Artigo
Analytics na Indústria
O lifespan das empresas está a diminuir e prevê-se que continue a decrescer nos próximos anos. Fenómenos como a transformação digital e a análise de dados são cada vez mais importantes para inverter esta tendência.
Existem inúmeros setores que podem beneficiar da transformação digital e da utilização de Data Analytics. O setor industrial, especialmente a indústria da manufatura, é um dos 10 maiores setores a utilizar Data Analytics para aumentar a sua competitividade. Este setor tem diversas especificidades na sua relação com análise de dados. Para conseguir beneficiar da utilização de Analytics, é necessário primeiro compreender as particularidades da análise de dados no setor industrial – Industrial Data Analytics.
Industrial Data Analytics e a sua relação com a transformação digital no setor industrial
A emergência de fenómenos como a Internet of Things (IoT) e a indústria 4.0 criou a necessidade de adaptar os métodos e concepções anteriormente utilizadas. Neste contexto, surge a Industrial Big Data, definida como a elevada quantidade de informação recolhida por equipamentos industriais. O desenvolvimento tecnológico na indústria normalizou a utilização de sensores inseridos em máquinas que recolhem dados gerados durante o processo de produção. Os especialistas acreditam que a Big Data industrial surgiu como resultado da adoção da Industrial Internet of Things nos processos produtivos. Os dados, caracterizados pela sua complexidade e diversidade, são recolhidos em grande escala, já que quase todos os dispositivos fabris com acesso à internet estão permanentemente a recolher informação.
Apesar destes dados serem fulcrais para as empresas, até ao momento falamos apenas da recolha dos mesmos, sem qualquer tratamento ou utilização direta – Industrial Big Data.
Esta enorme quantidade de informação ganha relevo quanto mais eficiente e assertiva for a sua recolha, análise e interpretação. Este processo completo e complexo é conhecido por industrial data Analytics.
A importância de Industrial Data Analytics está a aumentar, estimando que, em 2026, este mercado esteja valorizado em 36.73 mil milhões de dólares (comparado com os 13.6 mil milhões registados em 2020). Este aumento vem associado à acelerada transformação digital do tecido industrial e à inequívoca vantagem que a capacidade de interpretação e leitura dos dados tem na implementação das estratégias de crescimento e evolução das organizações.
Benefícios da aplicação de Data Analytics no setor Industrial
Ao abordar os dados de forma transversal, do passado ao futuro, torna-se possível desenvolver modelos estatísticos avançados que permitem a descoberta de insights de negócio cada vez mais específicos e personalizados e antever as situações mais plausíveis no futuro. Com este tipo de soluções, será possível:
• Melhorar a performance
• Aumentar a monitorização
• Tomar decisões mais eficientes e rápidas
• Controlar custos
• Melhorar o serviço para os clientes
No setor Industrial esta competência incorpora as vantagens de análise de dados com as vantagens específicas de um ambiente industrial. Estas incluem:
Equilíbrio entre trabalho automatizado e trabalho manual
A utilização de automação na manufatura está a tornar-se cada vez mais comum. Espera-se que o mercado global de automação fabril cresça 8.8% anualmente até 2025. Apesar de a automação representar possíveis ganhos de eficiência, tais como maior produtividade e consistência na qualidade, há posições que requerem trabalho humano. A análise de dados industriais permite estudar estes fatores para atingir um equilíbrio entre trabalho manual e automatizado. Adicionalmente, a análise de equipas de trabalho permite dimensionar equipas e vigiar indicadores financeiros durante a implementação de processos automatizados.
Otimização de processos
Uma das grandes vantagens da análise de dados é a otimização de processos e a capacidade de aumentar a produtividade das operações.
Nos equipamentos, isto pode ser alcançado através da implementação de modelos de manutenção prescritiva, que maximizam a vida útil de todos os componentes.
A implementação de Data Analytics permite a criação automática de planos de produção, normalmente associada a um processo complexo com multivariáveis, em que o resultado final é a melhor solução. Isto irá permitir a redução do tempo necessário para a construção de um plano e a análise de vários cenários flexíveis, obtendo desta forma um plano de produção otimizado.
Por último, no que diz respeito a anomalias, a utilização de Data Analytics permite identificar inconsistências em equipamentos e instalações produtivas. Os algoritmos matemáticos encontram padrões que permitem refinar processos. Por exemplo, através de ferramentas analíticas é possível identificar se uma máquina é mais ou menos eficiente se trabalhar durante menores intervalos. Estes tipos de insights são essenciais para a melhoria e otimização de processos.
Eficiência energética
O setor industrial é o que utiliza mais energia, consumindo cerca de 54% do total mundial de delivered energy. A energia constitui um enorme custo para as organizações industriais. Dado que existem governos que diminuem os impostos de empresas menos poluentes, uma das formas utilizadas para diminuir estes custos é adaptar o consumo energético ou torná-lo mais eficiente. Uma maior eficiência energética é capaz de aumentar a competitividade e melhorar a produtividade, o que representa uma enorme vantagem para as empresas.
A utilização de Data Analytics na eficiência energética permite prever o mercado de energia e, consequentemente, melhorar a tomada de decisão energética. Isto torna-se especialmente relevante já que o aumento das preocupações ambientais poderá criar uma tendência de investimento em energias renováveis. Estima-se que, em 2030, as energias renováveis poderão chegar a representar 27% do consumo energético global. A analítica industrial antecipa estas alterações para que os gestores possam adaptar a sua estratégia e aumentar o investimento em energias com relevância futura.
