El reporte diario de planta sigue siendo, en muchas manufacturas medianas de México, un archivo de Excel que alguien llena a mano al final de cada turno. El supervisor captura producción, scrap y paros. El jefe de planta lo consolida. El gerente lo recibe al día siguiente —o el lunes si fue fin de semana— y toma decisiones sobre datos que ya tienen 18 horas de antigüedad.
El problema no es el Excel en sí. El problema es que esa captura manual introduce errores, depende de una persona, y llega tarde. Cuando el dato importa, ya pasó el momento de actuar.
Por qué el Excel diario se rompe a cierta escala
Un archivo de Excel funciona bien para una línea, un turno, un supervisor. En cuanto hay 3 líneas, 2 turnos y 4 personas capturando, aparecen los problemas clásicos: columnas que se mueven, fórmulas que se rompen, versiones con nombres como reporte_planta_FINAL_v3_BUENO.xlsx.
El costo real no es el tiempo de captura —son las decisiones que se toman tarde. Un paro no planeado que dura 4 horas porque nadie lo vio a tiempo tiene un costo de oportunidad medible. Una línea que lleva 3 días con scrap elevado y nadie lo detectó hasta el reporte semanal es producción desperdiciada que ya salió.
Lo que vemos con frecuencia en Eurema al entrar a proyectos de manufactura es que el dato existe —el ERP lo tiene, el PLC lo registra, el operador lo anota— pero no llega a quien decide en el momento en que todavía puede hacer algo al respecto.
Qué significa “automático” en la práctica
Automatizar un reporte no significa que una IA adivine qué pasó en planta. Significa que el dato fluye desde su origen (ERP, hoja de cálculo compartida, sensor, sistema MES) hasta un dashboard sin intervención manual en cada ciclo.
El pipeline típico tiene tres pasos:
- Extracción: conectar la fuente de datos (SQL Server, archivo CSV exportado por el ERP, Google Sheets compartido entre turnos).
- Transformación: limpiar, estandarizar y calcular los indicadores que importan (OEE, scrap %, cumplimiento de programa).
- Visualización: mostrar esos indicadores en un dashboard que se actualiza solo, idealmente cada hora o cada turno.
El resultado no es un reporte más bonito. Es que el supervisor del turno nocturno ve los mismos datos que el gerente de planta ve en su teléfono a las 7 AM, sin que nadie los haya enviado por WhatsApp.
El estado de los datos: el paso que nadie menciona en los demos
Aquí es donde la mayoría de los proyectos se traban. Las herramientas de visualización —Power BI, Metabase, Looker Studio— son relativamente fáciles de configurar una vez que los datos están limpios y estructurados. El problema es que casi nunca lo están.
En el criterio que usamos en Eurema para evaluar si un proyecto de este tipo puede arrancar rápido o va a necesitar una fase previa de limpieza, la pregunta clave es: ¿existe una tabla o archivo con una fila por evento de producción, con fecha, línea y cantidad, consistente en los últimos 6 meses? Si la respuesta es sí, el proyecto avanza. Si no, hay trabajo de estandarización antes de automatizar.
Algunos escenarios comunes y su implicación:
| Situación de los datos | Tiempo estimado antes de dashboard |
|---|---|
| ERP con módulo de producción activo y bien configurado | 4–6 semanas |
| Excel compartido con convención de nombres consistente | 6–8 semanas |
| Excel por persona, sin convención, con datos mezclados | 10–14 semanas |
| Datos en papel o sistema legado sin exportación | Requiere evaluación específica |
Esto no significa que el proyecto sea inviable en los casos más complejos. Significa que el primer entregable no es el dashboard —es la arquitectura de datos que lo hace posible.
Qué métricas poner (y cuáles dejar fuera)
Un dashboard de planta útil no es el que tiene más indicadores. Es el que el supervisor mira cada hora porque le dice algo accionable.
Los 5 indicadores que más valor generan en planta mediana:
- OEE por línea (disponibilidad × rendimiento × calidad): el número que resume todo.
- Scrap del turno actual vs. meta: si está arriba, hay que actuar hoy, no en el reporte semanal.
- Paros no planeados acumulados en el turno: duración y frecuencia.
- Cumplimiento de programa: unidades producidas vs. unidades comprometidas a la hora de corte.
- Tendencia de los últimos 7 días por línea: para ver si un problema es puntual o sistemático.
Todo lo demás —inventario de materia prima, rotación de personal, indicadores de calidad secundarios— puede existir en vistas adicionales, pero no debe contaminar la pantalla principal. El gerente de planta que ve 20 números en una pantalla acaba leyendo cero.
Cómo empezar sin esperar al proyecto grande
No hace falta implementar un ERP nuevo ni contratar una plataforma de MES para tener un primer dashboard funcional. El camino más corto que hemos visto funcionar en manufactura mediana es este:
- Elegir una sola línea y tres indicadores como piloto.
- Estandarizar la captura de esa línea durante 4 semanas (puede seguir siendo Excel, pero con estructura fija).
- Conectar ese Excel a Power BI o Metabase con un refresh automático cada turno.
- Mostrar el resultado al equipo, iterar, y luego escalar a las demás líneas.
Este enfoque tiene una ventaja que los proyectos “big bang” no tienen: el equipo de planta ve resultados concretos antes de que el proyecto se vuelva abstracto, y el área de IT no tiene que comprometer recursos durante meses sin un entregable visible.
Si el siguiente paso es estructurar esos datos o conectar fuentes más complejas, el servicio de Análisis de datos de Eurema está diseñado exactamente para ese punto de partida: datos que existen pero no fluyen.
El reporte automático no elimina al supervisor ni al jefe de planta. Les devuelve tiempo para hacer lo que solo ellos pueden hacer: interpretar el dato, hablar con el operador, decidir si el paro de hoy es síntoma de algo más grande. El Excel lo puede llenar alguien más.