Insight do Setor 2021: Atualização Abrangente de Março de 2021
Introdução
À medida que nossas atualizações diárias de utilização ganham força e recebem mais atenção, sentimos que é importante, como administradores de dados, esclarecer nossas premissas, quaisquer fontes de viés que possamos ter e nossas margens de erro para que as organizações possam tomar as decisões mais informadas a partir de nossos números.
Como em qualquer conjunto de dados, nossos dados contêm viés, e portanto anexamos uma margem de erro a qualquer uma de nossas métricas reportadas. É importante, como profissionais de dados, ser transparente sobre essas fontes de viés, nossas premissas sobre os dados e como abordamos essas preocupações em nossa metodologia. Isso permite que você, o usuário, faça seus próprios julgamentos sobre a veracidade de nossas alegações e o valor de nossos dados para sua organização.
Uma Analogia aos Métodos Tradicionais de Pesquisa
Se virmos nosso conjunto de dados da perspectiva de pesquisas tradicionais (como você vê na TV para quem está à frente nas primárias presidenciais), podemos considerar cada uma de nossas máquinas uma "pessoa" que "pesquisamos" ou entrevistamos. A pergunta que fazemos para esta pesquisa é simplesmente: "Qual tem sido sua utilização em média, nos últimos sete dias?" Amostramos milhares de "pessoas" (máquinas) nos Estados Unidos a cada segundo via nossa frota de dispositivos Edge conectados à nuvem, e reportamos este número para o dia anterior assim que todas as "respostas" estão "dentro".
Onde as "pessoas" (máquinas) que amostramos residem.
Como em qualquer pesquisa que não captura a população inteira, nossa amostra está sujeita a viés. Como abordado em posts anteriores, certas formas de viés não se aplicam em nossa metodologia — nomeadamente as emocionalmente motivadas como viés de percepção, viés de confirmação e relatório malicioso. Máquinas são pesquisadas automaticamente via software a cada segundo — elas não podem "mentir" ou dizer inverdades porque não há oportunidade para isso quando estão conectadas à MachineMetrics. Falhas tecnológicas são nominais também, pois utilização é a métrica mais básica que pesquisamos das máquinas e quaisquer anomalias são detectadas algoritmicamente e rapidamente eliminadas. No entanto, outras formas de viés ainda existem mesmo quando você remove o elemento humano.
Amostra de Alta Produtividade
Primeiro, nossa amostra provavelmente representa uma amostra de alta produtividade da manufatura. Isso porque aqueles que adotam tecnologias da Indústria 4.0 são as oficinas mais visionárias, e portanto provavelmente já têm processos para simplificar operações e aumentar a vazão. Não temos certeza de quantos pontos percentuais mais produtiva nossa amostra é do que a manufatura discreta "média", mas não acreditamos que as tendências gerais devam ser afetadas por isso (ou seja, a mudança percentual dia a dia deve ser semelhante para uma amostra de alta produtividade vs. uma amostra de produtividade média). Isso porque fatores de nível macro como feriados, choques econômicos e onshoring/offshoring devem afetar oficinas de alta e baixa produtividade relativamente igualmente. Isso é importante porque, embora o nível geral de utilização que reportamos seja ligeiramente elevado, ainda podemos ver tendências muito claras como o efeito de feriados, o efeito do coronavírus e o efeito da demanda reprimida do consumidor na manufatura como um todo.
Além disso, não capturamos um Censo perfeito de nível populacional de uso de máquinas nos Estados Unidos, pois isso exigiria estar conectado a todos os 3 milhões+ de máquinas-ferramenta (o número de 3 milhões vem da Association for Manufacturing Technology, que estima que existem 3,2 milhões de máquinas-ferramenta CNC operacionais com valor original acima de $50k).
Embora aspiramos chegar a 3 milhões um dia, agora temos que nos contentar com uma fração deste tamanho total. Não revelamos nosso tamanho exato de amostra devido ao fato de cobrarmos um preço padrão por máquina, e isso revelaria nossa receita recorrente anual, um número que a maioria das startups do nosso tamanho não está disposta a divulgar porque desempenha um papel chave em valuations.
Margem de Erro
No entanto, incluímos uma margem de erro como boa prática, que é tipicamente o que o tamanho da amostra tenta alcançar de qualquer forma. Uma margem de erro leva em conta o tamanho da amostra como proporção do tamanho total da população, bem como a porcentagem de respondentes que respondem afirmativamente à pesquisa. No nosso caso, não há resposta "afirmativa" à pesquisa — poderíamos teoricamente considerar 100% de utilização como "todos disseram sim" e 0% como "todos disseram não", mas isso é suspeito. Portanto, simplesmente usamos uma proporção de 50% para respostas afirmativas em nosso cálculo, o que maximiza a margem de erro para as medidas mais conservadoras de precisão da pesquisa. Você pode ter certeza de que as margens que reportamos são para o pior cenário dado nosso tamanho de amostra.
