O desafio da variabilidade
Um dos grandes desafios industriais é lidar com a influência da matéria-prima sobre a eficiência e produtividade dos processos. Em setores como mineração, petroquímica ou alimentos, a não homogeneidade é regra: características variam de acordo com fornecedor, época do ano, região de origem e condições de extração.
Foi nesse contexto que a Anglo American lançou o desafio em um programa de inovação aberta – estratégia cada vez mais utilizada por grandes empresas para aproveitar a capacidade de startups e parceiros tecnológicos na resolução de problemas reais.
O minério de ferro, por natureza, apresenta-se de forma irregular e com diferentes níveis de contaminantes, criando um fator crítico para a operação em escala. O objetivo da empresa era claro: controlar e prever essa variabilidade, reduzindo riscos e otimizando a entrega.
Do chão de fábrica aos dados
Projetos assim exigem muito mais do que algoritmos. Exigem imersão no negócio. Nossa equipe mergulhou nos processos fabris – da britagem à flotação – assistindo a vídeos institucionais, estudando fluxos de operação, segurança e qualidade, até chegarmos à nossa matéria-prima bruta: os dados coletados.
Com base nisso, estruturamos uma Prova de Conceito (PoC) cujo escopo foi a criação de um digital twin parcial do processo. Um modelo capaz de replicar, de forma preditiva, como as variações da matéria-prima impactam os resultados ao longo das etapas.
Da validação ao modelo
Para cientistas de dados, o primeiro passo não é “modelar”, mas validar conhecimento. Reconstruímos correlações e causalidades já conhecidas pelos engenheiros da planta, agora expressas em termos quantitativos e numéricos. Essa validação foi essencial: só com bons dados e conhecimento sólido é possível construir bons modelos.
O primeiro desafio de modelagem foi temporal: se temos leituras de dados a cada x horas em diferentes processos, qual é o tempo real de deslocamento do material de uma etapa à outra? Para resolver, aplicamos técnicas de correlação cruzada, como o Dynamic Time Warping, chegando a um alinhamento robusto para a continuidade do modelo.
A partir daí, criamos dois modelos distintos:
- Um para processos físicos.
- Outro para processos químicos.
Cada um com entradas e tempos diferentes, refletindo a realidade da planta. Os resultados validaram o esforço: conseguimos representar matematicamente a dinâmica de um processo altamente complexo e variável.
Resultados e reflexões
A PoC atingiu sua missão: melhoria significativa na assertividade das previsões em relação às práticas existentes. Isso abriu novos horizontes para a gestão da decisão, com ganhos em qualidade de entrega e economia de recursos – fatores cada vez mais centrais na competitividade global.
Mais do que resultados imediatos, o projeto reforçou a importância da inovação aberta como elo estratégico entre conhecimento de negócio e tecnologia. Ao fomentar experimentação orientada a resultados, a Anglo American não apenas testou soluções mais eficientes e inteligentes, mas também criou um ambiente fértil para aprendizado contínuo e transformação de ideias em valor real.
Em síntese, traduzimos potencial tecnológico em impacto concreto — e esse é o papel da ciência de dados quando encontra terreno fértil na inovação.
O sucesso do projeto foi reconhecido com um troféu enviado pela Anglo American, reforçando o impacto gerado e a relevância da parceria construída ao longo do processo.
No MyScientist®, somos seus cientistas — prontos para transformar dados em decisões estratégicas.