Fabricantes que aproveitam análises avançadas podem reduzir falhas de processo, economizando tempo e dinheiro.

Nos últimos 20 anos, os fabricantes conseguiram reduzir o desperdício e a variabilidade em seus processos de produção e melhorar drasticamente a qualidade e o rendimento do produto (a quantidade de produção por unidade de insumo), implementando programas lean e Six Sigma. Entretanto, em certos ambientes de processamento – fármacos, produtos químicos e mineração, por exemplo – variações extremas são a realidade, às vezes até mesmo depois que técnicas de produção enxuta foram aplicadas. Dado o grande número e a complexidade das atividades de produção que influenciam o rendimento nessas e em outras indústrias, os fabricantes precisam de uma abordagem mais granular para diagnosticar e corrigir as falhas do processo. Advanced analytics fornece exatamente essa abordagem.

Advanced analytics refere-se à aplicação de estatísticas e outras ferramentas matemáticas aos dados de negócios para avaliar e melhorar as práticas. Na manufatura, os gerentes de operações podem usar análises avançadas para se aprofundar em dados históricos do processo, identificar padrões e relacionamentos entre etapas e entradas discretas do processo e, então, otimizar os fatores que provam ter o maior efeito sobre o rendimento. Muitos fabricantes globais em uma variedade de indústrias e geografias têm agora abundância de dados de fábrica em tempo real e a capacidade de conduzir essas avaliações estatísticas sofisticadas. Eles estão pegando conjuntos de dados previamente isolados, agregando-os e analisando-os para revelar insights importantes.

Considere a produção de produtos biofarmacêuticos, uma categoria de produtos de saúde que inclui vacinas, hormônios e componentes sanguíneos. Eles são fabricados usando células vivas geneticamente modificadas, e as equipes de produção devem monitorar frequentemente mais de 200 variáveis ​​dentro do fluxo de produção para garantir a pureza dos ingredientes, bem como as substâncias que estão sendo produzidas. Dois lotes de uma determinada substância, produzidos usando um processo idêntico, ainda podem exibir uma variação no rendimento entre 50 e 100%. Essa enorme variabilidade inexplicável pode criar problemas com a capacidade e a qualidade do produto, além de aumentar o escrutínio regulatório.

Um dos cinco maiores fabricantes de produtos biofarmacêuticos usou advanced analytics para aumentar significativamente seu rendimento na produção de vacinas, sem incorrer em gastos adicionais de capital. A empresa segmentou todo o seu processo em grupos de atividades de produção intimamente relacionadas; Para cada agrupamento, foram coletados dados extensos sobre as etapas do processo e os materiais usados ​​e reunidos em um banco de dados central.

Em seguida, uma equipe de projeto aplicou várias formas de análise estatística aos dados para determinar as interdependências entre os diferentes parâmetros do processo (o montante e a jusante) e seu impacto no rendimento. Nove parâmetros demonstraram ser os mais influentes, especialmente o tempo para inocular células e medidas de condutividade associadas a uma das etapas da cromatografia. O fabricante fez mudanças de processo direcionadas para contabilizar esses nove parâmetros e conseguiu aumentar seu rendimento de vacina em mais de 50% – valor entre US$ 5 milhões e US$ 10 milhões em economia anual para uma única substância, uma das centenas que produz.

Desenvolvendo insights inesperados

Mesmo dentro das operações de manufatura que são consideradas as melhores da categoria, o uso de análises avançadas pode revelar novas oportunidades para aumentar o rendimento. Este foi o caso de um fabricante europeu estabelecido de produtos químicos funcionais e especializados para uma série de indústrias, incluindo papel, detergentes e metalurgia. Ostentou um forte histórico de melhorias nos processos desde a década de 1960, e seu rendimento médio foi consistentemente superior aos benchmarks da indústria. Na verdade, os funcionários estavam céticos de que havia muito espaço para melhorias. “Esta é a planta que todo mundo usa como referência”, apontou um engenheiro.

