Durante os últimos anos, a quantidade de dados gerados por empresas vem crescendo de forma exponencial. Está mais do que nítido que o correto uso deles pode trazer vantagens competitivas para os negócios. Em vista disso, grandes empresas aplicam o Big Data para estruturar a enorme quantidade e variedade de dados gerados por elas. E aproveitam de sua velocidade para obter insights que se traduzem em ganhos relativamente altos. Para termos uma ideia deste impacto, segundo levantamento feito pela McKinsey, o Big Data tem um potencial de aumentar a margem liquida do setor varejista em até 60%.
Quem já leu o livro O Poder do Hábito teve um breve spoiler de como a gigante americana Target usou seus dados em ações estratégicas. Na oportunidade, a Target analisou hábitos e encontrou padrões comuns de compras de um certo perfil de cliente, as mulheres grávidas. Após alcançar esse resultado, ela passou a enviar campanhas de marketing de produtos direcionadas para futuras mamães. O sucesso de suas análises foi tanto que chegou ao ponto de descobrir de uma gravidez antes da própria família da grávida.
Resumindo, os ganhos da utilização de dados como direcionadores nas tomadas de decisões de negócios é imensurável. Em setores que utilizam dados há mais tempo, como o retail, é quase impossível que hoje, uma corporação tenha condições de competir em um mercado global sem tirar proveito dessas análises.
Trazendo todo esse contexto de dados e Big Data para o mundo da indústria de manufatura, pude perceber ao longo desses últimos anos, trabalhando junto á Crave Industry, que em se tratando do cenário industrial brasileiro, são poucas as empresas que já conseguem se beneficiar e tomar grandes decisões baseadas em informações geradas pelo seu próprio processo fabril.
Claro, não podemos esquecer que a coleta de dados no meio industrial oferece um nível de complexidade muito maior se comparado a lojas e supermercados, em que os dados estão disponíveis em alguns bancos de dados de mais fácil acesso e integração.
Voltando um pouco na linha do tempo, até alguns anos atrás, IIoT (Industrial Internet Of Things) estava se tornando realidade e novas tecnologias estavam sendo criadas, ou evoluídas. Toda essa evolução tinha um objetivo: integrar e coletar dados de máquinas industriais. Além disso, as áreas de TI estavam se desdobrando internamente, discutindo pontos de privacidade de seus dados. Mais precisamente na coleta de dados da fábrica e envio destes para uma cloud de terceiros.
Atualmente, as empresas estão mais flexíveis quanto ao envio de dados para a nuvem, pois já perceberam o alto nível de segurança presente nesta etapa. Porém, ainda vemos um grande número de empresas que não historiam dados de processo, ou que ainda requerem um grande investimento em sensorização e automação.
Com todo esse cenário de dificuldades na coleta, passamos para um segundo nível, tão complexo quanto e não menos relevante, que seria as inúmeras fontes de dados existentes em um chão de fábrica, isso se falarmos apenas de uma única planta.
Para ilustrar um pouco melhor esse cenário, vamos ser um pouco otimistas e considerar que no passado, certa planta havia realizado investimentos em sensores e historiadores de dados. O que já indica que ela está em um cenário um pouco mais avançado. Porém, mesmo que dados gerados pelo seu processo sejam coletados e historiados, eles ainda geram pouco valor se analisados separadamente e sem nenhuma contextualização.
Além disso, em uma fábrica existem ainda outras dezenas de fontes de dados que necessitam ser integradas. Como por exemplo: apontamentos de paradas não programadas de máquina, apontamentos de qualidade, indicando peças boas e com defeitos, além de planejamentos de produção e receitas/setup.
Uma vez que integramos em todas essas fontes, temos outro grande desafio: Processar toda essa enormidade de dados em tempo real e aplicar modelagens de alto nível para a construção do Big Data.
Concluído esta etapa, temos a completa digitalização do chão de fábrica, alcançando o que chamamos de Digital Twin (Gêmeos Digital).
Uma vez alcançado o Digital Twin, temos um oceano azul de oportunidades, onde podemos explorar diversas técnicas de análises de dados. Como por exemplo: controle estatístico de processo, correlação de séries temporais, além de visualizar indicadores como o OEE em tempo real.
A integração de diversas fontes de dados conforme mencionado acima, nos permite explorar análises mais complexas através de inteligência artificial e Machine Learning. Excelentes exemplos de aplicações ML/IA são: análise de causa raiz de problemas, detecção de anomalia em equipamentos e predição de eventos indesejáveis.
A Crave Industry, em parceria com o Google Cloud Platform, oferece a mais avançada plataforma para dados de manufatura. Não deixe de conferir.
Diante de todo esse brainstorming, é notável que o desafio de extrair valor de dados no setor industrial é bem maior se comparado com outros setores. Isso solidifica o motivo do atraso do setor industrial em termos de cultura em tomadas de decisão orientada a dados. Por outro lado, esse desafio já pode ser solucionado com o avanço recente de conectividade e tecnologia. Agora, resta as indústrias abraçarem a jornada de transformação digital, adotarem uma cultura data-driven e se tornarem cada vez mais eficientes, lucrativas e sustentáveis através de dados.
Gostou da ideia mas ainda não sabe por onde começar? Este artigo cobre tudo que você precisa saber para iniciar a sua jornada da manufatura inteligente.