2021 Industrie-inzicht: Maart 2021 Uitgebreide update

Inleiding

Naarmate onze dagelijkse benutting-updates aan dynamiek winnen en meer aandacht krijgen, voelen we het als databeheerders belangrijk om onze aannames, eventuele bronnen van bias, en onze foutmarges te verduidelijken, zodat organisaties de meest geïnformeerde beslissingen kunnen nemen op basis van onze cijfers.

Net als bij elke dataset bevat onze data bias, en daarom hechten we een foutmarge aan elke gerapporteerde metriek. Het is belangrijk als datapraktijkers om transparant te zijn over deze bronnen van bias, onze aannames over de data, en hoe we deze zorgen in onze methodologie aanpakken. Dit stelt u, de gebruiker, in staat om uw eigen oordelen te vellen over de waarheidsgetrouwheid van onze claims en de waarde van onze data voor uw organisatie.

Een analogie met traditionele peilmethodes

Als we onze dataset bekijken vanuit het perspectief van traditionele peiling (zoals u op TV ziet voor wie voorop loopt in de primaire verkiezingen), kunnen we elk van onze machines beschouwen als een "persoon" die we "pollen" of befragen. De vraag die we stellen voor deze peiling is simpel: "Wat is uw benutting gemiddeld geweest de afgelopen zeven dagen?" We bemonsteren duizenden "mensen" (machines) over de Verenigde Staten elke seconde via onze vloot van cloud-verbonden Edge-apparaten, en rapporteren deze cijfer voor de vorige dag zodra alle "antwoorden" "binnen" zijn.

Waar de "mensen" (machines) die we bemonsteren wonen.

Zoals bij elke peiling die niet de gehele populatie vangt, is ons steekproef onderhevig aan bias. Zoals behandeld in eerdere posts, zijn bepaalde vormen van bias niet van toepassing in onze methodologie – nameelijk emotioneel gedreven zoals perceptiebias, bevestigingsbias, en kwaadwillige rapportage. Machines worden automatisch elke seconde via software gepolt – ze kunnen niet "liegen" of onwaarheden vertellen omdat er geen mogelijkheid is om dit te doen wanneer ze aan MachineMetrics gekoppeld zijn. Technische storingen zijn nominaal, aangezien benutting de meest basismetriek is die we van machines pollen en anomalieën algoritmisch worden gedetecteerd en snel uitgefilterd. Andere vormen van bias bestaan echter nog steeds, zelfs als u het menselijke element eruit haalt.

Hoog-productiviteits steekproef

Ten eerste, onze steekproef vertegenwoordigt waarschijnlijk een hoog-productiviteits steekproef van productie. Dit is omdat degenen die Industrie 4.0-technologieën adopteren, de werkplaatsen zijn die meer vooruitstrevend zijn, en daarom waarschijnlijk al processen hebben om operaties te stroomlijnen en doorvoer te verhogen. We zijn niet zeker hoeveel percentagepunten productiever onze steekproef is dan "gemiddelde" discrete productie, maar we geloven niet dat de algemene trends door dit beïnvloed moeten worden (dat wil zeggen, de percentageverandering van dag tot dag moet vergelijkbaar zijn voor een hoog-productiviteits steekproef vs. een gemiddeld-productiviteits steekproef). Dit is omdat macro-factoren zoals feestdagen, economische schokken, en onshoring/offshoring hoog- en laag-productiviteits werkplaatsen redelijk gelijk moeten beïnvloeden. Dit is belangrijk omdat hoewel het algehele benuttingsniveau dat we rapporteren iets verhoogd is, we nog steeds heel duidelijke trends kunnen zien zoals het effect van feestdagen, het effect van coronavirus, en het effect van opgestaute consumentenvraag op de productie als geheel.

Daarnaast vangen we geen perfecte populatie-niveau census van machinegebruik over de Verenigde Staten, aangezien dat zou vereisen dat we aangesloten zijn op alle 3 miljoen+ werktuigen (het 3 miljoen cijfer komt van The Association for Manufacturing Technology, die schat dat er 3,2 miljoen operationele CNC-werktuigen zijn met een oorspronkelijke waarde boven de $50k).

Hoewel we aspireren om ooit 3 miljoen te bereiken, moeten we nu genoegen nemen met een fractie van deze totale grootte. We onthullen onze exacte steekproefgrootte niet vanwege het feit dat we een standaardprijs per machine hanteren, en dat zou onze jaarlijks terugkerende opbrengst onthullen, een cijfer dat de meeste startups van onze grootte niet willen onthullen omdat het een sleutelrol speelt in waarderingen.

