Visão geral
As organizações dos setores da indústria transformadora, do petróleo e gás, da energia, dos serviços públicos, da mineração e dos produtos químicos enfrentam uma pressão crescente para aumentar a disponibilidade dos ativos, mantendo simultaneamente os custos baixos. As paragens não planeadas estão no centro dessa pressão e tornaram-se o maior custo oculto nas operações industriais.
A Siemens, no seu relatório «True Cost of Downtime 2024», estimou que o problema ascende a cerca de $1,4 biliões por ano nas 500 maiores empresas do mundo. O que chama a atenção é a tendência: o custo aumentou 62 por cento desde 2019, apesar de o número de incidentes ter diminuído. As paragens são mais raras, mas cada uma delas é mais dispendiosa, porque as fábricas funcionam com menos recursos e os custos ocultos associados a cada incidente aumentaram.
Este relatório retoma o tema a partir de onde os dados macroeconómicos terminam. Identifica onde é que a perda se acumula efetivamente e, o que é ainda mais útil, qual a parte dessa perda que é recuperável. A resposta sucinta da análise da Verdantis: a maior parte da perda não se deve à falha mecânica em si, mas sim à resposta dada, à procura da peça certa e dos dados necessários para a utilizar, sendo que uma grande parte dessa perda é recuperável sem aumentar o número de colaboradores.
Resumo das principais conclusões
Objetivo do relatório
Os dados relativos à manutenção, reparação e operações (MRO) e aos ativos encontram-se frequentemente dispersos por sistemas ERP, CMMS e folhas de cálculo, o que torna o tempo de inatividade uma fonte de perdas recorrentes, em vez de um risco gerido. Este relatório quantifica o impacto dos dados conectados relativos a peças e ativos nos custos do tempo de inatividade, na recuperação e no capital de exploração, e fornece aos responsáveis pelas operações referências baseadas em dados concretos para que possam tomar medidas.
Os principais objetivos do relatório consistem em estabelecer valores de referência fundamentados para o custo do tempo de inatividade não planeado, com base em estudos publicados; identificar, dentro do valor global, a parte do dinheiro que pode ser recuperada; classificar os fatores que proporcionam o maior retorno em termos de tempo de inatividade por unidade de esforço; e apoiar as decisões relativas à gestão de ativos empresariais (EAM), à manutenção preditiva e à estratégia de inventário de MRO com estimativas baseadas em dados.
Metodologia e âmbito
Os dados apresentados neste relatório não provêm de um inquérito realizado junto de inquiridos. Trata-se de estimativas modelizadas, elaboradas através da combinação de estudos publicados com a modelação de cenários da Verdantis, e são sempre referidas como «análise da Verdantis» ou «estimativa da Verdantis», para que a sua base nunca seja posta em causa. A abordagem combina quatro métodos.
Ancoragem de referência. O custo macro é retirado diretamente do relatório da Siemens, «True Cost of Downtime 2024». Os valores de referência independentes relativos ao custo por hora de inatividade provêm da Aberdeen. Os dados relativos ao tempo de intervenção, ao inventário de MRO e à manutenção preditiva provêm de estudos publicados do setor (incluindo a Deloitte e a McKinsey), e os rácios dos padrões de falha provêm da literatura sobre fiabilidade (Nowlan e Heap).
Modelação baseada em cenários. As taxas de custo do tempo de inatividade por setor são aplicadas a uma instalação representativa com elevada concentração de ativos, a fim de estimar a perda anual e a percentagem recuperável por cada alavanca, utilizando intervalos de valores em vez de valores pontuais.
Triangulação de dados. Os resultados do modelo são comparados com os valores de referência publicados acima, para garantir que se mantêm dentro de limites justificáveis.
Validação antecipada. Foi concebido um instrumento de inquérito estruturado para comparar estas estimativas com os dados comunicados pelos operadores, e os resultados servirão para atualizar o presente relatório assim que estiverem disponíveis.
Âmbito: setores e taxas de custo do tempo de inatividade modelados
O modelo utiliza taxas representativas dos custos por hora de inatividade para seis setores com grande concentração de ativos. Trata-se de dados de entrada, e não de respostas a inquéritos, podendo ser ajustados a uma operação específica.
| Indústria | Custo modelado do tempo de inatividade por hora |
|---|---|
| Produção discreta | $260,000 |
| Petróleo e gás | $250,000 |
| Produtos químicos | $190,000 |
| Mineração e metais | $187,500 |
| Energia e serviços públicos | $160,000 |
| Alimentação e bebidas | $120,000 |
A composição dos $1,4 biliões
O tempo de inatividade é normalmente abordado uma causa de cada vez. A Verdantis divide-o em cinco domínios interligados e, como esses domínios estão interligados, uma falta de peças transforma uma falha isolada numa falha prolongada e dispendiosa. Nenhuma função específica é responsável pela maior parte do problema.
O domínio das peças sobressalentes representa apenas um oitavo das avarias, mas é o principal fator que determina o tempo de inatividade de um ativo quando ocorre uma avaria. Esse é o tema recorrente deste relatório e a razão pela qual gestão de peças sobressalentes essenciais recebe mais atenção do que a sua quota-parte de incidentes por si só poderia sugerir.
