Análisis de Tiempo de Inactividad en una Línea de Producción

Introducción

En la industria manufacturera, uno de los indicadores más importantes para evaluar la eficiencia de una línea de producción no es solo cuánto se produce, sino también cuánto tiempo se pierde sin producir y por qué. Este tiempo de inactividad (downtime) puede originarse por distintas causas: fallas mecánicas, falta de materia prima, mantenimiento programado o cambios de turno. Identificar cuál de estas causas genera más pérdida de tiempo permite priorizar acciones de mejora. Este documento presenta un análisis descriptivo simple de datos simulados de inactividad registrados durante una semana de producción.

Generación de Datos Simulados

Para este ejercicio, simulamos el registro diario de horas de inactividad y su causa principal durante una semana.

# Días de la semana
dias <- c("Lunes", "Martes", "Miércoles", "Jueves", "Viernes", "Sábado")

# Horas de inactividad simuladas por día
horas_inactividad <- c(2.5, 1.0, 4.0, 0.5, 3.0, 1.5)

# Causa principal de la parada en cada día
causa <- c("Falla mecánica", "Cambio de turno", "Falta de materia prima",
           "Cambio de turno", "Falla mecánica", "Mantenimiento programado")

# Creación de un Data Frame
inactividad_df <- data.frame(Dia = dias, Horas = horas_inactividad, Causa = causa)
print(inactividad_df)

##         Dia Horas                    Causa
## 1     Lunes   2.5           Falla mecánica
## 2    Martes   1.0          Cambio de turno
## 3 Miércoles   4.0   Falta de materia prima
## 4    Jueves   0.5          Cambio de turno
## 5   Viernes   3.0           Falla mecánica
## 6    Sábado   1.5 Mantenimiento programado

Análisis Exploratorio y Resumen

Calculamos el total de horas perdidas en la semana, el promedio diario, y agrupamos las horas de inactividad según su causa.

# Total de horas de inactividad en la semana
total_horas <- sum(inactividad_df$Horas)
cat("Total de horas de inactividad en la semana: ", total_horas, "\n")

## Total de horas de inactividad en la semana:  12.5

# Promedio diario de inactividad
promedio_diario <- mean(inactividad_df$Horas)
cat("Promedio diario de inactividad: ", round(promedio_diario, 2), "\n")

## Promedio diario de inactividad:  2.08

# Total de horas agrupadas por causa
horas_por_causa <- aggregate(Horas ~ Causa, data = inactividad_df, sum)
print(horas_por_causa)

##                      Causa Horas
## 1          Cambio de turno   1.5
## 2           Falla mecánica   5.5
## 3   Falta de materia prima   4.0
## 4 Mantenimiento programado   1.5

Visualización de las Causas de Inactividad

Para identificar cuál causa genera mayor pérdida de tiempo, generamos un gráfico de barras con el total de horas por causa.

barplot(horas_por_causa$Horas,
        names.arg = horas_por_causa$Causa,
        col = "tomato",
        main = "Horas de Inactividad por Causa",
        xlab = "Causa",
        ylab = "Horas Totales",
        las = 2,
        cex.names = 0.8)

Comentario Final sobre el Resultado Obtenido

A partir del análisis estadístico y la visualización de los datos simulados, se observa que la falla mecánica es la causa que acumula mayor cantidad de horas de inactividad durante la semana, seguida por la falta de materia prima. Esto sugiere que, si se quisiera mejorar la eficiencia de la línea de producción, la primera acción a priorizar sería un plan de mantenimiento preventivo que reduzca la frecuencia de fallas mecánicas, en lugar de enfocar los esfuerzos únicamente en los cambios de turno o el mantenimiento programado, que generan menor impacto. Cabe destacar que este es un análisis descriptivo básico con datos simulados; un estudio real requeriría un registro más extenso en el tiempo para confirmar si este patrón de causas se mantiene de forma consistente.