Por que os cronômetros estão ameaçando o ressurgimento das manufaturas

Eu cortei meus dentes no chão de fábrica da General Motors (GM) há quase 25 anos, trabalhando em ambos os corpos a loja, comandada por robôs, e a área de montagem geral, dominada por pessoas. Aprendi muito rapidamente que os dados dos robôs eram facilmente acessados ​​pela Ethernet, mas os dados relativos aos humanos tinham que ser gerados manualmente por engenheiros industriais empunhando cronômetros, realizando os mesmos estudos de tempo que Frederick Taylor introduziu na época do Modelo T. O contraste foi severo mesmo então:a era industrial moderna esbarrando em um método de coleta de dados que já tinha cerca de 75 anos.

Um quarto de século depois, ainda ando por áreas de montagem e vejo jovens engenheiros fazendo estudos de tempo. As ferramentas mudaram - eles são mais propensos a usar um iPhone em vez de um Casio - mas a atividade permanece idêntica, o que me perturba. Os estudos de tempo (e estudos de movimento) foram técnicas pioneiras. Eles fizeram da manufatura americana a melhor do mundo. Mas eles também são profundamente falhos. Na era da Internet das coisas industrial (IIoT), os estudos do tempo não conseguem acompanhar.

Foco no tempo de comercialização e produtividade

Não há dúvida de que a manufatura americana está em ascensão, expandindo-se no ritmo mais rápido desde 2004. Em 2017, 171.000 empregos na manufatura voltaram aos Estados Unidos como resultado de remanejamento e investimento estrangeiro direto. O que impulsiona esse ressurgimento, talvez o principal entre muitos motivos, é o acesso ao mercado.

“Reshoring significa tempo para o mercado”, diz Ben Smith, consultor sênior da empresa de consultoria AT Kearney. “Não é apenas uma questão de encontrar uma velha fábrica em Pittsburgh e ligar as luzes novamente. Os fabricantes modernos podem muito bem preferir 15 pequenas fábricas distribuídas por todo o país para melhor acesso ao mercado, o que significa que os gerentes da fábrica mudam seu foco de custos para produtividade. ”

O senso comum é que a produtividade aumentará com a IIoT. De acordo com a Accenture, a IIoT é indiscutivelmente o maior impulsionador da produtividade e do crescimento na próxima década. A GE Digital acredita que a IIoT será responsável por ganhos de desempenho que avaliam aproximadamente US $ 8,6 trilhões por ano.

Um problema é que a maior parte do valor que uma fábrica cria não vem de suas máquinas, mas das pessoas. Um estudo do Boston Consulting Group descobriu que as pessoas ainda executam até 90% das tarefas no chão de fábrica. Então, você pode otimizar suas máquinas até que as vacas voltem para casa, mas você está otimizando apenas 10 por cento do que está acontecendo em sua planta.

Tempo de comercialização bate contra o tempo de geração de dados

“Em qualquer linha de produção, apenas uma pequena porcentagem das tarefas é executada por máquinas”, diz Peter Marcotullio, vice-presidente de pesquisa e desenvolvimento comercial da SRI International. “Se você está instrumentando máquinas, está capturando apenas uma fração do processo.”

Eu entendo a atração da IIoT. Observe o tamanho do conjunto de dados. No tempo que você levaria para realizar um estudo de tempo ou preencher um gráfico de trabalho padronizado, você pode ter 50 gigabytes de dados de máquina para seu mecanismo de análise preditiva. É simples calcular a eficácia geral do equipamento (OEE) com três casas decimais. Se o tempo de comercialização é essencial, o tempo de obtenção de dados deve contar muito.

Mas não há linha reta entre otimizar o equipamento e melhorar a produtividade geral da planta. Quando você olha para a contribuição das máquinas como uma porcentagem da criação de valor, você vê que a IIoT perde o quadro geral. Algumas das decisões mais críticas que um gerente de fábrica toma - tudo, desde a equipe diária e as projeções de produção até o custo e orçamento do trabalho - exigem dados das pessoas. Os dados das pessoas determinam os resultados financeiros, e é por isso que me preocupo tanto quando vejo pessoas fazendo estudos de tempo e movimento até hoje.

Um conjunto de dados incompleto e não confiável

Existem dois problemas com os estudos de tempo:o tamanho do conjunto de dados e a confiança que ele merece. Em primeiro lugar, os estudos de tempo estão incompletos. Um engenheiro recebe um tapinha nas costas se voltar da linha com 10 amostras por estação. Mas 10 amostras não são significativas o suficiente para explicar a variabilidade do operador. Faz diferença se as amostras são coletadas na segunda-feira de manhã ou na sexta-feira à tarde? No dia do pagamento ou no dia seguinte? Não há dados suficientes para estabelecer correlações e causalidade.

Isso leva ao segundo problema:confiabilidade dos dados. Werner Heisenberg demonstrou que o próprio ato de observação pode perturbar um sistema observado. O que é verdade para a física quântica é tão verdadeiro para estações de trabalho. Alguns trabalhadores se movem mais rápido para impressionar um observador; outros desaceleram seu trabalho para preencher o padrão que sabem que estão criando para si mesmos. Para agravar essa dificuldade, estão os desafios de medição. Por exemplo, um observador deve determinar consistentemente quando uma atividade começa e termina.

Os estudos de tempo resultam em medições duvidosas, na melhor das hipóteses. Isso impacta as conclusões que se tira deles. Também prejudica os operadores tanto quanto os negócios, porque se o tempo de lançamento no mercado requer dados e os dados não podem vir facilmente das pessoas, então os fabricantes indexam em excesso nas máquinas. Pessoas perdem empregos.

O que está faltando na planta moderna?

Há muitas maneiras de aumentar seu conjunto de dados sobre as pessoas:caminhadas regulares no Gemba, cortinas de luz instrumentadas e outros sistemas poka-yoke que coletam dados e incontáveis ​​ganchos físicos no sistema de execução de manufatura (MES) para calcular o tempo de ciclo e inferir a produtividade. Mas esses dados não são escalonáveis. Os dados sobre as atividades de montagem humana são efetivamente invisíveis para a análise.

“Quando um fabricante quer resolver um problema de produção, eles reúnem os trabalhadores e os gerentes para debater ideias”, diz Anik Bose, sócio geral da Benhamou Global Ventures. “Se eles querem melhorar a utilização dos ativos, eles trazem especialistas em lean para estudos de tempo e movimento ou contam com visitas semestrais de engenheiros. Para lançamentos de novos produtos, eles fecham a linha para realizar experimentos. É tudo manual e ad hoc porque eles não têm alternativa. Eles não têm dados em tempo real que possibilitem qualquer outro tipo de abordagem. ”

Se as plantas mal conseguem medir a produtividade humana, como elas vão melhorar? E se eles não podem melhorar a produtividade humana, o que acontece com o operador humano? Lembro-me da famosa frase de Marshall Goldsmith:"O que trouxe você aqui não vai levar você lá." O estudo do tempo nos trouxe aqui, e por isso agradeço ao Sr. Taylor. Mas quando olho para "lá", o que vejo como uma aceleração do tempo de chegada ao mercado a partir do aumento da produtividade do trabalho (humano), estou convencido de que chegou a hora de estudar.

Sobre o autor

Dr. Prasad Akella liderou a equipe que construiu os primeiros robôs colaborativos do mundo na GM. Ele é o CEO da Drishti , uma nova empresa que implanta inteligência artificial para colaborar e aprimorar os humanos no chão de fábrica.