Mauro Gerber è un ingegnere di processo ed esperto di statistica che lavora nella gestione dei dati, test elettrici e misurazioni per il produttore di cavi in fibra ottica HUBER+SUHNER di Zurigo. Prima di entrare in HUBER+SUHNER, Mauro ha lavorato per 12 anni come esperto di processi di ricerca e sviluppo presso la multinazionale tedesca del vetro SCHOTT AG. Sia nei suoi ruoli precedenti che in quelli attuali, Mauro è stato un schietto sostenitore dell'abilitazione dell'analisi, pilotando nuovi programmi di formazione per ingegneri e procurando software per supportare la democratizzazione del pensiero statistico.
Mega: Per iniziare, mi chiedo se puoi condividere le tue opinioni sullo stato attuale della prontezza statistica nelle industrie di produzione.
Mauro: Sembra che molte aziende stiano ancora lottando per afferrare l'idea di [esperti di dominio] che hanno anche una profonda comprensione statistica. Ho iniziato la mia carriera come ingegnere di processo e, nel corso di un paio d'anni, ho fatto sempre più analisi statistiche e modellistica. Anche 15 anni dopo, quando ho deciso di entrare a far parte di un'organizzazione diversa, sono finito nella stessa situazione: assunto come ingegnere di processo invece che come scienziato dei dati.
Quelli di noi [con competenze sia di dominio che statistiche] possiedono un'ampia conoscenza dell'ingegneria dei dati, dell'analisi, dell'ingegneria dei processi, della produzione di qualità; non è solo modellazione! Al momento, faccio parte di un gruppo di ingegneria di processo presso HUBER+SUHNER, ma più analisi faccio, più supporto posso offrire ad altri ingegneri. A volte vedo che non capiscono appieno cosa stanno facendo e rimangono bloccati nel processo, motivo per cui ho organizzato un corso di cinque giorni per approfondire davvero la loro comprensione non solo come per eseguire analisi, ma anche perché per eseguirlo.
Mega: Qual è secondo lei la differenza principale tra la formazione statistica tradizionale e il pensiero statistico o analitico?
Mauro: A me sembra che l'insegnamento classico stabilisca una fase in cui ogni passo che esegui funzionerà e porterà al risultato desiderato. È come imparare a guidare una macchina. Certo, è importante sapere come sterzare, accelerare, frenare e capire cosa fanno tutti i pulsanti, ma è anche importante sapere come evitare una strada accidentata o quando girare a sinistra o a destra e potresti perderti. Questo approccio classico può portare alla frustrazione o addirittura portarti a chiudere le statistiche perché non ha funzionato come promesso, anche quando stavi seguendo la catena di clic come mostrato negli esempi.
Meg: Quindi sono metodi rigorosi contro pensiero critico.
Mauro: Sì. Questo è il collegamento che potrebbe impedire ad alcune persone di avere più successo nell'analisi o interrompere uno scambio o un accordo costruttivo. Ho smesso di contare quante analisi del sistema di misurazione (MSA) dovevo rifare perché le persone si aggrappavano all'idea che un unico indice determina se un sistema è in grado, anche quando il processo è molto stabile e quindi misurare la variazione è molto difficile. Il cliente ha suggerito di introdurre parti "cattive" nel mix. Ma poi la variazione del processo non è rappresentata e l'intero MSA diventa privo di significato, perché puoi quindi scegliere liberamente quali cifre otterrai alterando un pezzo.
Presumo che in quel caso qualcuno abbia insegnato loro che se l'indice è al di sotto di un certo valore, il sistema non è in grado, ma non come si ottiene quel numero e cosa significa.
Mega: Interessante. Come spieghi la differenza a coloro che non sono così profondamente immersi nell'analisi come te? Come costruisci il business case per il tuo management che dovrebbe supportare un'evoluzione nel pensare dal Six Sigma all'analisi moderna?
