Grupo industrial multinacional con red de plantas de manufactura en España, operando en un sector altamente regulado con exigencias GMP de trazabilidad, calidad y eficiencia. Las plantas cuentan con líneas de producción y acondicionamiento conectadas a un sistema MES (Manufacturing Execution System) que centraliza la planificación de órdenes, lotes y formatos, así como el registro de eventos operativos.

Pese a contar con la infraestructura digital, la captura y el cálculo de los indicadores clave de desempeño operativo —OEE (Overall Equipment Effectiveness), mermas y cambios de formato/lote— se realizaba en gran medida de forma manual, lo que generaba una brecha entre la riqueza de los datos disponibles y su utilidad real para la toma de decisiones de los líderes de producción.

El objetivo del proyecto fue cerrar esa brecha: transformar los datos de planta en información accionable, viva y disponible al cierre de cada turno, sentando además las bases para capacidades de inteligencia artificial (predicción y agentes conversacionales) sobre los KPIs de la operación.

Tres problemas concretos penalizaban la eficiencia operativa y la calidad de las decisiones en planta:

1. Carga manual e imprecisa de datos: los datos de turno se registraban en pizarras manuales y se calculaban en hojas de Excel, lo que producía errores humanos y demoras en la disponibilidad de los indicadores.

2. Falta de visibilidad en tiempo real: los líderes de producción dedicaban un tiempo excesivo a la planificación manual y al conteo de cambios de lote y formato, sin disponer de datos precisos al cierre del turno.

3. Dispersión de la información: los indicadores de mermas, cambios de formato y OEE estaban en tres informes separados, dificultando una visión integral del rendimiento operativo y el análisis de causa raíz.

4. A esto se sumaba un cuarto problema, invisible hasta entonces: las microparadas (paradas de máquina entre 20 segundos y 2 minutos) no estaban siendo medidas de forma sistemática, pese a representar acumuladamente una porción significativa de la pérdida de OEE. Esa "muerte por mil cortes" no podía ser atacada porque no podía ser observada.

La solución debía integrarse de forma no invasiva con la infraestructura de planta y los sistemas corporativos existentes, sin requerir cambios en las máquinas ni en los procesos productivos. Los principales requisitos de integración fueron:

· MES de planta (sistema de gestión de fábrica) como fuente de eventos operativos, órdenes de producción, lotes, formatos y registros de parada.

· Sistemas de declaración del operador y registros de cambio de formato y cambio de lote.

· Bases de datos corporativas para el contexto maestro (productos, líneas, calendario de turnos, objetivos por SKU).

· Plataforma de visualización corporativa para entrega del cuadro de mando a líderes de producción y dirección.

· Pantallas táctiles en planta para consulta del cuadro de mando directamente por el equipo de turno al cierre.

· Capa de gobierno del dato y trazabilidad auditable extremo a extremo, imprescindible en un entorno regulado.

· Compatibilidad futura con capacidades de IA: el modelo de datos se diseñó como modelo semántico para habilitar agentes conversacionales (LLM) y modelos predictivos sin necesidad de rediseñar la arquitectura.

Plataforma de datos end-to-end para la automatización integral de los KPIs operativos, construida en cinco capas:

1. Ingesta y orquestación: extracción automática de datos desde el MES y sistemas operativos mediante una capa de integración (Workato), eliminando la carga manual y los registros en pizarra.

2. Almacenamiento y modelado: data warehouse cloud (Snowflake) con un modelo semántico unificado de planta (líneas, máquinas, lotes, formatos, paradas, mermas).

3. Transformación y lógica de negocio: pipelines de transformación (DBT) que replican algorítmicamente el cálculo del OEE (Disponibilidad × Rendimiento × Calidad) y de los KPIs derivados, con trazabilidad de cada métrica hasta su dato fuente. Tracking automático de microparadas categorizadas por máquina, causa, SKU y turno.

4. Visualización y entrega: cuadro de mando unificado en Power BI que integra OEE, mermas y cambios de formato/lote en una única vista, con drill-down por línea, máquina, producto y turno. Despliegue en pantallas táctiles en planta para consulta inmediata al cierre de cada turno.

5. Capa de IA: agente conversacional construido sobre Snowflake Cortex Analyst que permite a los equipos de mejora continua (OPEX) interactuar con los KPIs en lenguaje natural —"¿por qué cayó el 

 OEE en el turno de ayer?", "¿qué SKU genera más microparos este trimestre?"— recibiendo respuestas auditadas contra el modelo semántico. Roadmap de modelos predictivos por series de tiempo para anticipación de paradas y optimización de planificación.

La metodología de implementación fue iterativa, con releases incrementales por planta y validación continua con los líderes de producción para asegurar la adopción.

Resultados medibles tras la implementación:

· Ahorro directo estimado de 45.000 € / año por la automatización del cálculo y la liberación de tiempo de los líderes de producción (sin contar el valor indirecto del tiempo redirigido a análisis y mejora continua).

· Reducción de aproximadamente 200 horas semanales de trabajo manual de los líderes de producción en la red de plantas.

· Unificación de 3 informes históricos (OEE, mermas y cambios de formato) en un único cuadro de mando integral, accesible en tiempo real.

· Disponibilidad de los KPIs operativos al cierre de turno (vs. ciclos manuales de varios días previos al proyecto).

· Visibilidad por primera vez del impacto acumulado de las microparadas (20s–2min), habilitando planes de acción concretos sobre un indicador antes invisible.

· Reducción de errores humanos en el cálculo de KPIs y mayor confianza del negocio en los datos reportados.

· Habilitación de capacidades de IA: agente conversacional para el equipo de OPEX y desarrollo de modelos predictivos.

· Impacto cultural: evolución de una gestión reactiva basada en informes manuales a una gestión proactiva basada en datos vivos.

La arquitectura es agnóstica al sector y aplicable a cualquier entorno de manufactura o acondicionamiento donde se requiera maximizar la eficiencia operativa con los activos existentes:

· Cosmética y cuidado personal: líneas de envasado, etiquetado y empaquetado de alta cadencia con múltiples cambios de formato.

· Industria farmacéutica regulada (GMP): producción de sólidos, inyectables y líquidos con trazabilidad completa.

· Alimentación y bebidas: líneas de envasado, mermas por producto y optimización de cambios de formato.

· Química y manufactura industrial: control de OEE en activos críticos y detección de cuellos de botella.

· Automoción y bienes de consumo: optimización de líneas de ensamblaje y reducción de tiempos muertos.

Casos de aplicación específicos donde la solución entrega valor inmediato:

· Detección y reducción sistemática de microparadas como palanca de OEE.

· Anticipación de paradas no planificadas mediante modelos predictivos.

· Detección en tiempo real de cuellos de botella en la línea con recomendaciones contextuales al operador.

· Integración del MES con la plataforma de datos corporativa para habilitar IA conversacional sobre KPIs de planta.

· Despliegue multi-planta con un modelo de datos común para benchmarking cruzado entre instalaciones.