Uma unidade de produção ou fabrico média consome vários milhares de peças sobressalentes ou consumíveis para garantir um funcionamento ininterrupto e sem incidentes.
De acordo com um relatório publicado por Data Horrizon Research,
O mercado global de fabrico de peças sobressalentes foi avaliado em aproximadamente 620 mil milhões de dólares em 2023 e prevê-se que atinja cerca de 930 mil milhões de dólares até 2033, registando um crescimento a uma taxa composta anual (CAGR) de 4,3% entre 2024 e 2033
Só nos EUA, as despesas com peças sobressalentes são substanciais, estimadas em cerca de $89,5 mil milhões em 2023.
No entanto, a utilização efetiva é baixa; as organizações utilizam normalmente apenas 8 – 10% do seu inventário de MRO por ano, o que significa que 90% permanece sem ser utilizado nas prateleiras. [Segundo Terrence Ohanlon, da Reliability AI].
Para garantir a aquisição atempada, a disponibilidade, o poder de negociação, um processo de aprovisionamento isento de erros e para evitar o excesso de stock, os dados e as informações relativos a estas peças sobressalentes são, em geral, meticulosamente mantidos num sistema ERP, geralmente num módulo de «dados mestre» que pode ser designado por «Mestre de Materiais» ou um «Mestre de Artigos”
À medida que as operações se expandem, aumentam os pedidos adicionais de novas peças sobressalentes, e os dados relativos a essas peças podem comprometer a «qualidade dos dados» dessas peças sobressalentes. Eis como.
Os pedidos de novas peças podem ser duplicados de uma peça já existente no sistema, o que não era do conhecimento no momento da criação do novo pedido de peça
O novo pedido poderá não conter informações essenciais, tais como especificações das peças, dimensões, categoria, subcategoria, etc.
Não foi adotada nenhuma norma clara e centralizada para garantir a integridade das peças sobressalentes, o que torna a catalogação dos dados ainda mais complicada
Para mitigar esta situação, as empresas precisam de investir numa limpeza pontual dos seus dados atuais relativos a peças sobressalentes, a fim de eliminar as duplicatas, preencher as informações em falta, estruturar o conjunto de dados e, em casos mais complexos, integrar os dados e cruzá-los com outros domínios de dados mestre ou outros módulos de ERP.
As empresas que se encontram atualmente envolvidas neste processo podem abordá-lo de várias formas diferentes, sendo que cada abordagem tem os seus próprios custos, complexidade e requisitos em termos de capacidade técnica.
Método 1: Utilização de ferramentas ETL de preparação e migração de dados
As ferramentas de ETL e de preparação/migração de dados foram concebidas para reunir dados provenientes de múltiplas fontes, extraindo-os de diversas origens, tais como ficheiros, pastas, software, feeds/catálogos de fornecedores, etc.
Posteriormente, os dados são analisados antes de serem transformados e normalizados com base na taxonomia e nas normas aceites.
Por último, os dados são então introduzidos ou «carregados» nos sistemas de origem
Em termos simples, eis o que uma ferramenta ETL faz;
- E – Extrair dados de várias fontes e compilá-los para obter uma visão global.
- T – Transformar os dados num único padrão, com abreviaturas, unidades de medida, categorias, etc., redigidas de acordo com a taxonomia aceite. Esta é a fase em que os dados são cuidadosamente limpos, verificados quanto a duplicados, enriquecidos com valores em falta e combinados sempre que aplicável, e validados em relação às regras.
- L – Carregar os dados de volta nos sistemas de origem após os ter tratado de acordo com os requisitos originais, garantindo que estejam precisos, normalizados e prontos para uma utilização consistente em todas as operações.
Vantagens:
- Esta abordagem é relativamente económica, uma vez que as ferramentas ETL não são excessivamente caras.
- Esta abordagem é escalável e, caso sejam disponibilizados os recursos técnicos e de gestão necessários, a limpeza pode ser realizada muito mais rapidamente em vários milhares (ou mesmo milhões) de registos de peças sobressalentes, partindo do princípio de que as regras de negócio são atualizadas continuamente.
