Cultura data driven na indústria: cuidado com os dados!

O termo data driven está cada vez mais no dia a dia das empresas e das indústrias, uma vez que a digitalização está se tornando realidade em praticamente todos os setores da economia. 

O termo data driven está cada vez mais no dia a dia das empresas e das indústrias, uma vez que a digitalização está se tornando realidade em praticamente todos os setores da economia. 

Mas como ser, na prática, orientado a dados? Hoje vamos falar sobre como a cultura data driven pode ser implementada de forma eficaz, especialmente na indústria. 

Continue aqui com a gente! 

Aquisição de dados e informação na indústria

Você já parou pra pensar que informação é o recurso mais valioso de todos?

Com informação de qualidade, todos outros recursos (água, óleo, minerais, recursos humanos, estratégias de desenvolvimento, oportunidades de negócio) podem ser encontrados e administrados de forma eficiente.

Toda informação decisiva precisa estar baseada em dados. Sendo assim, dados são o recurso mais precioso de todos, e a qualidade desses dados é fundamental para que a informação a ser produzida a partir deles seja confiável.

Tratamento de dados e consolidação 

Assim como o petróleo in natura ou um recurso mineral bruto, o dado também  precisa, muitas vezes, de transformações e processamentos para que seu valor total seja alcançado. E seguindo a analogia, a forma de armazenamento e conservação também devem ser igualmente seguras para garantir que o valor do recurso persevere no tempo. 

Este processo de tratamento no contexto da engenharia de dados se enquadra nas melhores práticas de aquisição e manutenção dos bancos de dados. Não é à toa que as arquiteturas de aquisição também são chamadas de pipelines de dados, assim como as pipelines que transportam óleo e gás. 

Dependendo da forma como dados são gerados e administrados, tanto no contexto da integração como na plataforma de dados, a informação disponível neles pode ser comprometida, e todo o valor que essa informação tem para enriquecer um processo decisório pode ser igualmente perdido.

Partindo dessa observação, é possível perceber como a tão falada transformação digital depende de uma consolidação dos processos associados à aquisição de dados e manutenção da infraestrutura que os armazena. Segundo uma pesquisa da McKinsey, essa consolidação ainda está muito longe de ser atingida na maioria das organizações e em particular nas empresas cujo negócio depende da indústria, e especialmente no Brasil. 

Cuidado com os dados: a modelagem certa para a sua empresa

A consolidação dos processos ligados ao uso, administração e manutenção de dados, por sua vez, só pode emergir em um contexto em que a cultura da empresa em questão é propensa a reconhecer a importância fundamental dos dados como matriz de toda informação de qualidade. 

No mercado industrial é muito comum atualmente se ouvir falar em termos da moda (também chamados de buzzwords) ligados a machine learning e inteligência artificial sem que haja ao lado um entendimento de que essas poderosas ferramentas de modelagem e otimização de processos não tem sucesso sem dados de qualidade. 

Como diz o ditado: “garbage in, garbage out”, que em tradução livre ficaria “lixo pra dentro é igual a lixo pra fora”, ou seja, dados sem qualidade produzem modelos igualmente sem qualquer poder analítico ou preditivo.

Aqui, podemos discernir dois temas complementares que reúnem a essência do que procuramos explorar neste artigo, cuidado com os dados:

  • Cultura data driven no contexto da Indústria
  • Monitoramento de qualidade de dados produzidos em processos industriais 

Os dois temas se entrecruzam mas enquanto o segundo é uma atribuição direta dos profissionais de dados (engenheiros, cientistas e lideranças), o primeiro é uma necessidade que atravessa todos os departamentos de qualquer empresa ligada à indústria. 

Em geral, o monitoramento da qualidade dos dados só vai aparecer em um contexto corporativo em que já existe alguma maturidade ligada ao estabelecimento de processos data-driven. Mas existem também colaborações entre diferentes departamentos ou organizações em que, por desarticulação de mindsets é possível ver equipes trabalhando com monitoramento de qualidade de dados sem que a cultura data driven tenha sido absorvida na empresa como um todo.

O que é a cultura data driven na indústria e como implementar?

Cultura data-driven na indústria é um conjunto de práticas e princípios que dá conta de informar decisões feitas no contexto da gerência, administração e manutenção de uma planta industrial com dados produzidos pela própria operação. Isso envolve não apenas dados de produção, dados de disponibilidade de equipamento, como também métricas associadas ao dia a dia e a performance dos times.

Apesar da cultura do “chão de fábrica” ser propícia a uma abordagem data-driven, muitas vezes condições de trabalho nem sempre ideais vêm acompanhadas de pouco entendimento técnico sobre os equipamentos e suas condições ideais de funcionamento, além de uma rotina muito voltada para a operação, em geral sem muito planejamento além da sazonalidade anual de produção e paradas para manutenção. 

