Em uma indústria que emprega capital intensivo como a de mineração, melhorias de produtividade podem ter um alto impacto no resultado. Por isso, advanced analytics pode gerar um valor imenso, ajudando os líderes a otimizar processos, reduzir tempos de paralisação e fundamentar a tomada de decisão no local.
Mas a indústria de mineração é altamente complexa. As minas operam como pequenas cidades, com centenas de pessoas e milhares de peças de equipamentos. Quase todos os processos exigem expertise especializada e coreografia cuidadosa. Os metalúrgicos precisam ajustar os procedimentos para as condições da mina. Os expedidores precisam manter os caminhões em movimento na sequência correta. Os engenheiros de mina precisam customizar os planos das minas continuamente. Saber com que medidas seguir ou recuar para manter a operação funcionando é, ao mesmo tempo, uma arte e uma ciência.
Essas complexidades desaceleraram a adoção de analytics. Para um programa de inteligência artificial (IA) ou outro de advanced analytics ter sucesso no contexto da mineração, metalúrgicos, operadores, planejadores e outros stakeholders precisam aderir ao esforço. Mas muitos não aderem – pelo menos não inicialmente – porque eles assumem que sua expertise é muito especializada para ser codificada como uma ferramenta de analytics ou que as iniciativas serão gerenciadas por outras pessoas sem contexto operacional.
Porém, algumas grandes operações de mineração contornaram essa tendência. Essas operações estão implementando analytics em escala e conquistando uma ampla adoção. Por exemplo, dados de localização em tempo real e de condições de estradas ajudaram uma operação de mina a céu aberto a aumentar a eficiência da movimentação de materiais em 5%. A modelagem superior ajudou uma mina de cobre a aumentar a produtividade e a recuperação em 10 a 15%. Sensores em caminhões basculantes e outros equipamentos ajudaram uma mineradora de carvão a reduzir os custos de consumo de combustível em 15% nos dois primeiros meses da implementação.
Onde essas mineradoras estão acertando? Analisamos 140 implementações de analytics em diversas operações de mineração para entender as condições que levam ao sucesso. Aprendemos que engajar especialistas e usuários da linha de frente, promovendo a contínua colaboração e mantendo um foco cuidadoso no impacto, são indispensáveis para promover adoção e valor. Se uma indústria complexa como a de mineração pode encontrar uma forma bem-sucedida de construir e escalonar analytics, outras indústrias podem seguir o mesmo caminho.
Apresentamos a seguir seis formas como os líderes de analytics podem promover a adoção.
1. Construir produtos de analytics com especialistas de domínio e influenciadores
A adoção requer que os usuários confiem em analytics. Pode ser difícil construir essa confiança em mineração, onde qualquer desvio do manual de OEM, do plano da mina ou das regras da metalurgia é visto como suspeito. Uma das formas mais eficazes de gerar confiança é envolver diretamente os metalúrgicos, líderes de processos e outros especialistas no trabalho de desenvolvimento. Com esse envolvimento, os especialistas podem conhecer melhor os novos modelos e ganhar confiança em analytics. Engajar os stakeholders também permite atingir um resultado de maior qualidade, o que ajuda a garantir que os dados e variáveis corretos sejam considerados no desenho em formatos que os usuários possam entender e aplicar. Em uma mina de cobre, por exemplo, especialistas de controle de processos foram participantes-chave na criação de uma ferramenta para um moinho semiautógeno. Sua participação prática resultou em uma ferramenta ágil capaz de calibrar quanta água o moinho deve usar para diferentes velocidades de moagem e a pressão correta de sustentação para aplicar em diferentes tipos de minério.
O engajamento dos especialistas deve continuar no campo. Os especialistas em processos do exemplo anterior mudaram o modelo para uso no moinho. Após aprender a expressar as necessidades do negócio em termos analíticos e vice-versa com os “tradutores” (indivíduos com uma combinação de habilidades técnicas e de negócio que atuam como interface crítica entre os especialistas em analytics e os operadores e especialistas de domínios), os especialistas das minas agora podem oferecer tradução similar na mina. Seu envolvimento próximo ajudou a fundamentar e melhorar continuamente o modelo analítico, garantindo que a lógica seja sólida e que os resultados sejam acionáveis.
Incluindo estes, os líderes influentes tiveram outro benefício. À medida que eles passaram a confiar no sucesso do projeto, ajudaram os operadores e outros funcionários no moinho a confiar no projeto também. A adesão dos especialistas funcionou como uma forma orgânica de marketing interno. Conforme as organizações evoluem suas capacidades em analytics, esse marketing interno pode se tornar mais arraigado, liderado por especialistas de marketing e apoiado por um modelo claro de go-to-market, a fim de gerar uma compreensão clara da nova solução em todas as camadas da empresa.
