A assertividade na tomada de decisões é crucial para o sucesso de qualquer organização. Dados precisos e bem analisados são a base para decisões informadas que podem otimizar processos, reduzir custos e aumentar a eficiência. A estatística e a Engenharia Estatística são ferramentas poderosas para a análise de dados numéricos, ajudando a definir modelos que explicam causas ou preveem resultados. No entanto, quando os dados são observacionais ou não numéricos, como aqueles obtidos em atividades de Go To Gemba ou entrevistas, a análise se torna mais complexa. É aqui que a Inteligência Artificial (IA) entra em cena, oferecendo uma capacidade única de analisar dados observacionais e identificar padrões relevantes.
A necessidade de facilitar o trabalho dos times de melhoria, assim como engajá-los por meio de um “assistente virtual”, nos levou a testar como a IA generativa podia facilitar algumas atividades, simplificar a análise de dados observacionais e obter insights rápidos. Nos testes, descobrimos que a chave está na criação de prompts detalhados e bem estruturados para orientar a IA na análise desses dados.
Um prompt bem formulado pode transformar dados brutos em insights acionáveis, ajudando o time a resolver problemas complexos e otimizar processos de um jeito mais ágil, reduzindo tempos mortos e eliminando algumas burocracias. Para ilustrar essa abordagem, apresentamos um case de estudo onde a IA foi utilizada para analisar dados observacionais obtidos em uma linha de produção de pirulitos.
Passo a Passo para Criar Prompts Eficazes
Defina Claramente o Problema que você deseja resolver. Isso ajuda a IA a focar nos aspectos mais relevantes dos dados.
Descreva os Dados Observacionais Disponíveis. Isso pode incluir dados demográficos, comportamentais, transacionais, etc.
Especifique o Objetivo da Análise. Isso pode ser a identificação de padrões, correlações, tendências, etc.
Inclua Perguntas Específicas que você deseja que a IA responda. Isso ajuda a direcionar a análise para áreas de interesse particular.
Defina Métodos de Análise específicos que tiver preferência, como regressão, análise de cluster, ou análise de séries temporais. Inclua essas informações.
O case: Otimização da Linha de Produção de Pirulitos com IA Generativa
Para nosso case de estudo, e seguindo o passo a passo, o seguinte foi o Prompt Completo que usamos:
"Queremos identificar os padrões existentes que expliquem o baixo nível de OEE da linha de produção de pirulitos a partir dos dados que surgem de 10 entrevistas de operadores de máquinas de embrulhamento, e dados observados pelo time de melhorias durante uma atividade Go to Gemba. Temos dados de falas de operadores e de observações de condição de máquinas e experiência de operadores, disponíveis em #ENTREVISTAS abaixo. #ANALISE as entrevistas e dados e encontre padrões de comportamentos e correlações que possam explicar a baixa performance do OEE da linha de produção. Quais são os principais fatores de condições de máquinas associadas ao maior defeito? Existe alguma correlação entre a idade das máquinas e a manutenção em atraso? Como as interações de operadores e a manutenção podem explicar melhores performances? Existe alguma correlação entre a experiência dos operadores e o nível de descartes e desperdícios? Utilize análise de regressão para identificar correlações e análise de cluster para segmentar os operadores com base em padrões de comportamento."
Dados Obtidos da Atividade de Go To Gemba
Durante a atividade de Go To Gemba, foram realizadas 11 entrevistas com operadores de máquinas de embrulhamento de pirulitos. Para não estender este artigo, apresento completo apenas um dos registros gerados, e logo uma sínteses com as informações relevantes.
Entrevista 1 - Operador da Máquina M1 (Antiga) Turno 1
Fala do Operador: "Trabalho nesta máquina há 1 ano e sempre tenho problemas com ela. A máquina está sempre suja e com muito descarte de material de embrulhamento. Parece que a manutenção nunca é feita direito. É difícil trabalhar assim."
