Staat van de industrie:update maart 2021

Inleiding

Naarmate onze dagelijkse gebruiksupdates op stoom komen en meer aandacht krijgen, vinden we het belangrijk als gegevensbeheerders om onze aannames, eventuele bronnen van vooringenomenheid en onze foutenmarges te verduidelijken, zodat organisaties de best geïnformeerde beslissingen kunnen nemen op basis van onze cijfers .

Zoals bij elke dataset, bevatten onze gegevens vooringenomenheid en daarom koppelen we een foutenmarge aan al onze gerapporteerde statistieken. Het is belangrijk als gegevensbeoefenaars om transparant te zijn over deze bronnen van vooringenomenheid, onze veronderstellingen over de gegevens en hoe we deze zorgen aanpakken in onze methodologie. Hierdoor kunt u, de gebruiker, uw eigen oordeel vellen over de juistheid van onze claims en de waarde van onze gegevens voor uw organisatie.

Een analoog aan traditionele pollingmethoden

Als we onze dataset bekijken vanuit het perspectief van traditionele peilingen (zoals je op tv ziet voor wie voorop loopt in de presidentiële voorverkiezingen), kunnen we elk van onze machines beschouwen als een 'persoon' die we 'ondervragen' of onderzoeken. De vraag die we voor deze peiling stellen, is eenvoudig:"Wat was uw gebruik gemiddeld de afgelopen zeven dagen?" We nemen elke seconde duizenden "mensen" (machines) in de Verenigde Staten via onze vloot van met de cloud verbonden Edge-apparaten en rapporteren dit cijfer voor de vorige dag zodra alle "antwoorden" "binnen" zijn.

Waar de "mensen" (machines) die we bemonsteren zich bevinden.

Zoals bij elke peiling die niet de hele populatie omvat, is onze steekproef onderhevig aan vooroordelen. Zoals besproken in onze eerdere berichten, zijn bepaalde vormen van vooringenomenheid niet van toepassing in onze methodologie - namelijk emotioneel gedreven, zoals perceptiebias, bevestigingsbias en kwaadwillende rapportage. Machines worden elke seconde automatisch via software gepeild - ze kunnen niet "liegen" of onwaarheden vertellen omdat er geen mogelijkheid is om dit te doen wanneer ze aan MachineMetrics zijn vastgemaakt. Technologische storingen zijn ook nominaal, aangezien gebruik de meest elementaire statistiek is die we van machines peilen en eventuele anomalieën worden algoritmisch gedetecteerd en snel uitgeroeid. Er zijn echter nog steeds andere vormen van vooringenomenheid, zelfs als je het menselijke element eruit haalt.

Hoge productiviteitsvoorbeeld

Ten eerste vertegenwoordigt onze steekproef waarschijnlijk een productiemonster met een hoge productiviteit. Dit komt omdat degenen die Industrie 4.0-technologieën gebruiken, de winkels zijn die meer vooruitstrevend zijn en daarom waarschijnlijk al processen hebben om de activiteiten te stroomlijnen en de doorvoer te vergroten. We weten niet helemaal zeker hoeveel procentpunten productiever onze steekproef is dan 'gemiddelde' discrete productie, maar we geloven niet dat de algemene trends hierdoor zouden moeten worden beïnvloed (dat wil zeggen dat de procentuele verandering van dag tot dag vergelijkbaar zou moeten zijn voor een monster met een hoge productiviteit versus een monster met een gemiddelde productiviteit). Dit komt doordat factoren op macroniveau, zoals vakanties, economische schokken en onhoring/offshoring, relatief gelijk invloed hebben op winkels met een hoge en lage productiviteit. Dit is belangrijk, want hoewel het algemene gebruiksniveau dat we rapporteren iets hoger is, kunnen we nog steeds zeer duidelijke trends zien, zoals het effect van vakanties, het effect van het coronavirus en het effect van de opgekropte vraag van de consument op de productie als geheel.

Bovendien leggen we geen perfecte volkstelling vast van het machinegebruik in de Verenigde Staten, omdat dat zou moeten worden gekoppeld aan alle meer dan 3 miljoen werktuigmachines (het aantal van 3 miljoen is afkomstig van The Association for Manufacturing Technology, die schat dat er zijn 3,2 miljoen operationele CNC-bewerkingsmachines met een oorspronkelijke waarde van meer dan $ 50k).

Hoewel we ernaar streven om op een dag de 3 miljoen te halen, moeten we nu genoegen nemen met een fractie van deze totale omvang. We maken onze exacte steekproefomvang niet bekend vanwege het feit dat we een standaardprijs per machine rekenen, en dat zou onze jaarlijkse terugkerende inkomsten onthullen, een cijfer dat de meeste startups van onze omvang niet willen onthullen omdat het een sleutelrol speelt bij waarderingen .

