Desafío
Aprovechar las oportunidades que ofrece un entorno de fabricación rico en datos significa también afrontar sus retos. En Marelli, esto significó superar las barreras de acceso a los datos y encontrar una forma de profundizar la colaboración entre los expertos en datos y en el dominio.
Solución
La dirección técnica de Marelli buscaba una herramienta analítica que pudiera ofrecer tanto un análisis estadístico sofisticado como un medio para optimizar todo el flujo de trabajo de datos de fabricación. Al consolidar múltiples pasos en una sola herramienta, el software de descubrimiento estadístico JMP® "ofrecía un conjunto de herramientas muy poderoso... tanto desde un punto de vista estadístico como desde el punto de vista de la visualización", dice el Gerente Mundial de Innovación y Mejoras de Calidad para Sistemas Electrónicos, Simone Cianchini.
Resultados
Desde su implementación, JMP ha hecho de la exploración de datos una mejor práctica dentro de los flujos de trabajo analíticos de Marelli, lo que permite a los expertos del dominio extraer rápidamente más valor -y en última instancia, más información- de sus datos. Además, dice Cianchini, este flujo de trabajo incluso ha ayudado a cambiar la cultura al capacitar a los expertos en datos y en el dominio por igual para abordar los datos con un espíritu de curiosidad.
Marelli es uno de los principales proveedores mundiales independientes del sector de la automoción, y emplea a cerca de 54.000 personas en todo el mundo. Con una sólida trayectoria en innovación y excelencia en la fabricación, la empresa ofrece tecnologías para varias áreas de productos de automoción, como la electrónica y los interiores avanzados, las tecnologías de iluminación y detección de automóviles, las soluciones de gestión térmica y del tren motriz electrónico para la electrificación de vehículos, las tecnologías ecológicas para los sistemas de escape de combustión interna, soluciones para sistemas de suspensión y tren motriz de combustión interna, así como para los deportes de motor.
La visión tecnológica única de la compañía, más evidente en sus acelerados ciclos de desarrollo de la movilidad eléctrica conectada, autónoma y compartida, está profundamente alineada con una cultura analítica madura que, según la dirección de Marelli, es primordial para la innovación. "El uso de los datos es clave para acelerar las decisiones, y respaldar esas decisiones con argumentos más sólidos. Para incrementar la rentabilidad, la clave es maximizar esta fórmula: (velocidad x efectividad)/costo. La recopilación de datos, la visualización y el análisis son compatibles con él", dice Simone Cianchini, Director Mundial de Calidad de Innovación y Mejoras para Sistemas Electrónicos de Marelli.
Maestro Six Sigma Black Belt con más de 25 años de experiencia en operaciones de manufactura, innovación en ingeniería, integración, I+D y ciencia de datos, Cianchini llegó a Marelli procedente del gigante de los semiconductores Vishay, donde ocupó el cargo de Director Senior de Ingeniería e Integración. La agilidad con la analítica, dice, es algo que, en el transcurso de su carrera, ha llegado a considerar como el valor que define a las organizaciones que impulsan una innovación significativa.
“En nuestro entorno moderno, la ciencia de los datos es fundamental. Ya no podemos tomar decisiones basadas en la intuición o en ideas abstractas", dice; si las organizaciones quieren seguir siendo competitivas, deben invertir en la habilitación de la analítica estratégica.
Un flujo de trabajo de datos racionalizado y estratégico es la piedra angular del éxito de la analítica
Bien alineado con este espíritu, Marelli ha instituido un programa activo de Toma de Decisiones Basada en Datos (3DM) en toda su línea de negocio de electrónica. 3DM se ha estandarizado en torno a una serie de iniciativas de datos secuenciales, explica Cianchini, proporcionando un flujo de trabajo optimizado que comienza con la gestión de big data y continúa con la analítica, los controles de datos, la prevención y la predicción.
“Los datos por sí solos no hacen que las cosas sucedan; más bien, nosotros, como expertos en dominios, debemos tomar decisiones basadas en los conocimientos que extraemos de nuestros datos", dice Cianchini. "Nuestro objetivo es aprovechar esta información en todo lo que podamos para crear oportunidades, evitar errores y acelerar los procesos de toma de decisiones".
Para cumplir mejor la promesa de optimización de 3DM, Cianchini argumenta que primero hay que asegurarse de que los datos que se recopilan son adecuados para su propósito. Para ello, plantea tres preguntas clave: ¿Quién es el cliente para un uso de datos dado? ¿Cuáles son las expectativas del cliente en torno a este uso de datos? ¿Y cuál es el mejor método para comunicarse con el cliente?