Contras:
- A precisão e a cobertura dos casos de utilização não são ideais; na maioria dos casos, a aplicação de lógica de negócio em massa tende a causar mais prejuízos do que benefícios, uma vez que há pouco controlo sobre as técnicas utilizadas para a validação e transformação de dados.
- Isso requer recursos tanto técnicos como empresariais (de equipas como as de aquisições e gestão de dados), que muitas vezes não estão facilmente disponíveis, e recorrer a recursos pontuais pode aumentar os custos, anulando assim a vantagem mais importante desta abordagem.
Recomendação:
Esta abordagem é ideal quando o número de peças sobressalentes que precisam de ser limpas é relativamente pequeno (entre 3 000 e 5 000 registos), o limiar de precisão dos dados não é demasiado elevado e quando existem recursos técnicos disponíveis.
Exemplos:
Uma empresa de retalho enfrentava dificuldades devido a inconsistências significativas nos dados entre as suas várias filiais, o que estava a afetar a eficiência operacional e a tomada de decisões.
Para dar resposta a este desafio, a empresa implementou uma solução de limpeza de dados ETL que padronizou e validou os dados provenientes de várias fontes.
Consequentemente, a empresa alcançou um aumento de 20% na eficiência operacional e reduziu significativamente os erros relacionados com os dados, permitindo um funcionamento mais fluido e relatórios mais fiáveis.
De acordo com a Forbes, os dados incorretos custam às empresas até 12% da receita total anualmente.
Método 2: Subcontratação ou deslocalização para equipas especializadas
Várias empresas enfrentam o questão da gestão das peças sobressalentes dados, e muitas não dispõem dos recursos técnicos nem da largura de banda necessários para implementar uma abordagem «baseada em software» para corrigir os dados relativos às peças sobressalentes.
Como alternativa, as empresas que enfrentam este problema optam por subcontratar esta limpeza de dados a empresas especializadas que empregam uma grande equipa de «gestores de dados», «analistas» ou «colaboradores» para corrigir estes problemas de qualidade dos dados.
Um analista de gestão de dados típico recorre a uma abordagem manual ou semiautomatizada para:
- Identificar as informações em falta em cada registo de dados
- Normalizar os dados com base na definição da «ficha técnica» da categoria de peças sobressalentes
- Extraia os detalhes/informações essenciais da descrição e insira-os nas «propriedades», «cabeçalhos» ou «colunas» corretas
- Efetue uma verificação de duplicados de nível 1 em todo o conjunto de dados para eliminar as entradas duplicadas. Mesmo nesta fase, as probabilidades de existirem entradas duplicadas no sistema são elevadas
- Preencher valores em falta, categorias, atributos, números de peça do fabricante, nome do fabricante, etc.
- Execute outra verificação de duplicados L2. Desta vez, com pontos de dados adicionais, a verificação de duplicados será muito mais exaustiva e «completa»
O processo, como seria de esperar, é trabalhoso, e estas empresas de subcontratação costumam empregar uma grande parte da sua força de trabalho num país com uma população numerosa de falantes de inglês, com competências informáticas avançadas, para manter os custos baixos.
Os passos acima descritos constituem as tarefas básicas e os resultados esperados num processo de limpeza de dados relativos a peças sobressalentes.
No entanto, as empresas de maior dimensão, com requisitos de gestão de dados muito mais complexos, têm normalmente necessidades muito mais abrangentes em termos de limpeza e enriquecimento de dados.
Isto inclui
- Enriquecimento de dados de peças sobressalentes em escala real, incluindo o nome do fornecedor, atribuições e enriquecimento de dados
- Enriquecimento, limpeza e deduplicação dos dados de fornecedores e equipamentos, bem como
- Integrações entre estes domínios de dados, nomeadamente a correlação de peças sobressalentes com o equipamento, tirando partido da lista de materiais do equipamento (Equipment BOM)
- Integrações entre peças sobressalentes e fornecedores, tirando partido dos catálogos dos fornecedores, dos dados internos, etc.
