Caso de estudio · Inteligencia de datos
Una empresa de la agroindustria mexicana, con corporativo en México y plantas en varios estados, que produce y exporta, ya tenía los datos: producción, incidentes de seguridad, energía y nómina. Los cruzamos en tableros de visualización con los KPIs de cada planta, modelos de predicción y reportes automatizados para saber cuánto cuesta cada paro, por qué pasa, dónde y qué viene.
Qué hicimos
Tablero de dirección · Paros y seguridad
OctubreTodas las plantasActualizado hoy 7:00Plantas · el círculo crece con las horas de paro del mes
Paros por causa · horas y costo
1 tablero
para toda la dirección, con mapa y los KPIs de cada planta
Cada semana
el reporte ejecutivo llega solo a la dirección
Es una agroindustria mexicana con corporativo en México y plantas en varios estados, que produce para el mercado nacional y para exportación. Cada planta medía a su manera: producción en un lado, incidentes de seguridad en otro, energía en el recibo y sueldos en la nómina.
La dirección sabía cuándo una planta se detenía, pero no cuánto le costaba cada hora de paro ni qué causas pesaban más: mantenimiento, fallas eléctricas, abasto, accidentes, paros técnicos o el clima. Sin ese número, no se podía priorizar.
Es la pregunta que el tablero responde para cada planta. Mueve los datos y mira cómo se suma: la gente detenida, la energía que se sigue pagando y la producción que no se hizo.
Una hora de paro cuesta
$0
Un paro de 6 h: $0
Valores de ejemplo. En el tablero real, cada dato sale de su fuente: nómina, recibo de energía del mes y producción por planta.
01
No hubo que medir nada nuevo para empezar. Conectamos su ERP por API y analizamos, limpiamos y reordenamos los Excel con los que operaba cada planta, que estaban desordenados y eran difíciles de llenar. Ahora la información de operación (producción, seguridad, energía y nómina) entra a un solo modelo de datos, con los mismos nombres y las mismas reglas para todas, y es más fácil de capturar: la base de todos los tableros y de los modelos de predicción.
02
Con el precio del kWh del mes, el costo por hora de cada turno y la producción que se deja de hacer, cada paro tiene un costo en pesos. El tiempo muerto se vuelve uno de los KPIs de producción de cada planta, junto a la producción por turno y la energía por tonelada, y se compara entre plantas en el mismo tablero de indicadores.
KPIs de producción · octubre
| Planta | Costo 1 h de paro | Horas de paro | Energía por tonelada |
|---|---|---|---|
| Sinaloa | $59,610 | 52 h | 74 kWh/t |
| Jalisco | $48,200 | 38 h | 81 kWh/t |
| Guanajuato | $41,950 | 29 h | 69 kWh/t |
03
Los incidentes de seguridad y los accidentes se cruzan con los paros. El análisis de causa raíz separa lo interno (mantenimiento, accidentes, paros técnicos) de lo externo (energía, abasto, clima), y el índice de accidentabilidad de cada planta se sigue mes a mes.
Análisis de causa raíz · horas de paro del mes
Internas Externas Acumulado
Seguridad industrial
04
La dirección ve todas las plantas en un mapa y entra al detalle de cada una. El reporte ejecutivo llega solo cada semana a la dirección: los KPIs, los paros y sus causas, listo para la junta y sin que nadie lo arme a mano.
Horas de paro por planta
Los 3 paros más caros
05
Con el historial de paros, producción, mantenimiento y clima, los modelos de predicción estiman qué plantas tienen más riesgo de paro la próxima semana y por qué. La dirección decide antes de que pase, no después.
Horas de paro por semana · real y predicción
Real Predicción Banda de confianza
Riesgo de paro · próxima semana
Producción, nómina, energía y seguridad ya se registran. El valor está en cruzarlos.
Las decisiones basadas en datos empiezan con un número en pesos: cuando cada hora tiene un precio, se sabe qué atender primero.
No es un reporte más: es la conversación de la dirección con los mismos números para todos.
Con el historial limpio, los mismos datos anticipan el siguiente paro. Es la industria 4.0 aplicada a lo que la empresa ya tenía.
Imagina la junta de dirección de un lunes en una empresa que produce alimentos en varias plantas. Alguien dice: «La semana pasada paramos la línea en una de las plantas». Y la siguiente pregunta es obvia: ¿cuánto nos costó? Durante mucho tiempo, en esta empresa nadie podía contestarla con un número. Hoy la respuesta está en un tablero de control, con el costo de cada paro, su causa y la planta donde pasó. Esta es la historia de cómo una agroindustria mexicana empezó a decidir con sus propios datos.
Para entender el cambio hay que conocer a la empresa. Es una agroindustria mexicana, con su corporativo en México y plantas en varios estados de la república. Produce para el mercado nacional y también exporta. No podemos decir su nombre, porque así lo acordamos, pero su situación es la de muchas empresas que ya llevan años operando bien. Cada planta medía a su manera. La producción vivía en un lado, los incidentes de seguridad en otro, la energía llegaba en el recibo del mes y los sueldos estaban en la nómina. Los datos existían. Lo que no existía era una forma de verlos juntos.
Vale la pena detenerse en una palabra que se escucha en todas las juntas: KPI. Los KPIs, o indicadores clave de desempeño, son las pocas cifras que te dicen si una operación va bien. En una planta pueden ser las horas de paro, la producción por turno, la energía que se gasta por cada tonelada o el índice de accidentabilidad. La clave está en la palabra «pocas». Un buen tablero no muestra todo: muestra lo que alguien necesita para decidir, al día y con el mismo criterio para todas las plantas.
