Mauro Gerber es ingeniero de procesos y experto en estadística y trabaja en gestión de datos, pruebas eléctricas y mediciones para el fabricante de cables de fibra óptica HUBER+SUHNER en Zurich. Antes de unirse a HUBER+SUHNER, Mauro pasó 12 años trabajando como experto en procesos de I+D en la multinacional alemana del fabricante de vidrio SCHOTT AG. Tanto en sus funciones anteriores como en las actuales, Mauro ha sido un firme defensor de la habilitación de análisis, poniendo a prueba nuevos programas de capacitación para ingenieros y adquiriendo software para respaldar la democratización del pensamiento estadístico.
Y: Para empezar, me pregunto si podría compartir su opinión sobre el estado actual de preparación estadística en las industrias de producción.
Mauro: Parece que muchas empresas todavía están luchando por captar la idea de [expertos en el dominio] que también tengan un profundo conocimiento estadístico. Comencé mi carrera como ingeniero de procesos y, durante un par de años, estuve haciendo cada vez más análisis y modelos estadísticos. Incluso 15 años después, cuando decidí unirme a una organización diferente, terminé en la misma situación: contratado como ingeniero de procesos en lugar de científico de datos.
Aquellos de nosotros [con experiencia tanto en el campo como en estadística] poseemos un amplio conocimiento de ingeniería de datos, análisis, ingeniería de procesos, producción de calidad; ¡No es sólo modelar! Actualmente estoy en un grupo de ingeniería de procesos en HUBER+SUHNER, pero cuanto más análisis hago, más apoyo puedo ofrecer a otros ingenieros. A veces veo que no entienden completamente lo que están haciendo y se quedan estancados en el proceso, por lo que establecí un curso de cinco días para profundizar realmente su comprensión no solo de cómo realizar análisis, sino también de por qué realizarlos. él.
Y: ¿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 realices funcionará y conducirá al resultado deseado. Es como aprender a conducir un coche. Claro, es importante saber cómo conducir, 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 podría 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 como se muestra en los ejemplos.
Meg: Entonces se trata de métodos estrictos versus pensamiento crítico.
Mauro: Sí. Ese es el vínculo que puede impedir que algunas personas tengan más éxito en la analítica o detener un intercambio o acuerdo constructivo. Dejé de contar cuántos análisis de sistemas de medición (MSA) tuve que rehacer porque la gente se aferraba a la noción 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 piezas "malas" en la mezcla. Pero entonces la variación del proceso no se representa y todo el MSA deja de tener sentido, porque entonces puedes elegir libremente qué cifras obtendrás al alterar 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 ni qué significa.
Y: Interesante. ¿Cómo explica la diferencia a aquellos que no están tan inmersos en la analítica como usted? ¿Cómo se puede construir el caso de negocio para su gerencia de que deberían respaldar una evolución en el pensamiento desde Six Sigma hacia la analítica moderna?
Mauro: Personalmente, me resulta difícil comunicar los beneficios y el potencial futuro de las estadísticas cuando las uso en mi trabajo diario y me sumerjo de lleno en ellas cuando, por otro lado, puede parecer complicado y abrumador cuando se presentan con fórmulas y gráficos. , números y un sinfín de formas de analizar datos.
Una cosa que intento es escribir scripts que adquieran datos de bases de datos o los importen desde un archivo y cambien la forma de la tabla, para que resulte útil para el usuario. Esto ayuda a evitar algunos obstáculos en los primeros pasos del análisis al ahorrar mucho tiempo; incluso puede despertar la curiosidad por 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 la retroalimentación, si son útiles, provienen de las personas que trabajan en el proceso.
Con este enfoque, pude convencer a nuestra gerencia de invertir, ya que más ingenieros querían realizar análisis ellos mismos. Comprar software es sólo una parte del proceso.
Y: Y ahí es donde entra en juego tu 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 pensamiento estadístico, la gerencia dudó. 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 enviáramos sólo 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 hiciera enseñar a sus hermanos en casa!
Y: Parece un pensamiento bastante conservador.
Mauro: No es necesariamente conservador, pero es una situación normal en la mayoría de las empresas, aunque MSA y SPC son necesarios y solicitados por los clientes. Estos deberían ser una parte integral de la empresa en su esfuerzo por obtener conocimientos sobre los procesos que beneficien la estabilidad y aumenten la calidad. Pero toda organización necesita personas capacitadas en pensamiento estadístico para respaldar eso.
Y: ¿Cómo han reaccionado los ingenieros a su curso, tanto en lo que respecta al aprendizaje de JMP como a las habilidades de pensamiento estadístico que lo acompañan?