Principais conclusões da investigação
1. O custo das paragens não planeadas
2. A maioria das falhas é aleatória
É por isso que o trabalho baseado nas condições é mais importante do que o calendário. O panorama completo encontra-se no nosso conjunto de dados complementar em estatísticas de manutenção preditiva.
3. As peças e os dados determinam o tempo de reparação
4. O que é recuperável
5. O entrave relacionado com o inventário e as aquisições
Impacto financeiro consolidado
A tabela abaixo resume a recuperação anual prevista para uma única instalação representativa com elevada intensidade de ativos, por alavancagem. Os valores são estimativas do cenário da Verdantis, expressas sob a forma de intervalos, calibradas em relação aos valores de referência da metodologia. São valores indicativos e não estritamente cumulativos.
| Alavanca | O que recupera | Baixo | Elevado |
|---|---|---|---|
| Manutenção preditiva | Falhas aleatórias detetadas mais cedo | $14M | $20M |
| Disponibilidade de peças e dados | Menos tempo de reparação, menos rupturas de stock | $4M | $7M |
| Produtividade da força de trabalho | Mais tempo de trabalho, menos tempo de procura | $2M | $3M |
| Existências e aprovisionamento | Menores custos de manutenção, menos compras de emergência | $2M | $4M |
| Recuperação total prevista por instalação | $22M | $34M |
Análise da Verdantis, por instalação, intervalos previstos. Os resultados da implementação variam consoante a maturidade operacional e requerem validação com base nos dados do operador.
A transição para a IA na manutenção
A recuperação referida neste relatório não se traduz no aumento do número de pessoas. Traduz-se na transição da IA dos projetos-piloto de back-office para o chão de fábrica, para o armazém e para a fila de ordens de trabalho. O mercado da IA na manutenção preditiva é atualmente uma das categorias de mais rápido crescimento no setor do software industrial, com previsões dos analistas que variam entre uma taxa de crescimento anual composta na casa dos 15% e quase 40%, um sinal de que as empresas com grande volume de ativos estão a passar de uma abordagem reativa para uma proativa em grande escala.
Na área de MRO, o valor reside nos agentes, e não num chatbot. Os agentes de IA avaliam continuamente a criticidade das peças e dos ativos, prevêem a procura de peças sobressalentes, definem pontos de reabastecimento dinâmicos e assinalam as ordens de trabalho em risco de falta de peças antes de estas serem lançadas. Cada agente transmite ao seguinte um sinal mais claro, pelo que o planeador pode concentrar-se nos poucos itens que apresentam risco real, em vez de ter de analisar milhares, com um humano a aprovar cada alteração.
A manutenção preditiva, baseada no estado dos equipamentos, representa a vanguarda, pois é a única abordagem que aborda os cerca de 83 por cento das avarias que são aleatórias e não relacionadas com a idade dos equipamentos. Os benefícios já estão comprovados: até 70% menos avarias e uma redução de cerca de 25% nos custos de manutenção (Deloitte, McKinsey). Essa é a lógica subjacente a um Abordagem baseada em IA para a gestão de ativos empresariais: ligue primeiro os sinais relativos às peças, aos ativos e às ordens de trabalho e, em seguida, deixe que os agentes apresentem as decisões rotineiras com uma ação recomendada, para que os profissionais qualificados fiquem livres para se dedicarem às decisões que exigem discernimento.
Desafios e oportunidades
Dados fragmentados sobre peças e ativos. A mesma peça física existe com várias descrições e números de referência, as localizações nos armários estão erradas e os manuais dos bens estão desatualizados. Esta é a origem da «caça ao tesouro» e das compras duplicadas.
Fluxos de trabalho manuais e reativos. Nos casos em que as ordens de trabalho ainda são geridas em folhas de cálculo e em papel, as tarefas são lançadas sem que se confirme a peça e o plano, o que transforma uma reparação rápida numa longa interrupção do serviço.
Políticas estáticas de armazenamento e de reabastecimento. Os pontos de reabastecimento e o stock de segurança são frequentemente definidos uma única vez na configuração do sistema e nunca mais são revistos, o que resulta tanto em rupturas de stock de peças críticas como em excedentes nas restantes. A política já não reflete o consumo real, os prazos de entrega nem a criticidade.
Desempenho insatisfatório da força de trabalho. Os técnicos qualificados passam a maior parte do turno sem utilizar chaves inglesas. Recuperar esse tempo é uma das maiores fontes de capacidade que se encontra à vista de todos, mas que passa despercebida.