Tipos de Data Analytics
A abordagem tradicional de Analytics passa pelo estudo dos dados históricos. Hoje em dia, esta análise não é suficiente, já que analisar o presente é também importante para se saber exatamente o que está a acontecer neste preciso momento.
Por outro lado, apoiar na previsão de eventos futuros, sugerindo o que deve ser feito ou dizendo o que é mais provável acontecer, é cada vez mais relevante para a criação de valor e construção de uma cadeia de valor sustentável e resiliente. Existem 4 tipos de análises de dados com as seguintes características:
Analítica Descritiva
A analítica descritiva é aquela que observa os dados passados. Os dados históricos são recolhidos, organizados e analisados, com o objetivo de responder à pergunta “o que aconteceu?”. Para tal, podem ser utilizadas ferramentas suportadas por fenómenos como Business Intelligence e Big Data. É o método analítico mais comum mas, quando observado individualmente, não é capaz de justificar os fenómenos observados.
Analítica de Diagnóstic
A analítica de diagnóstico é mais profunda do que a analítica descritiva. Esta utiliza técnicas de análise de dados exploratórias para responder à pergunta “porque é que aconteceu?”. É vista como a base da análise causal, uma vez que tem como objetivo encontrar correlações entre os dados. Quando aplicada no setor industrial, poderá encontrar uma relação entre, por exemplo, a temperatura de uma fábrica e a velocidade com que uma máquina opera. Isto é possível devido à utilização de processos como data mining e machine learning.
Analítica Preditiva
A analítica preditiva utiliza os dados históricos e, com a ajuda de algoritmos, métodos estatísticos e machine learning, analisa padrões para responder à pergunta “O que vai acontecer?”. A análise preditiva dá continuidade à análise descritiva e de diagnóstico pois, para ser possível prever o que pode acontecer, é necessário primeiro compreender o que aconteceu e o porquê de ter acontecido. Este tipo de análise estatística tem utilidade para diversos setores, como marketing, finanças, indústria e retalho.
Analítica Prescritiva
A análise prescritiva é o tipo de Analytics mais avançado e pretende responder à pergunta “O que devemos fazer?”. Este tipo de análise utiliza heurísticas, simulações e inteligência artificial para desenvolver múltiplos cenários hipotéticos, apresentar as possíveis decisões e as suas implicações. Este é o modelo analítico que mais apoia a tomada de decisão e, consequentemente, tem maior impacto nas ações dos gestores.
Como implementar práticas de Data Analytics no setor Industrial
Implementar uma estratégia de Data Analytics num ambiente industrial vem com desafios. A elevada multidisciplinariedade dos processos e departamentos faz com que seja complexo interligar e coordenar as várias pessoas e tecnologias da organização. É necessário considerar as boas práticas de implementação de uma estratégia de análise de dados e ter em conta as especificidades de uma estratégia de Analytics industrial:
• Mapear o fluxo de material para compreender melhor todo o negócio
• Analisar os recursos disponíveis de recolha de dados
Verificar que dispositivos de IoT estão disponíveis, que máquinas têm sistemas de recolha de dados, quem são os colaboradores com habilitações para trabalhar com análise de dados e qual é o budget disponível para a implementação de Data Analytics.
• Selecionar os pontos de melhoria que se pretende abordar
Num ambiente fabril, há processos mais relevantes para compreender a produção e fazer previsões. Por exemplo, numa empresa de embalamento de produtos alimentares, a máquina responsável por selar as embalagens é essencial, tanto para o processo produtivo, como para a contagem das unidades de produto acabado. Caso esta máquina não recolha informação de qualidade, nunca será possível prever possíveis avarias ou flutuações no tempo de produção. É fundamental selecionar quais os pontos do processo de produção que mais poderiam beneficiar da aplicação de Data Analytics.
• Mapear o fluxo de informação do gemba até aos diferentes sistemas de informação em utilização
Para fazer previsões é necessário ter acesso a dados históricos. Este mapeamento permite verificar que dados foram recolhidos e qual é a acessibilidade aos mesmos.
• Implementar novos métodos de recolha de dados ou atualizar os métodos atualmente utilizados
Os atuais dispositivos de recolha de dados podem ser insuficientes para representar corretamente o ambiente industrial. É necessário compreender em que fases do processo produtivo é que há falhas na recolha de dados e pôr em prática mecanismos de correção. Desta forma, serão gerados novos dados históricos relevantes para futuras previsões.
• Organizar e transformar os dados relevantes numa base de dados pronta para ser analisada
A recolha de dados não garante a capacidade de os utilizar para a tomada de decisão ou otimização de processos. É necessário selecionar quais os dados relevantes para análise e organizá-los. Por exemplo, se uma fábrica tiver alterado significativamente o seu processo produtivo, os dados recolhidos antes dessa alteração podem não ser relevantes para análise e acabar por criar indicadores incorretos.
• Utilizar a base de dados transformada para construir modelos e avaliar o retorno do investimento das várias soluções possíveis
• Operacionalizar o modelo selecionado no processo de produção
Conclusão
Para alcançar plenamente os benefícios do Analytics e implementar novas ferramentas e processos, a gestão da mudança é fundamental. É necessário preparar a organização para o sucesso, colocando as pessoas no centro, envolvendo os diferentes utilizadores finais desde a fase inicial de mapeamento e fazendo uma implementação de forma faseada em equipas piloto, para teste e melhoria.
Saiba mais sobre Indústria de Produção e Montagem
Explore a transformação neste setor
Saiba mais sobre Analytics
Descubra o poder de Data Analytics