RealInnovation.tech
Gestor de Mantenimiento Predictivo - Ahorros millonarios y disponibilidad del 100%: caso Prebel
El síndrome del "por si acaso": Cuando cuidar la operación sale demasiado caro
Imagina por un segundo el corazón operativo de Prebel, una de las empresas de manufactura de productos de higuiene y belleza más grandes y queridas de Latinoamérica. En una planta industrial de esa magnitud, hay una regla de oro que todo equipo de ingeniería tiene tatuada: las líneas de producción no pueden parar.
Con el afán legítimo de asegurar una operatividad continua y estar listos para cualquier emergencia, la planta fue adquiriendo a lo largo de los años una cantidad gigantesca de insumos y repuestos para sus mantenimientos preventivos y correctivos. Compraban con la mentalidad del "mejor tenerlo y no necesitarlo, que necesitarlo y parar la línea".
¿El problema? La tecnología avanza y las plantas evolucionan. Con el paso del tiempo, Prebel modernizó sus líneas de producción y cambió maquinaria, pero no tenía una visibilidad clara ni un control analítico que conectara su capacidad instalada actual con el consumo real en bodega.
El resultado fue una tormenta silenciosa en el almacén:
- Sobreinventario masivo: Compras a ciegas sin entender el ritmo real de consumo.
- Un cementerio de repuestos: Cientos y miles de SKUs quedaron completamente obsoletos porque las máquinas para las que fueron comprados ya ni siquiera existían en la planta.
- Dinero congelado: Inventario muerto, depreciación económica de piezas guardadas por años y costos altísimos de bodegaje.
El cambio de paradigma: Por qué el "promedio simple" nos engaña
Cuando en Real Innovation Tech nos sentamos a analizar este reto, encontramos al culpable silencioso que suele sabotear a las grandes industrias: calcular el inventario con un promedio plano.
Dividir lo que se consumió en los últimos 24 meses entre 24 parece lógico en Excel, pero en una planta real genera tres distorsiones graves:
- La mentira de la avería grave: Si una máquina sufre un daño fortuito hoy y consume 20 repuestos de golpe, el promedio simple se "asusta" e infla las compras durante los próximos dos años, asumiendo que ese desastre ocurrirá todos los meses.
- Ceguera ante el presente: Para un promedio plano, un repuesto usado hace dos años vale exactamente lo mismo que uno usado ayer, ignorando si la planta cambió de turno o de tecnología.
- El espejismo del "0.1 unidades al mes": Si un repuesto crítico se cambia una sola vez al año pero requiere 10 piezas de golpe, el promedio plano dice que necesitas "0.8 piezas al mes". Cuando llega el día del mantenimiento, no tienes el lote completo.
Para resolver esto de raíz, propusimos pasar de la intuición a la analítica descriptiva y predictiva construyendo una aplicación a la medida impulsada por un motor cuantitativo multimodelo.
Una torre de control con alertas inteligentes
Lo primero fue devolverle la vista al equipo. Desarrollamos una plataforma a la medida conectada directamente a su operación, dándoles una radiografía exacta del consumo mensual, semanal y diario de cada uno de los 13.537 SKUs de la bodega de mantenimiento, proyectando su fecha exacta de agotamiento.
Con esta visibilidad, transformamos el caos en un sistema de alertas accionables dividido en tres categorías muy fáciles de gestionar:
- 🚨 SKUs Desabastecidos (En riesgo): Repuestos vitales cuya proyección de consumo indica que tocarán su umbral crítico en una fecha cercana determinada, permitiendo comprar justo a tiempo.
- 📦 Elementos en Sobrestock: Repuestos que sí tienen una rotación natural en la planta actual, pero cuya cantidad almacenada supera los 3 años de consumo proyectado. ¡Capital que se puede liberar de inmediato!
- 👻 Elementos Huérfanos: Esos "fantasmas" de la bodega que llevan más de 3 años con cero movimiento porque pertenecen a maquinaria que ya evolucionó o salió de línea.
Bajo el capó: ¿Cómo logramos que la predicción no falle?