2. Estabelecer uma compreensão compartilhada em todas as camadas
Analytics pode ter diferentes significados para diferentes pessoas. Em uma mineradora, por exemplo, um importante tomador de decisão que patrocinava a iniciativa de analytics tinha um conjunto de objetivos. Porém, a média gerência, encarregada de supervisionar a implementação, tinha suas próprias ideias sobre a execução do programa. Enquanto isso, os líderes de linhas de negócio – cujas pessoas e processos podem ser afetados por analytics – tinham uma compreensão apenas unilateral dos detalhes do programa. Com o aumento do caos, acúmulo de atrasos e membros da equipe sendo alocados em outros projetos, o programa nunca foi além do piloto.
As organizações podem evitar desarticulações como essas criando um entendimento comum dos objetivos principais do programa e designando um responsável por produto com poder de liderança e habilidades gerenciais para impulsionar a iniciativa. O responsável por produto e sua equipe se dedicam a tornar os mecanismos interiores transparentes e explicáveis. A governança de dados também é crucial. Os dados devem estar bem organizados e acessíveis, com os principais dicionários, termos e fórmulas padronizados. Líderes, designers e usuários precisam conhecer as principais fontes de dados usadas e como as recomendações de algoritmos são geradas para construir confiança e aceitação do modelo na linha de frente.
A comunicação é essencial para o sucesso das iniciativas de analytics. Uma mensagem clara e uma campanha de conscientização criam suporte, e programas de treinamento customizados preparam os funcionários para atingirem os objetivos. Antes de embarcarem em uma iniciativa para melhorar a produtividade dos equipamentos de transporte, por exemplo, os líderes de uma mineradora convidaram o gerente geral local, o gerente geral da mina e o gerente de transporte para uma reunião de alinhamento. Juntos, os participantes da reunião definiram os objetivos do negócio. Depois que o projeto estava em andamento, os líderes do projeto programaram reuniões de apresentação mensais para mostrar aos executivos da empresa, aos operadores de expedição da mina, aos supervisores de operação de campo e aos operadores de caminhões basculantes seu andamento, solicitando informações e respondendo perguntas. Avaliações quinzenais com o gerente da mina e o gerente de transportes foram mais aprofundadas, detalhando o desenvolvimento de analytics e a lógica para assegurar que a performance fosse medida de acordo com os objetivos gerais do negócio. Eles complementaram essas avaliações com treinamento de campo para usuários finais, um processo que permitiu aos membros da equipe obter novas certificações e que preparou os líderes de projetos para dar feedback de baixo para cima sobre como a equipe de desenho poderia refinar os modelos. A disciplina na comunicação criou uma atmosfera positiva: as principais vozes se sentiram ouvidas, surpresas negativas foram eliminadas e o interesse no programa cresceu.
Contar histórias de sucesso é igualmente importante. As organizações que têm os maiores retornos sobre seus investimentos em analytics compartilham os resultados com toda a empresa. Em fóruns, newsletters e outros formatos, esses líderes demonstram não apenas o que os novos modelos fazem, mas também como eles melhoram a empresa. Incorporar o trabalho de analytics ao contexto de uma transformação mais abrangente na empresa pode tornar a iniciativa mais relevante e engajadora.
3. Integrar analytics aos processos de trabalho já em andamento
Quanto mais familiar e intuitivo for um modelo, maior a probabilidade de que ele tenha aceitação. Customizar a interface para o contexto específico do usuário, configurando passos para refletir aqueles que os usuários normalmente seguem para concluir uma tarefa em particular e integrar analytics nos processos-chave pode fazer com que os novos sistemas pareçam uma extensão natural dos existentes em vez de representar uma mudança abrupta.
Por exemplo, uma mineradora de cobre criou um modelo preditivo que disparava um alarme sempre que uma fila de caminhões mais longa que a normal ameaçava congestionar o tráfego em um dos principais trituradores. Os testes mostraram que o sistema era relativamente preciso. Porém, os expedidores e operadores raramente prestavam atenção ao alarme, confiando no sistema regular de esperar até que o congestionamento se formasse antes de reagir. Para melhorar a adoção, a equipe de implementação redesenhou o modelo, incorporando o mecanismo de alerta diretamente no sistema de monitoramento. As mudanças não apenas reduziram as filas de congestionamento, mas também geraram um senso de boa vontade entre os funcionários da linha de frente.
Uma situação semelhante ocorreu em um moinho semiautógeno, onde um modelo de analytics sugeriu que aumentar os níveis de alimentação em 5% produziria uma elevação significativa na produção. Porém, esse nível de aumento era muito maior que os cintos então existentes podiam acomodar, o que gerava desconfiança no operador. “Qual é o sentido de usar analytics”, o operador perguntou, “se as recomendações não podem ser implementadas?” Os designers reconfiguraram o algoritmo e a interface do usuário, criando uma visão de otimização do “estado atual” que forneceu recomendações para maximizar a produtividade nos sistemas em uso e uma janela de “estado desejado” com recomendações específicas de capex e operações, como aumentar a porcentagem de sólidos, juntamente com métricas que mostraram os benefícios de seguir as recomendações.
