Mauro Gerber es ingeniero de procesos y experto en estadística que trabaja en gestión de datos, pruebas y mediciones eléctricas para el fabricante de cables de fibra óptica HUBER+SUHNER en Zúrich. Antes de unirse a HUBER+SUHNER, Mauro pasó 12 años trabajando como experto en procesos de I+D en el fabricante multinacional alemán de vidrio SCHOTT AG. Tanto en sus funciones anteriores como en las actuales, Mauro ha sido un defensor abierto de la habilitación analítica, poniendo a prueba nuevos programas de capacitación para ingenieros y adquiriendo software para respaldar la democratización del pensamiento estadístico.
Mega: Para comenzar, me pregunto si podría compartir sus pensamientos sobre el estado actual de preparación estadística en las industrias de producción.
Mauro: Parece que muchas empresas todavía están luchando por comprender la idea de [expertos en el dominio] que también tienen un profundo conocimiento estadístico. Comencé mi carrera como ingeniero de procesos y, durante un par de años, estaba haciendo más y más modelos y análisis estadísticos. Incluso 15 años después, cuando decidí unirme a otra organización, terminé en la misma situación: me contrataron como ingeniero de procesos en lugar de como científico de datos.
Aquellos de nosotros [con experiencia en dominio y estadística] poseemos un amplio conocimiento de ingeniería de datos, análisis, ingeniería de procesos, producción de calidad; ¡No es solo modelar! En este momento, estoy en un grupo de ingeniería de procesos en HUBER+SUHNER, pero cuantos más análisis realizo, más apoyo puedo ofrecer a otros ingenieros. A veces veo que no entienden del todo lo que están haciendo y se atascan en el proceso, por eso establecí un curso de cinco días para profundizar su comprensión no solo de cómo para realizar análisis, pero también por qué para realizarlo.
Mega: ¿Cuál cree que es la principal diferencia entre la formación estadística tradicional y el pensamiento estadístico o analítico?
Mauro: Para mí, parece que la enseñanza clásica establece un escenario en el que cada paso que realice funcionará y conducirá al resultado deseado. Es como aprender a conducir un coche. Claro, es importante saber cómo girar, acelerar, frenar y entender lo que hacen todos los botones, pero también es importante saber cómo evitar un camino lleno de baches o cuándo girar a la izquierda o a la derecha, y puede perderse. Este enfoque clásico puede generar frustración o incluso llevarlo a abandonar las estadísticas porque no funcionó como se prometió, incluso cuando estaba siguiendo la cadena de clics que se indica en los ejemplos.
Meg: Así que son métodos estrictos versus pensamiento crítico.
Mauro: Sí. Ese es el vínculo que puede impedir que algunas personas tengan más éxito en el análisis o detener un intercambio o acuerdo constructivo. Dejé de contar cuántos análisis del sistema de medición (MSA) tuve que rehacer porque la gente se aferraba a la idea de que un único índice determina si un sistema es capaz, incluso cuando el proceso es muy estable y, por lo tanto, medir la variación es muy difícil. El cliente sugirió que introdujéramos partes "malas" en la mezcla. Pero entonces la variación del proceso no está representada y todo el MSA pierde sentido, porque entonces puedes elegir libremente qué cifras obtendrás alterando una pieza.
Supongo que en ese caso alguien les enseñó que si el índice está por debajo de cierto valor, el sistema no es capaz, pero no cómo llega a ser ese número y qué significa.
Mega: Interesante. ¿Cómo explica la diferencia a aquellos que no están tan inmersos en el análisis como usted? ¿Cómo construye el caso de negocios para su gerencia que debería respaldar una evolución en el pensamiento de Six Sigma a la analítica moderna?
Mauro: Personalmente, me resulta difícil comunicar los beneficios y el potencial futuro de la estadística cuando la uso en mi trabajo diario y me sumerjo de lleno en ella cuando, por otro lado, puede parecer complicada y abrumadora cuando se presenta con fórmulas, gráficos, números. y un sinfín de formas de analizar los datos.
Una cosa que intento es escribir scripts que adquieran datos de bases de datos o importen desde un archivo y remodelen la tabla, para que sea útil para el usuario. Esto ayuda a evitar algunos obstáculos en los primeros pasos de análisis al ahorrar mucho tiempo; incluso puede desencadenar la curiosidad de profundizar más.
Otro enfoque es comenzar a investigar los datos juntos, desarrollar y mostrar el potencial de la analítica y, si es posible, incluir el conocimiento y las ideas de la otra persona. Puedo proporcionar herramientas y un camino hacia una solución, pero la información y los comentarios, si son útiles, provienen de las personas que trabajan con el proceso.
Con este enfoque, pude convencer a nuestra gerencia de que invirtiera, ya que más ingenieros querían hacer análisis ellos mismos. Comprar software es solo una parte.
Mega: Y ahí es donde entra en juego su programa de entrenamiento.
Mauro: Sí, aunque todavía hay barreras. Cuando propuse por primera vez un curso de cinco días para que los ingenieros aprendieran JMP y el pensamiento estadístico, la gestión vaciló. Dijeron que no podían permitirse el lujo de tener ingenieros sin trabajar durante cinco días.
Hay un dicho: "No tenemos tiempo para afilar nuestras hachas. Tenemos que talar árboles". Incluso me sugirieron que solo enviáramos una persona por departamento, que luego enseñaría a los demás. ¡Es como si solo enviara a uno de mis hijos a la escuela y luego les enseñara a sus hermanos en casa!
Mega: Un pensamiento bastante conservador, al parecer.
