Mauro Gerber è un ingegnere di processo ed esperto statistico che lavora nella gestione dei dati, nei test elettrici e nelle misurazioni per il produttore di cavi in fibra ottica HUBER+SUHNER a 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 produttrice di vetro SCHOTT AG. Sia nei suoi ruoli precedenti che in quelli attuali, Mauro è stato un esplicito sostenitore dell'abilitazione dell'analisi, pilotando nuovi programmi di formazione per ingegneri e procurando software per supportare la democratizzazione del pensiero statistico.
E: Per cominciare, mi chiedevo se potessi condividere le tue opinioni sullo stato attuale della preparazione statistica nei settori produttivi.
Mauro: Sembra che molte aziende facciano ancora fatica a cogliere l'idea di [esperti di dominio] che abbiano anche una profonda conoscenza statistica. Ho iniziato la mia carriera come ingegnere di processo e, nel corso di un paio d'anni, ho svolto sempre più analisi e modellizzazione statistica. Anche 15 anni dopo, quando ho deciso di entrare a far parte di un’altra organizzazione, mi sono ritrovato 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 di ingegneria dei dati, analisi, ingegneria dei processi, produzione di qualità; non è solo fare la modella! Al momento lavoro in un gruppo di ingegneria di processo presso HUBER+SUHNER, ma più analisi faccio, più supporto posso offrire ad altri ingegneri. A volte mi accorgo che non comprendono appieno ciò che 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 su come eseguire l'analisi, ma anche sul perché farlo. Esso.
E: Qual è secondo te la differenza principale tra la formazione statistica tradizionale e il pensiero statistico o analitico?
Mauro: A me sembra che l'insegnamento classico stabilisca un palcoscenico 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 davanti a sé o quando girare a sinistra o a destra – e potresti perderti. Questo approccio classico può portare frustrazione o addirittura portarti ad abbandonare le statistiche perché non ha funzionato come promesso, anche quando seguivi la catena di clic come indicato negli esempi.
Meg: Quindi metodi rigorosi contro pensiero critico.
Mauro: sì. Questo è il collegamento che potrebbe impedire ad alcune persone di avere più successo nell'analisi o di 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 capace, 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 viene rappresentata e l'intero MSA diventa privo di significato, perché puoi scegliere liberamente quali cifre otterrai modificando 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 di farlo, ma non come si arriva a quel numero e cosa significa.
E: 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 del pensiero da Six Sigma all'analisi moderna?
Mauro: Personalmente trovo difficile comunicare i benefici e le potenzialità future della statistica quando la utilizzo nel mio lavoro quotidiano e tuffarmi a capofitto in essa quando, invece, può sembrare complicata e travolgente se presentata con formule, grafici , numeri e infiniti modi per analizzare i dati.
Una cosa che provo è scrivere script che acquisiscano dati da database o importino da un file e rimodellino la tabella, in modo che diventi utile per l'utente. Ciò aiuta a evitare alcuni ostacoli nelle prime fasi di analisi risparmiando molto tempo; può persino innescare la curiosità di scavare più a fondo.
Un altro approccio è quello di 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 utili, provengono dalle persone che lavorano con il processo.
Con questo approccio, sono riuscito a convincere il nostro management a investire poiché sempre più ingegneri volevano eseguire autonomamente l'analisi. L'acquisto di software è solo una parte del processo.
E: Ed è qui che entra in gioco il tuo programma di formazione.
Mauro: Sì, anche se ci sono ancora delle barriere. Quando ho proposto per la prima volta un corso di cinque giorni per gli ingegneri per imparare JMP e il pensiero statistico, il management ha esitato. Dissero che non potevano permettersi di tenere gli ingegneri assenti dal lavoro per cinque giorni.
C'è un detto: "Non abbiamo tempo per affilare le nostre asce. Dobbiamo abbattere gli alberi". Mi è stato addirittura suggerito di mandare una sola persona per dipartimento, che poi avrebbe insegnato agli altri. È come se mandassi a scuola solo uno dei miei figli e poi gli facessi insegnare ai loro fratelli a casa!
E: Pensiero piuttosto conservatore, a quanto pare.