As equipes de analytics também precisam ter certeza de que qualquer novo sistema seja desenhado para se integrar facilmente com o stack de tecnologia back-end de uma mina. Caso contrário, as mineradoras poderão se deparar com modelos isolados que poderão cair em desuso por não poderem ser atualizados ou escalonados. Identificamos que essa integração pode ajudar a construir uma réplica de depósito de dados dedicada para apoiar o modelo e incluir controles de qualidade voltados à integridade de dados no código de ingestão.
4. Empregar técnicas ágeis para promover a responsabilidade e o empoderamento
Muitas minas tradicionalmente operavam com uma mentalidade de “comprar e não fazer” em se tratando de tecnologia. Os tomadores de decisão eliminaram de campo o investimento em ferramentas pré-construídas com um conjunto específico de metas em mente e agora dão instruções para as equipes locais para uso de formas prescritas. Essa abordagem pode funcionar bem para aplicações empresariais como ERPs e outras que gerenciam processos de rotina de back-office, mas as iniciativas de analytics normalmente envolvem gerentes e funcionários da linha de frente. Quando funcionários de campo e mina recebem instruções à distância, eles costumam sentir que a gerência desvaloriza sua expertise.
Uma das formas mais eficazes de aumentar a adoção é engajar os usuários diretamente no processo de desenvolvimento, empregando técnicas ágeis que lhes conferem mais ação. As formas ágeis de trabalhar democratizam a responsabilidade. Em vez de orientar as equipes, os líderes esboçam o problema a ser resolvido e deixam a cargo da equipe de desenho em campo (um grupo de usuários, desenvolvedores e líderes de projeto) determinar as formas mais eficazes de tratar a questão e atingir os objetivos desejados. Essa abordagem aberta e não hierárquica cria uma dinâmica saudável de resolução de problemas na qual as pessoas podem contribuir de forma mais fácil e independente com perspectivas para a solução, sem considerar sua senioridade e experiência. O resultado é mais inovação e agilidade. Como explicou um líder de uma mineradora de metais preciosos, “o como de fazer analytics é tão importante quanto o o quê.”
Por exemplo, uma mina a céu aberto implementou um modelo de analytics para ajudar expedidores a melhorar a produtividade. Porém, os expedidores resistiram a usá-lo porque sentiram que a iniciativa duplicaria outros sistemas já em uso e automatizaria uma parte importante de seu papel. Quando a equipe de analytics trouxe gerentes de frota e operadores de expedição para a equipe de desenvolvimento, tudo mudou. Por meio de uma série de testes de campo, a equipe multidisciplinar melhorou a lógica algorítmica e criou um sistema capaz de ajustar automaticamente os locais de descarregamento dos caminhões basculantes quando um pico na fila do triturador principal foi antecipado. Quando os operadores perceberam que poderiam ajudar a ajustar o modelo e que a ferramenta tinha a função de melhorar seus papéis, e não substituí-los, eles passaram a estar mais abertos a usar o sistema e a colaborar com seu desenvolvimento. Ao final do programa, o recurso foi implementado em escala em outras minas. Ao longo do tempo, a abordagem de “fazer e não comprar” criou capacidades e ajudou a incentivar formas novas e mais produtivas de trabalhar em diferentes áreas da mina.
5. Liberar valor por meio de uma gestão de performance holística
Para que as iniciativas de analytics ganhem tração, os líderes de minas precisam ligar os pontos entre os objetivos gerais de negócio para o programa de analytics e os marcos específicos e critérios que definem o sucesso nos diferentes estágios. Caso contrário, a equipe de manutenção, os gerentes de planta e da mina e os sponsors executivos poderão ter medidas totalmente diferentes, resultando em expectativas divergentes.
Sem um entendimento coeso de valor, responsabilidade clara e priorização concreta de tarefas, a adoção e o impacto podem sofrer. As equipes podem enfrentar dificuldades para manter o entusiasmo por uma iniciativa, e os líderes, para justificar um investimento contínuo. Para criar um campo de visão claro para o valor, os líderes de projetos precisam criar uma infraestrutura de gestão que elimine silos, alinhe métricas de performance entre as equipes e atribua responsabilidade por alcançá-las. Trabalhando de trás para frente partindo das metas de receita, os líderes de projetos precisam definir medidas de performance individualizadas para cada papel e frente de trabalho e garantir que os membros da equipe entendam o que se espera deles. Pessoas e equipes responsáveis por atingir metas específicas podem então priorizar o fluxo de trabalho de forma mais eficaz.
