Projeto BCG-WEF: Desbloqueio de valor na fabricação através de dados

Como os fabricantes podem se tornar campeões de dados

As empresas de manufatura de hoje têm uma ótima oportunidade estratégica: a chance de usar a coleta e análise avançadas de dados para impulsionar a produtividade, melhorar a experiência do cliente e promover benefícios sociais e ambientais. Aqueles que adotam a oportunidade estão transformando suas cadeias de suprimentos em redes de valor hiperconnectadas para compartilhar dados através dos limites da empresa e gerenciar colaborativamente o fluxo de mercadorias em todo o mundo. Cada vez mais, os líderes empresariais veem o uso inovador de dados como uma força estabilizadora em seus setores. Os benefícios incluem aumento da produtividade, qualidade melhorada, impacto ambiental reduzido e inovação mais eficaz. (Veja o Anexo 1.)

One catalyst for this change is uncertainty in the economy and the world at large brought on by megatrends such as rising global temperatures and COVID-19. Increasingly, business leaders see the innovative use of data as a stabilizing force in their industries. The benefits include increased productivity, improved quality, reduced environmental impact, and more effective innovation. (See Exhibit 1.)

Embora o interesse em tais métodos avançados seja alta, muitas empresas ainda não têm os ativadores tecnológicos ou organizacionais para alcançar a excelência em dados. Em uma pesquisa do BCG realizada em 2019, 72% dos executivos de manufatura disseram que consideraram importantes análises avançadas. Mas apenas 17% disseram que haviam capturado valor satisfatório. (Consulte Anexo 2.)

A Data Excellence Framework

O relatório de 2021, publicado por 3 de janeiro, em 3521. Transformando os sistemas de fabricação e suprimento Data Excellence: Transforming Manufacturing and Supply Systems, introduziu uma estrutura para ajudar os fabricantes a superar esses impedimentos. Essa estrutura de design, chamada estrutura de excelência em dados de fabricação, concentra -se nos três principais desafios que os fabricantes dizem retribuir seus esforços para implementar soluções de dados e análises em escala: falta de aplicações de dados, tecnologia insuficiente e obstáculos organizacionais. (Consulte Anexo 3.)

To meet these challenges, manufacturers have developed and deployed data and analytics applications in various business functions, such as new product launches, engineering, logistics, maintenance, and health and safety. In support of these applications, they have invested in technological enablers—the digital and analytic foundation necessary for capturing data, comprehensively processing and visualizing it, and protecting it from intrusion and cyber theft. They have also introduced organizational enablers—managerial practices and processes related to functions such as legal compliance, skill building, and governance.

Companies can use applications, technological enablers, and organizational enablers to assess their current proficiency in manufacturing data excellence and to develop a plan for further progress. In 2021, ten leading manufacturers aligned with the WEF Platform for Advanced Manufacturing and Value Chains used the framework in exactly this way. Analytics at 18 plants associated with these companies yielded a composite benchmark of the manufacturers’ self-assessments. (See Exhibit 4.)

Stages in the Journey

Our research suggests that the journey toward data excellence comprises three successive stages of digital prowess: actionable insights, predictable outcomes, and self-optimizing systems. (See Exhibit 5.) Each stage features an increased degree of collaboration and data sharing across company boundaries, as well as a higher level of analytic prowess.

Actionable Insights. In the initial stage, companies use operational data to track the performance of current processes and production lines, deriving actionable insights para otimizar a produção e reduzir os erros. Sensores em fábricas e centros de distribuição, juntamente com aplicativos principais de software, como o planejamento de recursos corporativos, coletam os dados, que são apresentados na forma de relatórios e painéis digitais. Os gerentes usam esses dados para discernir padrões e tendências e informar a tomada de decisão. (Veja a barra lateral “Estudo de caso: a Henkel Company.”)

Resultados previsíveis. Contratem -se e prepare -se para o crescimento. (Veja a barra lateral, “Estudo de caso: Grupo ZF.”) The second stage of the journey involves ensuring predictable outcomes. Machine learning (ML) algorithms receive large sets of operational performance data from historic and real-time sources, which they use to train themselves and to predict the manufacturing system’s future behavior, thereby providing guidance on ways to prevent mishaps and prepare for growth. (See the sidebar, “Case Study: ZF Group.”)

Sistemas de auto-otimização. Os algoritmos de auto-aprendizado ficam mais inteligentes à medida que sua experiência com dados históricos e em tempo real cresce. Nesse estágio, as empresas podem desenvolver um gêmeo digital - uma simulação de um ativo ou fábrica de produção específico. Essa representação digital pode corrigir e se otimizar em tempo real, respondendo a mudanças em fatores como disponibilidade de funcionários e ativos de produção programados. As plantas totalmente digitalizadas desse tipo geralmente também têm pegadas ambientais significativamente mais baixas, porque podem reduzir o consumo de recursos ou melhorar a eficiência em resposta a flutuações na demanda. (Veja a barra lateral, “Estudo de caso: Arçelik.”) In the third stage of the journey toward data excellence, the applications take autonomous action. Self-learning algorithms get smarter as their experience with historical and real-time data grows. At this stage, companies might develop a digital twin—a simulation of a specific production asset or manufacturing plant. This digital representation can correct and optimize itself in real time, responding to changes in factors such as employee availability and scheduled production assets. Fully digitized plants of this sort often have significantly lower environmental footprints, too, because they can reduce resource consumption or improve efficiency in response to fluctuations in demand. (See the sidebar, “Case Study: Arçelik.”)

Empresas que dominam o uso de dados, implantando com sucesso facilitadores tecnológicos e organizacionais avançados em aplicativos de dados em seus ecossistemas, são considerados campeões de dados. Eles geram pontuações consistentemente altas nas medidas de produtividade e experiência do cliente, bem como da sociedade e do meio ambiente. Devido à natureza em constante evolução da tecnologia e à introdução contínua de novas práticas, as empresas devem inovar e melhorar continuamente. Para acelerar esse processo, a estrutura de excelência em dados de fabricação, juntamente com

Accelerating Progress

Almost all manufacturing companies have started their journey toward data excellence, but so far none have reached the end of the path. Because of the ever-evolving nature of technology and the ongoing introduction of new practices, companies must continuously innovate and improve. To accelerate this process, the Manufacturing Data Excellence Framework, along with Pesquisa do Índice de Aceleração Digital (DAI) da BCG, pode ajudar as empresas a progredir. Os tomadores de decisão também podem usá-los para comparar seus resultados com os benchmarks de grupos pares ou do setor e, assim, definir as prioridades de transformação e crescimento. Eles também podem estabelecer interações no estilo da comunidade entre organizações colaborativas, aprendendo com as melhores práticas uns dos outros e inovando juntos. Essas são as etapas críticas a serem tomadas em direção a um objetivo compartilhado de excelência nos dados de fabricação - um mundo de ecossistemas de negócios conectados globalmente que melhoram continuamente seu desempenho, seu registro ambiental e o valor do que produzem. Baixe o relatório completo

The framework and the DAI survey provide a solid understanding of a company’s current status. Decision makers can also use them to compare their results to peer-group or industry benchmarks, and thus set transformation and growth priorities.

Companies should then develop or obtain the specific applications they need to raise their degree of mastery, either at a local (facility-based) level or at a global (company-wide) level. They can also set up community-style interactions among collaborative organizations, learning from one another’s best practices and innovating together. These are critical steps to take in moving toward a shared goal of manufacturing data excellence—a world of globally connected business ecosystems that continually improve their performance, their environmental record, and the value of what they produce.