Insight sectoriel 2021 : mise à jour complète de mars 2021

Introduction

Alors que nos mises à jour quotidiennes d'utilisation gagnent en traction et attirent plus d'attention, nous estimons important, en tant que gardiens des données, de clarifier nos hypothèses, toute source de biais potentielle, et nos marges d'erreur, afin que les organisations puissent prendre les décisions les plus éclairées à partir de nos chiffres.

Comme pour tout jeu de données, nos données contiennent du biais, et nous y attachons donc une marge d'erreur pour toute métrique rapportée. Il est important, en tant que praticiens de la data, d'être transparents sur ces sources de biais, nos hypothèses sur les données, et comment nous adressons ces préoccupations dans notre méthodologie. Cela vous permet, à vous l'utilisateur, de porter votre propre jugement sur la véracité de nos affirmations et la valeur de nos données pour votre organisation.

Une analogie avec les méthodes de sondage traditionnelles

Si l'on regarde notre jeu de données sous l'angle du sondage traditionnel (comme à la TV pour savoir qui mène dans la primaire présidentielle), on peut considérer chacune de nos machines comme une « personne » que l'on « sonde ». La question posée pour ce sondage est simplement : « Quelle a été votre utilisation en 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 toutes les « réponses » reçues.

Localisation des machines (« personnes ») que nous échantillonnons.

Comme pour tout sondage qui ne capture pas la population entière, notre échantillon est sujet au biais. Comme abordé dans nos articles précédents, certaines formes de biais ne s'appliquent pas à notre méthodologie — notamment celles à charge émotionnelle comme le biais de perception, le biais de confirmation, et le signalement malveillant. Les machines sont sondées automatiquement via logiciel chaque seconde — elles ne peuvent pas « mentir » ou dire des contre-vérités car il n'y a pas d'opportunité pour le faire lorsqu'elles sont connectées à MachineMetrics. Les incidents technologiques sont nominaux également, l'utilisation étant la métrique la plus basique que nous sondons, et les anomalies étant détectées algorithmiquement et rapidement écartées. Cependant, d'autres formes de biais existent même en retirant l'élément humain.

Échantillon à haute productivité

Premièrement, notre échantillon représente probablement un échantillon de fabrication à haute productivité. Car ceux qui adoptent les technologies Industrie 4.0 sont des ateliers plus tournés vers l'avenir, et ont donc probablement déjà des processus en place 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 globales en soient affectées (c'est-à-dire que le pourcentage de variation jour par jour devrait être similaire pour un échantillon à haute productivité vs. un échantillon à productivité moyenne). Car des facteurs macro comme les jours fériés, les chocs économiques, et le reshoring/offshoring devraient affecter les ateliers à haute et basse productivité de manière relativement égale. C'est important car bien que le niveau global d'utilisation que nous rapportons soit légèrement surélevé, nous voyons encore très clairement des tendances comme l'effet des jours fériés, l'effet du coronavirus, et l'effet de la demande refoulée des consommateurs sur la fabrication dans son ensemble.

De plus, nous ne capturons pas un recensement parfait au niveau population de l'utilisation machine aux États-Unis, ce qui nécessiterait d'être connecté à plus de 3 millions de machines-outils (le chiffre de 3,2 millions vient de l'Association for Manufacturing Technology, estimant qu'il y a 3,2 millions de machines-outils CNC opérationnelles d'une valeur d'origine supérieure à 50 k$).

Bien que nous aspirions à atteindre les 3 millions un jour, pour l'instant nous devons nous contenter d'une fraction de ce total. Nous ne révélons pas notre taille d'échantillon exacte car nous facturons un prix standard par machine, et cela révélerait notre revenu récurrent annuel, une donnée que la plupart des startups de notre taille ne souhaitent pas divulguer car elle joue un rôle clé dans les valorisations.

Marge d'erreur

Cependant, nous incluons une marge d'erreur comme bonne pratique, qui est typiquement ce que la taille d'échantillon vise à atteindre de toute façon. Une marge d'erreur prend en compte la taille d'échantillon comme proportion de la taille totale de la population, ainsi que le pourcentage de répondants qui répondent « oui » au sondage. Dans notre cas, il n'y a pas de réponse « oui » — nous pourrions théoriquement prendre 100 % d'utilisation pour signifier « tout le monde a dit oui » et 0 % pour « 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 précision du sondage. Vous pouvez être assurés que les marges que nous rapportons correspondent au pire scénario donné notre taille d'échantillon.

Formule de marge d'erreur pour populations finies. Source : Chegg Homework Help

Plus la marge d'erreur est grande, moins les utilisateurs doivent avoir confiance dans les résultats du sondage. Notre marge d'erreur actuelle oscille autour de ±1,6 % à ±1,8 %. C'est-à-dire que nous sommes à 95 % confiants que, pour les 3 millions de machines-outils aux US, les chiffres d'utilisation réels sont dans une fourchette de ±1,6 % à ±1,8 % de ce que nous rapportons. Notre dernière utilisation rapportée 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 sondage entre deux candidats dans la marge d'erreur, doivent être pris avec des pincettes et abordés avec prudence. Je pense que nous l'avons tous appris de première main pendant le cycle électoral de 2016.

Par exemple, si l'utilisation passe de 29,0 % à 29,4 %, c'est encore dans notre marge d'erreur et doit être considéré comme une curiosité plus que comme un fait. Si, cependant, ce changement persiste pendant plusieurs jours et que l'utilisation passe de 29 % à 31 % sur une semaine, nous sommes à 95 % confiants que cela reflète un changement au niveau population. Dans un autre cas, si c'est le vendredi avant le 4 juillet et que l'utilisation passe de 29 % à 25 % jour par jour, ce n'est pas juste une curiosité, mais le reflet de la réalité sur les terrains d'usines aux États-Unis (les gens prennent le vendredi avant le 4 juillet pour commencer le week-end plus tôt).

Le chiffre de ±1,6 % à 1,8 % est aussi important en soi. C'est la marge que vous devriez vous fixer si vous benchmarkez l'utilisation de votre propre usine par rapport aux normes du secteur.

Mise à jour sur les conditions sectorielles

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

Nous sommes à 95 % confiants que la moyenne mobile hebdomadaire de l'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 d'usine à travers le pays est en forte hausse due à la demande refoulée. Nous voyons que c'est la plus haute utilisation pour un 6 mars depuis quatre ans, un insight assez incroyable.

Cela représente aussi un maximum local qui n'a pas été dépassé depuis octobre 2018 (maximum sur 41 mois). Cela s'aligne presque parfaitement avec l'indice manufacturier de l'ISM, qui a aussi atteint un maximum sur 48 mois à 60,8 après avoir bondi de 58,7 en janvier. Les données sont corroborées par des rapports anecdotiques d'une pénurie de main-d'œuvre sévère dans la fabrication, les propriétaires d'usines peinant à embaucher face à la concurrence accrue d'Amazon et consorts. Les responsables d'atelier augmentent les salaires jusqu'à 30 % pour concurrencer les talents, alors que de nouveaux acteurs arrivent pour embaucher des travailleurs qualifiés.

Nous concluons en référençant un podcast du Wall Street Journal qui ajoute du contexte humain à ce que nous voyons dans nos données : Where Jobs are Booming.

En conclusion, les affaires vont bien, presque trop bien. Restez à l'écoute pour de prochaines mises à jour !