Por Daniel Almeida
Enquanto o mundo parece passar por um acelerado movimento de transformação digital, impulsionado pela crise do covid-19, o setor industrial, fortemente impactado financeiramente, não parece estar preparado para investir em modernização. Para se ter uma ideia de como estamos, antes da pandemia o Brasil já ocupava a 69ª posição no Índice Global de Inovação, e vinha continuamente perdendo colocações no Índice Global de Competitividade na Manufatura.
O tal 4.0, realidade de algumas grandes empresas, soa como uma ideia distante para aquelas milhares de indústrias que ainda baseiam suas produções em processos manuais ou semi-automatizados. E apesar de estarmos sendo inundados por publicações otimistas que afirmam que a “Transformação Digital“ está sendo catalisada por esta crise e é inevitável, o industrial que viu grande parte do seu faturamento simplesmente desaparecer não parece estar apto a realizar grandes investimentos para modernizar a sua produção. Digitalização de algumas atividades pode até estar ocorrendo com mais velocidade, como utilização de ferramentas de chamada de vídeo e home officing, porém será que isso realmente vai mudar a realidade da produção brasileira? Como bem questiona Ed Dantas (Head of Innovation do Porto de Suape) em seu artigo intitulado “Indústrias em Paralisia Além do Digital”, será que essa busca momentânea por soluções digitais realmente está se dando por remédios reais que tratam as causas [de uma paralisia corporativa], ou é apenas um comprimido para a dor de cabeça das consequências [dessa paralisia] no momento de febre?
Este questionamento é relevante pois sem um planejamento cuidadoso e realista, não é incomum desperdiçar recursos na modernização descontrolada dos ativos industriais. Porém também é fundamental que se entenda que gestão 4.0 não é só para grandes multinacionais. Para iniciar uma trilha de transformação digital, antes mesmo de pensarmos em tecnologia, é fundamental que haja uma transformação de relações humanas de trabalho e uma mentalidade mais orientada por dados. Após conhecer e prestar serviços para diferentes indústrias ficou evidente pra mim que informações valiosíssimas são perdidas não só por falta de estruturação na sua coleta, análise e armazenamento, mas principalmente no interesse e conhecimento dos gestores sobre a importância que elas têm.
Então bem antes de adentrarmos o complexo e atrativo mundo dos termos do momento (IoT, Big Data, Machine Learning…), é preciso saber claramente quais dados valem a pena ser mapeados e como eles impactam os processos. As variáveis dentro de um contexto industrial, sendo controláveis ou não, são inúmeras, por isso é fundamental entender as relações de relevância que têm, para que possamos começar a priorizar o que deverá ser de fato mensurado. Muitas vezes a realidade é contraintuitiva, e informações que julgamos ser relevantes na verdade não são. O contrário também pode ser verdade, em que informações aparentemente inúteis, se aliadas a outros dados podem gerar insights poderosos. E como fazemos isso?
Diversas ferramentas e metodologias podem ser usadas nesta fase; aqui na Stepps fazemos uso de algumas delas, como Design de Experimentos e Modelos Preditivos. Porém é possível ter resultados satisfatórios com outras ferramentas mais conhecidas da qualidade. Até momentos de brainstorming com os envolvidos no processo podem gerar direcionamentos importantes sobre o que deve ser mapeado de fato, porém é preferível a utilização de técnicas de experimentação e análise estatística de dados para que se consiga priorizar de maneira mais clara e assertiva.
Uma vez entendidos quais os dados que precisam ser mapeados, podemos partir para as próximas etapas. Para qualquer mudança grande dentro de um processo, gosto de utilizar o conceito de Lean Startup como guia de um processo rápido de descoberta e validação. Com isso em mente, entendemos que é possível criar uma versão bastante simplificada de um sistema de análise de dados. Diversas informações relevantes para o processo podem ser documentadas até manualmente através de observações e anotações (ex. não conformidades, tempos de setup). Relacionar os dados dentro de uma linha do tempo para que possamos fazer correlações entre elas é muito importante para entender o comportamento do processo e suas variações. É interessante por exemplo, que possamos identificar lotes de produção e relacioná-los com os parâmetros nos quais foram fabricados. Com isso, é possível usar modelos preditivos para analisar essas informações e fazer ajustes precisos para aumentar eficiência.
Alguns dos dados fundamentais precisam de equipamentos específicos para serem coletados, e pode ser o caso de utilização de sensores. O custo de implementação desses sistemas pode ser alto, por isso a importância de conseguir priorizar os dados que devem ser coletados. Com o passar do tempo, pode-se avançar no sensoriamento e utilizar ferramentas cada vez mais complexas e robustas pra analisar os dados, porém até com planilhas de excel é possível iniciar a transformação da indústria com resultados práticos e de curto/médio prazo.
Para se inscrever na Stepps News: bit.ly/steppsnews