Mauro: Muy bien, diría yo. Por ejemplo, tuve un cinturón negro de Six Sigma que, al principio, dijo: "Oye, ya tuve capacitación en estadística. Puede que aprenda algunos fragmentos o puede que sea solo una repetición, solo para que lo sepas". Durante el curso pude ver que se le cayeron algunas monedas 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 y acusaciones. Pero durante el curso empezaron a entender qué necesitaba el otro socio, por qué solicitaba determinadas cifras, al mismo tiempo que cuantificaban el impacto de determinadas solicitudes del cliente e ideas de ingeniería.
Por eso me encanta ser instructor.
Meg: ¿Has utilizado alguno de los recursos disponibles a través de JMP, ya sea personalmente o con las personas que están tomando tu curso?
Mauro: Tuve el placer de participar en la capacitación avanzada ofrecida durante JMP Discovery Summit sobre modelado estadístico y búsqueda de predictores importantes. Fue un encuentro esclarecedor de diferentes mentes con un capacitador experto, y fue respaldado con ejemplos de la vida real que me llevaron más hacia el lado del modelaje de JMP.
Lo que recomiendo a los nuevos usuarios de JMP es trabajar con el kit de bienvenida y luego tomarse uno o dos días para entrenar por su cuenta. A continuación, suelen tener una pequeña sesión cara a cara conmigo para hacerme preguntas y es posible que echemos un vistazo a los ejemplos personales que quieren resolver. El siguiente paso que recomiendo es realizar el curso Pensamiento estadístico para la resolución de problemas industriales (STIPS) . Es un curso rico en estadística y una buena manera de profundizar en las posibilidades de JMP y cómo utilizarlo.
Y: ¿Cree que la generación más joven de ingenieros (personas que están ascendiendo en el sistema universitario y aceptando trabajos en la industria) conocen más los datos que cuando usted empezaba?
Mauro: Por el momento yo 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 los cursos se centran más en la mecánica. Pero sí creo que está evolucionando. La educación estadística ahora está realmente en auge y, a medida que más universidades diversifican su plan de estudios en ciencias de la computación, se vuelve más especializado.
Y: ¿Qué consejo le darías a alguien que esté interesado en seguir una carrera de ingeniería en la universidad?
Mauro: Creo que las estadísticas están adquiriendo cada vez más importancia en la industria.
No se trata solo de reemplazar el papel por un formato digital; ese es solo el primer paso en una carrera de resistencia en la que se establece la base para potenciar el análisis estadístico. Incluso cuando las empresas añaden científicos de datos dedicados, sigue siendo importante que los ingenieros comprendan los conceptos básicos para poder proporcionar buenos datos y buenas preguntas o ideas. Es un esfuerzo de equipo que reúne conocimientos del dominio y métodos estadísticos que mejoran y aseguran el éxito de un proyecto.
Como ejemplo, diría que no es necesario que los ingenieros conozcan 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 vínculo.
Y: En un mundo ideal, si le dieran vía libre para configurar su propio grupo de análisis de datos, ¿cómo sería?
Mauro: Me gustaría establecer una unidad central para abordar las cuestiones estadísticas más difíciles, pero también funcionar como una línea directa para los compañeros de trabajo que tienen preguntas sobre el uso de JMP y la escritura de guiones o que necesitan ayuda con preguntas analíticas.
Idealmente, la habilitación analítica significa que hay un grupo de personas con diversas habilidades y conocimientos. Por ejemplo, tal vez tenga un muy buen ingeniero con sólidos conocimientos estadísticos y un analista dedicado que realiza análisis de informes, y están conectados a través de un subgrupo o supervisados por un analista muy experimentado que puede ayudar con problemas más desafiantes. Es realmente ese intercambio lo que yo diría que puede aportar mucho valor, conocimiento, ahorro de tiempo, etc.
Y: ¿Alguna idea final?
Mauro: Ojalá se comprendiera mejor el valor de un buen análisis y de tomar buenas decisiones basadas en datos, y no simplemente: "Sí, hacemos digitalización". O "Hacemos big data". Esos son sólo eslóganes, y es necesario que haya personas que entiendan lo que es necesario y que sean asignadas por la dirección para permitir que todo el grupo avance en la dirección del pensamiento estadístico.
¡Una fábrica inteligente no significa tener sólo una o dos personas inteligentes! Es la interacción entre software, conocimiento, personas y 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 una carrera corta.
Desarrolle la excelencia analítica en su organización. Averiguar como: jmp.com/advocate