Fórmula de margem de erro para populações finitas. Fonte: Chegg Homework Help
Quanto maior a margem de erro, menos confiança os usuários devem ter nos resultados da pesquisa. Nossa margem de erro atual gira em torno de ±1,6% a ±1,8%. Ou seja, temos 95% de confiança de que, para todas as 3 milhões de máquinas-ferramenta nos EUA, os números reais de utilização estão entre ±1,6% a ±1,8% do que reportamos. Nosso último número de utilização reportado para 6 de março de 2021 foi 29,41%, o que significa que acreditamos ser muito provável que a utilização real para toda a população de máquinas-ferramenta esteja entre 27,60% e 31,21%. Isso significa que comparações que ocorrem dentro da margem de erro, assim como resultados de pesquisas entre dois candidatos que estão dentro da margem de erro, devem ser considerados com cautela. Acho que todos aprendemos isso em primeira mão durante o ciclo eleitoral de 2016.
Por exemplo, se a utilização muda de 29,0% para 29,4%, isso ainda está dentro de nossa margem de erro e deve ser considerado mais uma curiosidade do que um fato. Se, no entanto, essa mudança persistir por muitos dias e a utilização mudar de 29% para 31% dentro de uma semana, temos 95% de confiança de que isso reflete a mudança no nível populacional. Em outra situação, se é a sexta-feira antes de 4 de julho e a utilização muda de 29% para 25% dia a dia, também é mais do que apenas uma curiosidade que isso aconteceu, mas sim que está refletindo a realidade nos chão de fábrica nos Estados Unidos (que as pessoas tiram a sexta-feira antes de 4 de julho para começar o fim de semana cedo).
O número de ±1,6% a 1,8% também é importante por si só. Este é o buffer que você deve definir para si mesmo se estiver benchmarking a utilização da sua própria fábrica contra normas do setor.
Atualização sobre Condições do Setor

No espírito de nosso esclarecimento sobre margem de erro, gostaríamos de declarar a utilização da seguinte forma:
Temos 95% de confiança de que a média móvel semanal de utilização até ontem está entre 27,60% e 31,21%, com uma estimativa pontual de 29,41%.
Isso reflete dados econômicos do Fed mostrando que a demanda de fábrica em todo o país está aumentando devido à demanda reprimida. Vemos que esta é a maior utilização de 6 de março nos últimos quatro anos, um insight bastante incrível.
Isso também representa um máximo local que não foi superado desde outubro de 2018 (máxima de 41 meses). Isso se alinha quase perfeitamente com o índice de manufatura da ISM, que também atingiu uma máxima de 48 meses de 60,8 após saltar de 58,7 em janeiro. Os dados são corroborados por relatos anedóticos de uma grave escassez de mão de obra na manufatura, já que donos de fábricas lutam para contratar trabalhadores em meio à competição crescente da Amazon et al. Gerentes de chão de fábrica estão aumentando salários em até 30% para competir por talentos, à medida que novos players entram para contratar trabalhadores qualificados.
Encerramos referenciando um podcast do Wall Street Journal que adiciona algum contexto humano ao que estamos vendo em nossos dados: Where Jobs are Booming.
Em conclusão, os negócios estão bons, quase bons demais. Fique atento para mais atualizações!
Tecnologia industrial
- Perspectiva da Indústria Aeroespacial da Califórnia 2017: Crescimento e Oportunidades
- 3 Lições Cruciais que a Indústria de Alimentos Aprendeu em 2021
- Tendências de Manufatura 2021: Parte 2 – Insights da Make UK
- Indústria 4.0 e Sustentabilidade: Navegando Desafios Ambientais
- Indústria 5.0: Redefinindo a Manufatura para o Futuro
- Implementando uma Estratégia de Qualidade para Impulsionar a Competitividade Industrial
- Compartilhamento Eficaz de Conhecimento Entre Gerações nas Indústrias Modernas
- Como a Gestão Visual Impulsiona o Sucesso na Indústria 4.0
- 5 Benefícios Poderosos do Compartilhamento de Conhecimento para o Crescimento Industrial
- Manufatura Digital: Moldando a Indústria do Amanhã