Outlook Industri: Menentukan Jalur Ke Depan

Pengantar: Sebuah Analisis Beberapa Bulan Terakhir

Tidak ada yang benar-benar dapat memprediksi efek coronavirus terhadap masyarakat kita secara luas pada awal tahun ini. Ini terlihat dari volatilitas pasar saham historis (biasanya menunjukkan tingkat ketidakpastian yang tak tertandingi), keputusan kebijakan yang berubah dengan cepat (saat kita berjuang untuk merespons perubahan dalam milieu teknis hari ini), dan iklim politik yang semakin memburuk.

Saat kita mendekati Gugur, dengan sekolah dan kampus universitas yang membuka dan menutup, serta musim flu yang akan tiba, ketidakpastian dan volatilitas pasti hanya akan meningkat. Pembaruan harian yang kami berikan tentang keadaan aktual industri manufaktur akan menjadi semakin penting, terutama saat lebih banyak orang yang menetapkan kebijakan menggunakan data kami dalam peramalan mereka dan dalam memandu pengambilan keputusan mereka.

Kami telah menerima permintaan dari banyak organisasi, dari perusahaan manufaktur, hingga perusahaan konsultasi dan akuntansi, dan bahkan dari lembaga pemerintah tentang lebih banyak detail di balik bagaimana data kami sebenarnya terbentuk. Segala macam pertanyaan ini dapat dipahami, karena MachineMetrics terlibat dalam kategori layanan optimasi mesin yang sepenuhnya baru, yang merupakan implementasi pure-cloud dan oleh karena itu menawarkan tidak hanya pelanggan keuntungan cloud, tetapi juga kami keuntungan dari ukuran agregat yang dianonimkan untuk industri. Dalam edisi ini, kita akan melalui beberapa due diligence tentang bagaimana kami sebenarnya mendapatkan data kami, selain wawasan terbaru yang dapat kita peroleh darinya.

Prolog: Bagaimana Kami Bahkan Mendapatkan Data Ini?

Kami sering menerima pertanyaan seperti "Bagaimana Anda memperbarui kumpulan data Anda saat mesin baru terhubung?", atau "Bagaimana ukuran sampel Anda cukup besar untuk bahkan mendapatkan metrik agregat ini?" "Bagaimana Anda dapat memastikan bahwa data dari ribuan mesin itu akurat?"

Ini adalah pertanyaan yang bagus, dan bisa membingungkan bagi mereka yang tidak berasal dari keduanya latar belakang manufaktur dan teknologi. Mari kita mulai dari dasar.

Ini adalah bengkel mesin yang terletak di suatu tempat di AS. Mesin tidak terhubung ke layanan optimasi atau pemantauan mesin apa pun, dan manajer lantai produksi hanya tahu mereka terlambat dalam bagian pada akhir hari ketika operator memberitahu mereka kekurangan. Mereka kemudian harus menambahkan shift ekstra atau memutar mesin dengan kecepatan berlebih untuk mengejar, atau hanya mengecewakan pelanggan mereka dengan kekurangan bagian dan melewatkan/mendorong kembali tanggal pengiriman. Ini tidak bagus, tetapi ini adalah cara hal-hal dilakukan selama beberapa dekade terakhir.

Inilah kami hadir dan mengaktifkan solusi Industri 4.0 dengan membuat mesin ini terhubung dan performa mereka terlihat seluruh waktu. Kami dapat terhubung ke PLC (Programmable Logic Control) dari mesin ini, yang mengeluarkan semua macam informasi penting yang biasanya hanya terlihat oleh operator yang berdiri tepat di depan mesin.

