ESTA HISTORIA HA SIDO APROBADA POR EL CLIENTE PARA PUBLICACIÓN EXTERNA. ¡POR FAVOR, SIÉNTETE LIBRE DE COMPARTIR! >> Léelo aquí en JMP.com
Un nuevo enfoque para el modelado de capacidad hace que una fábrica de TI pase de la validación reactiva al monitoreo proactivo
Una entrevista con la ingeniera industrial de Texas Instruments, Michelle Beauchemin
Instrumentos Texas (TI) es una empresa líder en semiconductores con sede en Estados Unidos. Con más de 80.000 productos de chips de procesamiento integrados y analógicos, TI tiene una de las carteras de semiconductores más completas del mundo. La capacidad de fabricación interna de la empresa ha respaldado décadas de crecimiento.
La ingeniera industrial Michelle Beauchemin se unió a TI en 2015 como ingeniera de procesos. Después de asumir su puesto actual en ingeniería industrial, identificó una oportunidad para ampliar el uso de herramientas estadísticas y automatización para impulsar mejoras significativas en la fábrica de TI en South Portland, Maine.
Michelle se sentó a conversar con Meg Hermes, gerente de alianza de clientes de JMP, durante la Discovery Summit Americas 2023 en Palm Springs, California.
Meg: Dijiste que has estado usando JMP desde tu primer día en Texas Instruments.
michelle: En ese rol me dedicaba principalmente a la exploración de datos y un poco de trabajo del DOE, aunque en ese momento no tenía un conocimiento completo de JMP ni de lo que podía hacer. Fue solo cuando asumí un puesto de ingeniería industrial hace aproximadamente un año que decidí sumergirme realmente y aprender.
Había un proyecto específico en el que también quería trabajar: validar parte de nuestro modelo de capacidad. Al principio, parecía que mis opciones serían Excel o Spotfire, pero eso no iba a funcionar. JMP se adapta a todas las necesidades que tenía para ese proyecto siendo personalizable.
Al tener la necesidad y el caso de uso de JMP, me lancé de cabeza. ¡Han pasado muchos días desde que ni siquiera abro Excel, lo cual no podría haber imaginado si me lo hubieras preguntado hace un año! Ahora confío en JMP para casi todo.
Meg: Entonces, cuéntame sobre la validación del modelo. ¿Cómo comenzó todo?
michelle: Nuestro modelo de capacidad, que actualmente es un modelo Excel, se basa en la velocidad de procesamiento de diferentes herramientas. Cada conjunto de herramientas ejecuta una variedad de recetas y almacenamos los datos de velocidad y rendimiento (esencialmente partes por hora) para cada receta para cada conjunto de herramientas. Esos valores de rendimiento cambian con el tiempo, ya sea como resultado de la degradación de la herramienta o porque hemos realizado un cambio intencionado, y el modelo ya no es preciso si no lo mantenemos actualizado a medida que cambian los procesos reales. Y a veces agregamos nuevas recetas y luego también necesitamos documentar esas velocidades.
Básicamente, es muy difícil documentar cada cambio de todo lo que sucede y asegurarse de que el modelo tenga los valores correctos en todo momento. Calcular históricamente el rendimiento de cada receta para las ejecuciones de procesos reales (y luego tomar esa información y trazar las distribuciones por receta) me permite ver la variación a lo largo del tiempo y en todo el conjunto de datos.
Es importante incluir un gran volumen de datos de procesamiento históricos durante el proceso de validación del rendimiento para asegurarnos de capturar la herramienta con el mejor rendimiento posible, no solo el rendimiento promedio. En otras partes del modelo, también modelamos las ineficiencias. Pero si combina la velocidad promedio de su proceso con sus ineficiencias conocidas, está contando las ineficiencias dos veces. Siempre es necesario realizar una cierta cantidad de revisión manual para asegurarnos de que no incluyo ejecuciones incorrectas o no estándar. Y luego revisar metódicamente cada receta para elegir dónde trazar la línea de lo que queremos modelar. La creación de secuencias de comandos en JSL me ha permitido automatizar el proceso de recopilación de datos y la construcción de los resultados en un panel interactivo, y puedo repetir el proceso para cualquier conjunto de herramientas con solo unos minutos de configuración de la secuencia de comandos.
