Eliminando Gargalos: Aproveitando Analytics para Eficiência na Manufatura

Ruban Phukan, Co-fundador e Chief Product and Analytics Officer na Progress DataRPM, discute a batalha antiga com gargalos e o papel de analytics preditivo na manufatura.

As questões em torno de gargalos na manufatura são bem documentadas. De atrasos de produção, superestoque, pressão aumentada de clientes e além, os problemas causados por uma limitação súbita e imprevista de capacidade podem ser devastadores para qualquer negócio na indústria. Com isso em mente, Manufacturing Global fala com ex-cientista de dados do Yahoo e líder na Progress DataRPM, Ruban Phukan, sobre o uso de modelos de manutenção preditiva e como eles podem ajudar a estabelecer um ambiente à prova de falhas.

Chegando ao Coração do Problema

Como ex-membro da equipe de análise de dados do Yahoo, Phukan é bem versado nas complicações em torno do uso de big data. "Fui parte da primeira equipe de ciência de dados criada no Yahoo muitos anos atrás", diz ele. "O grande aprendizado lá foi que ciência de dados é muito difícil de escalar manualmente para grandes organizações. O que percebemos é que a única forma de realmente resolver o problema de ciência de dados, de uma maneira que agregue valor a um negócio, é automatizar os processos que vão por trás dessa análise de dados."

Saindo do Yahoo, Phukan iniciou seu próprio negócio de motor de busca vertical, usando machine learning para entender comportamento do usuário, lidando especificamente com analytics preditivo. Após vendê-lo, entrou em negócio com seus co-fundadores atuais, onde retoma a história da ProgressDataRPM e como ela está avançando em direção a, entre muitas outras coisas, enfrentar gargalos.

"Quando nos juntamos pela primeira vez, percebemos que havia uma enorme quantidade de dados digitais sendo gerados, mas o problema permanecia o mesmo: não pode ser resolvido manualmente. Simplesmente não há cientistas de dados suficientes. Mesmo com a enorme quantidade de dados lá fora, o tipo de valor que negócios estavam obtendo não justificava o ROI", diz ele.

"Então, começamos a dizer 'podemos criar uma plataforma que torne processos de ciência de dados contínuos e automatizados?' Queríamos que negócios pudessem aproveitar melhores práticas, aplicá-las a seus problemas e resolvê-los em escala."

Avanços em Machine Learning

Com o avanço na capacidade tecnológica de machine learning, Phukan e seus co-fundadores foram capazes de abordar o volume massivo de dados e informação disponíveis a seus clientes de uma forma que não era possível antes. Crucialmente, para negócios de manufatura, isso significou que eles também podiam iniciar impacto positivo em coisas como a linha de produção.

"Por exemplo, com coisas como sensores habilitados, nos ajuda a entender em nível muito detalhado o funcionamento normal de uma máquina sob diferentes condições operacionais e ambientais. Podemos então avaliar como isso afeta a saúde de uma máquina e consequentemente o que isso faz à linha de produção, em termos de eficiência", ele nos conta.

Ao implantar uma fazenda de plantas automatizada que não requer alguém ser especialista em ciência de dados, ProgressDataRPM essencialmente ajuda grandes indústrias baseadas em ativos a resolver dois problemas: como minimizar tempo de inatividade não planejado e como maximizar qualidade e eficiência da saída de seus ativos. Tudo isso é feito via seu software de predição de anomalias cognitivo. No momento em que é conectado a dados baseados em sensores, ele automaticamente estabelece baseline das condições normais de operação da máquina. Então procura coisas que desviam dessas condições e cria um alerta antes de prever os potenciais problemas que podem ocorrer.

É esta capacidade de prever o desconhecido que Phukan acredita representar uma grande partida de processos tradicionais anteriores. "Precisamos ser capazes de examinar por que coisas aconteceram no passado mas, mais importante, também precisamos prever coisas que não aconteceram", ele explica.

Impactando a Linha de Montagem

Uma das áreas-chave que negócios de manufatura precisam examinar são os processos que impactam o que acontece na linha de produção, especificamente o timing de controle de qualidade. "Trabalhamos com vários fabricantes nas indústrias automotiva e de saúde, por exemplo, e um dos maiores desafios que enfrentam é que a verificação de qualidade acontece no final do processo de manufatura. Então, uma vez que um lote inteiro de um produto é feito, os testes serão rodados para determinar se está OK. Isso pode levar a taxas de sucata de até 75%", diz Phukan.

Como a maioria das regras de suíte de teste só podem ser escritas baseadas em experiência anterior, quando um novo problema surge que não foi contabilizado, isso pode levar a sérios problemas como recalls de produto. Usar plataformas de analytics preditivo se tornará, portanto, segundo Phukan, a norma. De fato, isso é algo que ele já identificou cada vez mais na manufatura.

"Quando fabricantes falam conosco, perguntam se podem usar machine learning para determinar, ao longo do caminho, se um lote é defeituoso. Eles sabem que podemos detectar coisas muito antes, então podem parar o processo para minimizar custo e perda."

Ele tem exemplos específicos disso em ação? "Trabalhamos com um grande provedor de telecom na França e eles tinham um desafio real com seu set-top box, que não é algo que você assumiria requerer manutenção preditiva pesada. O problema que tinham era que toda vez que um falhava, tinham que ir identificar o problema e substituí-lo. Obviamente, isso é custoso em termos de tempo e dinheiro. Há também um enorme risco de perder clientes", diz ele.

"Identificamos proativamente que um terço de suas boxes tinha um problema, o que significou que serviço ao cliente podia ligar e dizer às pessoas para atualizarem sua box ou enviar substituição antes que uma falha ocorresse."

O Futuro da Análise de Gargalos

Fabricantes estão claramente se tornando mais sintonizados aos benefícios de tecnologia cognitiva machine-first, que permite identificar anomalias e potencialmente trazer um especialista no assunto para ajudar a determinar as ramificações dos achados da máquina.

De fato, Phukan discute como AR, IoT, garantias, computação em nuvem híbrida e blockchain todos desempenharão seu papel cada vez mais, no entanto, é detectar o desconhecido que ele sente será chave. "A chave não é o que já é conhecido; especialistas de domínio podem fazer um ótimo trabalho lidando com isso, mas o grande desafio é o desconhecido e o que vai atingir negócios a seguir. É isso que precisamos prevenir e é o cerne do que mudará o jogo da manufatura", Phukan conclui.