Branchen-Insight 2021: Umfassendes Update März 2021

Einführung

Da unsere täglichen Auslastungs-Updates an Fahrt gewinnen und mehr Aufmerksamkeit erhalten, sehen wir es als Datentreuhänder als wichtig an, unsere Annahmen, mögliche Bias-Quellen und Fehlerquoten zu klären, damit Organisationen die fundiertesten Entscheidungen aus unseren Zahlen treffen können.

Wie bei jedem Datensatz enthält auch unserer Bias, daher fügen wir allen berichteten Metriken eine Fehlerquote bei. Als Datenspezialisten ist es wichtig, transparent über diese Bias-Quellen, unsere Annahmen zu den Daten und wie wir diese in unserer Methodik adressieren, zu sein. Dies ermöglicht Ihnen, dem Nutzer, eigene Urteile über die Glaubwürdigkeit unserer Aussagen und den Wert unserer Daten für Ihre Organisation zu fällen.

Eine Analogie zu traditionellen Umfragemethoden

Betrachten wir unseren Datensatz aus der Perspektive traditioneller Umfragen (wie man sie im TV für Vorwahlen sieht), können wir jede unserer Maschinen als „Person“ betrachten, die wir „befragen“. Die Frage lautet schlicht: „Wie war Ihre durchschnittliche Auslastung in den letzten sieben Tagen?“ Wir befragen Tausende von „Personen“ (Maschinen) in den gesamten USA jede Sekunde über unsere Flotte cloud-verbundener Edge-Geräte und berichten diesen Wert für den Vortag, sobald alle „Antworten“ „eingegangen“ sind.

Wo die „Personen“ (Maschinen) stehen, die wir befragen.

Wie bei jeder Umfrage, die nicht die gesamte Population erfasst, unterliegt unsere Stichprobe Bias. Wie in früheren Beiträgen angesprochen, sind bestimmte Bias-Formen in unserer Methodik nicht anwendbar – namentlich emotional getriebene wie Wahrnehmungsbias, Bestätigungsbias und böswillige Falschmeldung. Maschinen werden automatisch per Software jede Sekunde befragt – sie können nicht „lügen“ oder Unwahrheiten melden, weil sie an MachineMetrics gebunden keine Gelegenheit dazu haben. Technische Störungen sind ebenfalls minimal, da Auslastung die grundlegendste Metrik ist, die wir von Maschinen abfragen, und Anomalien algorithmisch erkannt und schnell beseitigt werden. Dennoch bestehen andere Bias-Formen auch ohne menschlichen Faktor fort.

High-Productivity-Stichprobe

Erstens repräsentiert unsere Stichprobe wahrscheinlich einen High-Productivity-Ausschnitt der Fertigung. Das liegt daran, dass Betriebe, die Industrie-4.0-Technologien adoptieren, zukunftsorientierter sind und daher wahrscheinlich bereits Prozesse zur Straffung und Durchsatzsteigerung haben. Wir wissen nicht genau, wie viele Prozentpunkte produktiver unsere Stichprobe ist als der „durchschnittliche“ diskrete Fertigungssektor, aber wir glauben nicht, dass die Gesamtrends davon betroffen sein sollten (d.h., die prozentuale Tag-zu-Tag-Veränderung sollte für High- vs. Average-Productivity-Stichproben ähnlich sein). Das liegt daran, dass makroökonomische Faktoren wie Feiertage, Wirtschaftsschocks und Onshoring/Offshoring High- und Low-Productivity-Betriebe relativ gleich beeinflussen sollten. Das ist wichtig, weil wir zwar ein leicht erhöhtes Gesamtauslastungsniveau berichten, aber sehr klare Trends wie Feiertagseffekte, Coronavirus-Effekte und aufgestaute Konsumnachfrage auf die Fertigung insgesamt sehen können.

Zudem erfassen wir keine perfekte Volkszählung der Maschinennutzung in den USA, da dies die Anbindung an alle 3 Millionen+ Werkzeugmaschinen erfordern würde (die 3-Millionen-Zahl stammt von der Association for Manufacturing Technology, die schätzt, dass 3,2 Millionen betriebene CNC-Werkzeugmaschinen mit einem Neupreis über 50.000 $ existieren).

Während wir eines Tages 3 Millionen anstreben, müssen wir uns derzeit mit einem Bruchteil dieser Gesamtgröße begnügen. Wir geben unsere exakte Stichprobengröße nicht preis, da wir einen Standardpreis pro Maschine verlangen und dies unseren Annual Recurring Revenue verraten würde – eine Kennzahl, die die meisten Startups unserer Größe nicht offenlegen, da sie eine Schlüsselrolle in Bewertungen spielt.

