OEE en la práctica: un caso real de planta

En una línea

Una fábrica de baterías sueca midió el OEE real de su proceso más crítico durante 17 días de producción y el resultado fue 14%, no por fallas mecánicas grandes sino porque la operación diaria — turnos, descansos, control de calidad, carga de material — no estaba organizada para sostener el equipo funcionando.

El caso: una fábrica de baterías en arranque

El caso está documentado en una tesis de maestría de la Universidad de Uppsala (Suecia, 2023), realizada por dos investigadores que trabajaban a tiempo completo en la empresa estudiada. La compañía (no identificada por nombre en el estudio) es una fabricante de baterías de reciente creación, operando desde 2020, todavía en fase de diseño de producto — es decir, las especificaciones del producto que fabrica seguían cambiando mientras se hacía el estudio.

El equipo analizado es la etapa de stacking (apilado): el paso del proceso donde se apilan las capas de electrodo y separador que forman la celda de la batería. Es una de las etapas más delicadas de toda la fabricación de baterías — un error de alineación puede generar contacto entre electrodos positivo y negativo, con riesgo de falla o incendio de la celda — y por su complejidad suele ser el cuello de botella en plantas de baterías nuevas.

El Departamento de Producción venía notando problemas en esa etapa desde hacía tiempo, pero no tenía datos concretos para confirmar si ese equipo era realmente el cuello de botella o no. Recién cuando cruzaron información de Proceso, Manufactura y Calidad, el foco convergió en esa máquina. A partir de ahí se armó el estudio de OEE.

Cómo midieron: nada de sistema digital, todo a mano

La planta no tenía un sistema digital de captura de paradas — todo se registró a mano, con observación directa en el piso de planta y documentación en Excel, durante turnos de 08:00 a 17:00, desde el 14 de julio hasta el 1 de agosto de 2023 (17 días).

Antes de tener una taxonomía de pérdidas que funcionara, los investigadores pasaron por tres versiones de categorías de paradas. La primera, tomada directamente de la literatura, resultó insuficiente apenas empezaron a registrar: aparecían paradas que no encajaban en ninguna categoría, o que eran ambiguas entre dos categorías a la vez. Tuvieron que correr una semana de prueba solo para ajustar la lista de códigos de parada antes de arrancar la medición real. Recién la tercera versión — con categorías como "carga de material", "ajuste de parámetros de proceso", "falla de equipo", "falla de instalación", "parada menor", "control de calidad de producto", "desabastecimiento de material", "reunión de equipo", "descansos" y "mantenimiento preventivo" — fue la que se usó para el cálculo final.

Esto es un dato práctico en sí mismo: en una planta que recién empieza a medir OEE, la taxonomía de pérdidas casi nunca sale bien a la primera. Vale la pena presupuestar una fase piloto corta antes de tomar como válidos los primeros números.

El resultado: 14% de OEE promedio

El promedio de OEE de los 17 días medidos fue 14%. Para dimensionarlo: el estándar de clase mundial que suele citarse para manufactura discreta es 85%, y la propia empresa se había puesto como meta llegar a 65% para fin de ese año.

Pero 14% tampoco se compara solo contra el ideal teórico. Otra tesis de OEE hecha en Suecia — esta vez en la Universidad de Mälardalen, sobre datos reales de múltiples plantas industriales suecas capturados con un sistema de reporte de producción — encontró un OEE promedio de 43,5% entre esas plantas (sin contabilizar el tiempo total programado), con valores por sector entre 43% y 50%.

Es decir: 14% no es solo bajo contra el 85% teórico de manual — es bajo incluso contra el promedio real de plantas suecas ya establecidas, que ronda el 43-50%. Eso confirma que el problema no era "OEE bajo porque toda planta nueva mide bajo": había pérdidas puntuales y corregibles empujando el número hacia abajo.

Un dato adicional de los propios investigadores es revelador: analizando los datos, calcularon que el OEE máximo alcanzable en las condiciones actuales de esa línea (sin cambiar nada estructural, solo optimizando la operación) era de apenas 29%. O sea, ni siquiera eliminando todas las pérdidas evitables identificadas se llegaba al 65% que la empresa se había propuesto — la meta del 65% requería, además, cambios de fondo en el proceso, no solo disciplina operativa.

La variación día a día también fue enorme: el peor día tuvo una pérdida del 83% (es decir, apenas 17% de eficiencia), y el mejor día una pérdida del 31% (69% de eficiencia). Esa dispersión, más que el promedio, es la que suele delatar que el problema es de gestión del turno y no del equipo — una máquina con una falla física crónica pierde de forma más pareja día a día.

Qué pérdida dominaba: no fue el equipo, fue la organización del trabajo alrededor de él

El hallazgo central del caso es este: la disponibilidad, no el rendimiento ni la calidad, era el factor que más castigaba el OEE — y dentro de la disponibilidad, las cuatro causas más grandes no eran fallas del equipo. Un análisis de Pareto sobre las horas perdidas mostró que cuatro causas concentraban cerca del 70% de toda la pérdida de disponibilidad:

1. Descansos del operador — 25% de la pérdida. Durante el período medido, la empresa había dado vacaciones a parte del personal, así que en vez de dos turnos de 8 horas (16 horas/día) había un solo turno de 8 horas, cubierto por un único operador capacitado para esa máquina. Como no había con quién rotar, cada vez que ese operador necesitaba un descanso, la máquina se paraba directamente. En promedio se perdían 60 minutos por día solo por esto.
2. Control de calidad del material de entrada — 18%. El chequeo de calidad del semielaborado que entra al stacking estaba presupuestado en 20-30 minutos, pero en la práctica insumía cerca de 60 minutos diarios — el doble — porque el personal de calidad también cubría otras áreas de la planta y el operador debía esperar a que estuviera disponible.
3. Desabastecimiento de material (starving) — 15%. El equipo se quedaba sin material de entrada porque el proceso anterior en la línea no entregaba a tiempo. Mientras esperaba, la disponibilidad se perdía por completo — la máquina no podía hacer nada.
4. Carga de material — 13%. Tarea manual y muy sensible a la habilidad del operador: el tiempo de carga varió entre 3 minutos (mejor caso) y 2 horas 10 minutos (peor caso), dependiendo de la experiencia de quien cargaba y del estado del material recibido. Ocurrió 42 veces en los 17 días — uno de cada cinco eventos de parada registrados en todo el período.

