Perspectiva Industrial 2021: Actualización Integral de Marzo 2021

Introducción

A medida que nuestras actualizaciones diarias de utilización ganan impulso y reciben más atención, sentimos que es importante, como administradores de datos, clarificar nuestros supuestos, cualquier fuente de sesgo que podamos tener, y nuestros márgenes de error para que las organizaciones puedan tomar las decisiones más informadas a partir de nuestros números.

Como con cualquier conjunto de datos, nuestros datos contienen sesgo, y por tanto adjuntamos un margen de error a cualquiera de nuestras métricas reportadas. Es importante como profesionales de datos ser transparentes sobre estas fuentes de sesgo, nuestros supuestos sobre los datos, y cómo abordamos estas preocupaciones en nuestra metodología. Esto le permite a usted, el usuario, hacer sus propios juicios sobre la veracidad de nuestras afirmaciones y el valor de nuestros datos para su organización.

Una Analogía con los Métodos Tradicionales de Encuestas

Si vemos nuestro conjunto de datos desde la perspectiva de las encuestas tradicionales (como las que ve en TV para saber quién va adelante en las primarias presidenciales), podemos considerar cada una de nuestras máquinas una "persona" que "encuestamos" o sondeamos. La pregunta que hacemos para esta encuesta es simplemente: "¿Cuál ha sido su utilización en promedio en los últimos siete días?" Muestreamos miles de "personas" (máquinas) en Estados Unidos cada segundo a través de nuestra flota de dispositivos Edge conectados a la nube, y reportamos esta cifra para el día anterior una vez que todas las "respuestas" han "llegado".

Dónde residen las "personas" (máquinas) que muestreamos.

Como con cualquier encuesta que no captura a toda la población, nuestra muestra está sujeta a sesgo. Como se abordó en nuestros posts anteriores, ciertas formas de sesgo no son aplicables en nuestra metodología, específicamente las impulsadas emocionalmente como sesgo de percepción, sesgo de confirmación y reporte malicioso. Las máquinas son encuestadas automáticamente via software cada segundo; no pueden "mentir" o decir verdades a medias porque no hay oportunidad para hacerlo cuando están conectadas a MachineMetrics. Los fallos tecnológicos son nominales también, ya que la utilización es la métrica más básica que sondeamos de las máquinas y cualquier anomalía es detectada algorítmicamente y eliminada rápidamente. Sin embargo, otras formas de sesgo siguen existiendo incluso cuando se elimina el elemento humano.

Muestra de Alta Productividad

Primero, nuestra muestra probablemente representa una muestra de alta productividad en manufactura. Esto es porque quienes adoptan tecnologías de Industria 4.0 son talleres más visionarios, y por tanto probablemente ya tienen procesos para agilizar operaciones y aumentar el rendimiento. No estamos completamente seguros de cuántos puntos porcentuales más productiva es nuestra muestra que la manufactura discreta "promedio", pero no creemos que las tendencias generales deban verse afectadas por esto (es decir, el cambio porcentual día a día debería ser similar para una muestra de alta productividad vs. una de productividad promedio). Esto es porque factores a nivel macro como festivos, shocks económicos y reshoring/offshoring deberían afectar a talleres de alta y baja productividad relativamente por igual. Esto es importante porque aunque el nivel general de utilización que reportamos está ligeramente elevado, aún podemos ver tendencias muy claras como el efecto de festivos, el efecto del coronavirus, y el efecto de la demanda reprimida del consumidor en la manufactura en general.

Además, no capturamos un Censo perfecto a nivel de población del uso de máquinas en Estados Unidos, ya que eso requeriría estar conectados a los más de 3 millones de herramientas de máquina (el número de 3 millones viene de The Association for Manufacturing Technology, que estima que hay 3,2 millones de herramientas CNC operativas con un valor original superior a $50k).

Aunque aspiramos a llegar a 3 millones algún día, ahora tenemos que conformarnos con una fracción de este tamaño total. No revelamos nuestro tamaño de muestra exacto debido a que cobramos un precio estándar por máquina, y eso revelaría nuestros ingresos recurrentes anuales, una cifra que la mayoría de startups de nuestro tamaño no están dispuestas a divulgar porque juega un papel clave en las valoraciones.

