Por qué los cronómetros son una amenaza para el resurgimiento de las manufacturas

Me corté los dientes en la planta de General Motors (GM) hace casi 25 años, trabajando tanto en el cuerpo tienda, que estaba gobernada por robots, y el área de asamblea general, que estaba dominada por personas. Aprendí muy rápidamente que se podía acceder fácilmente a los datos de los robots a través de Ethernet, pero los datos relacionados con los humanos tenían que ser generados manualmente por ingenieros industriales que manejaban cronómetros, realizando los mismos estudios de tiempo que Frederick Taylor introdujo en la época del Modelo T. El contraste era duro incluso entonces:la era industrial moderna chocaba con un método de recopilación de datos que ya tenía alrededor de 75 años.

Un cuarto de siglo después, todavía camino por áreas de montaje y veo a jóvenes ingenieros realizando estudios de tiempos. Las herramientas han cambiado, es más probable que usen un iPhone en lugar de un Casio, pero la actividad sigue siendo idéntica, lo que me molesta. Los estudios de tiempo (y los estudios de movimiento) fueron técnicas pioneras. Hicieron de la fabricación estadounidense la mejor del mundo. Pero también tienen muchos defectos. En la era del Internet industrial de las cosas (IIoT), los estudios de tiempos no pueden mantenerse al día.

Centrarse en el tiempo de comercialización y la productividad

No hay duda de que la manufactura estadounidense está en alza, expandiéndose al ritmo más rápido desde 2004. En 2017, 171,000 empleos de manufactura regresaron a los Estados Unidos como resultado de la reubicación y la inversión extranjera directa. Lo que impulsa este resurgimiento, quizás el principal de muchos motivos, es el acceso al mercado.

“La reubicación es cuestión de tiempo de comercialización”, dice Ben Smith, asesor senior de la consultora AT Kearney. “No se trata solo de encontrar una vieja fábrica en Pittsburgh y volver a encender las luces. Los fabricantes modernos pueden preferir 15 pequeñas fábricas distribuidas por todo el país para un mejor acceso al mercado, lo que significa que los gerentes de fábrica cambian su enfoque de los costos a la productividad ”.

La sabiduría convencional es que la IIoT aumentará la productividad. Según Accenture, el IIoT es posiblemente el mayor impulsor de productividad y crecimiento en la próxima década. GE Digital cree que el IIoT será responsable de las ganancias de rendimiento que valoran aproximadamente $ 8,6 billones por año.

Un problema es que la mayor parte del valor que crea una fábrica no proviene de sus máquinas, sino de las personas. Un estudio de Boston Consulting Group encontró que las personas aún realizan hasta el 90 por ciento de las tareas en la fábrica. Por lo tanto, puede optimizar sus máquinas hasta que las vacas regresen a casa, pero solo está optimizando el 10 por ciento de lo que sucede en su planta.

El tiempo de comercialización se contrae con el tiempo de obtención de datos

“En cualquier línea de producción, solo un pequeño porcentaje de las tareas las realizan las máquinas”, dice Peter Marcotullio, vicepresidente de investigación y desarrollo comercial de SRI International. "Si está instrumentando máquinas, solo está capturando una fracción del proceso".

Entiendo el atractivo del IIoT. Mira el tamaño del conjunto de datos. En el tiempo que le tomaría realizar un estudio de tiempos o completar una tabla de trabajo estandarizada, es posible que tenga 50 gigabytes de datos de la máquina para su motor de análisis predictivo. Es sencillo calcular la eficacia general del equipo (OEE) con tres decimales. Si el tiempo de comercialización es esencial, entonces el tiempo de comercialización de datos debe contar mucho.

Pero no existe una línea recta entre la optimización del equipo y la mejora de la productividad general de la planta. Cuando miras la contribución de las máquinas como un porcentaje de la creación de valor, ves que el IIoT pierde el panorama general. Algunas de las decisiones más críticas que toma un gerente de planta, desde el personal diario y las proyecciones de producción hasta el cálculo de costos y cotizaciones del trabajo, requieren datos de las personas. Los datos de las personas impulsan los ingresos y los resultados, razón por la cual me preocupo tanto cuando veo que las personas realizan estudios de tiempo y movimiento incluso hoy.

Un conjunto de datos incompleto y poco confiable

Hay dos problemas con los estudios de tiempos:el tamaño del conjunto de datos y la confianza que se merece. Primero, los estudios de tiempos están incompletos. Un ingeniero recibe una palmada en la espalda si regresa de la línea con 10 muestras por estación. Pero diez muestras no son lo suficientemente significativas para explicar la variabilidad del operador. ¿Importa si las muestras se toman un lunes por la mañana o un viernes por la tarde? ¿El día de pago o el día siguiente? No hay datos suficientes para establecer correlaciones y causalidad.

Esto conduce al segundo problema:la fiabilidad de los datos. Werner Heisenberg demostró que el mismo acto de observación puede perturbar un sistema observado. Lo que es cierto para la física cuántica es igualmente cierto para las estaciones de trabajo. Algunos trabajadores se mueven más rápido para impresionar a un observador; otros hacen su trabajo con lentitud para mejorar el estándar que saben que están creando para sí mismos. Para agravar esta dificultad están los desafíos de medición. Por ejemplo, un observador debe determinar constantemente cuándo comienza y termina una actividad.

Los estudios de tiempos dan como resultado mediciones que, en el mejor de los casos, son dudosas. Esto afecta las conclusiones que se extraen de ellos. También perjudica a los operadores tanto como a la empresa, porque si el tiempo de comercialización requiere datos, y los datos no pueden provenir fácilmente de las personas, los fabricantes indexan en exceso las máquinas. La gente pierde sus trabajos.

¿Qué le falta a la planta moderna?

Hay muchas formas de aumentar su conjunto de datos sobre las personas:caminatas Gemba regulares, cortinas de luz instrumentadas y otros sistemas poka-yoke que recopilan datos e innumerables conexiones físicas en el sistema de ejecución de fabricación (MES) para calcular el tiempo del ciclo e inferir la productividad. Pero estos datos no se escalan. Los datos sobre las actividades de ensamblaje humano son efectivamente invisibles para la analítica.

“Cuando un fabricante quiere resolver un problema de producción, reúne a los trabajadores y gerentes para intercambiar ideas”, dice Anik Bose, socio general de Benhamou Global Ventures. “Si quieren mejorar la utilización de los activos, traen a expertos esbeltos para estudios de tiempo y movimiento o confían en visitas semestrales de ingenieros. Para la introducción de nuevos productos, cerraron la línea para realizar experimentos. Todo es manual y ad hoc porque no tienen alternativa. No tienen datos en tiempo real que permitan ningún otro tipo de enfoque ”.

Si las plantas apenas pueden medir la productividad humana, ¿cómo la van a mejorar? Y si no pueden mejorar la productividad humana, ¿qué le sucede al operador humano? Recuerdo la famosa cita de Marshall Goldsmith:"Lo que te trajo aquí no te llevará allí". El estudio de tiempos nos trajo aquí, y por eso le agradezco al Sr. Taylor. Pero cuando miro "allí", que veo como una aceleración del tiempo de comercialización desde el aumento de la productividad laboral (humana), estoy convencido de que ha llegado el momento del estudio de tiempos.

Acerca del autor

Dr. Prasad Akella dirigió el equipo que construyó los primeros robots colaborativos del mundo en GM. Es el director ejecutivo de Drishti , una nueva empresa que implementa inteligencia artificial para colaborar con los humanos y mejorarlos en la fábrica.