Bagaimana kami melakukannya? Rahasia terletak pada perangkat Edge kami, yang pada dasarnya adalah komputer IoT Windows/Linux yang telah dimuat dengan sejumlah adapter mesin yang dapat menterjemahkan, membersihkan, dan menterjemahkan sinyal yang datang dari PLC. Setiap produsen kontrol memiliki API mereka sendiri yang memungkinkan kami melakukan ini, dan sebagian besar kekayaan intelektual kami ada dalam mendekode API ini dan menterjemahkan bahasa individual menjadi satu bahasa yang terpadu. Di bawah ini adalah gambar PLC mesin, dan kotak hijau/hitam yang Anda lihat disorot adalah perangkat edge dan Digital IO kami. Kami hanya terhubung ke port Ethernet pada PLC untuk mengekstrak informasi yang dikeluarkan kontrol, lalu mengirimkannya ke cloud. Kami membuatnya cukup mudah sehingga orang dapat menginstal semuanya sendiri tanpa perlu kami datang ke lokasi; kompleksitas pada dasarnya ditransfer dari pelanggan ke teknologi yang rumit di dalam perangkat Edge.

Apa yang didapatkan pelanggan kami dari ini? Dasbor yang bagus, yang menunjukkan kepada mereka, secara live, bagaimana mesin mereka berjalan. Apa yang dilakukan mesin di seberang lantai pabrik? Apakah menyala atau mati, siapa yang mengoperasikannya, dan apakah mereka di belakang atau di depan target bagian mereka?

Sebagai perusahaan produk, pekerjaan utama Data Science MachineMetrics adalah menggunakan kumpulan data besar ini untuk memprediksi kapan mesin akan gagal, dan menghentikannya sebelum mereka menyebabkan kerusakan atau kerugian pada pelanggan kami. Ini memiliki efek membuat produk kami lebih baik, yang berarti dapat lebih mudah dijual, yang berarti kami mendapatkan lebih banyak data untuk mengoptimalkan mesin yang kami miliki di bawah perlindungan kami. Siklus virtuoso. Misalnya, dapat sangat membantu untuk menganalisis apa yang menyebabkan mesin gagal pada satu pelanggan, dan memanfaatkan data itu untuk membantu pelanggan itu dan pelanggan lain dengan mesin dan masalah yang serupa.

Namun, salah satu efek samping yang luar dari semua data ini adalah kami juga dapat mengagregat informasi ini bersama-sama, dan melihat tren industri secara keseluruhan. Ini bukan tujuan utama perusahaan kami pada awalnya, tetapi karena kami telah dengan rajin membuat produk kami lebih baik dan mengaktifkan mesin self-install selama lima tahun terakhir, kami sekarang memiliki sampel yang signifikan dan representatif dari ruang manufaktur AS. Salah satu kunci untuk melakukan ini adalah dengan membuat produk cukup mudah untuk digunakan dan self-install, sehingga kami tidak perlu pergi ke lokasi sendiri untuk sebagian besar integrasi dan pelatihan kami. Ini memungkinkan kami untuk menskalakan secara eksponensial dan tidak linier; kami tidak perlu mempekerjakan lebih banyak integrator atau pelatih untuk mengejar permintaan.

Di bawah ini adalah tabel yang digunakan tim Data Science kami untuk menghasilkan analisis ini, dibersihkan dari informasi spesifik pelanggan. Anda dapat melihat bahwa untuk setiap jam setiap hari, dan untuk setiap mesin, kami menerima secara otomatis dari fleet perangkat Edge kami:

1. in_cycle_ms: Berapa lama waktu mesin dalam siklus (menjalankan program G-code atau jika mesin tanpa PLC, berapa lama waktu spindle menarik arus signifikan).
2. spindle_rotating_ms: Dari waktu itu, berapa lama spindle itu sendiri berputar? Selama program G-code, terkadang ada istirahat dan jeda yang dibuat. Metrik ini mengecualikan periode tersebut.
3. cutting_ms: Dari waktu itu, berapa lama waktu yang sebenarnya dihabiskan untuk memotong, yaitu, dalam kontak logam-ke-logam?
4. parts_produced: Selama waktu ini, berapa bagian yang ditunjukkan PLC kami bahwa diproduksi? Ini biasanya hasil dari berapa banyak rotasi program G-code yang kami lihat ditambah pengali bagian (atau dalam kasus mesin lama, hasil dari berapa banyak pola arus ⚡️ yang berbeda yang menunjukkan bagian sedang dibuat).