La pregunta de fondo era esta: ¿cuánto cuesta una hora de paro? Hagamos el ejercicio con números de ejemplo, como los de la calculadora que está en la página. Si un turno tiene 120 personas, esas horas se pagan aunque la línea esté detenida. La energía no se apaga del todo, y se sigue pagando al precio del kWh de ese mes. Y lo más caro casi nunca se ve: la producción que no se hizo. Sumado, en el ejemplo, una sola hora de paro cuesta casi 60,000 pesos. Un paro de seis horas pasa de los 350,000. Cuando ese número existe, cambia la conversación. En la página puedes mover cada dato y ver cómo se suma.
Lo interesante es que no hubo que medir nada nuevo para empezar. Conectamos el sistema de gestión de la empresa directamente con el tablero, y pasamos tiempo con algo menos glamoroso: los Excel con los que operaba cada planta. Estaban desordenados, cada uno con sus columnas y sus nombres, y eran difíciles de llenar. Los analizamos, los limpiamos y los reordenamos, para que capturar fuera más fácil y para que los datos se pudieran cruzar sin errores. De ahí salió un solo modelo de datos, con las mismas reglas para todas las plantas. Es la base de todo lo demás.
Con esa base, el costo de un paro dejó de ser una sensación. Cada hora detenida tiene un precio en pesos, y el tiempo muerto se volvió uno de los KPIs de producción de cada planta, junto a la producción por turno y la energía por tonelada. Eso permite algo que antes era imposible: comparar plantas con el mismo criterio. Ya no es «esa planta para mucho», sino «esa planta perdió tantas horas este mes, y le costaron tanto».
Saber cuánto cuesta no basta; hay que saber por qué pasa. Aquí entra el análisis de causa raíz. Los paros se cruzan con los incidentes de seguridad y se separan en dos grupos. Los internos, como el mantenimiento no programado, los accidentes o un paro técnico. Y los externos, como una falla de energía, el abasto de materia prima o el clima. Ordenadas de mayor a menor, casi siempre pasa lo mismo: unas pocas causas explican la mayoría de las horas perdidas. Y junto a los paros se sigue, mes a mes, el índice de accidentabilidad de cada planta, porque la seguridad también es parte de la operación.
Ahora, regresemos a la junta del lunes. Antes, alguien tenía que armar el reporte: juntar los archivos de cada planta, copiar cifras, hacer gráficas. Hoy el reporte ejecutivo llega solo cada semana a la dirección, con los KPIs, las horas de paro por planta y los paros más caros, listo para la junta. Y si alguien quiere el detalle, el tablero lo muestra en un mapa con todas las plantas.
El último paso es el más interesante. Con un historial limpio de paros, producción, mantenimiento y clima, construimos modelos de predicción que estiman qué plantas tienen más riesgo de paro la próxima semana, y por qué. Esto cambia el momento de la decisión. La dirección ya no solo ve lo que pasó: puede anticiparse, mover un mantenimiento, asegurar el abasto o preparar a una planta antes de que la línea se detenga.
Si tuviera que resumir lo que deja este proyecto para cualquier empresa que ya tiene datos, serían cuatro ideas. La primera: tu empresa ya es una mina de datos; el valor está en cruzarlos. La segunda: un paro sin costo no se puede priorizar, porque las decisiones basadas en datos empiezan con un número en pesos. La tercera: un tablero sirve si cambia la junta del lunes. Y la cuarta: con los datos en orden, predecir es el siguiente paso.
En TOR studio, un estudio de innovación en México, conectamos los datos que tu empresa ya tiene para que decidas con ellos: tableros, KPIs, reportes automatizados y modelos de predicción. Si quieres saber cuánto te cuesta no saber, en esta misma página puedes agendar una llamada con el equipo.
Los KPIs (indicadores clave de desempeño) son las pocas cifras que dicen si una operación va bien. En una planta, por ejemplo: horas de paro, producción por turno, energía por tonelada o índice de accidentabilidad. En un tablero de indicadores se ven juntos y al día.
Un modelo que aprende del historial (paros, producción, mantenimiento, clima) para estimar lo que viene. En este caso, el riesgo de paro de cada planta la próxima semana.
Se parecen, pero no son lo mismo. El mantenimiento predictivo anticipa la falla de un equipo; este modelo estima el riesgo de que una planta pare por cualquier causa: mantenimiento, energía, abasto, clima o accidentes.
Es una vista que reúne los indicadores clave de una empresa en un solo lugar, actualizados y con el detalle a un clic, para tomar decisiones con datos.
Se suman la mano de obra detenida, la energía que se sigue consumiendo y la producción que no se hizo. En el tablero, cada dato sale de su fuente: nómina, recibo de energía del mes y producción por planta.
Una detención de la producción por razones laborales, técnicas u operativas. En el tablero se registra como una causa más de paro, con su duración y su costo.
Horas de paro y sus causas, costo de los paros, producción por planta, incidentes de seguridad y días sin accidentes, entre otros.
No. Se conecta a lo que ya usas: tu ERP por API, tus Excel y tus registros. Si los Excel están desordenados, los limpiamos y los reordenamos para que sean fáciles de llenar y se crucen sin errores.
Por un acuerdo de confidencialidad. El tablero de este caso es una recreación con datos ficticios.
Siguiente caso
Gamavisión
Rediseño de la app de noticias (iOS y Android) y del portal gamavision.com
Empieza por el diagnóstico
Tus datos ya existen.Te ayudamos a cruzarlos para decidir con ellos.
Agenda una llamadaCómo trabajamos