Modernizar essa realidade para atingir um cenário onde dados orientam cada decisão tomada no contexto da indústria é um desafio duríssimo. Muitas vezes a iniciativa de introduzir a abordagem data-driven encontra a resistência de profissionais acostumados com uma rotina em que percepções imprecisas prevalecem como motor decisório nos dilemas da produção. 

KPIs na indústria: meça a performance dos times no cenário data-driven

Essa modernização envolve não apenas a adição de KPIs (Key Performance Indicators) como métricas de performance para produção e para os times envolvidos no processo, mas também uma rotina periódica de avaliação dos resultados e tomada de decisão baseada nos mesmos, além de uma documentação clara, concisa e completa acerca de cada uma das métricas, que deve ser de fácil acesso a todos membros do time envolvidos na entrega correspondente.

Valores esperados para as métricas devem ser estabelecidos previamente como metas a serem alcançadas e o não cumprimento de expectativa no contexto dessas métricas deve ser respondido com uma estratégia que procura restabelecer o cumprimento da meta ou uma adequação da métrica ao novo patamar esperado. 

O período associado à rotina de elaboração de planos para atingimento de metas nos KPIs deve também refletir o tempo típico associado ao processo em questão, alinhando o ritual de avaliação das métricas ao desdobramento do projeto sobre o qual o time em questão está se debruçando.

Em vez de esperar a configuração de uma situação crítica para a companhia, o estabelecimento de métricas que antecipam performance define uma abordagem proativa que propõe o atingimento de metas. 

Por oposição, a abordagem reativa consiste em simplesmente esperar o aparecimento de um problema para se definir uma estratégia que procura aliviar o mesmo. Mesmo que alguns problemas não possam ser antecipados (para todo projeto existe um elemento imponderável), a proatividade oferecida pela abordagem data driven é essencial para a facilitação da maior parte das questões.

Dados como matéria-prima na RIO analytics

No contexto da RIO analytics, desenvolvemos produtos cujo valor intrínseco depende totalmente dos dados a que temos acesso, tanto no sentido de dados que disponibilizamos nos nossos sistemas de gestão, como para os cálculos e modelagens efetuados a partir desses dados. 

Assim, dados não são apenas o instrumento de trabalho e matéria prima para as ferramentas da RIO, como também parte essencial dos produtos desenvolvidos pela empresa. 

É essencial então que a RIO analytics estabeleça ativamente em seus próprios processos internos uma abordagem data-driven, consistente com o molde de desenvolvimento de seus produtos.

Entre os nossos produtos, podemos citar a solução de monitoramento para motores elétricos e o sistema de gestão para tubos de perfuração. Exemplos de métricas que são essenciais para a avaliação do desempenho das plataformas podemos citar:

  • Uptime – Porcentagem do tempo em que o sistema está disponível para acesso por usuário
  • Usabilidade – Número de acessos esperados ao sistema e tempo total despendido pelo usuário em interação com o sistema
  • Frescor – Representa o quão recente é o dado, isto é, quão fiel é o dado ao estado atual do equipamento monitorado.
  • Confiabilidade – A confiabilidade das previsões dos modelos disponíveis também é métrica essencial no contexto do desempenho dos sistemas e pode ser estabelecida uma vez que a série de modos de operação apresentados pelo equipamento a ser monitorado é cruzada com as inferências geradas por modelos.

Gestão de integridade de ativos industriais: RIO analytics

Rio analytics é uma empresa focada em sistemas para gestão de integridade de ativos industriais, tendo foco em particular em motores elétricos e sondas de perfuração para petróleo, mas que em oportunidades anteriores desenvolveu projetos piloto e consultoria em uma grande diversidade de ativos industriais como caldeiras, locomotivas, turbinas eólicas, laminadoras, risers e caissons de plataformas de petróleo. 

Ao longo de nossa história, pudemos entrar em contato com diversas realidades reveladoras da relação desenvolvida por profissionais da indústria com dados, em particular no contexto de dados advindos de sensores especializados em monitorar a condição de equipamentos industriais. 

A experiência acumulada nessas muitas interações com a indústria em muitos mercados e especializações distintas abriu portas para melhor compreensão dos problemas e necessidades endêmicas a serem contornados pela abordagem data-driven associada a boas práticas na gestão de dados. Esse tema será aprofundado em breve, no nosso blog aqui no site da RIO analytics!

Destacamos aqui a necessidade de dados em todos os níveis do trabalho na indústria: dados para as equipes de trabalho, dados para monitorar equipamentos, dados para performance dos produtos, dados para o mercado. Cuide dos seus dados com a gente!

Autores:
João Medeiros
Nahum Sá