La pregunta que define si tiene sentido
El OEE (Overall Equipment Effectiveness) es la métrica estándar de eficiencia de equipos productivos. Mide la fracción del tiempo planificado de producción en que el equipo produce realmente a velocidad estándar y con calidad aceptable. Un OEE del 85% se considera de clase mundial para producción en serie; muchas plantas operan entre el 50% y el 70%.
La pregunta de evaluación: ¿sabes por qué tu OEE es el que es? ¿Tienes datos que te permitan descomponer el OEE en sus tres componentes (disponibilidad, rendimiento, calidad) y entender cuál es el mayor contribuidor a las pérdidas? Si la respuesta es no, el primer paso no es la IA — es medir bien.
La IA añade valor sobre un OEE ya medido: identifica patrones en los datos que explican variaciones del OEE, predice caídas antes de que ocurran, y prioriza automáticamente las intervenciones con mayor impacto potencial.
Evaluación de la oportunidad
Las seis grandes pérdidas del OEE (averías, setup y ajustes, paradas menores, velocidad reducida, defectos en arranque, defectos en producción) tienen características diferentes en términos de detectabilidad con IA.
Las averías son detectables mediante mantenimiento predictivo. Las paradas menores y la velocidad reducida son detectables mediante análisis de series temporales de producción. Los defectos en producción son detectables mediante visión artificial o análisis de datos de calidad. El setup y ajustes se optimizan mediante planificación de producción inteligente.
La IA para OEE es más efectiva cuando la causa raíz de las pérdidas no está bien identificada: cuando el equipo sabe que hay pérdidas pero no sabe con certeza cuáles son las principales ni qué las causa.
Requisitos de datos
Datos de producción a nivel de ciclo o con alta frecuencia temporal. Los contadores de producción del PLC actualizados cada minuto o cada ciclo permiten detectar paradas menores y caídas de velocidad con precisión. Los datos diarios o de turno tienen granularidad insuficiente para este análisis.
Datos de downtime codificados. El tiempo parado con la causa asignada (avería en subsistema X, cambio de formato, falta de material, mantenimiento programado) es el dato más crítico para el análisis de OEE. Si el downtime no está codificado o los códigos son demasiado genéricos, el análisis de causa raíz no es posible.
Datos de calidad por período. Las unidades producidas y las unidades rechazadas por período, con el tipo de defecto cuando sea posible, permiten calcular el componente de calidad del OEE y correlacionar los rechazos con condiciones de proceso.
Parámetros de proceso. Temperatura, presión, velocidad de proceso, consumo eléctrico — los parámetros que caracterizan el estado del equipo en cada momento permiten correlacionar las condiciones de proceso con el comportamiento del OEE.
Estructura de costes y complejidad
La infraestructura de datos para OEE (conectividad de PLC, sistema de captura de downtime, historian) suele ser el coste dominante en plantas sin digitalización previa. En plantas con MES (Manufacturing Execution System) ya implantado, los datos suelen estar disponibles y el coste se concentra en la capa analítica.
El sistema de captura de downtime que requiere la intervención del operario para codificar la causa de las paradas tiene un coste de cambio de proceso: los operarios deben registrar las causas de parada en el sistema en tiempo real. Si este proceso no existe o no funciona bien, los datos de downtime tendrán calidad insuficiente independientemente de la sofisticación del análisis posterior.
Evaluación de riesgos
Riesgo de OEE calculado sobre datos incorrectos. Un OEE calculado con velocidad estándar sobreestimada aparece artificialmente bajo. Un OEE calculado con tiempo planificado mal definido (incluye tiempo de inactividad planificado como denominador) es artificialmente alto. La definición precisa de los parámetros de cálculo del OEE es un prerrequisito para cualquier análisis con IA.
Riesgo de optimización local. Optimizar el OEE de una máquina cuello de botella tiene impacto directo en la capacidad total de la línea. Optimizar el OEE de una máquina con capacidad ociosa puede no tener impacto en el throughput. La teoría de las restricciones (TOC) es el marco complementario para priorizar dónde tiene más sentido invertir en mejorar el OEE.
Riesgo de gaming de la métrica. Cuando el OEE se convierte en una métrica de evaluación del equipo, existe el riesgo de que se manipule: ajustar la velocidad estándar a la baja para que el rendimiento parezca mejor, no registrar paradas cortas para mantener alta la disponibilidad. El sistema de medición tiene que ser robusto ante estas manipulaciones.
Métricas de éxito
- OEE global y por componente (disponibilidad, rendimiento, calidad)
- Top 5 causas de pérdida de OEE por duración y frecuencia
- MTBF y MTTR en equipos críticos
- Distribución de paradas por duración (pocas paradas largas vs. muchas paradas cortas — tienen soluciones muy diferentes)
- Variabilidad del OEE entre turnos y entre días (la variabilidad alta indica oportunidades de estandarización)
Cómo genera ROI
El mecanismo de valor del OEE con IA es directo: un punto de mejora de OEE equivale a X unidades adicionales de producción por hora planificada, sin incremento de inversión en maquinaria. En plantas con demanda suficiente que no pueden satisfacer por limitación de capacidad, esa producción adicional se convierte directamente en margen.
En plantas con capacidad ociosa, el ROI es diferente: la mejora del OEE reduce el coste por unidad producida (los costes fijos se distribuyen sobre más unidades) pero no genera automáticamente más ventas. El contexto de la planta determina cómo se materializa el valor de la mejora de OEE.
Preguntas frecuentes
¿Cuál es un OEE objetivo realista para empezar? El OEE “clase mundial” del 85% es una referencia del sector de manufactura en serie. En entornos con alta variedad de productos, cambios frecuentes de formato y procesos continuos (en lugar de discretos), valores más bajos son normales. El objetivo inicial debería ser identificar las principales fuentes de pérdida en el OEE actual y reducirlas, no alcanzar un número específico como objetivo absoluto sin contexto del tipo de proceso.
¿El MES es necesario para optimizar el OEE con IA? No es imprescindible, pero facilita mucho el proceso. Un MES bien implantado centraliza los datos de producción, downtime y calidad en una plataforma estándar que sirve directamente como input para los modelos de análisis. Sin MES, los mismos datos pueden recogerse de los PLCs y sistemas de calidad, pero la integración es más compleja. La pregunta relevante es si la inversión en MES se justifica por sí misma o si es mejor construir una capa de datos más ligera específicamente para el proyecto de OEE.