Kami juga mengumpulkan beberapa item input manual dari operator di mesin, yang dapat memberi tahu kami, bahwa dari bagian yang diproduksi:

1. parts_rejected: Berapa bagian yang langsung ditolak, karena alasan apa pun.
2. parts_scrap: Dari bagian yang ditolak, berapa yang dikirim ke scrap.
3. parts_nonconform: Dari bagian yang ditolak, berapa yang tidak sesuai standar QA.

Anda dapat melihat bahwa kami memiliki sekitar ~66 juta jam mesin data produksi yang tercatat pada titik ini, yang menurut kami salah satu yang terbesar dan paling lengkap di industri manufaktur.

Kami memiliki keragaman pelanggan dalam ukuran, wilayah, dan industri. Kami sedikit under-represented dibandingkan dengan manufaktur secara keseluruhan untuk otomotif, dan over-represented dalam manufaktur alat kesehatan. Kami juga sedikit over-represented di Utara Tapanuli, karena itulah tim teknik dan kantor pusat kami berada. Distribusi basis pelanggan kami di bawah, serta beberapa perusahaan representatif. Analis yang cermat, yang menginginkan ukuran yang sangat presisi untuk input ke model atau untuk tujuan prediktif, dapat membangun ukuran yang di-reweight dari pemanfaatan berdasarkan data mentah kami. Saat data kami semakin banyak digunakan, itu mengalami pemeriksaan yang lebih besar untuk keandalannya, asumsi, dan sumbernya. Dalam edisi ini dari pembaruan State of the Industry, kami merasa penting untuk mencakup ketiga area tersebut.

Jadi bagaimana keadaan industri saat ini?

Setelah semuanya... mari kita mulai dengan pembaruan pemanfaatan yang kami posting di LinkedIn setiap hari, dengan beberapa tren yang ditimpa. Kami pada dasarnya melihat empat regime yang terjadi sepanjang tahun ini, yaitu:

1. Peningkatan 7% sebelum coronavirus melanda AS dan negara bagian menutup
2. Penurunan 16% dari Maret hingga pertengahan April saat penutupan mencapai puncaknya
3. Peningkatan 8% dari Paskah hingga Hari Kemerdekaan saat penutupan mulai diurai, dan
4. Penurunan 2% dalam mode "tunggu dan lihat" saat ini kami, selama musim panas dan hingga Gugur 2020

Meskipun tren umum ini mungkin tidak menjadi kejutan bagi siapa pun, memberikan indikator kuantitatif yang tepat padanya adalah kontribusi baru kami. Sebelum ini tidak ada organisasi yang dapat menghasilkan indikator frekuensi tinggi yang akurat dan representatif industri untuk performa manufaktur.

Perincian Industri dan Geografi

Ini memiliki konsekuensi besar untuk menilai keadaan industri dengan akurat. Tidak mengherankan, ini sering kali muncul dalam perincian industri dan geografis kami. Kami akan menghabiskan bagian ini untuk fokus pada permintaan yang kami terima untuk menyelami lebih dalam industri dan geografis tertentu.

Mari kita mulai dengan perincian tingkat industri, kembali ke era pra-COVID tahun ini. Seperti yang Anda lihat di bawah, otomotif benar-benar runtuh pada akhir Maret, saat pabrik diperintahkan untuk menutup dan permintaan konsumen runtuh. Namun, manufaktur alat kesehatan tetap stabil sepanjangnya.

Mari kita hapus perubahan harian rolling untuk mendapatkan gambaran yang lebih jelas tentang tren keseluruhan. Kami akan tetap dengan garis tren ini, yang dibangun dari LOESS fit ke rata-rata rolling 7 hari dengan span 0.75 (ekonom dan analis, hubungi saya jika Anda ingin lebih banyak detail).

Kami kemudian membagi ini menjadi tiga bab dan memasang ulang kurva LOESS per bab.