Para promover a excelência na gestão de inventário para equipas de MRO, estas equipas de subcontratação também complementam não só os dados relativos às peças sobressalentes (também designadas por «peças sobressalentes de material»), mas também todos os outros dados relacionados com os processos de manutenção, o que é normalmente designado por «limpeza de dados mestre de MRO».
Esta é uma solução de limpeza de dados muito mais abrangente e avançada; para mais informações, consulte a secção «Limpeza de Dados MRO» aqui.
Vantagens:
- Para empresas com elevados padrões de precisão de dados, esta é uma abordagem clara que oferece a máxima precisão em todas as métricas relacionadas com a normalização, o enriquecimento, a extração e a deduplicação de dados.
- Os requisitos específicos relacionados com a extração, o enriquecimento ou a normalização de dados podem ser facilmente atendidos, uma vez que a abordagem é bastante flexível.
- É a escolha ideal para a limpeza de registos de dados mestre de peças sobressalentes com mais de 20 mil registos, uma vez que existem custos fixos associados à procura, integração e gestão do fornecedor externo.
Contras:
- Apesar da redução de custos alcançada através do recurso a equipas offshore de baixo custo, uma vez que o processo é manual e requer, até certo ponto, alguns conhecimentos «técnicos», esta abordagem pode revelar-se bastante dispendiosa a longo prazo, especialmente no que diz respeito a tarefas recorrentes de limpeza de dados
- Dependendo do número de peças sobressalentes e de registos, esta abordagem pode ser a que demora mais tempo a ser concluída, e os projetos com mais de 50 mil registos de peças podem facilmente demorar mais de dois meses a serem concluídos
- Embora os índices de precisão sejam, em geral, muito mais elevados quando comparados com abordagens anteriores, isso depende, na verdade, da qualidade da equipa offshore, sendo necessárias uma coordenação regular, atualizações sobre o progresso e revisões para garantir que o controlo de qualidade está a ser assegurado.
- Para menos de 20 mil registos de peças sobressalentes, esta não é a abordagem ideal devido aos custos fixos associados à procura, integração, contratação e gestão do parceiro offshore.
Recomendação:
Esta é uma abordagem ideal para empresas com elevados padrões de qualidade de dados, orçamentos elevados, um grande número de registos de peças sobressalentes e prazos de implementação relativamente mais longos.
Exemplo:
Uma empresa global de tecnologia médica necessitava de uma gestão eficiente das peças sobressalentes e dos itens de assistência técnica para apoiar as suas operações.
A empresa subcontratou a gestão de peças sobressalentes e itens de manutenção, incluindo a criação de 200 kits de peças sobressalentes e subconjuntos, com o objetivo de otimizar os seus processos logísticos e de gestão de inventário.
A iniciativa de externalização conduziu a um melhor controlo do inventário e a uma maior eficiência do serviço, melhorando o desempenho operacional global.
De acordo com um relatório publicado por PSC Global, A externalização das atividades de gestão de dados levou a uma redução dos prazos de entrega de 12 semanas para apenas 1 dia, reduziu o capital de exploração através da centralização das existências, minimizou os pedidos de peças sobressalentes e melhorou a disponibilidade dos artigos.
Método 3: Software desenvolvido especificamente para o efeito
Para além do software de ETL/preparação de dados, existem várias ferramentas especializadas, concebidas especificamente para o efeito, que afirmam automatizar completamente o processo de limpeza dos dados relativos a peças sobressalentes, através de regras de validação integradas e da identificação de duplicados.
Antes do advento dos modelos de IA, poderia argumentar-se que era praticamente impossível automatizar esta limpeza, uma vez que simplesmente não existem regras claras e precisas para a limpeza ou normalização dos dados relativos às peças sobressalentes OU que estas exigem uma lógica baseada em inúmeras regras cuja configuração não é prática.
Desde 2025, no entanto, a utilização de agentes de IA e a sua capacidade de terem em conta o contexto, graças à formação com os dados adequados, abriram novas perspetivas.
Verdantis MDM Suite, permite agora automatizar significativamente estas tarefas.
