Hay una reunión que se repite en casi todas las plantas: alguien presenta los resultados del modelo predictivo, todos asienten, y al salir cada uno vuelve a tomar decisiones exactamente igual que antes.
Conversamos con Oscar Hoyos, CEO de Uptime Analytics, sobre los errores más comunes —y más silenciosos— que impiden que los proyectos de analítica industrial generen valor real.
En esta edición:
Por qué el problema no está en la tecnología, sino en el dato
Cuando el modelo predice bien pero la operación no actúa
Por qué la adopción falla antes del lanzamiento
Oscar Hoyos
Co-fundador de Uptime Analytics y Living Reliability
Ingeniero mecánico con doble titulación entre la ENIM (Francia) y la Universidad EAFIT (Colombia), Master en Ciencias y Tecnología, y certificado Six Sigma Green Belt. Co-autor de la metodología LRCM, acumula más de ocho años de experiencia en mejora continua y gestión de activos en compañías como Komatsu, Cerrejón y ArcelorMittal.
"El error no es tener datos imperfectos. El error es no aceptar desde el inicio que el trabajo pesado no es el modelo, sino el dato", dice Hoyos.
La escena es conocida: hay datos históricos, se arranca con el modelo y semanas después aparece la realidad. Sensores con huecos, variables mal etiquetadas, cambios de instrumentación sin registro, sin histórico de fallas. La analítica predictiva empieza mucho antes del algoritmo: empieza en entender cómo se genera el dato, cuándo miente y por qué.
Si nadie habla de calidad de datos en la primera reunión, ya hay un problema.
"Si la analítica no se conecta con una palanca que alguien pueda mover, el modelo termina siendo interesante… pero irrelevante", advierte Hoyos.
Un modelo puede detectar sobreconsumo energético o anticipar una falla en equipos rotativos, pero si la recomendación no indica qué acción tomar —ajustar un setpoint, cambiar modo de operación, programar una intervención— el operador no actúa. Dashboards llenos de KPIs y alertas que no responden la pregunta concreta del turno se convierten en ruido.
La predicción solo genera valor cuando habilita una decisión real dentro del proceso.
"La resistencia al cambio es consecuencia de una mala planificación y ejecución del proyecto", afirma Hoyos sin rodeos.
La adopción falla porque no fue diseñada desde el inicio. Si el modelo no encaja en el flujo real de trabajo ni habla el lenguaje del operador, simplemente no se usa. Y muchos proyectos que nacen como pilotos rápidos mueren como pilotos: dependientes de personas específicas, sin capacidad de replicarse a otros activos.
La analítica que genera impacto sostenido se construye como un producto, no como un experimento.
Nota del entrevistador: Lo que me llevo de la conversación con Oscar es algo que el sector rara vez dice en voz alta: los proyectos de analítica no fracasan por la tecnología, fracasan por falta de método. Su lógica de empezar por el proceso y no por el algoritmo me recuerda a cómo los proyectos industriales serios funcionan de verdad —los que finalmente llegan a producción y se quedan.
Para resumir: El impacto real de la analítica predictiva no llega por tener el modelo más avanzado, sino por tratarla como un proceso completo: datos de calidad, recomendaciones accionables y una adopción diseñada desde el primer día. La predicción solo genera valor cuando acompaña al operador con una acción concreta, alineada con las decisiones que la planta realmente puede tomar.
Como dice Oscar Hoyos: "Hablar de errores no es debilidad. En analítica industrial, es señal de madurez."
Te invitamos a visitar nuestra web para leer más artículos como este » Elreliabilitypost