Fehlerquote

Dennoch geben wir eine Fehlerquote als Best Practice an, worauf die Stichprobengröße letztlich abzielt. Eine Fehlerquote berücksichtigt die Stichprobengröße als Anteil der Gesamtpopulation sowie den Prozentsatz der Befragten, die affirmativ antworten. In unserem Fall gibt es keine „affirmative“ Antwort – wir könnten theoretisch 100 % Auslastung als „alle sagten ja“ und 0 % als „alle sagten nein“ werten, aber das ist verdächtig. Daher nutzen wir einfach einen 50%-Anteil für affirmative Antworten in unserer Berechnung, was die Fehlerquote für die konservativste Maßnahme der Umfragegenauigkeit maximiert. Sie können sicher sein, dass die von uns berichteten Margen für das Worst-Case-Szenario gegeben unserer Stichprobengröße gelten.

Fehlerquotenformel für endliche Populationen. Quelle: Chegg Homework Help

Je größer die Fehlerquote, desto weniger Vertrauen sollten Nutzer in die Umfrageergebnisse haben. Unsere aktuelle Fehlerquote liegt bei ±1,6 % bis ±1,8 %. Das heißt, wir sind zu 95 % sicher, dass für alle 3 Millionen Werkzeugmaschinen in den USA die tatsächlichen Auslastungszahlen ±1,6 % bis ±1,8 % von dem abweichen, was wir berichten. Unser letztes gemeldetes Auslastungsdatum für den 6. März 2021 lag bei 29,41 %, was bedeutet, dass wir glauben, die tatsächliche Auslastung der gesamten Werkzeugmaschinenpopulation liegt sehr wahrscheinlich zwischen 27,60 % und 31,21 %. Vergleiche, die innerhalb der Fehlerquote liegen – genau wie Umfrageergebnisse zwischen zwei Kandidaten innerhalb der Fehlerquote – sollten mit Vorsicht genossen und vorsichtig angegangen werden. Wir alle lernten dies hautnah im Wahlzyklus 2016.

Beispielsweise: Wenn sich die Auslastung von 29,0 % auf 29,4 % ändert, liegt das noch innerhalb unserer Fehlerquote und sollte eher als Kuriosität denn als Fakt betrachtet werden. Wenn diese Veränderung jedoch über viele Tage anhält und die Auslastung innerhalb einer Woche von 29 % auf 31 % steigt, sind wir zu 95 % sicher, dass dies die Populationsänderung widerspiegelt. In einem anderen Szenario: Wenn es der Freitag vor dem 4. Juli ist und die Auslastung tagtäglich von 29 % auf 25 % fällt, ist das mehr als eine Kuriosität – es spiegelt die Realität in US-Fertigungsbetrieben wider (Menschen nehmen den Freitag vor dem 4. Juli frei, um das Wochenende früh zu starten).

Die ±1,6 % bis 1,8 % sind auch an sich wichtig. Das ist der Puffer, den Sie sich setzen sollten, wenn Sie die Auslastung Ihres eigenen Betriebs mit Branchenstandards vergleichen.

Update zu Branchenbedingungen

Im Sinne unserer Klarstellung zur Fehlerquote möchten wir die Auslastung wie folgt angeben:

Wir sind zu 95 % sicher, dass der wöchentliche gleitende Durchschnitt der Auslastung bis gestern zwischen 27,60 % und 31,21 % liegt, mit einer Punktschätzung von 29,41 %.

Dies spiegelt Fed-Wirtschaftsdaten wider, die zeigen, dass die Fabriknachfrage landesweit aufgrund aufgestauter Nachfrage ansteigt. Wir sehen, dass dies die höchste Auslastung am 6. März der letzten vier Jahre ist – ein ziemlich bemerkenswerter Einblick.

Dies stellt auch ein lokales Maximum dar, das seit Oktober 2018 (41-Monats-Hoch) nicht mehr überschritten wurde. Das deckt sich fast perfekt mit dem ISM-Fertigungsindex, der ebenfalls ein 48-Monats-Hoch von 60,8 erreichte, nachdem er von 58,7 im Januar gesprungen war. Die Daten werden durch anekdotische Berichte über einen schweren Arbeitskräftemangel in der Fertigung bestätigt, da Fabrikbesitzer angesichts erhöhter Konkurrenz durch Amazon & Co. Schwierigkeiten haben, Arbeiter einzustellen. Shopfloor-Manager erhöhen Löhne um bis zu 30 %, um um Talente zu konkurrieren, da neue Akteure qualifizierte Arbeiter anwerben.

Wir schließen mit Verweis auf einen Podcast im Wall Street Journal, der unseren Daten menschlichen Kontext hinzufügt: „Where Jobs are Booming“.

Fazit: Das Geschäft läuft gut, fast zu gut. Bleiben Sie dran für weitere Updates!