O investimento no desenvolvimento de agentes de IA para padronizar as descrições das peças, criar fichas técnicas de forma autónoma com base em taxonomias e enriquecer os dados a partir de fontes verificadas resultou num processo de limpeza dos dados relativos às peças sobressalentes muito mais rápido, produtivo e acessível.
Aqui está um guia passo a passo sobre como a nossa solução automatiza a limpeza e o enriquecimento de dados
Além disso, os mesmos modelos de IA podem ser utilizados para garantir que a qualidade dos dados das peças se mantém inalterada de forma contínua; isto é normalmente designado por gestão dos dados de MRO.
Embora tenham ocorrido vários avanços no domínio da IA e a nossa equipa na Verdantis tenha lançado vários modelos de IA integrados em diversos fluxos de trabalho de limpeza de dados relativos a peças sobressalentes, nos casos 90%+, estes fluxos de trabalho de limpeza de dados não podem ser totalmente automatizados e requerem a intervenção humana para fins de revisão.
Vantagens:
- Uma das formas mais eficazes de limpar, enriquecer e normalizar os dados relativos às peças sobressalentes MRO com base em taxonomias adotadas em grande escala – especialmente se o software recorrer a modelos de IA treinados com dados de peças específicos do setor. De facto, uma vez que esta abordagem recorre a modelos de IA treinados, a precisão pode ser superior à do Método #2 descrito acima.
- Uma das formas mais rápidas de realizar uma atividade de limpeza de peças num período muito curto
- A ideia desta abordagem consiste em treinar agentes de IA com base numa grande quantidade de dados padronizados e criar processos que permitam a esses agentes realizar o trabalho mais pesado, maximizando simultaneamente a precisão. As revisões humanas podem ser otimizadas para atingir o nível de precisão desejado, recorrendo de forma tática a índices de confiança baseados em IA, entre outros.
Contras:
- Embora esta abordagem seja muito mais económica do que recorrer a equipas no estrangeiro geridas por empresas de subcontratação, é uma opção mais dispendiosa quando comparada com as ferramentas ETL/MDM.
- Muitas destas plataformas de software que funcionam com agentes de IA são inovadoras e exigem uma integração e formação exaustivas para poderem ser utilizadas, o que pode ser um pouco intimidante e sair da zona de conforto das empresas e das suas equipas de aquisições. Pelo contrário, as ferramentas de ETL e MDM são um território familiar.
Exemplo:
Uma empresa global do setor energético enfrentava desafios relacionados com dados inconsistentes e fragmentados sobre peças sobressalentes em todas as suas operações, o que conduzia a ineficiências no processo de aquisição e a um aumento do tempo de inatividade.
Ao implementar uma solução de Gestão de Dados Mestres (MDM) especificamente concebida e baseada em IA, a empresa automatizou a normalização, o enriquecimento e a validação de mais de 50 mil registos de peças sobressalentes.
Esta abordagem não só melhorou a precisão dos dados, como também simplificou os processos de aquisição e reduziu os custos operacionais.
Recomendação
Nos projetos 90% + da Verdantis, implementamos o módulo de limpeza de dados de peças sobressalentes do pacote MDM, juntamente com uma equipa de 2 a 3 analistas de dados e um gestor de projeto para a revisão final, edições, aprovações e verificações de controlo de qualidade.
Consideramos que esta abordagem híbrida, que combina agentes de IA poderosos e treinados para o setor com especialistas na matéria, é a forma ideal de minimizar o tempo de resposta e maximizar a precisão.
Neste contexto, os modelos de IA treinados para o setor limpam os dados das peças através de um processo de limpeza e normalização de dados em 5 etapas.
Os dados limpos são também marcados com uma «pontuação de confiança», e os registos que não dispunham de contexto suficiente para serem limpos são, em seguida, marcados para revisão manual por uma pessoa. Estes registos podem então ser «eliminados» ou «fundidos»
Na Verdantis, o nosso plano de desenvolvimento de produtos assenta nos fundamentos da Agentic AI e na sua capacidade de acrescentar um valor significativo ao processo de limpeza de dados.
Dito isto, embora uma solução totalmente automatizada esteja prestes a ser implementada, na situação atual, o processo de limpeza de dados de peças requer a intervenção humana para rever, aprovar e substituir alguns dos registos de dados.