Foutmarge

We nemen echter een foutenmarge op als best practice, wat meestal de steekproefomvang is die hoe dan ook probeert te bereiken. Een foutenmarge houdt rekening met de steekproefomvang als percentage van de totale populatieomvang, evenals met het percentage respondenten dat bevestigend op de enquête heeft gereageerd. In ons geval is er geen "bevestigend" antwoord op de enquête - we zouden theoretisch kunnen aannemen dat 100% gebruik betekent "iedereen zei ja" en 0% betekent "iedereen zei nee", maar dit is verdacht. Daarom gebruiken we in onze berekening gewoon een percentage van 50% voor bevestigende antwoorden, waardoor de foutenmarge voor de meest conservatieve metingen van de nauwkeurigheid van het onderzoek wordt gemaximaliseerd. U kunt er zeker van zijn dat de marges die we rapporteren voor het worstcasescenario zijn, gezien onze steekproefomvang.

Foutmargeformule voor eindige populaties. Bron:Chegg Huiswerkhulp

Hoe groter de foutenmarge, hoe minder vertrouwen gebruikers zouden moeten hebben in de resultaten van de enquête. Onze huidige foutenmarge schommelt rond de +-1,6% tot +-1,8%. Dat wil zeggen, we zijn er voor 95% zeker van dat, voor alle 3 miljoen werktuigmachines in de VS, de werkelijke gebruikscijfers +- 1,6% tot +- 1,8% zijn van wat we rapporteren. Ons laatst gerapporteerde gebruikscijfer voor 6 maart 2021 was 29,41%, wat betekent dat we denken dat het zeer waarschijnlijk is dat het werkelijke gebruik voor de gehele populatie van werktuigmachines tussen 27,60% en 31,21% ligt. Dit betekent dat vergelijkingen die binnen de foutenmarge plaatsvinden, net als peilingen tussen twee kandidaten die binnen de foutenmarge vallen, met een korreltje zout moeten worden beschouwd en met de nodige voorzichtigheid moeten worden benaderd. Ik denk dat we dit allemaal uit de eerste hand hebben geleerd tijdens de verkiezingscyclus van 2016.

Als het gebruik bijvoorbeeld verandert van 29,0% naar 29,4%, valt dit nog steeds binnen onze foutenmarge en moet het meer als een curiositeit dan als een feit worden beschouwd. Als deze verandering echter vele dagen aanhoudt en het gebruik binnen een week van 29% naar 31% verandert, zijn we er 95% zeker van dat dit de verandering op populatieniveau weerspiegelt. In een andere uitvoeringsvorm, als het de vrijdag voor 4 juli is en het gebruik verandert van 29% naar 25% op een dagelijkse basis, is het ook meer dan alleen een curiositeit dat dit gebeurde, maar eerder dat het de realiteit weerspiegelt op winkelvloeren in de Verenigde Staten (die mensen de vrijdag voor 4 juli opstijgen om het weekend vroeg te beginnen).

Het cijfer van +-1,6% tot 1,8% is op zich ook belangrijk. Dit is de buffer die u voor uzelf moet instellen als u het gebruik van uw eigen fabriek vergelijkt met de industrienormen.

Update over branchevoorwaarden

In de geest van onze verduidelijking over de foutenmarge, willen we het gebruik als volgt aangeven:

We zijn er voor 95% zeker van dat het wekelijkse voortschrijdende gemiddelde van het gebruik tot en met gisteren tussen 27,60% en 31,21% ligt, met een puntschatting van 29,41%.

Dit weerspiegelt de economische gegevens van de Fed die aantonen dat de vraag naar fabrieken in het hele land stijgt als gevolg van de ingehouden vraag. We zien dat dit het hoogste gebruik op 6 maart is in de afgelopen vier jaar, een behoorlijk ongelooflijk inzicht.

Dit vertegenwoordigt ook een lokaal maximum dat sinds oktober 2018 (hoog in 41 maanden) niet is overschreden. Dit komt bijna perfect overeen met de ISM-index van productie, die ook een 48-maands hoogtepunt bereikte van 60,8 na een sprong van 58,7 in januari. De gegevens worden bevestigd door anekdotische rapporten over een ernstig tekort aan arbeidskrachten in de productie, aangezien fabriekseigenaren worstelen om werknemers in dienst te nemen te midden van de toegenomen concurrentie van Amazon et al. Managers op de werkvloer verhogen de lonen met maar liefst 30% om te strijden om talent, terwijl nieuwe spelers hun intrede doen om geschoolde arbeiders in dienst te nemen.

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

Kortom, de zaken zijn goed, bijna te goed. Blijf ons volgen voor verdere updates!