Observações: Estado de limpeza da máquina: Ruim, com perdas de óleo lubrificante e utensílios sujos. Presença de descartes de material de embrulhamento: Alta. Histórico de manutenções preventivas: Atrasada. Experiência do operador: 1 ano. Presença de descartes de produto acumulado: Mais de 2 kg. Nível de conhecimento do operador: Baixo. Número de defeitos observados: 15
Síntese do Conjunto de Entrevistas
Máquina M1 (Antiga)
Operador Turno 1: 1 ano de experiência, máquina sempre suja, alta presença de descartes de material de embrulhamento, manutenção atrasada, baixo conhecimento, 15 defeitos observados.
Operador Turno 3: 2 anos de experiência, máquina velha com muitos problemas, alta presença de descartes de material de embrulhamento, manutenção atrasada, baixo conhecimento, 14 defeitos observados.
Máquina M2 (Antiga)
Operador Turno 1: 5 anos de experiência, cuida bem da máquina, baixa presença de descartes de material de embrulhamento, manutenção em dia, alto conhecimento, 2 defeitos observados.
Máquina M3 (Nova)
Operador Turno 1: 3 anos de experiência, dificuldades em manter a máquina, presença média de descartes de material de embrulhamento, manutenção em dia, conhecimento médio, 7 defeitos observados.
Operador Turno 2: 6 anos de experiência, promovido para máquinas novas, baixa presença de descartes de material de embrulhamento, manutenção em dia, alto conhecimento, 1 defeito observado.
Máquina M4 (Antiga)
Operador Turno 1: 2 anos de experiência, máquina velha com muitos problemas, alta presença de descartes de material de embrulhamento, manutenção atrasada, baixo conhecimento, 12 defeitos observados.
Operador Turno 2: 7 anos de experiência, cuida bem da máquina, baixa presença de descartes de material de embrulhamento, manutenção atrasada, alto conhecimento, 3 defeitos observados.
Máquina M5 (Antiga)
Operador Turno 1: 6 anos de experiência, cuida bem da máquina, baixa presença de descartes de material de embrulhamento, manutenção em dia, alto conhecimento, 1 defeito observado.
Máquina M6 (Nova)
Operador Turno 1: 4 anos de experiência, dificuldades iniciais, presença média de descartes de material de embrulhamento, manutenção em dia, conhecimento médio, 5 defeitos observados.
Operador Turno 3: 3 anos de experiência, ainda aprendendo, presença média de descartes de material de embrulhamento, manutenção em dia, conhecimento médio, 6 defeitos observados.
Máquina M7 (Nova)
Operador Turno 1: 3 anos de experiência, máquina moderna com poucos problemas, presença média de descartes de material de embrulhamento, manutenção em dia, conhecimento médio, 6 defeitos observados.
Observações Gerais
Máquinas Antigas (M1, M2, M4, M5): Tendem a ter mais problemas de manutenção e limpeza, especialmente M1 e M4.
Máquinas Novas (M3, M6, M7): Operadores relatam dificuldades iniciais, mas com menor presença de descartes e defeitos quando bem mantidas.
Experiência e Conhecimento do Operador: Operadores mais experientes e com maior conhecimento tendem a relatar menos problemas e defeitos, independentemente da antiguidade da máquina.
Qual foi a Analise dos Padrões Observados pelo GPT-4 ?
Condições de Manutenção das Máquinas
Máquinas com Manutenção Atrasada: M1, M4. Essas máquinas apresentam um alto número de defeitos e descartes de material de embrulhamento, além de estarem em estado de limpeza ruim.
Máquinas com Manutenção em Dia: M2, M3, M5, M6, M7Essas máquinas, em geral, têm menos defeitos e descartes de material de embrulhamento, e estão em melhores condições de limpeza.
Idade das Máquinas
Máquinas Antigas: M1, M2, M4, M5As máquinas antigas tendem a ter mais problemas de manutenção e limpeza, especialmente quando a manutenção está atrasada.
Máquinas Novas: M3, M6, M7As máquinas novas apresentam menos problemas quando a manutenção está em dia, mas ainda podem ter dificuldades se a manutenção não for adequada.
Estado de Limpeza das Máquinas
Máquinas em Estado de Limpeza Ruim: M1, M4Essas máquinas têm um alto número de defeitos e descartes de material de embrulhamento.
Máquinas em Estado de Limpeza Boa: M2, M5, M7Essas máquinas têm menos defeitos e descartes de material de embrulhamento.
