Big data na indústria: do dado à decisão, com exemplo

O que é big data na indústria

Big data na indústria é o uso de grandes volumes de dados de máquinas, qualidade, manutenção e logística, vindos de fontes variadas, para descobrir padrões e apoiar decisões. O valor não está no tamanho do banco, e sim na pergunta que ele responde: por que a linha parou, onde nasce o refugo, quando a máquina vai falhar.

O conceito costuma ser descrito pelos "Vs": volume, velocidade, variedade, veracidade (qualidade do dado) e valor. Na fábrica, a variedade e a veracidade pesam mais que o volume.

Mapa visual do big data na indústria

O mapa mostra a cadeia coleta, armazenamento, análise e ação, com os números do exemplo deste artigo.

Do dado à decisão: as 4 etapas

1. Coleta: sensores, CLPs, sistemas MES, ERP, planilhas de qualidade e apontamentos manuais. A conexão das máquinas está em IoT industrial (IIoT).
2. Armazenamento: um histórico (historian) para séries de tempo, um banco relacional para transações e, quando há muita variedade, um data lake para dados brutos.
3. Análise: da descrição ("o que aconteceu") ao diagnóstico ("por quê"), à previsão ("o que vai acontecer") e à prescrição ("o que fazer").
4. Ação: alerta, ordem de manutenção, ajuste de parâmetro ou mudança de padrão de trabalho. Sem ação, a análise é só relatório.

Exemplo 1: quanto dado uma linha gera

Suponha 50 sensores lendo 1 vez por segundo, com 16 bytes por leitura (valor, hora e identificação do ponto, premissa do exemplo).

O resultado surpreende: 25,2 GB por ano por máquina cabem em um servidor comum. Para 20 máquinas, cerca de 504,6 GB por ano, ainda administrável. Reduzir a gravação para 1 leitura por minuto nos pontos lentos corta o volume em 60 vezes, sem perder o que importa.

Volume diário = sensores × leituras por segundo × 86.400 × bytes por leitura = 50 × 1 × 86.400 × 16 = 69,12 MB

A lição: antes de comprar uma plataforma "big data", calcule o seu volume. Muitas fábricas precisam de dado limpo e bem identificado, não de petabytes.

Exemplo 2: do dado de parada à decisão

Exemplo fictício: o apontamento automático de paradas de uma célula somou 900 minutos em um mês.

Verificação: 310 + 240 + 150 + 120 + 80 = 900. Percentuais: 310 ÷ 900 = 34,4%; 240 ÷ 900 = 26,7%; 150 ÷ 900 = 16,7%; 120 ÷ 900 = 13,3%; 80 ÷ 900 = 8,9%. As duas primeiras causas somam 550 minutos, ou 61,1% das paradas.

A decisão sai do dado: atacar primeiro a falta de material (abastecimento, kanban) e a troca de ferramenta. Esse é o raciocínio do diagrama de Pareto; o big data só automatizou a coleta. O impacto aparece depois no OEE.

Data warehouse ou data lake?

Muitas fábricas combinam os dois: dado bruto no lake, indicadores tratados no warehouse, e um painel como o do dashboard de produção na ponta.

Casos de uso que costumam dar retorno

• Manutenção preditiva: vibração e temperatura para antecipar falhas (veja IA na manutenção preditiva).
• Qualidade: cruzar parâmetros de processo com defeitos e usar CEP em tempo real.
• Planejamento: prever demanda e consumo com séries históricas.
• Energia: achar picos e horários de desperdício.
• Simulação: alimentar um gêmeo digital com dados reais.

Qualidade do dado: o gargalo real

• Identificação única: mesmo código de máquina, produto e motivo de parada em todos os sistemas.
• Relógio sincronizado: sem hora correta não se cruza evento de máquina com lote.
• Motivos de parada padronizados: "outros" não pode ser a segunda maior categoria.
• Dono do dado: uma pessoa responsável por cada fonte.

Para começar, escolha um problema, como a parada acima, e monte o caminho completo, como em transformação digital em 5 passos.

Erros comuns

• Comprar plataforma antes de definir a pergunta de negócio.
• Coletar tudo e não limpar nada.
• Guardar dado a 1 segundo onde 1 minuto bastaria.
• Entregar relatório sem dono para a ação.
• Ignorar o apontamento manual e a disciplina de preenchimento.
• Confundir correlação com causa: validar com teste e com o chão de fábrica.

Perguntas frequentes

O que é big data na indústria?

É o uso de grandes volumes de dados variados de máquinas, qualidade, manutenção e logística para identificar padrões e apoiar decisões de produção.

Quais são os Vs do big data?

Volume, velocidade, variedade, veracidade e valor. Na fábrica, variedade e veracidade (qualidade) costumam pesar mais que o volume.

Minha fábrica precisa de big data?

Só se tiver uma pergunta que os dados atuais não respondem. No exemplo, 50 sensores por máquina geram cerca de 25,2 GB por ano, volume que um servidor comum suporta.

Qual a diferença entre big data e business intelligence?

BI mostra indicadores já definidos, em geral sobre dados estruturados. Big data inclui fontes variadas e análises exploratórias, como modelos preditivos.

Por onde começar?

Escolha um problema mensurável, como paradas ou refugo, ligue as fontes necessárias, limpe o dado, analise com Pareto ou CEP e defina uma ação com responsável.

Qual a relação com Indústria 4.0?

Big data é o que transforma o dado coletado por IIoT e MES em decisão. A conexão sem análise gera só volume.

Sobre o autor

Vagner Soares

Especialista em Lean Manufacturing e Gestão Comportamental

Mais de 20 anos de indústria automotiva e metalmecânica (GM e Dana), especialista em Lean Manufacturing desde 2006. Instrutor e mentor do SENAI no programa Brasil Mais Produtivo, com consultorias, treinamentos e auditorias em mais de 50 empresas, unindo qualidade, produtividade e desenvolvimento de pessoas.

LinkedInInstagramPerfil completo →