No entanto, vários insights inesperados surgiram quando a empresa usou técnicas de redes neurais (uma forma de análise avançada baseada na maneira como o cérebro humano processa informações) para medir e comparar o impacto relativo de diferentes insumos de produção no rendimento. Entre os fatores que examinou estavam as pressões de refrigerante, temperaturas, quantidade e fluxo de dióxido de carbono. A análise revelou uma série de sensibilidades inéditas – por exemplo, os níveis de variabilidade no fluxo de dióxido de carbono provocaram reduções significativas no rendimento. Ao reconfigurar seus parâmetros de acordo, a empresa de produtos químicos foi capaz de reduzir seu desperdício de matérias-primas em 20% e seus custos de energia em cerca de 15%, melhorando assim o rendimento geral. Agora está implementando controles de processo avançados para complementar seus sistemas básicos e direcionar a produção automaticamente.

Enquanto isso, uma mina de metais preciosos foi capaz de aumentar seu rendimento e rentabilidade, avaliando rigorosamente os dados de produção que estavam incompletos. A mina passava por um período em que o teor do minério estava diminuindo; uma das únicas formas de manter os níveis de produção era tentar acelerar ou otimizar os processos de extração e refino. A recuperação de metais preciosos a partir do minério é incrivelmente complexa, tipicamente envolvendo entre 10 e 15 variáveis ​​e mais de 15 peças de maquinaria; tratamentos de extração podem incluir cianetação, oxidação, moagem e lixiviação.

Os dados de produção e de processo com os quais a equipe de operações da mina estava trabalhando eram extremamente fragmentados, então o primeiro passo para a equipe de análise foi limpá-los, usando abordagens matemáticas para reconciliar inconsistências e esclarecer as lacunas de informação. A equipe então examinou os dados sobre vários parâmetros do processo – reagentes, vazões, densidade e assim por diante – antes de reconhecer que a variabilidade nos níveis de oxigênio dissolvido (um parâmetro chave no processo de lixiviação) parecia ter o maior impacto no rendimento. Especificamente, a equipe detectou flutuações na concentração de oxigênio, o que indicava que havia desafios no controle do processo. A análise também mostrou que o melhor desempenho demonstrado na mina ocorreu nos dias em que os níveis de oxigênio foram mais altos.

Como resultado dessas descobertas, a mina fez pequenas alterações em seus processos de recuperação de lixiviação e aumentou seu rendimento médio em 3,7% em três meses – um ganho significativo em um período durante o qual o teor de minério declinou em cerca de 20%. O aumento no rendimento se traduziu em um impacto de lucro anual de US$ 10 milhões a US$ 20 milhões para a mina, sem que ela tivesse que fazer investimentos de capital adicionais ou implementar grandes iniciativas de mudança.

Capitalização em big data

O primeiro passo crítico para os fabricantes que desejam usar a análise avançada para melhorar o rendimento é considerar a quantidade de dados que a empresa tem à sua disposição. A maioria das empresas coleta grandes quantidades de dados de processos, mas normalmente os utiliza apenas para fins de rastreamento, não como base para melhorar as operações. Para esses atores, o desafio é investir nos sistemas e conjuntos de habilidades que lhes permitam otimizar o uso de informações existentes – por exemplo, centralizar ou indexar dados de várias fontes para que possam ser analisados ​​mais facilmente e contratar analistas de dados que são treinados em identificar padrões e em obter insights úteis ​​a partir de informações.

Algumas empresas, particularmente aquelas com ciclos de produção de meses, e às vezes anos, têm poucos dados para serem estatisticamente significativos quando colocados sob as lentes de um analista. O desafio para os líderes seniores dessas empresas será buscar um foco de longo prazo e investir em sistemas e práticas para coletar mais dados. Eles podem investir de forma incremental – por exemplo, reunindo informações sobre uma etapa do processo particularmente importante ou complexa dentro da cadeia maior de atividades e, em seguida, aplicando análises sofisticadas a essa parte do processo.

A era do big data acaba de emergir, mas a prática de advanced analytics baseia-se em anos de pesquisa matemática e aplicação científica. Pode ser uma ferramenta crítica para obter melhorias no rendimento, particularmente em qualquer ambiente de produção em que a complexidade do processo, a variabilidade e as restrições de capacidade estejam presentes. De fato, as empresas que desenvolvem com sucesso suas capacidades na realização de avaliações quantitativas podem se posicionar muito além dos concorrentes.

Fonte: https://www.mckinsey.com/business-functions/operations/our-insights/how-big-data-can-improve-manufacturing