Bab 1: Pemanfaatan Naik Tangga... Turun Lift

Mari kita zoom ke periode pertengahan Februari hingga pertengahan April. Pada awal Februari, semua lima industri besar yang kami lacak berjalan lancar, tentang untuk menetapkan rekor tinggi 18 bulan. Otomotif terlihat sangat kuat, karena permintaan konsumen yang tinggi dan sentimen pembelian yang meningkat menyebabkan banyak produsen OEM dan Tier 1 meningkatkan tingkat produksi, dan oleh karena itu pemanfaatan mesin. Industri lainnya atau tetap stabil atau meningkat sedikit.

Kemudian, penutupan COVID melanda, dan kita melihat contoh buku teks dari "naik tangga, turun lift". Kita melihat pola ini di banyak domain lain, seperti pasar saham. Membutuhkan banyak stabilitas dan hal-hal yang berjalan dengan baik untuk hal-hal perlahan naik, tetapi hanya satu peristiwa besar untuk hal-hal turun, dan sangat cepat. Dipasangkan dengan penutupan yang diwajibkan, permintaan konsumen yang runtuh menghancurkan manufaktur otomotif, dengan tingkat pemanfaatan turun 40% pada pertengahan April. Beberapa pelanggan kami mencoba mengalihkan fungsi untuk membuat ventilator dan peralatan medis lain selama waktu ini, tetapi itu tidak cukup untuk menyeimbangkan penutupan. Pada 15 April, kita mencapai titik terendah pemanfaatan yang telah kita lihat selama 3 tahun pelacakan kinerja mesin (kecuali hari libur).

Bab 2: Pemulihan yang Tidak Merata

Dari pertengahan April hingga akhir Juni, kita memasuki regime pemulihan yang tidak merata. Saat virus semakin terkontrol dan pembukaan lockdown, perusahaan memulai kembali beberapa produksi mereka. Manufaktur alat kesehatan, tidak mengherankan, memperluas unggulannya karena ada ketergesa-gesa untuk ventilator dan peralatan medis lainnya. Industri lainnya, seperti Aerospace & Defense, Industri Peralatan, dan Kontraktor Manufaktur naik turun selama periode ini, mencari pemulihan yang mencolok tetapi tidak pernah mencapai itu. Otomotif terus menurun, permintaan tetap terdepresi karena orang dipaksa untuk tinggal di rumah atau tidak ingin keluar dan melakukan pembelian sebesar itu.

Bab 3: Tidak Tepat Perbaikan

Dari 1 Juli hingga minggu kami saat ini, kita melihat pemulihan ringan, lalu performa hampir rata untuk beberapa minggu terakhir. Pelanggan otomotif mulai melaporkan operasi reguler kepada kami, dan kita melihat ini dalam pemanfaatan yang meningkat mereka. Menangani dan mengembangkan strategi untuk hidup di era coronavirus mungkin merupakan alasan utama di balik ini, selain orang keluar lebih banyak dan memiliki sedikit lebih banyak kepercayaan pada ekonomi. Belanja konsumen secara keseluruhan naik, yang pasti akan memiliki efek di bawah rantai pasok. Manufaktur medis juga meningkat.

Post-script 1: Bukti Peralihan Bergantian, menurut Wilayah

Kami berlangganan pengelompokan formal berikut untuk risiko COVID - dan dapat melihat perbedaan yang jelas dalam distribusi pemanfaatan menurut jam untuk setiap geografi. Kami menormalisasi pemanfaatan untuk berada antara 0 dan 1 sehingga kita dapat melihat perbedaan distribusi dengan lebih intens (perhatikan perubahan pada judul dan nilai sumbu Y). Melalui analisis ini, kita dapat melihat bahwa berbagai negara bagian memperlakukan jarak sosial, melalui peralihan bergantian di pabrik mereka, lebih serius dari yang lain. NY/NJ/CT khususnya melihat perbedaan yang mencolok dalam penyebaran pemanfaatan menurut jam setelah Maret, dengan pemanfaatan yang jauh lebih tinggi dari biasanya selama jam-jam dini hari. Ini karena tenaga kerja dialihkan dari jam utama 10 pagi - 4 sore untuk terbagi lebih merata seputar jam, seperti yang ditunjukkan oleh "kurva yang lebih datar" dalam kurva distribusi per jam untuk NY/NJ/CT. Negara bagian lain menunjukkan kurangnya gerakan yang jelas dalam distribusi mereka, sebelum dan sesudah COVID. Menakjubkan bagaimana efek dari berbagai subkultur di Amerika Serikat dan perlakuan mereka terhadap coronavirus memancar hingga ke tingkat lantai pabrik. Kami setidaknya tahu ini sebelumnya, tetapi memasukkan ketelitian sejauh mana hal ini benar cukup luar biasa.