"Primero tenemos que pensar en el usuario final – ya sea ingeniería, operaciones, recursos humanos o incluso nuestro CEO y CTO", reflexiona. "Todo el mundo tiene diferentes necesidades de gestión de datos, por lo que la voz del cliente es absolutamente crítica". Además, añade, la complejidad no siempre añade valor. “Incluso una simple visualización de datos podría generar una discusión muy interesante. Los datos cuentan una historia, cada historia puede tener diferentes puntos de vista, y cada punto de vista puede mostrarle información diferente". Trabajar de forma más inteligente, dice, a menudo significa trabajar de forma más sencilla.
Las visualizaciones dinámicas eliminan las barreras y la complejidad
La visualización de datos desentraña rápidamente cualquier complejidad innecesaria y, por lo tanto, se ha vuelto cada vez más importante para Marelli donde Cianchini dice que profundiza la colaboración y hace que los conocimientos de los datos sean más accesibles para los expertos en el dominio que entienden mejor el proceso, producto o servicio. "Si trabajamos de forma aislada entre estas dos funciones y competencias, perdemos velocidad, o podemos llegar a una conclusión equivocada", dice.
En su opinión, hay dos formas de utilizar los datos. El primero es un enfoque estructurado y metódico: el método científico tradicional que va de la hipótesis al análisis y a los resultados. El segundo es un enfoque no estructurado que valora la exploración colaborativa. "Estas conversaciones no comienzan necesariamente con una hipótesis, solo curiosidad", dice, y enfatiza que no existe un enfoque perfecto, ya que la única forma de optimizar la toma de decisiones es lograr el equilibrio correcto entre métodos estructurados y no estructurados.
“Según mi experiencia, he descubierto que siempre es mejor jugar con los datos antes de pasar a un análisis más profundo. Y es especialmente valioso en esta etapa traer una perspectiva externa de alguien que pueda plantear preguntas disruptivas que ayuden a los expertos del dominio a obtener una nueva perspectiva y alejarse de los pensamientos preenvasados".
El análisis y la visualización de datos exploratorios, dice, son algunos de los aspectos más subestimados de un flujo de trabajo analítico sólido. Y tener una herramienta analítica que haga de la exploración un paso estándar o una mejor práctica dentro de ese flujo de trabajo puede ser transformador. "Cuando hablo con mi equipo, les digo: jueguen siempre con el clic, sean curiosos y atrévanse". Y ahí es donde entra en juego el software de descubrimiento estadístico JMP®.
Un flujo de trabajo analítico consolidado en JMP® ayuda a mejorar rápidamente el rendimiento de la uniformidad del producto
La agilidad que JMP aporta al equipo de Cianchini quizá se ilustre mejor con un caso en el que los ingenieros utilizaron la herramienta para mejorar rápidamente el nivel de rendimiento y la uniformidad del producto. Tras observar el rendimiento real del producto en la línea de producción, el equipo midió primero la planitud del producto en diferentes posiciones, XY; recopiló datos de salida del proceso del sistema de medición de la línea; y evaluó la información de entrada para cada parte.
"Luego utilizamos una combinación de tablas JMP para fusionar la entrada y la salida del proceso en uno", explica. "Se trata de una función de JMP muy potente que hemos utilizado en muchas situaciones diferentes, sobre todo cuando hay un archivo de salida similar procedente de la maquinaria automatizada de la fábrica". El resultado, añade, fue una tabla dinámica que visualizaba datos de entrada y salida.
"Con un poco de exploración, pudimos determinar si la entrada del proceso sería relevante", explica. "La velocidad para capturar esta información fue absolutamente clave; quizás la ilustración perfecta de la fusión entre lo que significa ser un experto en datos y un experto en procesos en Marelli".
Modelo que muestra cómo el equipo de Marelli mide la planitud de los objetos.
La tabla fusionada resultante muestra los datos de entrada y salida del proceso.
Las distribuciones de datos clásicas proporcionaban una visión inadecuada de cómo podía resolverse el problema de la planitud.
El equipo parte de un gráfico de variabilidad de una sola pieza por su ubicación.
Es evidente que todas las partes tienen una distribución de planitud de ubicación similar.
Un mapa de contornos en Graph Builder permite al equipo filtrar por una sola parte.
Más allá de facilitar la colaboración en la resolución de problemas, una visualización de datos relativamente simple, sostiene Cianchini, es la diferencia entre las preguntas y la solución. "Cuando nuestro punto de partida era una distribución de datos clásica, el equipo sólo veía el grado en que se había extendido la planitud, lo que hacía imposible resolverlo con pruebas limitadas", dice. Pero al experimentar con diagramas de variabilidad y de indicadores de atributos, mapas de contorno y mapas de calor de Graph Builder, el equipo pudo hacerse una idea mucho más precisa del problema que se planteaba.
En la visualización se hizo evidente de inmediato que algunas de las ubicaciones de las piezas dedicadas tenían índices de planitud muy diferentes. "Entonces la pregunta era: ¿hasta qué punto esta diferencia de planitud era la misma para todas las partes?" añade.