Mauro: Non forzatamente conservatore, ma è una situazione normale nella maggior parte delle aziende, anche se MSA e SPC sono necessari e richiesti dai clienti. Questi dovrebbero essere parte integrante dell'azienda nel suo sforzo di acquisire conoscenze sui processi che favoriscono la stabilità e aumentano la qualità. Ma ogni organizzazione ha bisogno di persone addestrate al pensiero statistico per supportare tutto ciò.
E: 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 ad esso associate?
Mauro: Molto bene direi. Ad esempio, ho avuto una cintura nera Six Sigma che, all'inizio, ha detto: "Ehi, ho già avuto un corso di statistica. Potrei raccogliere alcuni frammenti o potrebbe essere solo una ripetizione, solo per farti sapere". Durante il corso ho notato che cadevano alcune monete perché lui ha commentato: “Aah, ecco perché dovrei farlo, ora ha più senso!” In un'altra occasione, ho incontrato il personale di produzione, qualità e ingegneria di un sito nello stesso corso di formazione e hanno avuto una discussione con molti reclami avanti e indietro e dita puntate. Ma durante il corso hanno iniziato a capire di cosa aveva bisogno l'altro partner, perché richiedeva determinate cifre, quantificando anche l'impatto di alcune richieste del cliente e delle idee provenienti dall'ingegneria.
Ecco perché amo essere un istruttore.
Meg: Hai utilizzato qualcuna delle risorse disponibili tramite JMP, personalmente o con le persone che stanno seguendo il tuo corso?
Mauro: Ho avuto il piacere di partecipare alla formazione avanzata offerta durante il JMP Discovery Summit sulla modellazione statistica e sulla ricerca di importanti predittori. È stato un illuminante incontro di menti diverse con un formatore esperto, supportato da esempi di vita reale che mi hanno avvicinato maggiormente al lato della modellazione di JMP.
Ciò che consiglio ai nuovi utenti di JMP è di lavorare con il kit di benvenuto e poi prendersi un giorno o due per allenarsi da soli. 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 quello di frequentare il corso STIPS (Pensiero statistico per la risoluzione dei problemi industriali) . È un corso ricco di statistiche e un buon modo per approfondire le possibilità di JMP e come utilizzarlo.
E: Ritieni che la generazione più giovane di ingegneri – persone che stanno attraversando il sistema universitario e accettando posti di lavoro nell’industria – siano più esperte di dati rispetto a quando hai iniziato tu?
Mauro: Al momento direi che non ci sono stati molti cambiamenti. Quando parlo con gli ingegneri più giovani, potrebbero aver avuto mezzo semestre qua e là, ma questo è tutto, perché i corsi sono più focalizzati sulla meccanica. Ma penso che si stia evolvendo. Oggi l'educazione statistica sta prendendo piede e, man mano che sempre più università diversificano il proprio curriculum di informatica, sta diventando sempre più specializzato.
E: Che consigli daresti a chi è interessato a intraprendere un percorso di ingegneria all'università?
Mauro: Penso che la statistica stia diventando sempre più importante 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 basi in modo che possano fornire buoni dati e buone domande o idee. È un lavoro di squadra che riunisce 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.
E: In un mondo ideale, se ti venisse concesso un pass gratuito per creare il tuo gruppo di analisi dei dati, come sarebbe?
Mauro: Vorrei creare un'unità centrale per affrontare le questioni statistiche più difficili, ma che funzioni anche come hotline per i colleghi che hanno domande sull'utilizzo di JMP e sulla scrittura di script o hanno bisogno di aiuto con questioni analitiche.
Idealmente, l'abilitazione all'analisi significa che esiste un gruppo di persone con competenze e conoscenze diverse. Ad esempio, potresti avere sia un ottimo ingegnere con una solida conoscenza statistica che un analista dedicato che si occupa di analisi dei report, e sono collegati tramite un sottogruppo o supervisionati da un analista molto senior che può aiutare con problemi più impegnativi. È proprio questo scambio che direi può portare molto valore, conoscenza, risparmio di tempo e così via.
E: Qualche pensiero finale?
Mauro: Vorrei che ci fosse una maggiore comprensione del valore di una buona analisi e del prendere buone decisioni basate sui 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 che siano assegnate dal management 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. Realizzare una vera fabbrica intelligente è una maratona, non uno sprint.
Costruisci l'eccellenza analitica nella tua organizzazione. Scopri come: jmp.com/advocate