Mauro: Personalmente trovo difficile comunicare i vantaggi e il potenziale futuro della statistica quando la utilizzo nel mio lavoro quotidiano e mi ci tuffo a capofitto quando, d'altra parte, può sembrare complicata e opprimente se presentata con formule, grafici, numeri e infiniti modi per analizzare i dati.
Una cosa che provo è scrivere script che acquisiscono dati dai database o importano da un file e rimodellano la tabella, quindi diventa utile per l'utente. Ciò aiuta a evitare alcuni ostacoli nei primi passaggi di analisi risparmiando molto tempo; può anche innescare la curiosità di scavare più a fondo.
Un altro approccio consiste nell'iniziare a studiare i dati insieme fianco a fianco, sviluppando e mostrando il potenziale dell'analisi e, se possibile, includendo le conoscenze e le idee dell'altra persona. Posso fornire strumenti e un percorso verso una soluzione, ma le informazioni e il feedback, se sono utili, provengono dalle persone che lavorano con il processo.
Con questo approccio, sono stato in grado di convincere il nostro management a investire poiché più ingegneri volevano fare analisi da soli. L'acquisto di software è solo una parte di esso.
Mega: Ed è qui che entra in gioco il tuo programma di allenamento.
Mauro: Sì, anche se ci sono ancora delle barriere. Quando ho proposto per la prima volta un corso di cinque giorni per ingegneri da imparare JMP e il pensiero statistico, la direzione ha esitato. Dissero che non potevano permettersi di lasciare gli ingegneri dal lavoro per cinque giorni.
C'è un detto: "Non abbiamo tempo per affilare le nostre asce. Dobbiamo abbattere gli alberi". Mi è stato persino suggerito di inviare solo una persona per dipartimento, che poi insegnerà agli altri. È come se mandassi solo uno dei miei figli a scuola e poi gli facessi insegnare ai loro fratelli a casa!
Mega: Pensiero abbastanza conservatore, a quanto pare.
Mauro: Non forzatamente prudente, ma è una situazione normale nella maggior parte delle aziende, sebbene MSA e SPC siano necessari e richiesti dai clienti. Questi dovrebbero essere parte integrante dell'azienda nel suo sforzo di acquisire informazioni sui processi che favoriscono la stabilità e aumentano la qualità. Ma ogni organizzazione ha bisogno di persone addestrate al pensiero statistico per supportarlo.
Mega: Come hanno reagito gli ingegneri al tuo corso, sia per quanto riguarda l'apprendimento di JMP sia per quanto riguarda l'apprendimento delle abilità di pensiero statistico che lo accompagnano?
Mauro: Molto bene, direi. Ad esempio, avevo una cintura nera Six Sigma che, all'inizio, ha detto: "Ehi, ho già fatto un corso di statistica. Potrei raccogliere alcune parti o potrebbe essere solo una ripetizione, solo per farti sapere". Durante il corso, ho potuto vedere che alcune monete sono cadute perché ha commentato: "Aah, ecco perché dovrei farlo, ora ha più senso!" In un'altra occasione, ho avuto il personale di produzione, qualità e ingegneria di un sito nello stesso corso di formazione e hanno avuto una discussione con un sacco di lamentele avanti e indietro e dito puntato. Ma durante il corso hanno iniziato a capire di cosa aveva bisogno l'altro partner, perché richiedevano determinate cifre, quantificando anche l'impatto di alcune richieste del cliente e le idee dell'ingegneria.
Ecco perché amo essere un istruttore.
Meg: Hai utilizzato una delle risorse disponibili tramite JMP, personalmente o con le persone che seguono il tuo corso?
Mauro: Ho avuto il piacere di partecipare alla formazione avanzata offerta durante Vertice sulla scoperta di JMP sulla modellazione statistica e sulla ricerca di importanti predittori. È stato un incontro illuminante di menti diverse con un allenatore esperto ed è stato supportato da esempi di vita reale che mi hanno avvicinato maggiormente al lato della modellazione di JMP.
