État de l'industrie :mise à jour de mars 2021

Présentation

Au fur et à mesure que nos mises à jour quotidiennes d'utilisation prennent de l'ampleur et reçoivent plus d'attention, nous pensons qu'il est important, en tant que gestionnaires de données, de clarifier nos hypothèses, toutes les sources de biais que nous pouvons avoir et nos marges d'erreur afin que les organisations puissent prendre les décisions les plus éclairées à partir de nos chiffres. .

Comme pour tout ensemble de données, nos données contiennent des biais et nous attachons donc une marge d'erreur à chacune de nos mesures rapportées. Il est important en tant que praticiens des données d'être transparents sur ces sources de biais, nos hypothèses sur les données et la manière dont nous traitons ces préoccupations dans notre méthodologie. Cela vous permet, en tant qu'utilisateur, de porter votre propre jugement sur la véracité de nos affirmations et la valeur de nos données pour votre organisation.

Un analogue aux méthodes de sondage traditionnelles

Si nous considérons notre ensemble de données du point de vue des sondages traditionnels (comme vous le voyez à la télévision pour savoir qui est en tête de la primaire présidentielle), nous pouvons considérer chacune de nos machines comme une « personne » que nous « sondons » ou sondons. La question que nous posons pour ce sondage est simplement :« Quelle a été votre utilisation moyenne, ces sept derniers jours ? Nous échantillonnons des milliers de "personnes" (machines) à travers les États-Unis chaque seconde via notre flotte d'appareils Edge connectés au cloud, et rapportons ce chiffre pour la veille une fois que toutes les "réponses" sont "in".

Où résident les "personnes" (machines) que nous échantillonnons.

Comme pour tout sondage qui ne capture pas l'ensemble de la population, notre échantillon est sujet à des biais. Comme indiqué dans nos articles précédents, certaines formes de biais ne sont pas applicables dans notre méthodologie, à savoir celles motivées par les émotions, telles que les biais de perception, les biais de confirmation et les rapports malveillants. Les machines sont automatiquement interrogées via un logiciel toutes les secondes - elles ne peuvent pas "mentir" ou dire des contrevérités car il n'y a aucune possibilité de le faire lorsqu'elles sont connectées à MachineMetrics. Les problèmes technologiques sont également nominaux, car l'utilisation est la mesure la plus élémentaire que nous interrogeons sur les machines et toute anomalie est détectée par algorithme et rapidement éliminée. Cependant, d'autres formes de préjugés existent toujours même lorsque vous éliminez l'élément humain.

Échantillon à haute productivité

Premièrement, notre échantillon représente probablement un échantillon de fabrication à productivité élevée. En effet, ceux qui adoptent les technologies de l'industrie 4.0 sont les magasins les plus avant-gardistes et ont donc probablement déjà mis en place des processus pour rationaliser les opérations et augmenter le débit. Nous ne savons pas exactement de combien de points de pourcentage notre échantillon est plus productif que la fabrication discrète "moyenne", mais nous ne pensons pas que les tendances générales devraient en être affectées (c'est-à-dire que la variation en pourcentage d'un jour à l'autre devrait être similaire pour un échantillon à productivité élevée par rapport à un échantillon à productivité moyenne). En effet, les facteurs macroéconomiques tels que les vacances, les chocs économiques et la relocalisation/délocalisation devraient affecter les magasins à productivité élevée et à faible productivité de manière relativement égale. Ceci est important car bien que le niveau global d'utilisation que nous rapportons soit légèrement élevé, nous pouvons toujours voir des tendances très claires comme l'effet des vacances, l'effet du coronavirus et l'effet de la demande refoulée des consommateurs sur l'industrie manufacturière dans son ensemble.

De plus, nous ne capturons pas un recensement parfait de l'utilisation des machines au niveau de la population aux États-Unis, car cela nécessiterait d'être attaché à l'ensemble des 3 millions de machines-outils (le nombre de 3 millions provient de l'Association for Manufacturing Technology, qui estime que il y a 3,2 millions de machines-outils CNC opérationnelles qui ont une valeur initiale supérieure à 50 000 $).

Alors que nous aspirons à atteindre 3 millions un jour, nous devons maintenant nous contenter d'une fraction de cette taille totale. Nous ne révélons pas la taille exacte de notre échantillon car nous facturons un prix standard par machine, et cela révélerait nos revenus récurrents annuels, un chiffre que la plupart des startups de notre taille ne sont pas disposés à divulguer car il joue un rôle clé dans les valorisations. .