Foutmarge

Echter, we nemen een foutmarge op als best practice, wat eigenlijk is wat steekproefgrootte probeert te bereiken. Een foutmarge houdt rekening met de steekproefgrootte als proportie van de totale populatiegrootte, evenals het percentage respondenten dat bevestigend reageert op de enquête. In ons geval is er geen "bevestigend" antwoord op de enquête – we kunnen theoretisch 100% benutting nemen als "iederee zei ja" en 0% als "iedereen zei nee", maar dat is verdacht. Daarom gebruiken we simpelweg een 50% proportie voor bevestigende reacties in onze berekening, wat de foutmarge maximaliseert voor de meest conservatieve maatstaven van enquête-nauwkeurigheid. U kunt gerust zijn dat de marges die we rapporteren voor het worst-case scenario gegeven onze steekproefgrootte zijn.

Foutmarge formule voor eindige populaties. Bron: Chegg Homework Help

Hoee groter de foutmarge, hoe minder vertrouwen gebruikers in de resultaten van de enquête moeten hebben. Onze huidige foutmarge schommelt rond de +-1,6% tot +-1,8%. Dat wil zeggen, we zijn 95% vertrouwd dat, voor alle 3 miljoen werktuigen in de VS, de werkelijke benutcijfers +- 1,6% tot +- 1,8% zijn van wat we rapporteren. Ons laatst gerapporteerde benutcijfer voor 6 maart 2021 was 29,41%, wat betekent dat we geloven dat het heel waarschijnlijk is dat de werkelijke benutting voor de gehele populatie van werktuigen ligt tussen 27,60% en 31,21%. Dit betekent dat vergelijkingen die binnen de foutmarge vallen, net als peilresultaten tussen twee kandidaten die binnen de foutmarge vallen, met een korreltje zout genomen moeten worden, en met voorzichtigheid benaderd. Ik denk dat we dit allemaal uit eigen ervaring leerden tijdens de verkiezingscyclus van 2016.

Bijvoorbeeld, als benutting verandert van 29,0% naar 29,4%, is dit nog steeds binnen onze foutmarge en moet het meer als een curiositeit dan als een feit beschouwd worden. Als deze verandering echter dagenlang aanhoudt en benutting verandert van 29% naar 31% binnen een week, zijn we 95% vertrouwd dat dit de populatie-niveau verandering weerspiegelt. In een andere uitvoering, als het de vrijdag voor 4 juli is en benutting verandert van 29% naar 25% op dagbasis, is het ook meer dan alleen een curiositeit dat dit gebeurde, maar het reflecteert de realiteit op werkplaatsvloeren over de Verenigde Staten (dat mensen de vrijdag voor 4 juli vrijnemen om het weekend vroeg te starten).

Het +-1,6% tot 1,8% cijfer is ook an sich belangrijk. Dit is de buffer die u uzelf moet instellen als u uw eigen fabrieksbenutting benchmarkt tegen industrienormen.

Update over industrietoestanden

In de geest van ons verduidelijking over foutmarge, willen we benutting als volgt formuleren:

We zijn 95% vertrouwd dat de wekelijkse rollende gemiddelde benutting tot gisteren ligt tussen 27,60% en 31,21%, met een punt schatting van 29,41%.

Dit reflecteert Fed-economische data die laat zien dat fabrieksvraag over het land opschiet door opgestaute vraag. We zien dat dit de hoogste 6 maart benutting is voor de laatste vier jaar, een vrij ongelofelijk inzicht.

Dit vertegenwoordigt ook een lokaal maximum dat niet overtroffen is sinds oktober 2018 (41-maanden hoog). Dit lijnt bijna perfect op met de ISM's productie-index, die ook een 48-maanden hoog van 60,8 bereikte na een stijging van 58,7 in januari. De data wordt bevestigd door anekdotische rapporten over een ernstige arbeidstekort in de productie, aangezien fabriekseigenaren worstelen om werknemers aan te trekken midden in verhoogde concurrentie van Amazon e.d. Shopfloor-managers verhogen lonen met zoveel als 30% om te concurreren om talent, terwijl nieuwe spelers instromen om vakmensen aan te werven.

We sluiten af met een verwijzing naar een podcast in de Wall Street Journal die wat menselijke context toevoegt aan wat we in onze data zien: Where Jobs are Booming.

Concluderend: zaken gaan goed, bijna te goed. Blijf op de hoogte voor verdere updates!