O objetivo da palestra foi trazer Cases e dados sobre a evolução de inovação a partir de Dados. Além disso, foi oportuno mostrar como evoluir Cultura Analítica nos negócios promovendo boas práticas de empresas brasileiras.
2. Agenda
Case de Sucesso
Smart Factory
Obstáculos para
Evoluir
Impacto sobre
Smart Factory
O Universo IoT
Boas Práticas
Recomendo!
1
2
3
4
5
6
3. O FUTURO DOS NEGÓCIOS ESTÁ NOS DADOS E QUEM
SOUBER CAPTURAR, ORGANIZAR, ANALISAR E DECIDIR
SOBRE GRANDES VOLUMES DE DADOS ESTARÁ À
FRENTE.
Acreditamos muito nisso…
5. Case Smart Factory
1
Definir
População
Preparar
Metodologia
com dados de
Abril - 2017
Avançar
Metodologia
para 2017
integralmente
Adicionar dados
de 2016 para
aumentar não-
Conformidades
Restrições de
Produto com
Largura e
Espessura
2
Restrições
Técnicas
Restrições de
Processo com
Bobinas em
Rota direta
Restrições
Químicas – C,
Mn e Nb – para
avaliações
3
Limpeza de
Dados
Variância Nula
– variáveis com
resultados
únicos
Missing Data e
Outliers – retirar
ocorrências
indesejadas
Variáveis com
concentração
de valores
constantes
5
Definição
Amostral
Base de
Treinamento
dos Modelos
utilizados (70%)
Base de Teste
dos Modelos
Treinados
(30%)
Base de
Validação –
afere qualidade
do Modelo
Análise de
Correlação
usando o
critério de
correlações
acima de 90%
indicando forte
multi-
colinearidade
4
Análise
Multicolinear
Exclusão de
variáveis que
duplicam
informação
6. Case Smart Factory
1
261.788Base
Jun/16 a Dez/17
2
196.829Rota
Direta
3
14.137
Carbono
0,14% ≤ C ≤ 0,21%
4
13.868
Manganês
Mn ≤ 0,1% 5
12.421
Nióbio
Nb ≤ 0,01%
6
3.146
Espessura
Esp ≥ 8mm
7
1.687
Largura
Larg ≥ 1.500mm
8
1.684
Missing
Dados na linha
9
1.651
Outlier
Valores
Aberrantes
2.384
583
217
0,91%
4,12%
13,14%
11. Box Plot of Carbono
Sem_MDLine 122v*1684c
0.13
0.14
0.15
0.16
0.17
0.18
0.19
0.20
0.21
0.22
Carbono
Median = 0.1908
25%-75% = (0.1843, 0.1955)
Non-Outlier Range = (0.162, 0.2099)
Outliers
Case Smart Factory
12. Projection of the variables on the factor-plane ( 1 x 2)
(2pass)
(3pass)
(4pass)
(5pass)
-1.0 -0.5 0.0 0.5 1.0
Factor 1 : 74.68%
-1.0
-0.5
0.0
0.5
1.0
Factor2:15.91%
(1pass)
Case Smart Factory
13. Case Smart Factory
Espessurano
Desbaste(RM)
Actual R1 Gaugemeter Thickness 1 pass (M) [mm]
Actual R1 Gaugemeter Thickness 2 pass (M) [mm]
Actual R1 Gaugemeter Thickness 3 pass (M) [mm]
Actual R1 Gaugemeter Thickness 4 pass (M) [mm]
Actual R1 Gaugemeter Thickness 5 pass (M) [mm]
Tomamos o valor medido no meio da Tira, visto
que houve muito Missing Data para Topo e
Cauda. A análise posterior apontou que não
houve relevância para este Sistema.
75%
com 1
Componente
PrincipalForçade
Laminação(RM)
Actual R1 Rolling Force 1 pass (M) [kN]
Actual R1 Rolling Force 2 pass (M) [kN]
Actual R1 Rolling Force 3 pass (M) [kN]
Actual R1 Rolling Force 4 pass (M) [kN]
Actual R1 Rolling Force 5 pass (M) [kN]
Tomamos o valor medido no meio da Tira, visto
que houve muito Missing Data para Topo e
Cauda. A análise posterior apontou baixa
relevância para este Sistema.