Marge d'erreur

Cependant, nous incluons une marge d'erreur comme meilleure pratique, ce qui correspond généralement à ce que la taille de l'échantillon essaie d'obtenir de toute façon. Une marge d'erreur tient compte de la taille de l'échantillon en tant que proportion de la taille de la population totale, ainsi que du pourcentage de répondants qui répondent par l'affirmative à l'enquête. Dans notre cas, il n'y a pas de réponse "affirmative" à l'enquête - nous pourrions théoriquement prendre 100 % d'utilisation pour signifier "tout le monde a dit oui" et 0 % pour signifier "tout le monde a dit non", mais c'est suspect. Par conséquent, nous utilisons simplement une proportion de 50 % pour les réponses affirmatives dans notre calcul, ce qui maximise la marge d'erreur pour les mesures les plus conservatrices de l'exactitude de l'enquête. Vous pouvez être assuré que les marges que nous rapportons correspondent au scénario le plus défavorable compte tenu de la taille de notre échantillon.

Formule de marge d'erreur pour les populations finies. Source :Aide aux devoirs de Chegg

Plus la marge d'erreur est grande, moins les utilisateurs devraient avoir confiance dans les résultats de l'enquête. Notre marge d'erreur actuelle oscille entre +-1,6 % et +-1,8 %. Autrement dit, nous sommes sûrs à 95 % que, pour les 3 millions de machines-outils aux États-Unis, les chiffres d'utilisation réels sont de +- 1,6 % à +- 1,8 % de ce que nous rapportons. Notre dernier chiffre d'utilisation signalé pour le 6 mars 2021 était de 29,41 %, ce qui signifie que nous pensons qu'il est très probable que l'utilisation réelle pour l'ensemble de la population de machines-outils se situe entre 27,60 % et 31,21 %. Cela signifie que les comparaisons qui se produisent dans la marge d'erreur, tout comme les résultats de sondages entre deux candidats qui se situent dans la marge d'erreur, doivent être considérées avec un grain de sel et abordées avec prudence. Je pense que nous l'avons tous appris de première main lors du cycle électoral de 2016.

Par exemple, si l'utilisation passe de 29,0 % à 29,4 %, cela reste dans notre marge d'erreur et doit être considéré plus comme une curiosité que comme un fait. Si, toutefois, ce changement persiste pendant plusieurs jours et que l'utilisation passe de 29 % à 31 % en l'espace d'une semaine, nous sommes convaincus à 95 % que cela reflète le changement au niveau de la population. Dans un autre mode de réalisation, si c'est le vendredi avant le 4 juillet et que l'utilisation passe de 29 % à 25 % au jour le jour, c'est aussi plus qu'une simple curiosité que cela se soit produit, mais plutôt que cela reflète la réalité sur magasins à travers les États-Unis (que les gens décollent le vendredi avant le 4 juillet pour commencer le week-end plus tôt).

Le chiffre de +-1,6 % à 1,8 % est également important en soi. Il s'agit de la zone tampon que vous devez définir si vous comparez l'utilisation de votre propre usine aux normes de l'industrie.

Mise à jour sur les conditions de l'industrie

Dans l'esprit de notre clarification sur la marge d'erreur, nous aimerions indiquer l'utilisation comme suit :

Nous sommes convaincus à 95 % que la moyenne mobile hebdomadaire d'utilisation jusqu'à hier se situe entre 27,60 % et 31,21 %, avec une estimation ponctuelle de 29,41 %.

Cela reflète les données économiques de la Fed montrant que la demande des usines à travers le pays augmente en raison de la demande refoulée. Nous voyons qu'il s'agit de l'utilisation la plus élevée du 6 mars au cours des quatre dernières années, un aperçu assez incroyable.

Cela représente également un maximum local qui n'a pas été dépassé depuis octobre 2018 (plus haut de 41 mois). Cela correspond presque parfaitement à l'indice ISM de la fabrication, qui a également atteint un sommet de 48 mois à 60,8 après avoir bondi de 58,7 en janvier. Les données sont corroborées par des rapports anecdotiques faisant état d'une grave pénurie de main-d'œuvre dans le secteur manufacturier, alors que les propriétaires d'usines ont du mal à embaucher des travailleurs dans un contexte de concurrence accrue d'Amazon et al. Les directeurs d'atelier augmentent les salaires jusqu'à 30 % afin de concourir pour les talents, alors que de nouveaux acteurs arrivent pour embaucher des travailleurs qualifiés.

Nous terminons en faisant référence à un podcast dans le Wall Street Journal qui ajoute un contexte humain à ce que nous voyons dans nos données :Où les emplois sont en plein essor.

En conclusion, les affaires vont bien, presque trop bien. Veuillez rester à l'écoute pour d'autres mises à jour !