Mauro: No necesariamente conservador, pero esa es una situación normal en la mayoría de las empresas, aunque MSA y SPC son necesarios y solicitados por los clientes. Estos deben ser una parte integral de la empresa en su esfuerzo por obtener información sobre los procesos que benefician la estabilidad y aumentan la calidad. Pero cada organización necesita personas capacitadas en pensamiento estadístico para respaldar eso.
Mega: ¿Cómo han reaccionado los ingenieros a su curso, tanto en lo que respecta al aprendizaje de JMP como al aprendizaje de las habilidades de pensamiento estadístico que lo acompañan?
Mauro: Muy bien, diría yo. Por ejemplo, tuve un Six Sigma Black Belt que, al principio, dijo: "Oye, ya tenía capacitación en estadística. Podría recoger algunos fragmentos o podría ser solo una repetición, solo para que lo sepas". Durante el curso, pude ver que algunas monedas cayeron porque comentó: “Aah, por eso debería hacer esto, ¡ahora tiene más sentido!”. En otra ocasión, tuve al personal de producción, calidad e ingeniería de un sitio en el mismo curso de capacitación y tuvieron una discusión con muchas quejas de ida y vuelta y señalamientos. Pero durante el curso comenzaron a comprender qué necesitaba el otro socio, por qué solicitaban ciertas cifras, mientras cuantificaban el impacto de ciertas solicitudes del cliente e ideas de ingeniería.
Por eso me encanta ser instructor.
Meg: ¿Ha utilizado alguno de los recursos que están disponibles a través de JMP, ya sea personalmente o con las personas que toman su curso?
Mauro: Tuve el placer de participar en la formación avanzada ofrecida durante Cumbre de descubrimiento de JMP sobre el modelado estadístico y la búsqueda de predictores importantes. Fue una reunión esclarecedora de diferentes mentes con un capacitador experto, y fue apoyada con ejemplos de la vida real que me llevaron más al lado del modelado de JMP.
Lo que recomiendo a los nuevos usuarios de JMP es trabajar a través de la Kit de bienvenida , luego tómese uno o dos días para entrenar por su cuenta. Luego, por lo general tienen una pequeña sesión cara a cara conmigo para hacer preguntas, y es posible que veamos los ejemplos personales que quieren resolver. El siguiente paso que recomiendo es tomar la Pensamiento estadístico para la resolución de problemas industriales (STIPS) curso. Es un curso rico en estadísticas y una buena manera de profundizar en las posibilidades de JMP y cómo usarlo.
Mega: ¿Sientes que la generación más joven de ingenieros, personas que están ascendiendo en el sistema universitario y aceptando trabajos en la industria, son más conocedores de datos que cuando estabas comenzando?
Mauro: Por el momento, diría que no ha habido muchos cambios. Cuando hablo con ingenieros más jóvenes, es posible que hayan tenido medio semestre aquí y allá, pero eso es todo, porque el trabajo del curso se centra más en la mecánica. Pero creo que está evolucionando. La educación estadística ahora realmente está surgiendo y, a medida que más universidades diversifican su plan de estudios de ciencias de la computación, se está volviendo más especializado.
Mega: ¿Qué consejo le darías a alguien que esté interesado en seguir una carrera de ingeniería en la universidad?
Mauro: Creo que las estadísticas son cada vez más importantes en la industria.
No se trata solo de que reemplacemos el papel con un formato digital, ese es solo el primer paso en una carrera de resistencia en la que establece la base para potenciar el análisis estadístico. Incluso cuando las empresas agregan científicos de datos dedicados, sigue siendo importante que los ingenieros comprendan los conceptos básicos para que puedan proporcionar buenos datos y buenas preguntas o ideas. Es un esfuerzo de equipo que reúne el conocimiento del dominio y los métodos estadísticos que mejoran y aseguran el éxito de un proyecto.
Como ejemplo, diría que no es necesario que los ingenieros sepan la fórmula exacta que define una distribución normal, pero deberían poder entender que representa los datos y que podemos predecir o describir un proceso basado en este enlace.
Mega: En un mundo ideal, si le dieran un pase gratis para configurar su propio grupo de análisis de datos, ¿cómo sería?
Mauro: Me gustaría establecer una unidad central para abordar las preguntas estadísticas más difíciles, pero que también funcione como una línea directa para los compañeros de trabajo que tengan preguntas sobre el uso de JMP y la escritura de guiones o que necesiten ayuda con preguntas analíticas.
Idealmente, la habilitación de análisis significa que hay un grupo de personas con diversas habilidades y conocimientos. Por ejemplo, tal vez tenga un ingeniero muy bueno con conocimientos estadísticos sólidos y un analista dedicado que realiza análisis de informes, y están conectados a través de un subgrupo o supervisados por un analista de alto nivel que puede ayudar con problemas más desafiantes. Es realmente ese intercambio el que diría que puede aportar mucho valor, conocimiento, ahorro de tiempo, etc.
Mega: ¿Algún pensamiento final?
Mauro: Desearía que hubiera una mayor comprensión del valor de un buen análisis y tomar buenas decisiones basadas en datos, no solo, "Sí, hacemos digitalización". O "Hacemos grandes datos". Esas son solo frases pegadizas, y es necesario que haya personas que entiendan lo que es necesario, y que la gerencia las asigne para permitir que todo el grupo vaya en la dirección del pensamiento estadístico.
¡Una fábrica inteligente no significa tener solo una o dos personas inteligentes! Es la interacción entre el software, el conocimiento, las personas y los procesos: los equipos interdisciplinarios son la clave del éxito. También es una base para la comunicación entre ingeniería, calidad y producción. Lograr una verdadera fábrica inteligente es un maratón, no un sprint.
Desarrolle excelencia analítica en su organización. Averiguar como: jmp.com/advocate