Pengelompokan Risiko COVID

· Grup 1: NY / NJ / CT

· Grup 2: AL, AR, AZ, CA, FL, GA, IA, ID, LA, MS, NC, NV, OK, SC, SD, TN, TX, dan UT

· Grup 3: DC + Lainnya (CO, IL, IN, KS, KY, MA, MD, ME, MI, MN, MO, NE, NH, OH, OR, PA, VA, VT, WA, WI, WY)

Grup 1

[Full Size GIF]

Grup 2

[Full Size GIF]

Grup 3

[Full Size GIF]

Post-script 2: Konsekuensi Keputusan Kebijakan Segera Terlihat dan Dapat Diukur

Saat kita melihat periode pertengahan Maret, dan membawa nilai pemanfaatan harian yang dinormalisasi, kita dapat melihat efek yang sangat jelas dari kebijakan pemerintah tentang penutupan coronavirus. Di bawah ini kita membagi data kami menjadi tiga wilayah geografis kami lagi. Bahkan sekilas saja ini menunjukkan bahwa ketiga wilayah ini berperilaku sangat berbeda sekitar waktu coronavirus pertama kali melanda AS.

Secara khusus, kita melihat penurunan sekitar ~50% dalam pemanfaatan relatif setelah gubernur di NY/NJ/CT menerbitkan perintah penutupan total. Kami spekulasi bahwa artinya ~50% dari bengkel yang kami lacak dianggap bisnis esensial yang mampu tetap buka. Negara bagian lain tidak melihat penurunan ini. Aktivitas akhir pekan, yang biasanya satu kedelapan dari aktivitas normal, sepenuhnya hilang di NY/NJ/CT akhir pekan setelah penutupan.

Saat menghapus bar harian individual, perbedaan menjadi bahkan lebih mencolok. Kami melihat jenis tren ini selalu terjadi saat intervensi legislatif yang kuat diperkenalkan. Kami menyangka mengevaluasi efek dari ini akan semakin penting saat kita memasuki bagian terakhir dari tahun.

Epiloog

Saat kita memasuki musim gugur, kami harap bahwa musim flu, siswa yang pulang dari kampus yang ditutup, dan peristiwa tidak biasa lain mungkin memiliki efek yang kuat pada penyebaran coronavirus, dan oleh karena itu, pemanfaatan industri. Pada titik ini, kami telah menunjukkan bahwa ukuran kami sangat responsif terhadap perubahan kebijakan, terutama yang akan mempengaruhi pemanfaatan dalam arah turun. Kesehatan industri kami, sementara dalam regime "tunggu dan lihat" saat ini, pasti akan sangat terpengaruh oleh pilihan kebijakan kami gugur ini. Kami berharap pembuat, analis, dan ekonom industri kami dapat menggunakan data ini untuk lebih baik menginformasikan pilihan yang mereka buat saat kita menuju September. Data adalah kekuatan, dan kami dapat menggunakan data ini untuk membantu baik industri maupun bangsa kami menjadi lebih kuat. Data membantu kita membuat keputusan yang halus dan rasional, didukung oleh ketelitian dan pemikiran, daripada dorongan emosional yang hanya akhirnya menyakiti kita semua lebih banyak. Ini terletak di tangan kita semua untuk memastikan kita membuat keputusan terbaik yang mungkin selama hari-hal tumultual ini, karena ini adalah waktu kritis yang kita tempati.

Kami akan terus memantau metrik ini dan melaporkan secara teratur.