Parex Engenharia | Data Analytics em projetos de construção industrial
16399
post-template-default,single,single-post,postid-16399,single-format-standard,ajax_fade,page_not_loaded,,qode_grid_1400,qode-child-theme-ver-1.0.0,qode-theme-ver-13.4,qode-theme-bridge,wpb-js-composer js-comp-ver-5.4.5,vc_responsive

Data Analytics em projetos de construção industrial

Analytics

Data Analytics em projetos de construção industrial

No artigo “A transformação dos registros transacionais em geração de conhecimento” comentamos sobre a geração de conhecimento a partir da utilização de dados das operações de uma empresa. Mas como é possível gerar conhecimento a partir de dados? É para responder esta questão que iremos discutir brevemente neste artigo o papel das técnicas de Análise de Dados ou “Data Analytics”.

Primeiramente precisamos resgatar uma das funções primordiais da utilização do conhecimento: a tomada de decisões! O conhecimento e a experiência de cada pessoa é armazenada ao longo de sua vida para que no momento necessário, estes possam ser utilizados para tomar a decisão correta. Para ilustrar a ocorrência dos processos de tomada de decisão, segundo artigo “The Cure for Decision Fatigue” do The Wall Street Journal, uma pessoa adulta em média toma cerca de 35.000 decisões por dia.

O conceito de Análise de Dados (Data Analytics) é a habilidade de gerar insights relevantes a partir da análise de grandes quantidades de dados. Um avanço em análise de dados que contempla além da análise do negócio (Business Intelligence) a busca pela geração de conhecimento em bases de dados para auxiliar na tomada de decisões.

Como o Data Analytics pode suportar a construção industrial?

Com ao advento da internet das coisas (IoT) e a digitalização de processos de controle e gestão, tanto os equipamentos quantos as pessoas envolvidas nos processos industriais são capazes de produzir dados que permitem podem extrair conhecimento relevante aos negócios, e em especial o mercado de engenharia e construção. Por meio de análises estatísticas dos dados gerados por estas fontes de informação, é possível antecipar a necessidade de manutenções e substituições, detectar possíveis fraudes ou mal uso dos ativos, analisar o desempenho operacional em campo, realizar benchmarking entre diversas opções tecnológicas, entre outras aplicações.

Metodologia de aplicação de Data Analytics

Existem diversas metodologias de aplicação de Análise de Dados na literatura, entre elas existe o modelo CRISP-DM (Cross Industry Standard Process for Data Mining) publicado em 1996 e suas evoluções. De modo geral, as etapas de geração de conhecimento a partir de dados são realizadas por meio das seguintes atividades:

  • Entendimento do Negócio: De nada vale a extração de relações entre os dados se não se entende o contexto dos quais os dados estão inseridos. Nesta fase espera-se mapear a operação na qual está inserido o estudo de análise de dados para se identificar os principais objetivos e ganhos esperados.
  • Entendimento dos Dados: É necessário o entendimento da representação dos dados disponíveis para a seleção da amostra de variáveis, identificação dos limites e critérios de validação dos dados a serem utilizados.
  • Preparação dos Dados: O próximo passo consiste na seleção de uma amostra estatística da situação a ser explorada, contendo dados consistentes e que representem com maior fidelidade possível as características de cada processo.
  • Modelagem: A busca da relação de causas e consequências entre as variáveis passa pela determinação de um modelo matemático que represente estas relações. Neste ponto diversas técnicas estatísticas podem ser exploradas, desde os modelos mais simples até técnicas de aprendizado de máquinas.
  • Avaliação: A validação do modelo construído na etapa anterior precisa ser validado em um ambiente de controle. A etapa de avaliação consiste em explorar bem a acurácia dos modelos bem como suas limitações. No caso de desempenhos não satisfatórios, o processo pode ser reiniciado em suas primeiras fases em um novo ciclo de análise.
  • Implantação: Por fim, o modelo desenvolvido precisa ser colocado em produção. As necessidades de infraestrutura, integrações e interfaces que possibilitem boas experiências dos usuários são preparadas e disponibilizadas para as equipes. Nesta etapa, a gestão de mudanças é uma atividade essencial para o sucesso do projeto.

As tecnologias de análise de dados são aplicáveis em qualquer área do conhecimento e novas técnicas são desenvolvidas a cada momento. O setor de construção industrial é uma das áreas de conhecimento onde estas técnicas são aplicáveis, dado o volume de dados que são gerados tanto pelos equipamentos industriais quanto pelos sistemas de controle na gestão de projetos e negócios.

Fontes:

How advanced analytics can benefit infrastructure capital planning. McKinsey, 2018.
The Cure for Decision Fatigue. Wall Street Journal, 2016.
Cross-industry standard process for data mining. Wikipedia.2018.