Como iniciar um projeto de análise de dados na manufatura

Este artigo é sobre

• Como especialista em marketing com foco em soluções de software, Stefanie discute algumas questões básicas sobre análise de dados que os especialistas em produção costumam levantar.

O tópico de análise de dados é tão exagerado quanto questionado - o espectro de opiniões varia de “dados como o novo petróleo da economia” a “conclusões analíticas não são 100% confiáveis” e todas as nuances intermediárias. Cada um é verdadeiro à sua maneira. Para ajudá-lo a entender melhor este tópico, reuni algumas perguntas recorrentes que os especialistas em produção geralmente levantam e as discuti com nossos engenheiros analíticos de manufatura, especialistas em TI e cientistas de dados.

1. Em que nível organizacional ou com qual função nosso projeto de análise de dados deve começar?

Não há melhor nível ou função. Onde começar um projeto depende de vários fatores:

O conceito de análise de dados já é bem compreendido em sua empresa?
Caso contrário, a melhor maneira de começar é realizar um workshop de orientação de análise de dados para especialistas e gerentes. O objetivo deste workshop é transmitir uma compreensão básica das possibilidades de análise e identificar casos de uso em potencial.

A administração tem um conhecimento (profundo) do processo técnico?
Caso contrário, uma oficina de requisitos com especialistas do local de produção pode ser sua primeira escolha. A saída é geralmente um diagrama de causa e efeito (veja abaixo). Normalmente, nossa equipe de análise de dados (composta por uma mistura de especialistas em TI, manufatura e ciência de dados) faz perguntas aprofundadas, como:“Você deseja diferenciar entre retrabalho e sucata?” Na melhor das hipóteses, pode ser muito útil envolver a administração para conseguir uma adesão séria.
Fonte:Bosch.IO
O problema que se espera que a análise de dados resolva foi definido concretamente?
Em caso afirmativo, você pode optar primeiro por uma ferramenta de análise. O problema pode ser tão concreto quanto “o esforço de teste EoL é muito alto e precisa ser reduzido”. Uma equipe analítica pode então começar a trabalhar imediatamente com os especialistas do local de produção para determinar se uma ferramenta existente de redução do tempo de teste pode ser aplicada ou como pode ser necessário personalizá-la ou expandi-la.

2. Que perspectivas precisamos gerenciar em um projeto de análise de dados?

Graças a um estudo UX conduzido pela Bosch, sabemos que existem três tipos de especialistas em plantas que precisam ser atendidos, cada um de uma maneira completamente diferente - por exemplo, mais em um nível de negócios, mais em um nível técnico ou mais em um nível de dados.
Fonte:Bosch.IO
O tipo cético precisa de evidências dos benefícios que a análise de dados trará. Para convencer os céticos, precisamos de um excelente entendimento dos mecanismos de ROI e devemos ser capazes de validar esses mecanismos rapidamente com resultados, com foco na produção, qualidade e custos.


O de mente aberta type está interessado em novas maneiras de otimizar as coisas. Deve-se enfatizar a explicação de quais métodos são usados, por que certos algoritmos são selecionados e por que o modelo de predição resultante está pronto para aplicação em dados ativos.

O crente geralmente já teve contato com a análise de dados e acredita que isso pode fazer a diferença para os negócios. A melhor maneira de começar é aplicar imediatamente o CRISP-DM (processo padrão do setor para mineração de dados, consulte o diagrama abaixo) com ele e a equipe do projeto de análise de dados.
Fonte:Bosch.IO
Em nossa experiência, workshops de orientação geralmente provaram ser muito úteis para obter a adesão de todas as partes interessadas. Normalmente começamos com a questão de negócios e, em seguida, iteramos entendendo o processo técnico e as restrições relacionadas a essa questão. Mais de uma vez, nossos engenheiros conseguiram convencer os clientes de que a análise de regressão complexa pode ser facilmente comunicada como um benefício.

