Académique Documents
Professionnel Documents
Culture Documents
propios, no contamos con recurso humano suficiente para instalarla o mantenerla y mas
problemas.
Toboganes, ping-pong y sin horarios, la empresa del vecino
Por regla general la empresa del vecino es, en muchos aspectos, mucho mejor que la propia.
Los beneficios son mejores, las prestaciones, y un largo etctera la convierten en un sitio
que an nos hace suspirar cada vez que nos viene a la cabeza. Si bien los aspectos visibles
impactan mucho, el principal generador econmico no radica ah, sino que est presente,
adems del bendito recurso humano, en las herramientas que convierten un trozo de materia
prima en producto terminado. Pero como bien reza el ttulo de este artculo, nos
encontramos en una era algo diferente, en la de los datos.
A la materia prima tradicional, se ha unido en estos das una nueva, ms delicada, invisible,
poderosa, indomable y muchas veces olvidada; los datos. A estos se han referido muchos
como el nuevo petrleo de estos tiempos, pero se ha olvidado aadir que para extraerlo
hace falta una infraestructura considerable, costosa y que necesita ser cuidada y
mantenida.
Para desgracia del vecino, ninguna de las mesas de ping-pong de su sala de relax le servirn
para solucionar los problemas que tiene con el software heredado de su mentor, tampoco las
herramientas habituales del ordenador le resolvern el quebradero de cabeza de datos
numricos, ni siquiera las horas extras le sern de ayuda.
El gran problema de nuestros das radica, aqu viene la frase que debera resumir este
artculo, en que las empresas han descuidado las herramientas que convierten los datos o
como bien los describimos lneas arriba un tipo ms de materia prima, en producto
terminado.
Las herramientas informticas o software al que aqu hacemos referencia es aqul que
cumple al menos uno de los siguientes aspectos:
Reduce errores
Como resultado de esta visin cortoplacista los problemas se asemejan a la tpica bola de
nieve que crece a medida que pasa el tiempo y que aumenta su velocidad. El resultado no es
otro que un dficit que impacta reduciendo la productividad, del encargado de la labor en
primera instancia y finalmente de la empresa.
El mantenimiento predictivo y su bola de nieve privada
A nivel industrial, la inversin anual promedio en equipamiento se sita por debajo de un
tmido 7% (sin tomar en cuenta reemplazos). Desafortunadamente los datos pblicos no son
claros y la inversin en herramientas informticas muy pocas veces se ve reflejado dentro
de este valor, si ya la industria muestra estos datos, el mantenimiento predictivo tiene su
propia pesadilla. Los sistemas de gestin de mantenimiento predictivo muchas veces han
sido introducidos en el negocio para respaldar el aspecto econmico-financiero pero no
para gestionar ni tomar decisiones en base a los datos que se generan en torno a las
mquinas.
Los entornos de mantenimiento predictivo se apoyaron en herramientas bsicas como Excel
o similares, cuando en realidad lo que necesitaban era algo muchos ms gil, potente y
enfocado a maximizar el beneficio del mantenimiento predictivo. S, el mantenimiento
predictivo es un centro de coste capaz de generar beneficio.
Si este problema fuese la nica parte de la ecuacin su solucin sera probablemente
sencilla. Sin embargo nos encontramos inmersos en la era de los datos, aunque es difcil
unificar criterios sobre este tema, lo nico que hasta ahora tenemos en claro con ste es que
son muchos y su volumen crece cada da. Probablemente el comentario ms claro sobre
este aspecto fue hecho por el CEO de una gran multinacional, quien parafraseando dijo,
vete a la cama como una empresa industrial y despertars siendo una de anlisis de
datos.
La tendencia actual ha empujado a muchas industrias a intentar sacar beneficio de sus datos
y aunque muchas crean que estn sentadas sobre una mina de oro, lo ms probable es que lo
estn sobre un cementerio de huesos.
El mantenimiento predictivo industrial lleva aos, si no dcadas, de retraso tecnolgico y
en muchos casos no est preparado para dar el salto a ese universo fabuloso de los datos
masivos, su anlisis y ventajas.
Los problemas del da a da, dar respuesta a operaciones, pocas de abundancia, stock
bajos, crisis y muchas otras razones han desplazado contra las cuerdas a una parte
importante del mantenimiento predictivo. Cada caso, cada industria tiene su particular
dilema y no existe, de momento, una herramienta que d solucin a todos ni un algoritmo
que minimice el efecto negativo del atraso ni una pldora mgica que nos haga olvidar las
consecuencias de este descuido.
Clasificacin, transicin y algunas conclusiones
No hace falta una auditora de meses para dar con la situacin del departamento de
mantenimiento predictivo de una empresa, no es una tarea sencilla pero se encuentran
ciertos patrones que muestran la realidad de la situacin, siempre desde el punto de vista de
datos, una realidad que en muchos casos duele y que muchos de antemano prefieren no
conocerla.
Es as que existen cuatro tipos de departamentos de mantenimiento predictivo.
El cuarto grupo es el objetivo deseado por todos, pero alcanzado solo por unos
cuantos. Ideas claras, orden previo, inversin, objetivos y pasos consecuentes son
los antecesores de este grupo.