'De un problema no especificado a una descripción detallada, así de simple'
La exploración continua de datos proporcionó otra solución. Con solo unos pocos clics, y en unos pocos segundos, una visualización de seguimiento proporcionó más información, lo que permitió al equipo ver que las áreas planas eran uniformes en grado y ubicación en todas las partes. "Este mapa de contornos fue muy útil para nuestros expertos técnicos, que tienen un profundo conocimiento del producto y del proceso", dice Cianchini. "Y ni siquiera requería fórmulas o codificación".
Con este único flujo de trabajo analítico, el equipo aprendió rápidamente dos datos clave: uno, que todas las piezas tenían una distribución de planitud similar, y dos, que había regiones específicas -la inferior izquierda y la superior central- donde los valores de planitud eran consistentes. más alto. Equipado con esta información, el equipo de Cianchini pudo identificar con precisión dónde la máquina introducía variación. "Así de fácil", dice, "pasamos de un problema no especificado a una descripción detallada y, en última instancia, a la solución de nuestro problema".
Tras una serie de análisis, el equipo llegó a conclusiones que fueron fundamentales para identificar la forma en que se podía mejorar el proceso. Ajustando dos parámetros específicos e introduciendo elementos de nuevo diseño en su herramienta, el equipo de Cianchini mejoró considerablemente la uniformidad y redujo los defectos relacionados con la planitud. JMP, dice, "nos ofrece un conjunto de herramientas muy poderoso para este tipo de investigación, tanto desde un punto de vista estadístico como desde el punto de vista de la visualización".
“Es un ejemplo excelente de la importancia de la cultura analítica – y de por qué es imperativo tener curiosidad por los datos”, concluye Cianchini. “Haga preguntas sin restricciones y esté dispuesto a jugar con el clic. Es la única forma de estar seguro de dar la respuesta correcta al cliente correcto de la forma correcta. Curiosidad significa ser capaz de innovar y mejorar continuamente".
Un diagrama de dispersión dinámico proporciona formas de extraer información visualmente.
Para cada pieza producida, el equipo registra el valor de las entradas del proceso (1-2-3-4) y la uniformidad relativa de la salida. Esta información se utiliza para determinar si existe alguna correlación entre la entrada y la salida y si hay entradas de relevancia específica para el cambio en la salida. Un gráfico único contiene una gran cantidad de información, aumentada con colores personalizables y otras características de visualización. En este gráfico vemos distribuciones de entrada y salida (diagonal de la matriz de arriba hacia abajo); correlación entre las variables (modo gráfico) (matriz inferior izquierda); correlación entre las variables (con índice estadístico) (matriz superior derecha); y correlación entre las variables (con escala de colores) (matriz superior derecha).
Un análisis visual con un mapa de colores fusionado con valores de correlación proporciona rápidamente una serie de conclusiones, entre ellas que la salida (Planitud) y la Entrada 1 tienen una fuerte correlación positiva; la salida (Planitud) y la Entrada 4 tienen una fuerte correlación negativa; Las entradas 2 y 3 no son significativas para el cambio en la salida; y Las entradas 1 y 4 tienen una fuerte correlación negativa y, por lo tanto, no serían fáciles de cambiar de forma independiente.
Los gráficos de indicadores de variabilidad permitieron al equipo extraer varias conclusiones importantes. Como resultado de la nueva configuración y ajustes, observaron menos planitud y una mejor uniformidad en todos los ámbitos.
“Es un ejemplo excelente de la importancia de la cultura analítica – y de por qué es imperativo tener curiosidad por los datos”, concluye Cianchini. “Haga preguntas sin restricciones y esté dispuesto a jugar con el clic. Es la única forma de estar seguro de dar la respuesta correcta al cliente correcto de la forma correcta. Curiosidad significa ser capaz de innovar y mejorar continuamente".
Es un consejo clave que, según él, puede transformar la cultura de una organización: "simplemente juegue con el clic".
Los resultados ilustrados en este artículo son específicos para situaciones, modelos de negocio, captura de datos y entornos informáticos particulares descritos aquí. La experiencia de cada cliente de SAS es única de acuerdo con las variables de negocio y técnicas y todas las declaraciones deben considerarse atípicas. Los ahorros, resultados y características del desempeño reales pueden variar dependiendo de las configuraciones y condiciones individuales de los clientes. SAS no garantiza o representa que cada cliente obtendrá resultados similares. Las únicas garantías para los productos y servicios de SAS son aquellas que se establecen en las garantías expresas del contrato escrito para dichos productos y servicios. Nada de lo descrito aquí debe ser interpretado como una garantía adicional. Los clientes han compartido sus éxitos con SAS como parte de un intercambio contractual acordado o de un resumen del éxito de un proyecto después de una implementación exitosa del software de SAS.