Otimização de tempo real por SKU e antecipação de gargalos com Machine Learning.

A Suspensys tinha dificuldades em seu planejamento de produção. As estimativas eram baseadas em dados históricos simples, que não refletiam a complexidade e a variabilidade do tempo de ciclo por SKU no chão de fábrica. Isso resultava em um planejamento de produção impreciso, com tempos de ciclo flutuantes, levando a rupturas inesperadas de materiais e gargalos imprevistos, reduzindo a eficiência operacional.

A análise da DB concluiu que um modelo de previsão linear simples não funcionaria devido à alta variabilidade de fatores industriais. Diagnosticou-se que a solução exigiria uma análise de dados multidimensional, conectando e cruzando dados de sistemas legados com dados em tempo real do chão de fábrica e das cadeias de suprimentos. A chave seria criar um modelo preditivo robusto, focado em prever o tempo de produção real por SKU.

A DB construiu e treinou um modelo de Machine Learning robusto, batizado de Assistente Virtual Llia. O modelo foi 'enriquecido' ao conectar e cruzar dados de três frentes cruciais: processo (sensores de máquinas), qualidade (dados de inspeção) e suprimentos (inventário e lead times). Essa abordagem de dados holística permitiu previsões refinadas por SKU. Um ciclo contínuo de retreinamento foi implementado para manter a relevância do modelo frente a mudanças operacionais e novas SKUs.