3. Que conhecimento precisamos para conduzir um projeto de análise de dados?

Stefanie Peitzker

Tenho pós-graduação em administração com especialização em geografia (University Augsburg, Alemanha). Desde 2003, trabalho para a Bosch.IO (anteriormente Bosch Software Innovations):desenvolvi o marketing para Visual Rules, nosso sistema de gerenciamento de regras de negócios, e contribuí para conquistar clientes em todo o mundo. Desde Janeiro de 2009 dirijo a equipa de Marketing Solutions da Bosch.IO, uma equipa ágil formada atualmente por sete associados, todos buscando sempre aprender mais sobre as necessidades dos clientes e tendências de mercado - com foco em tornar as soluções de software uma experiência real.

Sua equipe de análise de dados precisa adquirir um conhecimento básico em três áreas:

Negócios: Como cliente, você precisa informá-los sobre os objetivos e requisitos do projeto de uma perspectiva de negócios para que possam converter esse conhecimento em uma definição do problema de analítica de dados.

Dados: Preparação, modelagem, avaliação e implantação de dados - tudo, desde a geração de relatórios simples até a implantação ativa de modelos preditivos. A compreensão de dados puros provou ser uma base sólida que é útil em muitos setores, mas não há foco na manufatura.

Processo técnico: Você, como cliente, precisa fornecer uma explicação básica de toda a cadeia de valor de produção, por exemplo, o processo de soldagem, o processo a laser, o teste ou o processo de aperto, dependendo da pergunta que a analítica deve responder. É aqui que a equipe de análise precisa do engenheiro de análise de manufatura.

4. Que trabalho de base minha organização de manufatura precisa fazer antes de implantar o Manufacturing Analytics?

À primeira vista, a coleta e preparação de dados parece ser um desafio para muitos especialistas em produção. A base para eles é disponibilizar os dados conforme necessário. “Não temos os dados” não é uma resposta válida. Mas não é ciência de foguetes. Recomendamos uma diretriz de qualidade de dados que orienta os clientes através do processo de preparação de dados em termos de quantidade, qualidade e validade necessária para análise.
Fonte:Bosch.IO

5. Qual é a quantidade mínima de dados necessária para aplicar análises?

Como regra prática, sugerimos que você tenha pelo menos 15 observações ou conjuntos de dados por variável de influência. Em outras palavras, para analisar a influência de 30 parâmetros de processo em um indicador de qualidade, pelo menos 30 * 15 =450 conjuntos de dados seriam necessários.

De modo geral, é claro, quanto mais conjuntos de dados você tiver, melhor. Não se preocupe - mais conjuntos de dados não aumentam significativamente a quantidade de trabalho manual. Além disso, eles têm apenas um impacto mínimo no tempo de computação, que geralmente é insignificante com a infraestrutura de TI de analítica de dados certa.

Uma vez que a quantidade, qualidade e validade dos dados adquiridos e preparados são cruciais para o sucesso do projeto, vale a pena investir nesta fase do seu projeto. Para orientá-lo ainda mais, reunimos nossa experiência de muitos projetos em um conjunto de diretrizes de qualidade de dados. Nossos clientes usam essas diretrizes para gerar uma base de dados adequada sem investir tempo ou dinheiro desnecessário na coleta de dados.

6. Ainda posso aproveitar a análise se minha empresa não tiver cientistas de dados ou uma grande equipe de TI?

É exatamente com isso que seu parceiro analítico profissional contribuirá para ajudá-lo a concretizar seu projeto e solução. Uma equipe competente é formada por engenheiros de manufatura, especialistas em TI e cientistas de dados. Essa combinação é a chave para resolver seu problema com uma abordagem de análise enxuta, uma vez que o desenvolvimento de sua solução baseada em análise requer uma compreensão do negócio, dos dados e do processo técnico. Você não precisa contratar nenhum cientista de dados para sua organização. Seu parceiro profissional apresentará workshops pré-projeto sobre análises básicas, onde você aprenderá como identificar possíveis casos de uso e ajudar a validar os modelos desenvolvidos. Em seguida, você aplicará esse conhecimento em reuniões de projeto para discutir os resultados.
Fonte:Bosch.IO