90%
com 1
Componente
Principal
Velocidadede
Laminação(RM)
Actual R1 Roll Peripheral Speed 1 pass (M) [m/s]
Actual R1 Roll Peripheral Speed 2 pass (M) [m/s]
Actual R1 Roll Peripheral Speed 3 pass (M) [m/s]
Actual R1 Roll Peripheral Speed 4 pass (M) [m/s]
Actual R1 Roll Peripheral Speed 5 pass (M) [m/s]
Tomamos o valor medido no meio da Tira, visto
que houve muito Missing Data para Topo e
Cauda. A análise posterior apontou alta
relevância para este Sistema.
73%
com 1
Componente
Principal
Espessurano
TremAcabador
FM Delivery Thickness (Gagemeter Thickness) F1
FM Delivery Thickness (Gagemeter Thickness) F2
FM Delivery Thickness (Gagemeter Thickness) ...
FM Delivery Thickness (Gagemeter Thickness) F5
FM Delivery Thickness (Gagemeter Thickness) F6
Tomamos o valor médio das medidas de Topo,
Meio e Cauda. Incluímos o esboço FDH. A análise
posterior apontou média relevância para este
Sistema.
82%
com 1
Componente
Principal
14. Case Smart Factory
Base de Treinamento e Teste
para desenvolver e avaliar os
Modelos
Amostragem Balanceada
para 50% de Bobinas
Conformes e não-Conformes
Base de Validação com
Amostragem Balanceada
para 50% de Bobinas
Conformes e não-Conformes
15. Modelos de não-Lineares de
Regressão Logística
Modelos de Machine Learning
baseados em Computação
Matemática
Modelos de Árvore de
Decisão baseados em
Técnicas de Associação
Comparador de Modelos usando linguagem
PMML sobre Base de Validação
Case Smart Factory
16. O melhor modelo foi o de Árvore de Decisão com 86,44% de acurácia. O modelo
com função matemática, Regressão Logística, teve resultado bom.
Case Smart Factory
17. Tree 1 layout for Conforme
Num. of non-terminal nodes: 38, Num. of terminal nodes: 39
Case Smart Factory
22. Evoluir Legado e Infraestrutura
Data Owner Data Source Data Acquisition Data Accuracy Data Access
Definir o Dono
dos Dados é o
primeiro passo
para evoluir -
esse tem o sido
o papel dos
CDO, CAO,
CTO ou CIO.
Com certeza,
esse papel não
pertence à área
de negócio.
Ter uma visão
única da cadeia
de valor do
negócio é
essencial para
garantir
sucesso em
projetos de
Data Science.
Então, as fontes
devem ser
integradas.
A aquisição de
dados é
assunto
inicialmente de
Processos,
depois de
Tecnologia para
adquirir a
informação,
seja por
sensores ou
conexões.
É tema quer
requer atenção
contínua. Tem a
ver com Dados
medidos,
coletados,
armazenados e
organizados
corretamente
nos sistemas
que serão
acessados.
A visão de
DataMart está
em queda, visto
que as áreas de
negócio estão
cada vez mais
ligadas em
malha. Por isso,
é preciso definir
Dados
Operacionais e
Estratégicos.
27. Elementos e Tecnologias
Sensores
Implantar mecanismos
de captura de dados em
tempo real com foco em
pontos de melhoria
contínua
Conexão
Rede de Internet
conectada aos sensores
em diversos pontos
transferindo dados para
armazenar e analisar
Armazenagem
Ambiente, normalmente,
na Cloud provendo
recursos para garantir
qualidade do dado e
segurança da informação
Analytics
Criticar o Dado,
desenvolver KPI`s, definir
modelos para prever e
classificar; por fim,
suportar a decisão
Business
Criar as regras de
negócio suportadas pelo
dado analisado e calibrar
eficiência operacional do
negócio.
28. O Cenário no Brasil
Fonte: Revista Exame Edição Especial - Maio/2018
CNI - Sondagem Especial 66 Indústria 4.0
Ranking de Competitividade Industrial - Deloitte
Em um ranking global de
competitividade do Setor
Industrial, o Brasil caiu de
5o lugar, em 2010, para 29a
posição, em 2017.
32. Dados
Empresas que Avançam na América Latina
Colocar
Dados
como pilar
estratégico
do negócio
Distribuir times
de Squad
Analytics nas
áreas que
requerem mais
atenção do
negócio
Esteja sempre
ligado às novas
tecnologias na
busca de
aprendizado e
inovação
contínua
Manter forte
parceria com
empresas que
desenvolvem
tecnologias e
prestam
serviços com
foco em
inteligência
O CEO deve
ser o que mais
demanda
conhecimento
a partir de
dados e ter os
Squads sob
sua gestão