Primero hice esta validación para un conjunto de herramientas y reveló que teníamos mucha más capacidad de la que pensábamos. No necesitábamos dedicar tantos recursos a mejorar el rendimiento como pensábamos. Y podría demostrárselo a los equipos de ingeniería industrial y de procesos con datos.
Poder hacer una copia de seguridad de los datos de validación del rendimiento con visualizaciones convincentes es realmente impactante porque es un gran cambio actualizar los números. Hay que convencer a mucha gente.
Meg: ¿Qué impacto tiene un hallazgo como ese en el negocio?
michelle: Antes de actualizar las cifras, planeábamos dedicar tiempo y recursos a aumentar urgentemente la capacidad de ese conjunto de herramientas. Y obtener la aceptación de nuestra gerencia para ajustar la capacidad modelada en función del análisis de rendimiento significó que pudimos asignar esos recursos a proyectos de mejora más impactantes. No tuvimos que seguir ese camino de cambio de proceso que podría haber impactado la calidad.
Entonces, fue una gran decisión. Tenía que sentirme seguro para decir: "Según este análisis, tenemos suficiente capacidad para ejecutar la combinación de inicios planificados sin realizar cambios en este proceso".
Meg: ¿Qué hizo para asegurarse de que su dirección también compartiera esa confianza en la decisión?
michelle: Comencé compartiendo mi análisis con los ingenieros de procesos y el gerente del grupo con ese conjunto de herramientas. Es un gran defensor del JMP. Es muy hábil en secuencias de comandos y se basa mucho en datos. Entonces, estaba interesado en ver lo que le presentaba. Él entiende el valor de construir el análisis a partir de datos de procesos históricos y es mi defensor en ese sentido. Dijo: “Esto tiene mucho sentido. Esto es realmente bueno. Deberías seguir haciendo esto”.
Y confié en él lo suficiente como para ajustar mi enfoque en función de sus comentarios. Por ejemplo, quería observar un patrón de carga diferente antes de tomar una decisión, y cuando regresé con esos datos, ajustamos nuestros números.
Fue muy beneficioso contar con su apoyo para el proyecto, abogar por que se mostrara a un público más amplio y tener la oportunidad de presentarlo ante la gerencia. Esa audiencia más amplia también vio la oportunidad de ampliar este tipo de análisis a otros conjuntos de herramientas y un uso más amplio.
Meg: Es muy importante tener un defensor. Realmente puede marcar la diferencia.
michelle: Fue realmente alentador contar con el apoyo de la dirección en todos los niveles para impulsar aún más el trabajo que estaba haciendo. Rápidamente comprendieron el valor y lo apoyaron.
Meg: ¡Todos queremos trabajar para una empresa como esa! Escucho a la gente decir todo el tiempo “Nuestro liderazgo es muy tradicional” y es inspirador escuchar cómo TI tiene defensores del análisis en todos los niveles de la empresa. Eso es lo que impulsa la innovación.
michelle: La defensa y el apoyo que he recibido de los gerentes desde que compartí mi análisis por primera vez me han brindado el tiempo y el espacio para seguir trabajando en este proyecto y seguir progresando y expandiéndolo.
Varias personas me solicitaron repetir el análisis para otros conjuntos de herramientas cuando llegue el momento de evaluar la capacidad. Ahora preguntan: “¿Podemos validar el modelo?” Ha sido muy agradable confiar en mí cuando vuelvo al equipo con un análisis que dice: "El modelo es correcto" o "Necesitamos realizar algunas actividades para aumentar la capacidad de este conjunto de herramientas".
Tengo los datos para respaldar visualmente esta conclusión y también la confianza en mi proceso. Sin mencionar que creo que la gente confía en el análisis cuando ve los gráficos de JMP. Compartir datos en ese formato genera confianza.
Meg: ¿Cuál es el objetivo final de la validación de modelos a escala y cómo se llega hasta allí?
michelle: El objetivo final es tener algo que realice seguimiento además de validación.
