esses dados há anos ou décadas, nunca havíamos reunido todos eles.
Técnicos de serviço que trabalhavam em incidentes de serviço coletavam alguns dados de teste e números de série de aparelhos quebrados nas residências dos nossos clientes, mas os dados de desenvolvimento nem de fabricação eram conectados explicitamente com os dados de serviço de campo.
Parte do problema era os diferentes métodos de armazenamento de dados. As pessoas não sabiam lidar com fontes enormes de dados e não havia orçamento para saber como combiná-las. Mesmo se pudéssemos fazer isso, não havia uma maneira comum para obter os insights disso tudo.
Combine e enriqueça dados de todas as suas fontes com o Minitab Connect. Mais informações:
CRIAÇÃO DE DATA LAKE
Finalmente, investimos milhões para que os consultores nos ajudassem a reunir e a preparar enormes fontes de dados para análise. Esse processo de “cavar o data lake” não é simples. Um data lake é um termo no mundo do big data que cito aqui apenas para descrever como essas grandes fontes de dados eram reunidas. Tínhamos então um conjunto de dados maior, que nos permitia conectar as falhas de campo pelo número de série aos dados de fabricação. Podíamos procurar insights, como o que os aparelhos com defeito tinham em comum.
Identificar insights é mais difícil do que você pode imaginar, apenas lendo este blog. Muitas métricas de testes são coletadas na fabricação. Há pouca variação e muita multicolinearidade entre todos esses preditores. Se você ajustar simplesmente y = falhas de válvula em relação a centenas de x preditivos, os dados ficam muito bagunçados e a análise de regressão não diz muito. O R^2 é terrivelmente baixo. Nossa confiança em qualquer uma dessas técnicas de modelamento antigas era baixa.
A ANÁLISE PREDITIVA AO RESGATE
Finalmente, nossos consultores sugeriram que começássemos a explorar a análise preditiva. Vimos que ela era muito mais adaptada a lidar com dados bagunçados. Testamos esses novos métodos para encontrar alguns sinais e fazer algumas melhorias na nossa instalação piloto. Agora tínhamos métodos para agregar e preparar nossos dados para buscar insights como esses.
No entanto, nosso VP havia se comprometido a ter um grande retorno nesses armazéns de dados e investimentos de consultoria. Naquela época, tínhamos novos consultores que nos ajudaram a encontrar muitos insights. Mas eles não eram engenheiros, portanto, as descobertas da análise preditiva faziam pouco sentido para eles. Eles não sabiam como um aparelho doméstico funcionava. Tudo o que os cientistas de dados sabiam era que algumas métricas de teste de fim de linha previam uma falha.
Por fim, após alguns anos desse processo caro, minha empresa decidiu que havia aprendido o suficiente com os consultores para assumirmos a análise. Especificamente, a equipe de “skunk works” do VP de Qualidade, o Master Black Belt chefe e alguns engenheiros da instalação piloto se tornaram capazes o suficiente de replicar as descobertas dos consultores.
DEMOCRATIZAÇÃO DA ANÁLISE PREDITIVA DENTRO DA EMPRESA
Nossa pequena equipe se tornou muito boa em análise preditiva. No entanto, escalar essa metodologia para toda a empresa era muito difícil. O problema era que era difícil usar uma análise preditiva em que poucas pessoas se julgavam competentes. O resto da empresa nem sabia que isso estava acontecendo, como começaríamos a treinar mais pessoas? Foi decidido que o Master Black Belt chefe reuniria os insights e orientaria as equipes de engenharia conforme elas fossem alocadas para resolver os problemas. Não era muito eficiente. Era difícil criar expertise e aumentar o número interno de especialistas em análise preditiva naquela época.
Saiba como incrementar seu conjunto de habilidades de análise preditiva neste webinar:
Árvores de classificação e regressão, Random Forests, e TreeNet. Não era possível abrir seu grande conjuntos de dados e clicar em “Analisar”. Você precisava de muita habilidade. Por isso, a ciência dos dados é importante!
Por algum tempo, no final dos anos 2010 e início dos anos 2020, tivemos uma divisão. Alguns produtos utilizavam análise preditiva, enquanto outros continuaram a usar métodos mais antigos. A análise preditiva permitiu previsões de garantia, melhoria de qualidade mais rápida e prevenção de defeitos. Outros que usam métodos mais antigos ainda esperaram seis meses para receber o relatório de Taxas de Incidentes de Serviço e trabalhar com ferramentas Six Sigma para resolver os problemas mais frequentes.
ANÁLISE PREDITIVA ATUAL
A análise preditiva atual está anos-luz daquela que eu comecei a usar há mais de 10 anos. Ela não precisa mais ser a tarefa complexa e especializada que costumava ser. A análise preditiva do Minitab com Auto ML torna a análise preditiva mais acessível às massas. Ela pode sugerir melhores modelos a partir dos seus dados e permite solicitar modelos alternativos com uma interface de usuário simples.
Eu convido você para saber como combinar o Minitab Connect, para reunir e preparar dados, e a análise preditiva do Minitab com Auto ML, para encontrar insights, pode facilitar sua vida e melhorar e acelerar os resultados. Usar as ofertas da Minitab assim na fabricação permite fazer melhorias de qualidade e previsões de garantia, praticamente em tempo real. Antes dessas ferramentas, a melhoria de qualidade levava meio ano ou mais e as previsões de garantia se baseavam nos anos anteriores, em vez dos dados do ano atual. Isso vale milhões de dólares aos nossos clientes e acionistas.