Como uma empresa de manufatura alemã montou seu laboratório de análise

Nos últimos anos, a maioria das empresas passou a reconhecer que a capacidade de coletar e analisar os dados que geram se tornou uma fonte importante de vantagem competitiva. A ZF, uma fornecedora automotiva global com sede na Alemanha, não era exceção. As start-ups digitais começaram a produzir produtos virtuais com os quais a ZF não sabia como competir, e os engenheiros de logística, operações e outras funções estavam descobrindo que suas abordagens tradicionais não conseguiam lidar com os problemas complexos que enfrentavam. Alguns executivos da empresa começaram a temer que estivessem diante de seu próprio "momento Kodak" - uma disrupção fatal que poderia redefinir seus negócios e eliminar as vantagens acumuladas ao longo de décadas. Com os analistas automotivos prevendo grandes mudanças na mobilidade, eles começaram a pensar que a empresa precisava de um laboratório dedicado que se concentrasse inteiramente nos desafios de dados. Mas como? Na época, um de nós, Niklas, cientista de dados da ZF, estava fazendo um doutorado em tempo parcial na Universidade de Freiburg. Niklas deu o primeiro passo e recrutou seus orientadores na universidade, Dirk Neumann e Tobias Brandt, para ajudá-los a montar um laboratório para a empresa. Isso deu à ZF acesso a um conhecimento especializado de primeira linha em análise de dados e gerenciamento de sistemas de informação. A parte mais difícil foi descobrir como o laboratório funcionaria. Afinal de contas, os laboratórios de dados industriais são um fenômeno relativamente novo - não se pode simplesmente fazer o download de um projeto. No entanto, depois de alguns tropeços, conseguimos obter a aceitação do laboratório e descobrimos várias práticas recomendadas que, em nossa opinião, são amplamente aplicáveis a quase todos os laboratórios de dados. Concentre-se nos clientes internos certos A ZF tinha dezenas de departamentos repletos de projetos relacionados a dados potencialmente de alto impacto. Embora estivéssemos tentados a lidar com muitos projetos em toda a empresa, percebemos que, para criar visibilidade em uma empresa com 146.000 funcionários, tínhamos que nos concentrar primeiro nos departamentos e projetos mais promissores. Mas como definiríamos "mais promissores"? Como o objetivo do laboratório de dados é criar valor por meio da análise de dados, inicialmente nos concentramos nos departamentos que geram mais dados. Infelizmente, isso não reduziu muito o número de departamentos. Finanças, Logística, Marketing, Vendas, bem como Produção e Qualidade, todos produziram grandes quantidades de dados que poderiam ser interessantes para projetos-piloto de ciência de dados. Este artigo também aparece em: Strategic Analytics: The Insights You Need from HBR Livro de Tecnologia e Operações 22.95 Adicionar ao carrinho Salvar Compartilhe No entanto, sabíamos, por experiência própria, que os projetos de maior impacto em uma empresa de manufatura como a ZF seriam os de Produção e Qualidade. Durante anos, as linhas de produção da ZF foram conectadas e controladas por sistemas MES e ERP, mas os dados gerados por eles ainda não haviam sido profundamente explorados. Decidimos, portanto, começar concentrando-nos nos problemas de produção, como interrupções, taxas de retrabalho e velocidade de produção, onde poderíamos ter um impacto imediato. Identificação de problemas de alto impacto Em seguida, selecionamos os projetos de Produção e Qualidade que prometiam os resultados de maior valor. Nossa experiência com os primeiros projetos forneceu a base para um modelo de avaliação de projetos, que continuamos a aperfeiçoar. O modelo continha um conjunto de critérios em três dimensões que nos ajudaram a classificar os projetos. O problema a ser resolvido tinha de ser claramente definido. Não podíamos adotar um objetivo abstrato, como "melhorar a produção". Precisávamos ter uma ideia clara de como a análise criaria valor comercial. Os dados concretos tinham que desempenhar um papel importante na solução. E os dados tinham de estar disponíveis, acessíveis e de boa qualidade. Precisávamos evitar que a equipe fosse inundada por projetos de relatórios de business intelligence. A equipe tinha que estar motivada. Demos independência às equipes de projeto na escolha de como resolveriam os problemas que assumissem. E, embora tenhamos tornado o orçamento apertado o suficiente para impor o foco, garantimos que não fosse tão apertado que a equipe não pudesse tomar decisões básicas de alocação por conta própria. Para manter a motivação e o entusiasmo, priorizamos projetos que pudessem ser subdivididos em metas menores, mas mais facilmente alcançáveis. Embora tenhamos achado útil designar uma pessoa específica para gerenciar as relações com o restante da empresa, mantivemos todo o laboratório envolvido na seleção de projetos à medida que o número de pessoas trabalhando no laboratório aumentava. Isso manteve todos informados, deu-lhes um maior senso de responsabilidade pessoal e expressou implicitamente o apreço da gerência por seu julgamento profissional. Execução O principal risco era que a equipe se perdesse na otimização de pequenas nuances de modelos e métodos em vez de resolver o problema principal. Para evitar isso, geralmente limitávamos a fase de execução a três meses e dávamos à equipe o direito de cancelar o contrato. Esse poder acabou sendo um divisor de águas. Dar à equipe (incluindo o especialista no domínio) uma "opção