Para que el equipo de planta y compras confíe plenamente en una fecha de desabastecimiento, la arquitectura debe ser rápida, limpia y muy inteligente. Diseñamos una solución 100% automatizada que no requiere carga manual de datos:
1. Conexión directa entre SAP y nuestro Data Warehouse
Construimos un proceso ETL automatizado que sincroniza la base de datos industrial en SAP con un Data Warehouse propio, estructurado bajo un modelo en Estrella. Esta arquitectura nos permite procesar años de historia en segundos y alimentar tanto los tableros descriptivos como los modelos predictivos con respuesta instantánea.
Además, el sistema entiende el contexto de la planta: distingue automáticamente cuándo un repuesto salió por un mantenimiento preventivo programado y cuándo fue por una emergencia o daño correctivo, evitando que un accidente puntual infle las compras futuras.
2. Un motor multimodelo que entiende cada repuesto
En una fábrica no todos los insumos se comportan igual: un empaque o un filtro se cambia todas las semanas, mientras que el repuesto de un equipo especializado se pide una vez cada tanto.
En lugar de usar una única fórmula rígida para toda la bodega, implementamos un motor multimodelo basado en dos métricas clave de la industria: el ADI (Frecuencia de Intervalo de Demanda, que mide cada cuánto tiempo se pide un insumo) y el CV² (Variabilidad del Consumo, que mide qué tanto fluctúan las cantidades solicitadas).
Combinando estos dos indicadores bajo nuestros propios umbrales calibrados, el motor segmenta automáticamente todo el catálogo en 4 personalidades de consumo y asigna un algoritmo predictivo especializado para cada caso:
- 🟢 Consumo Regular: Repuestos que rotan de forma continua y estable mes a mes. El motor prioriza la historia reciente para adaptarse rápido al ritmo actual de las líneas.
- 🔵 Consumo Intermitente: Piezas que pasan varios meses sin moverse, pero cuando se necesitan, siempre se pide una cantidad similar. El modelo separa el tiempo de espera del volumen requerido para predecir el próximo pedido sin sesgos.
- 🟡 Consumo Errático: Insumos de uso frecuente pero con variaciones bruscas en las cantidades. Aquí aplicamos algoritmos que suavizan los picos atípicos para proteger el presupuesto.
- 🔴 Consumo en Ráfagas: El escenario más desafiante: repuestos que se piden muy de vez en cuando y en cantidades difíciles de prever. Utilizamos modelos probabilísticos que aseguran el stock de contingencia sin sobrellenar la bodega en tiempos de calma.
El impacto real en el negocio
Cuando combinas ingeniería de datos limpia con modelos estadísticos que entienden la realidad física de una fábrica, los números hablan por sí solos. Con la puesta en marcha del Gestor de Mantenimiento Predictivo, Prebel logró:
- 💰 Optimización de más de $1.000 millones de pesos COP en inventario de repuestos (SKUs), deteniendo compras innecesarias y gestionando estratégicamente el sobrestock y los ítems huérfanos.
- ⚙️ Salto del 85% al 100% en disponibilidad de insumos, asegurando que ningún mantenimiento preventivo o correctivo se detenga por falta de una pieza crítica.
- ⚡ 100% de automatización (0 horas-hombre manuales): Los ingenieros dejaron de pelear con hojas de cálculo para dedicarse a tomar decisiones estratégicas con datos en tiempo real.
El futuro de la industria está en sus propios datos
El caso de Prebel nos deja una lección fascinante: la verdadera transformación industrial no siempre requiere cambiar todas las máquinas de tu fábrica; muchas veces consiste en escuchar lo que tus datos ya te están gritando en tu ERP.
La analítica descriptiva nos enciende la luz en el cuarto oscuro para entender qué tenemos hoy, qué se quedó obsoleto tras la evolución tecnológica y dónde se está fugando el capital. Y la analítica predictiva nos da el radar para anticiparnos al futuro, garantizando que la planta nunca se detenga sin tener que hipotecar el flujo de caja en una bodega gigante.
¿Sientes que tu operación industrial o tu cadena de abastecimiento guarda tesoros ocultos (o costos silenciosos) en sus bases de datos? En Real Innovation Tech nos apasiona convertir datos complejos en ahorros reales y eficiencia operativa. Agenda una reunión con nosotros y descubramos juntos cuánto puede optimizar tu planta este año.