El OEE (Overall Equipment Effectiveness) es el indicador más crítico en manufactura y la estrategia de mantenimiento que elijas puede mejorarlo o hundirlo.
Según investigaciones recientes de McKinsey & Company (2021), las empresas con OEE superior al 85% comparten un patrón: no eligen mantenimiento preventivo o predictivo de forma excluyente, sino que los combinan de forma estratégica según el activo, su criticidad y los datos disponibles. Los estudios de Deloitte (2024) confirman que las organizaciones que implementan estrategias híbridas de mantenimiento pueden reducir costes de mantenimiento hasta un 30% y aumentar el tiempo de actividad entre 10-20%.
Entendiendo las diferencias reales (más allá de la teoría)
Mantenimiento Preventivo: Intervenciones programadas basadas en tiempo o ciclos de operación, independientemente del estado real del equipo.
Mantenimiento Predictivo: Intervenciones basadas en el estado real del equipo, detectado mediante sensores y análisis de datos.
La diferencia fundamental no es tecnológica, sino económica: el preventivo te cuesta incluso cuando el equipo está bien, el predictivo solo actúa cuando es necesario.
¿Cuándo el preventivo sigue siendo la mejor opción?
1. Equipos de bajo coste con alta criticidad operativa
Ejemplo: Rodamientos en transportadores. Coste de reemplazo: €200. Coste de paro de línea: €5.000/hora.
Aquí, reemplazar cada 6 meses (preventivo) es más rentable que monitorizar continuamente. El coste de sensorización y análisis supera el ahorro potencial.
2. Componentes con vida útil predecible
Filtros, correas, juntas… tienen patrones de desgaste muy consistentes. Si históricamente fallan a las 2.000 horas, reemplazarlos a las 1.800 es eficiente y simple.
3. Requisitos regulatorios estrictos
En industria alimentaria o farmacéutica, muchas calibraciones y verificaciones deben hacerse por calendario, independientemente del estado. El regulador no acepta «el sensor dice que está bien».
ROI típico del preventivo bien ejecutado: Según datos de McKinsey (2021), el mantenimiento preventivo optimizado puede lograr una reducción de paros no planificados del 40-60% y un incremento de OEE de 3-7 puntos porcentuales. Estudios del World Economic Forum confirman que el mantenimiento preventivo reduce el tiempo de inactividad hasta en un 50% cuando se ejecuta con disciplina y basado en datos históricos fiables.
Cuándo el predictivo transforma el OEE
El mantenimiento predictivo brilla en escenarios específicos:
1. Equipos críticos de alto coste
Ejemplo real: Compresor de tornillo en planta química.
- Coste del equipo: €180.000
- Coste de paro de producción: €15.000/hora
- Plazo de entrega de repuesto: 8 semanas
Monitorización predictiva mediante análisis de vibraciones, temperatura y consumo energético:
- Inversión en sensores y software: €12.000
- Detección de fallo incipiente con 3 semanas de antelación
- Evitación de paro catastlfico: ahorro de €360.000
- ROI: Recuperación de inversión en el primer evento detectado
2. Procesos con alta variabilidad operativa
Líneas que producen lotes muy diferentes, con ciclos térmicos o mecánicos variables. Aquí, el preventivo por tiempo falla porque el desgaste no es lineal.
3. Equipos con múltiples modos de fallo
Una bomba centrífuga puede fallar por: cavitación, desalineación, desgaste de impulsor, fallo de rodamientos, problema de sello mecánico… El predictivo detecta el modo específico y permite intervención enfocada.
La matriz de decisión que uso en consultoría
Para cada activo, evalúo cuatro dimensiones:
Criticidad: ¿Su fallo para producción? (Alto/Medio/Bajo)
Coste de fallo: ¿Cuánto cuesta una parada? (>10k€ / 1-10k€ / <1k€)
Predecibilidad: ¿El desgaste es consistente? (Alta/Media/Baja)
Monitorizabilidad: ¿Puedo sensar su estado? (Fácil/Complejo/Imposible)
Recomendación PREDICTIVO si:
- Criticidad ALTA + Coste >10k€ + Monitorizabilidad Fácil
Recomendación PREVENTIVO si:
- Predecibilidad ALTA + Coste de monitorización > Coste de reemplazo preventivo
Recomendación HÍBRIDO si:
- Criticidad MEDIA + Algunos modos de fallo predecibles, otros monitorizables
Caso real: Optimización de OEE en línea de envasado
Contexto: Planta de bebidas, 3 líneas de llenado, OEE promedio 72%, objetivo 85%.
