A menudo me siento en primeras reuniones con jefes de producción que me dicen: «Nuestro OEE está en el 68 por ciento. Sabemos que es poco. Pero no sabemos exactamente por qué».
Ese es el verdadero problema, y tiene solución. Pero no empieza con una máquina nueva, ni con un caro proyecto de MES, ni con un consultor que presenta un PowerPoint sobre lean manufacturing. Empieza con la transparencia de los datos.
Qué mide realmente el OEE y qué no
OEE significa Overall Equipment Effectiveness (eficiencia general de los equipos) y combina tres factores: disponibilidad, rendimiento y calidad. Una instalación con un 95% de disponibilidad, un 90% de rendimiento y un 98% de tasa de calidad alcanza un OEE de aproximadamente el 84%, un valor que muchas empresas de fabricación se marcan como objetivo.
Pero aquí está precisamente el primer problema: la mayoría de las empresas que me dan una cifra de OEE no la han medido. La han estimado a partir de hojas de Excel, informes de turno y la experiencia de empleados veteranos.
Un OEE estimado no es una herramienta de gestión. Es una opinión.
El problema de la transparencia en la práctica
Tomemos un ejemplo concreto. Un fabricante de maquinaria de Austria con el que trabajamos tenía cinco líneas CNC y tres prensas. El OEE que ellos mismos estimaban estaba «más o menos en el 72 por ciento». Los tiempos de mantenimiento planificado se conocían. Las averías no planificadas no se anotaban hasta el relevo de turno, es decir, a menudo con 4 a 8 horas de retraso.
Lo que esto significa en concreto: si a las 14:30 se rompe una herramienta en la línea 3 y eso no aparece hasta el relevo de las 22:00, el jefe de producción pasa 7,5 horas sin ninguna posibilidad de corregir el rumbo. Ni replanificar, ni poner en marcha contramedidas, ni avisar al equipo de mantenimiento.
Tras conectar las máquinas mediante OPC UA y MQTT y montar un dashboard en tiempo real, el equipo vio por primera vez dónde se perdía realmente el tiempo:
- El 42% de las paradas no planificadas se debía a tres patrones de fallo recurrentes
- El tiempo medio hasta la reacción (MTTA) era de 38 minutos de media, no de 8
- Dos máquinas funcionaban de forma permanente un 15–20% por debajo de la velocidad nominal
El OEE medido era del 61%, no del 72%. Y de repente quedó claro dónde estaban las mayores palancas.
Por qué el impulso de optimizar de inmediato lleva en la dirección equivocada
Cuando los jefes de producción se ven presionados, el reflejo suele ser: necesitamos un MES nuevo. Necesitamos un proyecto lean. Necesitamos más gente en mantenimiento.
Puede que sean las respuestas correctas, pero solo si se sabe a qué pregunta responden. Sin datos fiables sobre las causas de las pérdidas, cada medida de optimización es un tiro a ciegas. Se tratan los síntomas, no las causas.
Una empresa con la que hablamos antes de un proyecto de digitalización acababa de invertir mucho en capacidad adicional de mantenimiento, porque «las máquinas fallan demasiado». Tras analizar los datos, resultó que el 60% de las paradas no eran defectos de máquina, sino falta de material y tiempos de preparación mal planificados. Más mantenimiento no habría resuelto el problema.
Tres niveles de transparencia del OEE
La transparencia de los datos no es un concepto binario: tiene niveles. Desde la práctica, vemos tres:
Nivel 1 — Transparencia reactiva
Informes de turno, hojas de Excel, registro manual. Los datos existen, pero con horas o días de retraso. No hay posibilidad de reaccionar en tiempo real.
Nivel 2 — Transparencia operativa
Los datos de las máquinas se registran automáticamente y un dashboard muestra el OEE en directo. Los jefes de turno ven los problemas en cuestión de minutos. Es posible tomar las primeras decisiones basadas en datos.
Nivel 3 — Transparencia predictiva
Las anomalías se detectan antes de que se conviertan en paradas. Los análisis de tendencias muestran qué máquinas darán problemas en los próximos días. El mantenimiento se planifica en función del estado.
La mayoría de las empresas manufactureras medianas con las que trabajamos están en el nivel 1. El paso al nivel 2 es técnicamente abarcable y da resultados medibles en pocas semanas. El nivel 3 es el objetivo a medio plazo.
Qué hace falta en concreto
La transparencia del OEE en tiempo real no surge de un gran proyecto de ERP. Hace falta:
- Datos de máquina en tiempo real: OPC UA, MQTT o sensores sencillos, según la generación de la máquina. Las máquinas modernas entregan sus datos de forma nativa por OPC UA. Las antiguas necesitan un adaptador.
- Una clasificación de pérdidas unificada: Las paradas deben categorizarse: cambio de herramienta, defecto de máquina, falta de material, preparación. Sin eso, el análisis no vale nada.
- Un dashboard que los jefes de turno usen de verdad: No una herramienta de BI con 20 páginas de informes. Una vista que muestre en 10 segundos qué está fallando y dónde.
- Alertas cuando no se alcanza el umbral: Si el OEE de una línea cae por debajo del 70%, alguien tiene que enterarse de inmediato, no en el siguiente informe de turno.
Lo que consiguió al final el fabricante de maquinaria de Austria
Tres meses después de la puesta en marcha del dashboard en tiempo real, el equipo tenía estos resultados:
Lo decisivo: no se compró ninguna máquina nueva. No se cambió ningún proceso de forma radical. El único cambio fue que las personas adecuadas vieron los datos adecuados en el momento adecuado.
Eso es transparencia. Y es el primer problema que debe resolver, antes de pensar en optimización, automatización o IA.
Conclusión
Un OEE del 68%, el 72% o el 75% no es un problema abstracto. Es dinero que se queda cada día sobre la mesa, en forma de capacidad de máquina sin aprovechar, piezas defectuosas innecesarias y mantenimiento reactivo.
El primer paso no es la solución: es entender el problema por completo. Y eso solo es posible con datos disponibles en tiempo real.
Si quiere saber dónde están sus mayores pérdidas y cómo sería en su caso concreto el camino hacia la transparencia de nivel 2: Hable con nosotros. La primera consulta no cuesta nada.