Quello che consiglio ai nuovi utenti di JMP è di lavorare con il Kit di benvenuto , quindi prenditi un giorno o due per allenarti da solo. Successivamente, di solito hanno una piccola sessione faccia a faccia con me per porre domande e potremmo dare un'occhiata agli esempi personali che vogliono risolvere. Il prossimo passo che consiglio è di fare il Pensiero statistico per la risoluzione dei problemi industriali (STIPS) corso. È un corso ricco di statistiche e un buon modo per approfondire le possibilità di JMP e come utilizzarlo.
Mega: Ritieni che la generazione più giovane di ingegneri - persone che stanno emergendo attraverso il sistema universitario e accettando lavori nell'industria - siano più esperte di dati rispetto a quando eri agli inizi?
Mauro: Al momento, direi che non ci sono stati molti cambiamenti. Quando parlo con ingegneri più giovani, potrebbero aver trascorso mezzo semestre qua e là, ma questo è tutto, perché i corsi sono più incentrati sulla meccanica. Ma penso che si stia evolvendo. L'istruzione statistica ora sta davvero arrivando e, man mano che più università diversificano il proprio curriculum di informatica, sta diventando più specializzata.
Mega: Che consiglio daresti a qualcuno che è interessato a intraprendere un percorso di ingegneria all'università?
Mauro: Penso che le statistiche stiano diventando sempre più importanti nell'industria.
Non si tratta solo di sostituire la carta con un formato digitale: questo è solo il primo passo in una gara di resistenza in cui si stabiliscono le basi per potenziare l'analisi statistica. Anche se le aziende aggiungono data scientist dedicati, è comunque importante che gli ingegneri comprendano le nozioni di base in modo da poter fornire dati validi e buone domande o idee. È un lavoro di squadra che unisce la conoscenza del dominio e i metodi statistici che migliorano e garantiscono il successo di un progetto.
Ad esempio, direi che non è necessario che gli ingegneri conoscano la formula esatta che definisce una distribuzione normale, ma dovrebbero essere in grado di capire che rappresenta i dati e che possiamo prevedere o descrivere un processo basato su questo collegamento.
Mega: In un mondo ideale, se ti venisse dato un pass gratuito per creare il tuo gruppo di analisi dei dati, come sarebbe?
Mauro: Vorrei creare un'unità centrale per affrontare le domande statistiche più difficili, ma anche fungere da hotline per i colleghi che hanno domande sull'utilizzo di JMP e sulla scrittura di script o hanno bisogno di aiuto con domande analitiche.
Idealmente, l'abilitazione dell'analisi significa che esiste un gruppo di persone con competenze e conoscenze diverse. Ad esempio, potresti avere sia un ingegnere molto bravo con una solida comprensione statistica sia un analista dedicato che si occupa di analisi dei rapporti, e sono collegati tramite un sottogruppo o supervisionati da un analista molto anziano che può aiutarti con problemi più difficili. È davvero quello scambio che direi che può portare molto valore, conoscenza, risparmio di tempo e così via.
Mega: Qualche considerazione finale?
Mauro: Vorrei che ci fosse una maggiore comprensione del valore di una buona analisi e prendere buone decisioni sulla base dei dati, non solo "Sì, facciamo la digitalizzazione". Oppure "Facciamo big data". Questi sono solo slogan e devono esserci persone che capiscano ciò che è necessario e sono assegnate dalla direzione per consentire all'intero gruppo di andare nella direzione del pensiero statistico.
Una fabbrica intelligente non significa avere solo una o due persone intelligenti! È l'interazione tra software, conoscenza, persone e processi: i team interdisciplinari sono la chiave del successo. È anche una base per la comunicazione tra ingegneria, qualità e produzione. Raggiungere una vera fabbrica intelligente è una maratona, non uno sprint.
Costruisci l'eccellenza analitica nella tua organizzazione. Scopri come: jmp.com/advocate