nuclear" tornou-a muito mais focada e orientada para as metas. Quando implementamos essa regra, o número de solicitações de alteração do cliente interno diminuiu e as informações fornecidas inicialmente tenderam a ser mais precisas e completas do que antes. É claro que uma equipe não podia cancelar um projeto por motivos arbitrários. A TI precisava justificar sua decisão, especificando as condições sob as quais o projeto poderia ser reaberto. E, embora os cancelamentos sejam controversos, às vezes são necessários para liberar recursos e impor o progresso em direção a uma meta significativa. Na verdade, a introdução da capacidade de cancelar projetos aumentou o número de projetos concluídos com sucesso. Embora uma única equipe possa trabalhar em vários projetos ao mesmo tempo, especialmente porque a espera por respostas do departamento do cliente pode levar a atrasos, geralmente achamos melhor que a equipe trabalhe em um único projeto por vez. Descobrimos que os períodos de inatividade eram mais bem aproveitados pelos membros da equipe para aprender novos métodos e técnicas de análise, que continuavam a avançar em ritmo acelerado. Mantivemos nosso cliente interno atualizado sobre nosso progresso por meio de relatórios regulares e, quando possível, incluindo seu especialista de domínio na equipe do projeto. Se não fosse possível, procurávamos um acordo - como uma reunião semanal - que nos permitisse entrar em contato diretamente com o especialista sem ter que passar por guardiões. Principais fatores de sucesso Além de obter uma compreensão geral do trabalho do laboratório de dados como um processo de três estágios, também aprendemos outras lições. Em particular, descobrimos que três outros ingredientes foram cruciais para o sucesso do laboratório de dados: Apoio executivo. A confiança que a equipe executiva de tecnologia depositou em nós foi crucial para o nosso sucesso. Felizmente, eles não parecem se arrepender: "Dar ao laboratório de dados uma grande liberdade para agir de forma independente, experimentar ideias e também aceitar falhas como parte de um processo de aprendizado, exigiu confiança. Mas o impulso que isso criou é algo que não queremos perder", disse o Dr. Jürgen Sturm, Diretor de TI. A perspectiva de uma autoridade externa. Nesse caso, os cientistas de dados da Universidade de Freiburg fizeram uma grande diferença para o sucesso do laboratório. Como Andreas Romer, Vice-presidente de Inovação de TI da ZF, disse: "Não consideramos mais a inovação como um processo interno na ZF. Para garantir nosso sucesso futuro, precisamos olhar para além dos limites de nossa empresa, criar parcerias para aprender e também para compartilhar conhecimentos e experiências." Especialistas no domínio. Embora os cientistas de dados tenham trazido para o projeto o conhecimento de métodos e abordagens analíticas, seu acesso a especialistas no domínio foi essencial. Esses especialistas precisavam estar intimamente envolvidos na resposta a perguntas relacionadas ao domínio que surgiam quando a equipe estava profundamente envolvida com o problema. Em nossa experiência, a capacidade e a disponibilidade de especialistas no domínio é o gargalo mais comum que bloqueia o progresso de um projeto de análise de dados. Problemas resolvidos Três anos depois, podemos dizer com confiança que o Laboratório de Dados da ZF é uma adição valiosa para a empresa. Com esse recurso dedicado, a ZF conseguiu solucionar problemas que, durante anos, deixaram os engenheiros da empresa perplexos. Aqui estão dois exemplos: Anéis de retificação quebrados. Uma das principais fontes de paradas em máquinas de linha de produção, uma quebra pode criar uma bagunça que pode levar horas para ser limpa. Um cliente interno queria desenvolver um sistema de alerta antecipado que pudesse indicar a probabilidade de uma futura quebra de anel, mas eles tinham dados confusos, um sinal fraco (dados pouco claros) e uma verdade básica altamente desequilibrada (porque as quebras acontecem apenas ocasionalmente). Apesar dessas limitações, conseguimos criar um algoritmo capaz de detectar quebras iminentes em 72% das vezes, o que está longe da perfeição de cinco casas decimais, mas ainda assim é suficiente para economizar milhares de dólares para a empresa. Cobranças de alta demanda de energia. O gerenciamento de unidades de energia para regular a demanda de energia nos momentos de pico de uso é uma maneira eficaz de reduzir custos. Nossa meta era desenvolver um agente automatizado de tomada de decisões orientado por dados que fornecesse recomendações de ações com o objetivo de reduzir os picos de carga. Trabalhando em estreita colaboração com o departamento de energia, conseguimos desenvolver um modelo de previsão funcional para evitar essas sobretaxas de alta demanda. Seguir as recomendações do modelo deve reduzir o pico de carga em 1 a 2 megawatts, o que equivale a aproximadamente US$ 100 mil a US$ 200 mil por ano. Depois de crescer por três anos, o ZF Data Lab se tornou uma espécie de função especializada de P&D dentro da empresa. O TI é um caldeirão de ideias e tecnologias, produzindo e avaliando provas de conceito e descartando abordagens que não funcionam. Em última análise, o laboratório de dados não está lá apenas para resolver problemas, mas para ajudar a responder à maior questão de Big Data de todas: como nossa empresa competirá nesse mundo cada vez mais digital?

Como uma empresa de manufatura alemã montou seu laboratório de análise

Resumo.

Partner Center