Vantagens estratégicas de um sistema EAM interligado
| Área | Impacto principal | Base |
|---|---|---|
| Manutenção preditiva | Deteta falhas aleatórias antes que estas interrompam a linha de produção | Até 70% menos avarias (Deloitte) |
| Dados relativos a peças e ativos | Tempo de reparação mais curto e menos rupturas de stock | As peças são o fator determinante do tempo de reparação (Verdantis) |
| Otimização do inventário | Menos capital imobilizado em excedentes e existências ociosas | O artigo 15-25% do inventário de MRO é excedente (setor) |
| Aprovisionamento estratégico | Menos compras de emergência a preços mais elevados | Prémio de emergência 30-60% evitado (setor) |
| Produtividade da força de trabalho | Mais tempo para a prática, menos tempo a pesquisar | +20-30 pontos de tempo de intervenção quando o trabalho é planeado (setor) |
Estão disponíveis, mediante pedido, intervalos específicos de resultados da implementação do MRO360 — abrangendo a libertação de capital circulante, a redução das despesas de emergência e a redução do tempo de inatividade — como intervalos previstos, estando a aguardar a aprovação do produto e a aprovação legal.
Uma abordagem viável
Para colmatar esta lacuna, é necessária uma abordagem gradual que combine a avaliação da criticidade, a disciplina de gestão de inventário e a tecnologia preditiva. A Verdantis recomenda a seguinte sequência.
Analise os registos relativos a peças, ativos e ordens de trabalho e quantifique o tempo de inatividade e o capital circulante associados à falta de stock, ao stock ocioso e à procura de peças.
Conjunto peças e criticidade dos ativos Assim, as reservas, as margens de segurança e a atenção dos responsáveis pelo planeamento concentram-se nos pontos em que uma falha tem realmente impacto.
Associe as peças sobressalentes ao equipamento e às ordens de trabalho a que se destinam, para que a peça certa e a sua localização sejam apresentadas antes de o técnico precisar delas.
Otimizar o nível de stock com Gestão de inventário de MRO e a previsão da procura para reduzir tanto a falta de stock como o excesso de stock, e tornar os pontos de reabastecimento dinâmicos.
Implementar EAM nativo de IA para detetar falhas aleatórias numa fase mais precoce, quando ainda há tempo para preparar a peça e o plano.
Acompanhe aqui o tempo de inatividade, a taxa de acerto do inventário e a recuperação em relação às estimativas, e avance a partir dos ativos de maior impacto.
Perguntas frequentes
Perguntas frequentes sobre o custo das paragens não planeadas, os fatores que as determinam e quanto é que as operações com grande utilização de ativos podem, de forma realista, recuperar.
Qual é, na realidade, o custo das paragens não planeadas?
A Siemens estima esse valor em cerca de **$1,4 biliões por ano** nas 500 maiores empresas do mundo, o que corresponde a cerca de 11 por cento das receitas. Um estudo de referência independente da Aberdeen aponta para cerca de $260 000 por hora no setor da indústria transformadora, e a modelação da Verdantis estima uma perda anual de cerca de $56 milhões numa única unidade com elevada intensidade de ativos.
Por que é que o tempo de inatividade está a tornar-se mais dispendioso, quando o número de incidentes está a diminuir?
As fábricas operam com menos capacidade do que em 2019, pelo que cada paragem reduz ainda mais a produção e os custos ocultos associados aumentaram. A Siemens regista um aumento de 62% nos custos decorrentes do tempo de inatividade desde 2019, apesar de o número de incidentes ter diminuído. O custo passou a recair sobre a resposta: a procura da peça certa, os dados necessários para a utilizar e o tempo de espera da linha de produção.
Qual é o principal fator que determina o tempo que um ativo permanece inoperacional?
Indisponibilidade de peças. Quando ocorre uma avaria, o equipamento fica à espera durante todo o processo de procura, e não apenas durante a reparação. Os registos fragmentados e duplicados de peças e equipamentos são o que leva os técnicos a uma verdadeira caça ao tesouro, razão pela qual os dados interligados reduzem os tempos de inatividade de forma mais fiável do que o aumento da mão-de-obra.
Quanto tempo de inatividade é, na prática, recuperável?
A modelação da Verdantis estima que a recuperação total prevista se situe entre **$22 milhões e $34 milhões por instalação por ano**, considerando todas as alavancas, sendo que cerca de $17 milhões são atribuíveis apenas à manutenção preditiva. A recuperação começa por interligar os dados relativos a peças, ativos e ordens de trabalho de que a empresa já dispõe, e não pela aquisição imediata de novos sensores.
Em que aspetos é que a IA ajuda realmente na área da MRO?
O valor reside no agente, e não num chatbot. Os agentes de IA atribuem pontuações às peças e à criticidade dos ativos, prevêem a procura de peças sobressalentes, definem pontos de reabastecimento dinâmicos e assinalam as ordens de trabalho em risco de falta de peças antes da sua aprovação, sendo que cada alteração tem de ser aprovada por um ser humano. Isso permite que um planeador se concentre nos poucos itens que apresentam um risco real, em vez de ter de analisar milhares.
A manutenção preditiva é suficiente por si só?
Trata-se do fator mais importante, responsável por cerca de 30 por cento do tempo de inatividade recuperável, uma vez que aproximadamente 83 por cento das avarias são aleatórias e não estão relacionadas com a idade. No entanto, a qualidade dos modelos preditivos depende da qualidade dos registos que analisam, pelo que a integração e a limpeza dos dados relativos às peças e aos ativos têm de ser a prioridade.