Tengo que crear una herramienta de validación que alguien que no sea yo pueda usar, porque ahora mismo puedo usarla, pero es posible que esté haciendo algunas suposiciones o incertidumbres [que puedo tener en cuenta] ya que sé cómo está construida. Quiero incorporar algunas herramientas para ayudar a otros usuarios a identificar qué puntos mirar, qué puntos excluir y cómo entender la diferencia entre los dos.
A partir de entonces, se realiza un monitoreo continuo para detectar cambios en el rendimiento cuando ocurren, en lugar de una validación que analiza los datos históricos.
Meg: Un cambio completo de mentalidad, de reactiva a proactiva. Eso es realmente emocionante.
michelle: Es. Me siento realmente afortunado de haber tenido una buena cantidad de tiempo para construir algo que pudiera demostrar y lograr la aceptación. Ahora es como, “Está bien, este es tu proyecto. Tienes libertad para trabajar en esto cuando lo necesites”.
¡A mí también me encanta trabajar en ello! Se siente raro estar trabajando en algo en mi trabajo y detenerme a pensar “No debería estar haciendo esto. ¡Me encanta demasiado! Algo debe estar mal”. Pero luego te das cuenta: "No, esto es exactamente lo que debería hacer".
Meg: Tienes el trabajo de tus sueños, ¡y todo porque tomaste una idea y la pusiste en práctica! Esa historia debería inspirar a otras personas a mejorar sus habilidades con los datos y explorar lo que es posible cuando se aporta un poco más de poder estadístico.
michelle: Ese es sin duda el objetivo. Organizamos un evento JMP Inspire en nuestra fábrica de Maine y disfruté mucho poder ayudar a planificar el evento y llevarlo a mi fábrica para mostrarles a todos: “Estás usando JMP para cosas pequeñas aquí y allá. ¿Pero te diste cuenta de todas las otras cosas que puedes hacer con él?
Quiero alentar a todos en mi sitio a usar JMP para cosas para las que no pensaron usarlo anteriormente. ¡Intenta pasar un par de días sin abrir Excel! Lleva todo a JMP y pruébalo.
Y debo decir que JMP hace que sea muy fácil comenzar con las secuencias de comandos. Una vez que rompes esa barrera de intimidación y ves cuánto puede hacer un guión, se abren muchas posibilidades. Espero poder animar a otros a darse cuenta de lo mismo.
Meg: Mencionaste el evento JMP Inspire y estoy seguro de que TI también ofrece otras oportunidades de capacitación de JMP. Pero la formación requiere una importante inversión de tiempo. ¿Qué argumentos le plantea a la dirección de que la formación merece el tiempo de los ingenieros?
michelle: Nuestra dirección ya apoya mucho a JMP y al uso de estadísticas, por lo que no lo veo como "presentar un caso", sino más bien "aquí hay una oportunidad que puede entusiasmar a la gente".
Usamos mucho JMP, incluso solo para visualización, por lo que es muy visible para la gerencia. Hay mucho apoyo de arriba hacia abajo para aprender y ser más competente con JMP, y para poner al día a los nuevos empleados.
Esta semana en Discovery Summit escuché mucho hablar sobre "construir una cultura de alfabetización en datos". Pero creo que Texas Instruments ya está ahí. El desafío que tenemos no es introducir análisis, sino asegurarnos de mantener [el equilibrio óptimo entre el dominio y el conocimiento estadístico]. Cuando la gente se jubila, no queremos perder el conocimiento técnico que tienen.
Cuando recién estás comenzando tu carrera y escuchas a la gente hablar sobre análisis, no comprendes completamente su aplicación técnica. Es fácil repetir las palabras de moda sin entender lo que hay detrás de ellas. Entonces creo que el desafío que tenemos es reintroducir el verdadero conocimiento técnico como base de la alfabetización en datos. Tengo un largo camino por recorrer en mi propio desarrollo del conocimiento estadístico, y Discovery Summit ha ayudado a resaltar lo importante que es continuar por ese camino.
Meg: Cada uno se encuentra en un lugar diferente en el camino hacia la madurez analítica. Puede que estés más avanzado y eso no significa que no haya desafíos: simplemente son desafíos diferentes.
michelle: También deduzco que algunas empresas tienen estadísticos o analistas de datos que están ahí para consultar y ayudar a crear experimentos y analizar resultados. Eso no es de ninguna manera lo que hacemos. Todos en TI son responsables de su propio diseño y análisis experimental. Todos tenemos que tener un nivel básico de comprensión para poder hacer nuestro día a día.
