Estado da indústria:atualização 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 suposições, quaisquer fontes de viés que possamos ter e nossas margens de erro para que as organizações tomem as decisões mais informadas de nossos números .

Como em qualquer conjunto de dados, nossos dados contêm viés e, portanto, atribuímos uma margem de erro a qualquer uma de nossas métricas relatadas. É importante que os profissionais de dados sejam transparentes sobre essas fontes de viés, nossas suposições sobre os dados e como abordamos essas preocupações em nossa metodologia. Isso permite que você, usuário, faça seus próprios julgamentos sobre a veracidade de nossas reivindicações e o valor de nossos dados para sua organização.

Um análogo aos métodos tradicionais de pesquisa

Se visualizarmos nosso conjunto de dados da perspectiva da pesquisa tradicional (como você vê na TV para saber quem está à frente nas primárias presidenciais), podemos considerar cada uma de nossas máquinas uma “pessoa” que “pesquisamos” ou pesquisamos. A pergunta que estamos fazendo para esta enquete é simplesmente:“Qual foi sua utilização em média, nos últimos sete dias?” Amostramos milhares de “pessoas” (máquinas) nos Estados Unidos a cada segundo por meio de nossa frota de dispositivos Edge conectados à nuvem e relatamos esse número para o dia anterior quando todas as “respostas” estiverem “in”.

Onde residem as "pessoas" (máquinas) que amostramos.

Como acontece com qualquer pesquisa que não capture toda a população, nossa amostra está sujeita a viés. Conforme abordado em nossas postagens anteriores, certas formas de viés não são aplicáveis ​​em nossa metodologia - principalmente aquelas motivadas por emoções, como viés de percepção, viés de confirmação e relatórios maliciosos. As máquinas são automaticamente pesquisadas por software a cada segundo - elas não podem “mentir” ou dizer inverdades porque não há oportunidade de fazê-lo quando estão conectadas ao MachineMetrics. As falhas tecnológicas também são nominais, pois a utilização é a métrica mais básica que pesquisamos nas máquinas e quaisquer anomalias são detectadas por algoritmos e rapidamente eliminadas. No entanto, outras formas de preconceito ainda existem mesmo quando você elimina o elemento humano.

Amostra de alta produtividade

Primeiro, nossa amostra provavelmente representa uma amostra de manufatura de alta produtividade. Isso ocorre porque aqueles que adotam as tecnologias da Indústria 4.0 são as lojas que pensam mais no futuro e, portanto, provavelmente já possuem processos para otimizar as operações e aumentar o rendimento. 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 variação percentual de um dia para o outro deve ser semelhante para uma amostra de alta produtividade versus uma amostra de produtividade média). Isso ocorre porque fatores de nível macro, como feriados, choques econômicos e onshoring/offshoring devem afetar lojas de alta e baixa produtividade de forma relativamente igual. Isso é importante porque, embora o nível geral de utilização que relatamos seja ligeiramente elevado, ainda podemos ver tendências muito claras, como o efeito dos feriados, o efeito do coronavírus e o efeito da demanda reprimida do consumidor na fabricação como um todo.

Além disso, não capturamos um Censo de uso de máquinas em nível populacional perfeito nos Estados Unidos, pois isso exigiria estar conectado a todas as mais de 3 milhões de máquinas-ferramentas (o número de 3 milhões vem da The Association for Manufacturing Technology, que estima que existem 3,2 milhões de máquinas-ferramentas CNC operacionais que têm um valor original superior a US$ 50 mil).

Embora desejemos chegar a 3 milhões um dia, agora temos que nos contentar com uma fração desse tamanho total. Não revelamos o tamanho exato da amostra devido ao fato de cobrarmos um preço padrão por máquina, e isso revelaria nossa receita recorrente anual, número que a maioria das startups do nosso porte não está disposta a divulgar porque desempenha um papel fundamental nas avaliações .

Margem de erro

No entanto, incluímos uma margem de erro como prática recomendada, que normalmente é o que o tamanho da amostra tenta atingir de qualquer maneira. Uma margem de erro leva em consideração 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 “todo mundo disse sim” e 0% significando “todo mundo disse 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 relatamos são para o pior cenário, dado o tamanho da nossa 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, estamos 95% confiantes de que, para todos os 3 milhões de máquinas-ferramenta nos EUA, os números reais de utilização são +- 1,6% a +- 1,8% do que relatamos. Nosso último valor de utilização relatado para 6 de março de 2021 foi de 29,41%, o que significa que acreditamos que é muito provável que a utilização real de 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 consideradas com cautela e abordadas com cautela. Acho que todos aprendemos isso em primeira mão durante o ciclo eleitoral de 2016.

Por exemplo, se a utilização passar de 29,0% para 29,4%, isso ainda está dentro da 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% no período de uma semana, estamos 95% confiantes de que isso reflete a mudança no nível da população. Em outra modalidade, se é sexta-feira antes de 4 de julho e a utilização muda de 29% para 25% no dia-a-dia, também é mais do que apenas uma curiosidade que isso tenha acontecido, mas sim que está refletindo a realidade chão de fábrica nos Estados Unidos (que as pessoas tirem a sexta-feira antes de 4 de julho para começar o fim de semana mais cedo).

O valor 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 comparando a utilização de sua própria fábrica com as normas do setor.

Atualização sobre as condições da indústria

No espírito de nosso esclarecimento sobre a margem de erro, gostaríamos de declarar a utilização da seguinte forma:

Estamos 95% confiantes 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 os dados econômicos do Fed, mostrando que a demanda das fábricas 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, uma visão bastante incrível.

Isso também representa um máximo local que não foi superado desde outubro de 2018 (máximo de 41 meses). Isso se alinha quase perfeitamente com o índice de manufatura do ISM, que também atingiu uma alta de 48 meses de 60,8, depois de 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 os proprietários das fábricas lutam para contratar trabalhadores em meio ao aumento da concorrência da Amazon et al. Os gerentes de chão de fábrica estão aumentando os salários em até 30% para competir por talentos, à medida que novos jogadores entram para contratar trabalhadores qualificados.

Terminamos fazendo referência a um podcast no Wall Street Journal que adiciona algum contexto humano ao que estamos vendo em nossos dados:Onde os empregos estão crescendo.

Em conclusão, o negócio é bom, quase bom demais. Por favor, fique atento para mais atualizações!