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.

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 (en evolución): 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 10 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 en piloto 

 productivo con el equipo de OPEX y roadmap de modelos predictivos en 

 desarrollo.

· 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.