Eso no quiere decir que no tengamos expertos: definitivamente los tenemos. Contamos con expertos en estadísticas que estarán encantados de consultarle y ayudarle si tiene preguntas, pero no están designados para esa función. Es un ingeniero de procesos o un gestor que también tiene mucha experiencia en estadística.
Meg: Esa estructura le permite elevar la capacidad estadística de toda la organización.
michelle: Hay mucho apoyo por parte de la administración de TI para el análisis en nuestro sitio. Y espero poder contribuir a mantener esa cultura analítica (venir a Discovery Summit y luego llevar lo que aprendí a la fábrica) para apoyar a mis colegas y darles la confianza para probar algo nuevo. Sólo necesitábamos motivar a la gente para que profundizara en JMP y creo que tendrá muchos resultados.
Meg: ¿Puedes darme un ejemplo de dónde crees que existe la oportunidad de obtener más valor de JMP?
michelle: La automatización es una gran cosa. Todavía no he jugado mucho con Workflow Builder, pero veo muchas oportunidades allí para aquellos que desean automatizar sus tareas pero no se sienten cómodos con las secuencias de comandos. Todos tenemos análisis repetitivos y algunas personas simplemente no son conscientes de lo fácil que podría ser automatizar esas tareas, comenzando con Workflow Builder.
Una vez que automatizas un proyecto, comienzas a ver todos los demás lugares donde podrías utilizar la automatización, y eso es realmente emocionante. Experimenté ese sentimiento cuando estaba automatizando la validación del modelo en el que estoy trabajando ahora. Tan pronto como comencé, pensé: "¡Dios mío, no puedo esperar a hacer esto para todos estos otros proyectos en los que he estado trabajando!".
Meg: ¿De dónde viene tu pasión? ¿Qué te inspira a abordar tu trabajo con tanta energía?
michelle: En el día a día, realmente me encanta codificar. Pero fuera del día a día, siento mucha pasión por la fábrica. Crecí a media hora al sur de [la fábrica de TI] y cada vez que pasaba por la autopista, veía el letrero. Cuando estaba en la escuela secundaria, visité la fábrica como parte de un campamento de verano y pensé: "Quiero trabajar aquí". ¡Y ahora lo hago!
Cuando desempeñas un puesto de ingeniería de procesos, puede resultar difícil ver el panorama general porque estás muy concentrado en lo que está sucediendo en este momento; "Tengo que hacer que todo esto se mueva", "Tengo que lograr que esta clasificación pase", o algo así. Pero al pasar a la ingeniería industrial, recuperé esa chispa; "Me encanta esta fábrica".
Sentir que tengo un papel en la fábrica de la forma en que lo hago es increíblemente emocionante. Me encanta ver el panorama más amplio del éxito de la fábrica y sentirme parte de una comunidad más grande.
meg: ¡lo entiendo! Siento lo mismo acerca de JMP y la comunidad que tenemos aquí de personas apasionadas por el uso de datos para resolver problemas.
michelle: Estuve hablando con mi compañero de trabajo la semana pasada y le pregunté: “¿Te gusta hacer rompecabezas porque te gusta el resultado final? ¿O te gusta hacer rompecabezas porque te gusta juntar las piezas? Y su respuesta fue: "Oh, me gusta ver el resultado final".
Me puse a pensar: para mí, no es necesariamente el resultado final. Me gusta la búsqueda y la recompensa que obtienes cuando encuentras esa pequeña pieza, y eso para mí se parece mucho a codificar. Tienes una idea de algo que quieres hacer. Empiezas con sólo un par de líneas. Pruébelo y tal vez no funcione. Quizás tengas que revisar algo y luego funciona. Y ese es sólo un paso en el proceso.
Disfruto de cada pequeño descubrimiento y éxito a lo largo del camino. El proceso de creación es tan emocionante como la creación que logras al final. Tengo suerte de estar involucrado tanto en el proceso como en compartir el resultado y ver lo que hace.