Por exemplo, uma mina de cobre investiu em analytics para otimizar o processamento. Para ter certeza de que o modelo atingiria o objetivo, o responsável por produto concordou em ser o responsável por aumentar a produção de cobre em uma porcentagem definida usando as recomendações do modelo – uma meta que fundamentou a forma como ele priorizou o backlog de desenvolvimento. Os desenvolvedores, por sua vez, assumiram os testes e a iteração das recomendações em campo até que eles atingissem os patamares de performance predefinidos. As células digitais na equipe ágil foram responsáveis por métricas mais detalhadas, como a precisão da previsão. Reuniões regulares entre a liderança da mina e a equipe de desenvolvimento mantiveram todas as partes atualizadas sobre o progresso. Onde manutenção e outras equipes podiam ter diferentes – e algumas vezes conflitantes – incentivos no passado, agora todas unem esforços pelo mesmo objetivo. Os líderes também sugeriram celebrar as equipes pelo valor que elas criaram. Ao criar mais alinhamento, responsabilização e transparência com essas medidas, as mineradoras podem impulsionar os retornos sobre seus investimentos em analytics e tornar o valor mais perceptível.
6. Antecipar as habilidades necessárias para escalonar e sustentar
Para mineradoras que estão apenas começando suas jornadas de analytics, pode ser fácil focar em casos de uso, ferramentas e algoritmos, pois a curva de aprendizado de cada uma pode ser acentuada. No entanto, fazer uma transição do piloto para a produção requer planejamento para escala desde o início e a construção de uma base interna de habilidades capaz de apoiar o portfólio de analytics no longo prazo.
Nossa experiência mostra que ter a expertise certa para manter e treinar sistemas é um dos fatores de sucesso mais importantes em analytics. A precisão do modelo naturalmente oscila ao longo do tempo devido à variação nas condições operacionais. Para contornar essa oscilação, as empresas precisam renovar o treinamento do sistema continuamente, a cada 3 ou 6 meses, por exemplo. Caso contrário, a qualidade das recomendações diminuirá, provocando redução de usuários e declínio no impacto.
Por exemplo, ao estudar por que um piloto promissor em sua planta concentradora havia falhado após semanas tentando ter sucesso, os líderes de uma mina determinaram que o problema não era o modelo de analytics, mas a falta de capacidade de interpretar seus resultados e otimizar sua lógica. Os líderes da mina não tinham as capacidades em termos de engenharia de software para gerenciar a infraestrutura ou o know how de data science para fazer a manutenção ou melhorar o modelo. Sempre que chegava um pedido de mudança para ajustar analytics, a equipe de desenho do esqueleto precisava solicitar o suporte de um terceirizado.
Para resolver esse problema, os líderes decidiram promover uma requalificação interna. A equipe criou um programa de estágio para treinar funcionários interessados, desenhou novos programas de certificação para evoluir suas habilidades digitais, recorreu fortemente aos talentos internos de TI e negócio e uniu essa iniciativa de treinamento a uma estratégia de recrutamento direcionada para trazer profissionais experientes. Os resultados ajudaram a mina a criar um polo de analytics dentro da organização, com o propósito de desenhar, apoiar e melhorar um portfólio de iniciativas de analytics e IA. No intuito de monitorar a precisão do sistema, os analistas incorporaram em seus modelos um código que monitorava desvios em relação ao conceito e enviava alertas automáticos quando havia necessidade de renovar o treinamento. Os analistas também criaram um scorecard de performance do modelo para monitorar a estabilidade e a relevância. Essas medidas se tornaram uma forma útil de monitorar a saúde do sistema e adicionar valor.
Outras empresas podem fazer o mesmo. A maioria precisará trazer desenvolvedores de software, cientistas de dados, engenheiros de dados e outros talentos digitais. Elas também precisarão de tradutores que possam usar sua combinação de habilidades técnicas e do negócio para garantir que os operadores e especialistas em domínio entendam a equipe de analytics e vice-versa. Contratar esses talentos leva tempo, especialmente porque existe alta demanda por suas habilidades digitais. Começar cedo pode possibilitar que as empresas deem um salto em recrutamento e treinamento, tendo assim os recursos internos à disposição para criar uma transição estável no final do piloto e sustentar seu programa de analytics.
As mineradoras têm uma grande oportunidade inexplorada em se tratando de analytics. Taxas de adoção relativamente baixas na indústria criam oportunidades para líderes comprometidos ganharem vantagem competitiva. As mineradoras que criarem as bases para o sucesso em analytics – construindo engajamento e alinhamento, tornando analytics fácil de usar e o valor fácil de monitorar – podem desenvolver as mudanças de mentalidade e processo necessárias para sustentar retornos de dois dígitos sobre seus investimentos em analytics.