Ninguna de las cuatro es una falla mecánica del equipo de stacking. Son, en esencia, problemas de dotación de personal, de coordinación entre turnos y áreas, y de planificación de abastecimiento — el tipo de pérdida que no aparece si uno solo mira el equipo y no mira cómo está organizado el trabajo alrededor de él.

Qué recomendaron para cada pérdida

El estudio no se quedó en diagnosticar — para cada una de las cuatro causas dominantes propuso una corrección concreta:

• Para los descansos: un sistema de rotación con al menos dos operadores capacitados presentes al mismo tiempo, de forma que uno pueda cubrir la máquina mientras el otro descansa. Los propios autores aclaran una tensión real: con un solo operador el rendimiento cae por debajo del 50% respecto de tener dos, así que ganar disponibilidad ahí probablemente cueste algo de rendimiento — es un trade-off a gestionar, no una solución gratis.
• Para el control de calidad: designar un único punto de contacto que avise a Calidad cuando el material está listo, estandarizar la lista de chequeos (para que no varíe de persona a persona) y, sobre todo, adelantar el control al día anterior siempre que sea posible, para que deje de ser un paso que bloquea la línea y pase a hacerse en paralelo.
• Para el desabastecimiento: generar un búfer de material preparado con un día de anticipación, en vez de depender de que el proceso anterior entregue justo a tiempo.
• Para la carga de material: un plan maestro de carga con un técnico designado por turno específicamente para esa tarea, de forma que la variabilidad se pueda atribuir a competencia del operador o a complejidad del material — y no quede mezclada como hoy.

Como observación adicional, el estudio notó que hubo tres cambios de especificación de producto en los 17 días medidos, y que cada cambio desestabilizaba el comportamiento de la máquina. Como el equipo tiene cuatro estaciones de trabajo, propusieron asignar estaciones fijas por cliente o producto, para que el operador desarrolle experiencia repetida con cada configuración en lugar de reaprender el comportamiento del equipo cada vez que cambia el producto.

Cómo aplicar esto a tu planta

Este caso no dice "mide OEE y vas a encontrar que el problema son los descansos" — el problema va a ser distinto en cada planta. Lo que sí es transferible es el método:

• Antes de invertir en resolver fallas grandes del equipo, mirá el desglose de Pareto de tus propias pérdidas de disponibilidad. Puede que la pérdida más grande no esté en la máquina sino en cómo está organizado el turno alrededor de ella.
• Si tu OEE medido está muy por debajo incluso de promedios reales de industria (no solo del ideal de 85%), buscá causas puntuales y corregibles antes de asumir que "así es la realidad de una planta nueva".
• Calculá también el OEE máximo alcanzable con la operación actual, sin cambios estructurales — como hizo este estudio con su 29% — para saber si tu meta es alcanzable con disciplina operativa o si necesita una inversión de fondo en el proceso.
• Si es la primera vez que tu planta mide OEE, dale a la taxonomía de pérdidas una semana de prueba antes de tomar los primeros números como definitivos — acá les tomó tres versiones llegar a categorías que realmente separaban bien las causas.

Beneficios de medir así (con datos propios, no de manual)

• Permite distinguir pérdidas de organización del turno (dotación, coordinación entre áreas) de pérdidas técnicas del equipo — son problemas que se resuelven con herramientas completamente distintas.
• El cálculo del "OEE máximo alcanzable" da una meta realista de corto plazo, separada de la meta aspiracional de largo plazo — evita que un equipo se desmoralice persiguiendo un número que no es alcanzable todavía con la operación actual.
• La dispersión día a día (17% en el peor día, 69% en el mejor) es, en sí misma, información: un rango tan amplio apunta a causas de gestión operativa, no a una falla física del equipo.

Limitaciones a tener en cuenta

• Es el estudio de un solo equipo, en una sola planta, durante 17 días — no es una muestra representativa de toda la industria de baterías, y los propios autores lo tratan como un caso exploratorio.
• El período de medición coincidió con una situación anómala (vacaciones, un solo turno, un solo operador capacitado), lo que probablemente exageró el peso relativo de la pérdida por descansos frente a un mes de operación normal con dos turnos.
• La taxonomía de pérdidas fue construida a medida para esta planta — no es directamente comparable, causa por causa, con la de otra fábrica que use categorías distintas.

En resumen

En esta planta de baterías, el OEE medido (14%) resultó muy por debajo no solo del ideal de clase mundial (85%) sino también del promedio real de otras plantas suecas (43-50%). La causa dominante no fue una falla de equipo sino la falta de un segundo operador para cubrir descansos, sumada a demoras de coordinación con Calidad y con el proceso anterior de la línea — el tipo de pérdida que solo aparece cuando se mide con disciplina en el piso de planta, y no se ve mirando únicamente la ficha técnica del equipo.