Estrategia implementada:
Predictivo (30% de activos críticos):
- Llenadoras volumétricas: Sensores de presión, caudal y vibración
- Etiquetadoras: Cámaras de visión + análisis de patrones
- Transportadores principales: Sensores de temperatura en motores
Preventivo (60% de activos):
- Cambio de filtros cada 200 horas
- Limpieza de fotocélulas semanalmente
- Reemplazo de juntas según calendario
Reactivo controlado (10% de activos no críticos):
- Iluminación, señalización, elementos auxiliares
Resultados tras 6 meses:
- OEE de 72% a 84%
- Paros no planificados: -65%
- Coste de mantenimiento: +15% (pero coste total -32% al incluir producción perdida)
- ROI del proyecto: 320% anual
Errores fatales en la transición al predictivo
Error 1: Sensorizar todo sin criterio
He visto plantas gastando €200.000 en sensores para equipos que cuestan €5.000. El coste de monitorización superaba 10x el valor del activo.
Error 2: Datos sin análisis actionable
Tener datos no es tener información. El 70% de proyectos predictivos fracasan porque generan alarmas que nadie entiende o que llegan demasiado tarde.
Error 3: Ignorar el factor humano
Tu equipo de mantenimiento tiene 20 años detectando problemas por sonido, olor y experiencia. No elimines ese conocimiento, digitalízalo y compémentalo.
Tecnologías habilitadoras del predictivo (y sus costes reales)
Análisis de vibraciones
- Inversión: €8.000 – €25.000 por equipo
- Mejor para: Motores, compresores, ventiladores, bombas
- Efectividad: Alta (detecta desbalanceo, desalineación, rodamientos)
Termografía infrarroja
- Inversión: €15.000 – €40.000 (cámara + software)
- Mejor para: Cuadros eléctricos, conexiones, sistemas térmicos
- Efectividad: Media-Alta (prevención de incendios eléctricos)
Análisis de aceite
- Inversión: €50 – €200 por análisis
- Mejor para: Reductores, transformadores, sistemas hidráulicos
- Efectividad: Alta (detecta contaminación y desgaste)
IoT + Machine Learning
- Inversión: €30.000 – €150.000 (proyecto completo)
- Mejor para: Líneas complejas con múltiples variables
- Efectividad: Muy alta (si hay datos históricos suficientes)
Roadmap de evolución: De preventivo a predictivo
Fase 1 (Meses 1-3): Fundamentos
- Auditoría completa de activos y criticidad
- Optimización del preventivo existente
- Selección de 3-5 activos piloto para predictivo
Fase 2 (Meses 4-9): Piloto controlado
- Implementación de sensorización en pilotos
- Detección de umbrales y patrones
- Formación del equipo en interpretación de datos
Fase 3 (Meses 10-18): Escalado inteligente
- Extensión a activos con ROI demostrado
- Integración con CMMS
- Automatización de alertas y ordenes de trabajo
Fase 4 (Meses 19+): Optimización continua
- Machine learning para detección de anomalías
- Predicción de vida útil restante (RUL)
- Optimización dinámica de inventario de repuestos
Conclusión: El enfoque pragmático gana
La batalla entre predictivo y preventivo es una falsa dicotomía. Las plantas con mejor OEE no eligen uno u otro, sino que aplican el enfoque adecuado a cada contexto:
- Preventivo para lo simple, predecible y de bajo coste
- Predictivo para lo crítico, costoso y monitorizable
- Híbrido para la mayoría de casos intermedios
El OEE de clase mundial (>85%) no se logra con tecnología, sino con estrategia. Empieza identificando tus 10 activos más críticos, calcúla el coste real de su fallo, y elige la estrategia con mejor ROI para cada uno.
La pregunta correcta no es «¿predictivo o preventivo?», sino «¿cómo maximizo disponibilidad minimizando coste total de mantenimiento?». A veces la respuesta es un sensor de €5.000, otras veces es un Excel bien hecho y disciplina de ejecución.