Máquinas em Estado de Limpeza Regular: M3, M6Essas máquinas têm um número intermediário de defeitos e descartes de material de embrulhamento.
Experiência dos Operadores
Operadores com Menos de 3 Anos de Experiência: M1, M4Esses operadores tendem a ter mais dificuldades em manter a máquina funcionando adequadamente.
Operadores com 3 a 5 Anos de Experiência: M3, M6, M7Esses operadores têm um desempenho intermediário.
Operadores com Mais de 5 Anos de Experiência: M2, M5Esses operadores conseguem manter a máquina em melhores condições, mesmo quando são antigas.
Nível de Conhecimento dos Operadores
Nível de Conhecimento Baixo: M1, M4Esses operadores têm mais dificuldades em lidar com problemas e manutenção das máquinas.
Nível de Conhecimento Médio: M3, M6, M7Esses operadores têm um desempenho intermediário.
Nível de Conhecimento Alto: M2, M5Esses operadores conseguem manter a máquina em melhores condições e reduzir defeitos.
Análise de Regressão e Cluster
Regressão
A análise de regressão pode ser utilizada para identificar correlações entre as variáveis. A seguir, estão algumas correlações observadas:
Condições de Manutenção e Número de Defeitos: Máquinas com manutenção atrasada apresentam um número significativamente maior de defeitos. Correlação positiva forte entre manutenção atrasada e número de defeitos.
Idade das Máquinas e Manutenção Atrasada: Máquinas mais antigas tendem a ter manutenção atrasada. Correlação positiva moderada entre idade das máquinas e manutenção atrasada.
Experiência dos Operadores e Descartes: Operadores com mais experiência tendem a ter menos descartes de material de embrulhamento e produto. Correlação negativa moderada entre experiência dos operadores e nível de descartes.
Cluster
A análise de cluster pode segmentar os operadores com base em padrões de comportamento:
Cluster 1: Operadores Inexperientes com Máquinas Antigas e Manutenção Atrasada
Máquinas: M1, M4
Características: Baixa experiência, baixo nível de conhecimento, alta presença de descartes, manutenção atrasada, estado de limpeza ruim.
Impacto: Alto número de defeitos e baixa performance do OEE.
Cluster 2: Operadores Experientes com Máquinas Antigas e Manutenção em Dia
Máquinas: M2, M5
Características: Alta experiência, alto nível de conhecimento, baixa presença de descartes, manutenção em dia, estado de limpeza bom.
Impacto: Baixo número de defeitos e alta performance do OEE.
Cluster 3: Operadores Moderadamente Experientes com Máquinas Novas e Manutenção em Dia
Máquinas: M3, M6, M7
Características: Experiência intermediária, nível de conhecimento médio a alto, média a baixa presença de descartes, manutenção em dia, estado de limpeza regular a bom.
Impacto: Número intermediário de defeitos e performance do OEE moderada.
Resumo 5W1H
O que: Baixa performance do OEE na linha de produção de pirulitos.
Como: A baixa performance é causada principalmente por máquinas em estado de limpeza ruim, manutenção atrasada, e operadores com pouca experiência e baixo nível de conhecimento.
Onde: Na linha de produção de embrulhamento de pirulitos, especificamente nas máquinas M1 e M4.
Quando: A baixa performance é contínua, mas é mais evidente em máquinas com manutenção atrasada e operadas por funcionários com menos experiência.
Quanto: A baixa performance resulta em um alto número de defeitos (até 15 defeitos por máquina) e altos níveis de descarte de material de embrulhamento e produto.
Quem: Operadores com menos de 3 anos de experiência e baixo nível de conhecimento têm mais impacto negativo na performance.
Conclusão
A análise detalhada dos dados observacionais e a utilização de IA generativa para a criação de prompts eficazes demonstraram ser uma abordagem poderosa na facilitação e assistência a times, para resolver problemas complexos na linha de produção.
Através da identificação de padrões e correlações, foi possível obter insights valiosos que podem acelerar o analise de causas e a proposta e implantação de soluções.
Convidamos você a compartilhar suas experiências e insights sobre a utilização de IA na análise de dados observacionais. Deixe seu comentário e participe da discussão!
Kommentarer