Por que a otimização é o elo perdido após a modelagem
Você desenvolveu um modelo preditivo sólido, qual o próximo passo? O salto de previsões precisas para ações ideais é onde o valor é gerado. O novo Response Optimizer da Minitab dentro do Módulo de Análise Preditiva preenche essa lacuna, recomendando a melhor combinação de entradas para atingir sua meta, seja maximizando o rendimento de reação química, minimizando escalonamentos de chamada ou atingindo uma meta de diâmetro precisa.
O Response Optimizer de Minitab sempre foi uma ferramenta importante ao analisar um experimento concebido. Por exemplo, a equipe de Six Sigma do setor de Interior de Veículos da Ford Motor Company usou o Planejamento de Experimentos (DOE) junto com o Response Optimizer da Minitab para ajustar as configurações da máquina de agulhamento para carpete de veículos. O desafio era eliminar marcas de escova, preservando a maciez, durabilidade e resistência a manchas. Ao utilizar o Response Optimizer, a empresa obteve a eliminação total de defeitos, melhorias inesperadas na maciez e colocaram o processo sob controle em apenas 12 dias desde a definição do problema até a implementação da solução.
Novidades no Response Optimizer da Minitab
Agora, depois de criar um modelo com TreeNet®, Random Forests® ou MARS® no Módulo de Análise Preditiva, você pode clicar em Response Optimizer diretamente na barra de ferramentas na parte superior dos resultados do seu modelo e obter as melhores configurações para seus preditores para atingir o resultado desejado.
Diga ao software da Minitab como é o “sucesso” (Maximizar, Minimizar ou Atingir a meta) e defina quaisquer limites práticos para suas entradas (por exemplo, a temperatura deve permanecer entre 180 e 200 °C). O Response Optimizer é atualizado instantaneamente, para que você possa arrastar os controles deslizantes para executar cenários “e se” e ver as compensações em tempo real.
Exemplos
1. Entrega pontual da fabricação
Digamos que você queira aumentar a probabilidade de que pedidos personalizados sejam enviados dentro do prazo. Você treina um modelo de Classificação TreeNet usando preditores como tempo de espera do fornecedor, complexidade do pedido e status de expedição. A partir dos resultados do modelo, agora inicie o Response Optimizer e escolha Maximize (Maximizar) para a resposta binária “On-Time” (No prazo). O otimizador recomenda a combinação que produz a maior probabilidade de entrega dentro do prazo.
Aqui, a probabilidade de uma entrega no prazo é maximizada quando as linhas pretas em cada gráfico estão em seu ponto mais alto, portanto, apertar a janela de tempo de entrega do fornecedor e padronizar o processo de subconjunto deve resolver o problema. No entanto, você pode querer experimentar essas configurações. Por exemplo, você pode alterar a quantidade pedida e ver como isso afeta a probabilidade de uma entrega no prazo. Você também pode alterar os valores no gráfico para obter previsões para outras configurações. Você pode até encontrar uma solução melhor no processo!
Suponha que a expedição e padronização do processo de subconjunto reduza as entregas atrasadas em 20%, cortando gastos com multas ou perdas financeiras de clientes. Se a empresa tiver US$ 1 milhão em custos vinculados a entregas atrasadas anualmente, isso representa um benefício anual de US$ 200.000. Combinado com o pequeno custo das alterações, o retorno sobre investimento (benefício ÷ custo) poderia facilmente exceder 5×.
2. Escalonamentos em centrais de atendimento
Agora, digamos que você treine um modelo de Classificação Random Forests para prever se uma chamada para o atendimento ao cliente será escalonada. Os preditores incluem tempo de serviço do agente, horas de treinamento, nível de equipe e tipo de chamada. No Response Optimizer, defina a meta para Minimize (Minimizar) a probabilidade de escalonamento. Como você deseja minimizar a probabilidade de escalonamento de chamadas, procure configurações em que as linhas pretas estejam baixas. Por exemplo, aqui estão algumas boas configurações para um tipo de chamada “Faturamento”:
Mas e se, em vez disso, o tipo de chamada for “Técnica”? Com cada tipo de chamada, você precisará ajustar as configurações dos outros fatores para minimizar a probabilidade da chamada ser escalonada. O Response Optimizer interativo nos permite fazer exatamente isso e obter as previsões correspondentes rapidamente.
Para esse tipo de chamada, observe que um agente mais experiente é necessário para reduzir a chance de escalonamento de chamada.
Em centrais de atendimento, os ganhos de eficiência desbloqueados por meio de análise mostraram retorno sobre investimento na faixa de 20 a 30% na economia de custo, reduzindo escalonamentos, tempos de espera e horas com superlotação de agentes (CallCriteria). Um estudo de caso daClearSource observou que reduzir a rotatividade e melhorar a resolução de primeira chamada usando ferramentas baseadas em dados pode economizar US$ 5.000 a US$ 12.000 por agente em custos de recrutamento e treinamento.
Suponha que otimizar as horas de treinamento dos agentes e os níveis de equipe reduza as taxas de escalonamento em 30%. Se cada chamada escalonada custar um adicional de US$ 50 e houver 10.000 chamadas escalonadas anualmente (custo extra de US$ 500.000), você economizará US$ 150.000. Se a implementação das alterações custar US$ 30.000, o retorno sobre investimento será 5×.
3. Rendimento do processo
Finalmente, você pode precisar modelar o rendimento de reação química com Regressão MARS® para capturar interações não lineares entre temperatura, tempo de permanência e razão do catalisador. Mais uma vez, abra Response Optimizer, escolha Maximize (Maximizar) para rendimento e adicione Constraints (Restrições) para impor limites de segurança e qualidade. Em minutos, pontos de ajuste acionáveis são obtidos, juntamente com intervalos de previsão para entender o risco de variabilidade em torno das configurações recomendadas.
Em vez de uma visualização gráfica da relação entre cada configuração e a resposta, você também pode usar a visualização de tabela mostrada abaixo para ver quais configurações levam ao melhor rendimento de reação química de 95,8%.
Suponha que otimizar a temperatura, o tempo de residência e a relação do catalisador melhore o rendimento em 5% em uma instalação que produz, digamos, 1.000.000 unidades/ano com margem de US$ 10/unidade. Isso é uma margem de US$ 500.000 a mais no rendimento. Se o custo para ajustar o processo (controle adicional, monitoramento, pequenos ajustes) for de US$ 50.000, o retorno sobre investimento será 10×.
Dicas e proteção para otimização confiável
- Modele primeiro, otimize depois. Comece sempre com um modelo bem validado antes de otimizar. O otimizador só pode ser tão bom quanto o modelo que ele usa.
- Defina limites realistas. Use conhecimento de engenharia e regras comerciais para restringir a pesquisa. Isso mantém as soluções práticas.
- Escolha a meta certa. Escolha Maximizar, Minimizar ou Atingir a meta com base no KPI.
- Use o gráfico interativo. Arraste os controles deslizantes para testar o estresse da solução. Pequenos ajustes podem revelar configurações robustas com desempenho semelhante.
Comece com três etapas fáceis
- Ajuste seu modelo com TreeNet, Random Forests ou MARS no módulo de análise preditiva de Minitab. Ou use o aprendizado de máquina automatizado para que Minitab escolha o melhor modelo.
- Clique em Response Optimizer na barra de ferramentas de resultados do modelo.
- Defina sua meta e clique em OK para usar o gráfico de otimização para avaliar e selecionar as melhores configurações.
É simples desse jeito!
Fale com a Minitab
Tudo pronto para transformar suas previsões em decisões reais e otimizadas que economizarão dinheiro?