Esta é a abordagem mais adequada para projetos de limpeza de dados de peças com um número de registos que varie entre 20 mil e 2 milhões.
Software em ação:
Método 4: Software MDM genérico
Embora as plataformas MDM genéricas não tenham sido concebidas especificamente para a limpeza de dados relativos a peças sobressalentes, são suficientemente flexíveis e configuráveis para lidar com casos de utilização específicos do setor no que diz respeito à limpeza de dados; no entanto, isso também requer um especialista em gestão de dados para configurar e implementar essas regras e migrar os dados corrigidos para os sistemas de origem.
Eis como estas plataformas podem ser utilizadas para limpar material e dados em excesso
1. Recolha de dados
À semelhança das ferramentas ETL, estas ferramentas de MDM identificam as fontes de dados provenientes de vários sistemas, tais como ERP/EAM, CMMS, pastas, catálogos, sistemas antigos ou registos manuais.
As plataformas de MDM utilizam conectores ou ferramentas de integração para extrair os dados destes sistemas díspares, sendo que o objetivo é consolidar todos esses dados na plataforma de MDM, de modo a permitir uma gestão centralizada dos dados.
2. Normalização de dados
As plataformas MDM dispõem, normalmente, de uma interface muito intuitiva para a normalização de dados através da «configuração de regras», esquemas de classificação para peças sobressalentes, convenções de nomenclatura, unidades de medida, etc.
Por exemplo, uma regra para padronizar «quilogramas» para «Kg», ou uma regra que proíba o uso de caracteres especiais
Ou outra regra para validar ou normalizar valores numéricos (por exemplo: dimensões, custos)
Ou outra regra relativa às convenções de nomenclatura, por exemplo, a padronização das descrições das peças para evitar variações diferentes (por exemplo, «Parafuso de aço» vs. «Parafuso, de aço»).
3. Detecção de duplicados
As plataformas MDM dispõem, normalmente, de várias funcionalidades para a deteção de duplicados. A plataforma utiliza algoritmos para identificar correspondências exatas entre números de peça, descrições, categorias, unidades de medida, etc.
Para uma deduplicação avançada, os sistemas MDM suportam a correspondência aproximada, que permite identificar registos semelhantes, mas não idênticos, ao nível dos caracteres. (por exemplo, «Parafuso de 12 mm» vs. «Parafuso-de-12-mm»).
Estes registos são geralmente acompanhados de uma pontuação de confiança, uma vez que permitir a fusão automática dos registos pode ser arriscado e dar origem a erros.
4. Limpeza e enriquecimento de dados
Isto implica, em grande parte, a correção automática ou manual de campos de dados incorretos, como números de peça, descrições, fabricantes ou classificações. Por exemplo, se a descrição de uma peça estiver incompleta ou com erros ortográficos, pode ser atualizada para corresponder à informação correta.
Nos casos em que faltam dados (por exemplo, especificações essenciais ou números de peça), a plataforma MDM pode utilizar regras predefinidas para obter dados de fontes externas (como catálogos de fornecedores) ou assinalar essas lacunas para que sejam preenchidas manualmente.
A maioria As ferramentas de MDM dispõem de integrações incorporadas com fontes de dados externas para o enriquecimento dos dados. As cópias digitais dos catálogos dos fornecedores e os dados internos dos sistemas ERP/EAM ou de bases de dados de terceiros podem ser utilizados para criar fluxos de trabalho de enriquecimento e colmatar as lacunas.
5. Governação de dados
Conforme referido no ponto #1, a gestão centralizada dos dados relativos às peças é o objetivo de qualquer iniciativa de MDM (Gestão de Dados de Material) para peças sobressalentes. O aspeto fundamental aqui é garantir dados fiáveis de forma contínua.
Uma ação de limpeza dos dados mestre das peças sobressalentes só se manterá eficaz durante algumas semanas, antes de a qualidade dos dados voltar a deteriorar-se. É por isso que um plano de governação de dados para a MRO deve ser o próximo passo imediato, a fim de garantir dados de peças sobressalentes de alta qualidade de forma contínua.