Margen de Error

Sin embargo, incluimos un margen de error como mejor práctica, que es típicamente lo que el tamaño de muestra intenta captar de todos modos. Un margen de error tiene en cuenta el tamaño de muestra como proporción del tamaño total de la población, así como el porcentaje de encuestados que responden afirmativamente a la encuesta. En nuestro caso, no hay una respuesta "afirmativa" a la encuesta; podríamos teóricamente tomar el 100 % de utilización para significar "todos dijeron que sí" y 0 % para "todos dijeron que no", pero esto es dudoso. Por tanto, simplemente usamos una proporción del 50 % para respuestas afirmativas en nuestro cálculo, lo que maximiza el margen de error para las medidas más conservadoras de precisión de la encuesta. Puede estar seguro de que los márgenes que reportamos son para el peor escenario dado nuestro tamaño de muestra.

Fórmula de margen de error para poblaciones finitas. Fuente: Chegg Homework Help

Cuanto mayor es el margen de error, menos confianza deben tener los usuarios en los resultados de la encuesta. Nuestro margen de error actual ronda entre ±1,6 % y ±1,8 %. Es decir, tenemos un 95 % de confianza en que, para los 3 millones de herramientas de máquina en EE. UU., las cifras reales de utilización están entre ±1,6 % y ±1,8 % de lo que reportamos. Nuestra última cifra de utilización reportada para el 6 de marzo de 2021 fue del 29,41 %, lo que significa que creemos que es muy probable que la utilización real para toda la población de herramientas de máquina esté entre 27,60 % y 31,21 %. Esto significa que las comparaciones que ocurren dentro del margen de error, al igual que los resultados de encuestas entre dos candidatos que están dentro del margen de error, deben considerarse con cautela y abordarse con precaución. Creo que todos aprendimos esto de primera mano durante el ciclo electoral de 2016.

Por ejemplo, si la utilización cambia del 29,0 % al 29,4 %, esto sigue dentro de nuestro margen de error y debe considerarse más una curiosidad que un hecho. Si, sin embargo, este cambio persiste por muchos días y la utilización cambia del 29 % al 31 % en el lapso de una semana, tenemos un 95 % de confianza en que esto refleja el cambio a nivel de población. En otra encarnación, si es el viernes antes del 4 de julio y la utilización cambia del 29 % al 25 % día a día, también es más que una curiosidad que esto ocurra, sino que refleja la realidad en plantas de todo Estados Unidos (que la gente toma libre el viernes antes del 4 de julio para empezar el fin de semana temprano).

La cifra de ±1,6 % a 1,8 % también es importante en sí misma. Este es el margen que debería establecerse si está haciendo benchmarking de la utilización de su propia fábrica contra normas del sector.

Actualización sobre Condiciones del Sector

En el espíritu de nuestra clarificación sobre margen de error, nos gustaría expresar la utilización de la siguiente manera:

Tenemos un 95 % de confianza en que el promedio móvil semanal de utilización hasta ayer está entre 27,60 % y 31,21 %, con una estimación puntual de 29,41 %.

Esto refleja datos económicos de la Fed que muestran que la demanda de fábrica en todo el país está aumentando debido a la demanda reprimida. Vemos que esta es la utilización más alta para un 6 de marzo en los últimos cuatro años, un insight bastante increíble.

Esto también representa un máximo local que no se ha superado desde octubre de 2018 (máximo de 41 meses). Esto se alinea casi perfectamente con el índice manufacturero de ISM, que también alcanzó un máximo de 48 meses de 60,8 tras saltar desde 58,7 en enero. Los datos están corroborados por reportes anecdóticos de una grave escasez de mano de obra en manufactura, ya que los dueños de fábricas luchan por contratar trabajadores en medio de una mayor competencia de Amazon et al. Los gerentes de planta están subiendo salarios hasta un 30 % para competir por talento, mientras nuevos actores entran para contratar trabajadores cualificados.

Terminamos referenciando un podcast del Wall Street Journal que añade contexto humano a lo que vemos en nuestros datos: Where Jobs are Booming.

En conclusión, los negocios van bien, casi demasiado bien. ¡Manténganse atentos para más actualizaciones!