Dashboard OEE en Power BI para manufacturing

El OEE es probablemente el KPI más usado y más mal calculado en la industria. Muchas empresas tienen un número de OEE, pero cuando profundizas en el cálculo aparecen inconsistencias: paradas planificadas incluidas donde no deberían, tiempos de ciclo teóricos mal definidos o calidad calculada sobre el total producido en lugar de sobre el producido en el primer paso. Esta guía explica cómo implementarlo correctamente en Power BI.

¿Cómo calcular el OEE correctamente?

Fuentes de datos para el dashboard de OEE en Power BI

Las fuentes de datos del OEE dependen del nivel de digitalización de la planta. En plantas con MES (Manufacturing Execution System) como SAP ME, Opcenter o FactoryTalk, los datos están estructurados y el conector de Power BI puede leerlos directamente. En plantas con SCADA o PLCs, los datos suelen estar en bases de datos industriales (Historian, OSIsoft PI) que tienen conectores para Power BI. En plantas menos digitalizadas, los datos de paradas y producción se recogen en hojas de papel o Excel — aquí el primer paso es digitalizar la recogida antes de construir el dashboard.

Qué visualizaciones son más útiles en el dashboard de OEE

• OEE actual por línea y turno: comparativa rápida para identificar dónde está el mayor gap.
• Tendencia histórica del OEE: para ver si está mejorando o empeorando y correlacionarlo con acciones de mejora.
• Pareto de causas de parada: el 20% de las causas suele explicar el 80% del tiempo perdido. Este chart es el más accionable.
• Waterfall de pérdidas: desglose de cómo se pasa del tiempo total disponible al OEE final, mostrando la contribución de disponibilidad, rendimiento y calidad.
• OEE por línea vs benchmark: comparativa con la línea mejor del mes o con el objetivo de planta.

Errores frecuentes al implementar el dashboard de OEE

• No involucrar al jefe de planta en la definición de las categorías de parada. Si no reflejan la realidad operativa, los datos de disponibilidad serán poco fiables.
• Mostrar un único número de OEE global sin desglose. Un OEE del 65% puede significar cosas muy distintas según si el problema está en disponibilidad, rendimiento o calidad.
• No definir qué se considera tiempo planificado antes de empezar. ¿Los cambios de formato cuentan como pérdida de disponibilidad o como tiempo no planificado?
• Calcular el OEE con los mismos criterios para líneas con tecnología muy distinta. Una línea de envasado y una de mecanizado tienen ritmos y causas de pérdida diferentes.

Cómo pasar del dashboard de OEE a acciones de mejora

El dashboard solo genera valor si el equipo actúa sobre los datos. El formato que mejor funciona es la reunión diaria de producción (15-20 minutos) donde se revisan los datos del turno anterior: qué líneas tuvieron peor OEE, cuál fue la causa principal y qué acción correctiva se toma. A medio plazo, el histórico permite identificar patrones: líneas que degradan rendimiento progresivamente (necesidad de mantenimiento), turnos con OEE inferior (oportunidad de formación) o productos que causan más paradas (revisión de proceso).

Datos necesarios para calcular OEE de forma automática

El cálculo de OEE requiere tres flujos de datos: disponibilidad (tiempo productivo vs tiempo planificado), rendimiento (velocidad real vs velocidad teórica) y calidad (piezas buenas vs piezas totales). Si estos datos se capturan manualmente en partes diarios, el dashboard mostrara cifras con un día de retraso y con los sesgos propios del registro manual.

Para un dashboard OEE en tiempo real, necesitas conectar directamente con el sistema SCADA, MES o los sensores de las máquinas. En plantas que no tienen MES, una alternativa práctica es conectar los PLCs a un gateway IoT que envie los datos a una base de datos intermedia. Desde ahi, Power BI puede consumir los datos con actualización cada pocos minutos.

• Disponibilidad: tiempos de parada planificada (mantenimiento, cambio de lote) vs paradas no planificadas (averias, falta de material).
• Rendimiento: ciclos reales por hora vs ciclos teóricos según ficha técnica de la máquina.
• Calidad: piezas conformes vs piezas rechazadas o retrabajadas, con motivo de rechazo.
• Contexto: turno, línea, producto fabricado, operador. Sin estos campos el análisis es superficial.

Errores comunes al implementar un dashboard OEE

El error más frecuente es medir OEE global de planta sin desglosar por línea y por turno. Un OEE del 65% puede esconder que una línea esta al 80% y otra al 50%. Sin ese desglose, las acciones de mejora no se dirigen donde realmente hay problema.

Otro error es comparar OEE entre plantas o líneas con productos diferentes. Una línea que fabrica un producto complejo con muchos cambios de lote tendra un OEE estructuralmente menor que una línea que produce en serie. La comparación valida es contra el OEE histórico de la misma línea con el mismo tipo de producto.

Si quieres profundizar en como implementar Power BI en tu empresa, consulta nuestra página de consultoria Power BI explicamos el proceso completo.

Para más contexto, puedes consultar la informe de McKinsey sobre empresas data-driven.

Preguntas frecuentes sobre dashboards de OEE

¿Qué OEE es normal para una planta industrial española?

La media real en plantas industriales en España está entre el 55–65% de OEE. Un OEE superior al 75% es un buen resultado para la mayoría de sectores. El 85% se considera 'clase mundial'. Contexto importante: el OEE 'verdadero' calculado correctamente siempre es menor que el OEE calculado con metodología laxa.

¿Cuánto tarda en implementarse un dashboard de OEE en Power BI?

Con datos accesibles y bien estructurados (MES con API o base de datos SQL), un dashboard de OEE inicial puede estar operativo en 2–3 semanas. Si hay que digitalizar la recogida de datos de paradas o conectar sistemas legacy, el plazo se extiende a 4–8 semanas.