Algumas das Os principais fornecedores de software de gestão de dados mestre estão listados nesta página juntamente com os seus argumentos de venda exclusivos, casos de utilização no setor, opções de integração e opiniões dos utilizadores.
Prós:
- A abordagem é flexível e pode ser configurada para responder aos requisitos específicos dos dados relativos às peças sobressalentes de uma organização, tornando-a adequada para uma variedade de setores e níveis de complexidade dos dados.
- Permite gestão centralizada de peças sobressalentes dados, através da consolidação de informações provenientes de várias fontes, como ERP, EAM, CMMS ou registos manuais, numa única plataforma, para facilitar o controlo e o acesso.
- Através da normalização e validação baseadas em regras, a plataforma ajuda a limpar os dados, automatizando tarefas comuns como a conversão de unidades de medida, a aplicação de convenções de nomenclatura e a correção de erros com base numa lógica predefinida.
- A deteção de duplicados é suportada por algoritmos que identificam correspondências exatas e registos semelhantes, ajudando a reduzir a redundância e garantindo a precisão dos dados, ao mesmo tempo que fornecem índices de confiança para fusões mais seguras.
Contras:
A implementação da plataforma requer gestão de dados ou conhecimentos especializados em TI para configurar regras, fluxos de trabalho e integrações, o que pode tornar a implementação inicial dispendiosa em termos de recursos.
Uma vez que o software MDM genérico não foi concebido especificamente para dados relativos a peças sobressalentes, as organizações têm frequentemente de investir tempo e esforço adicionais na personalização de fluxos de trabalho e lógicas, de modo a adaptá-los às necessidades específicas do setor.
Sem uma governação estruturada e revisões regulares, os dados limpos podem deteriorar-se rapidamente, exigindo um esforço contínuo para manter a qualidade e a fiabilidade.
Exemplo:
Uma empresa global do setor da indústria transformadora, que enfrentava inconsistências nos dados relativos a peças sobressalentes entre os sistemas ERP regionais, implementou uma plataforma genérica de gestão de dados de produtos (MDM).
Estandardizaram as convenções de nomenclatura, as unidades de medida e as classificações das peças, e realizaram a deteção de duplicados através da correspondência aproximada.
Consequentemente, reduziram os erros nos dados, melhoraram a precisão das aquisições e aperfeiçoaram o planeamento da manutenção, ao mesmo tempo que estabeleceram uma governação contínua dos dados para garantir a sustentabilidade destas melhorias de qualidade.
De acordo com um relatório de investigação do IJSRP, As empresas que implementaram uma solução de MDM para harmonizar os seus dados registaram uma redução de até 25% nos erros de dados e uma melhoria de 15% na eficiência da produção.
Conclusão
A limpeza dos dados relativos a peças sobressalentes e consumíveis é um passo fundamental para garantir a eficiência operacional, reduzir custos e melhorar a tomada de decisões nas organizações que operam em setores com elevada atividade de produção.
Dados precisos também permitem que análise da criticidade das peças sobressalentes possível. Quando os atributos, as ligações de equipamento e as relações na lista de materiais (BOM) são claras e consistentes, as equipas conseguem identificar corretamente quais as peças que são verdadeiramente críticas para a segurança, a continuidade da produção ou a capacidade de resposta na manutenção.
Embora não exista uma solução única que sirva para todos os casos, cada abordagem aqui descrita apresenta os seus próprios pontos fortes, dependendo da escala dos dados, da precisão necessária, dos recursos disponíveis e do contexto empresarial específico.
Em última análise, a abordagem mais adequada depende das necessidades específicas da organização. Seja qual for o método escolhido, investir num processo de limpeza estruturado e numa governação contínua garantirá que os dados relativos às peças sobressalentes se mantenham limpos, fiáveis e prontos para apoiar operações estratégicas.
A qualidade dos dados não se resume apenas à manutenção de registos; trata-se de permitir um processo de aquisição mais inteligente, um melhor planeamento da manutenção e um controlo de inventário mais rigoroso em toda a sua operação.
