El OEE (Overall Equipment Effectiveness) es un KPI fundamental y de los más usados en entornos de producción industrial.

Su fórmula es sencilla: OEE = Disponibilidad × Rendimiento × Calidad y, sobre el papel, parece ofrecer una visión clara del rendimiento real de una planta. 

Pero hay un problema del que se habla poco: el OEE es también uno de los KPIs con los que más nos solemos engañar, a veces de manera consciente… y otras muchas sin querer. 

Como en el juego del solitario, es posible “hacerse trampas” para que la partida parezca mejor de lo que realmente es. Ajustes aquí, interpretaciones generosas allá… y de repente tenemos un OEE altísimo que no refleja la realidad de la producción.  

Precisamente para evitar esto debemos ser lo más precisos posible a la hora de analizarlo (independientemente de si utilizamos la fórmula clásica del OEE o una variante), de manera que evitemos interpretaciones sesgadas que puedan dar una falsa sensación de eficacia. 

✍️ En este artículo exploramos las trampas más habituales del OEE, cómo detectarlas y por qué medirlo de forma inconsistente puede ser peor que no medirlo. 

👉 Lo primero: El OEE no es único

La primera cuestión que debemos tener en cuenta con respecto al OEE es que en las empresas no existe un estándar universal, hay casi tantas fórmulas como fábricas. 

Y aunque es habitual que se use la misma fórmula, la interpretación de cada factor puede variar enormemente de una planta a otra. 

La conclusión es clara. Dos fábricas con el mismo OEE no necesariamente tendrán el mismo nivel de eficiencia. Incluso dentro de la misma empresa, diferentes plantas pueden medirlo de forma distinta. 

Esto convierte al OEE en un KPI muy potente… pero también muy fácil de malinterpretar si no se conoce cómo se está calculando.  

Si quieres saber más sobre cómo calcular el OEE, visita nuestro blog al respecto. 

🧪 Hecha la fórmula, hecha la trampa

Ya entrando en materia, a continuación os explicamos algunas de las trampas más comunes que os podéis encontrar a la hora de calcular el OEE de producción. 

Habitualmente podemos diferenciar 2 tipos de trampas: 

• Modificación de alguna de las variables, lo que hace que no se tengan en cuenta ciertas pérdidas de eficiencia: redefinir el tiempo planificado, usar un tiempo de ciclo teórico que no es real… 

• Y otras trampas que mueven las ineficiencias de una componente del OEE a otra: si no registro ciertas paradas, no será una pérdida de disponibilidad, pero afectará al rendimiento. 

♥️ Trampas en la Disponibilidad: 

La disponibilidad mide cuánto tiempo está operativa una máquina frente al tiempo total planificado. 

La Disponibilidad se define: 
⚙ Disponibilidad (%) = Tiempo operativo (sin paradas no planificadas) / Tiempo total planificado 

Sencillo en teoría, propenso a imprecisiones en la práctica. Veamos algunos ejemplos: 

🔹 Reclasificación creativa del tiempo de parada 
Esto ocurre cuando modificamos la forma en la que se clasifican las paradas, reduciendo pérdidas sin que realmente ocurra una mejora. 

Entre las reclasificaciones más habituales: 

• Etiquetar como planificadas las paradas no planificadas: esto provoca que el tiempo planificado sea menor y por tanto la disponibilidad mejore. 
  
• Considerar todos los tiempos de setup / cambio de referencia / descansos como planificados: es cierto que un descanso o un tiempo de puesta en marcha es una parada planificada, sin embargo, debería tener un tiempo teórico de parada, que en caso de superarse implique una pérdida de disponibilidad.
  
  Ejemplo: si un cambio de referencia debería durar 20 minutos pero realmente dura 30 minutos, esos 10 minutos extra deberían considerarse como pérdida de disponibilidad. Y es habitual no hacerlo. 
  
• Ignorar los turnos “diferentes”: hay turnos en los que se hacen horas extra o son más largos (o más cortos) de lo habitual. Es un error común siempre considerar que nuestro tiempo planificado es el mismo y no considerar estos casos especiales.  

🔹 No disponer de los tiempos reales de las paradas 
Es muy habitual que las paradas se sigan notificando o midiendo a mano. Esto hace que la cantidad de tiempo de parada sea un dato no completamente fiable. Y, como consecuencia, nos engañamos en la disponibilidad no viendo completamente la realidad: paradas estimadas, paradas pequeñas que no se contabilizan, errores humanos, … 

🔹 Ignorar microparadas y tiempos de inactividad insignificantes  
A menudo se subestiman pequeños tiempos muertos, como ajustes o limpiezas menores, pero que pueden acumularse de forma significativa. Unos pocos segundos multiplicados por miles de ciclos pueden suponer horas perdidas. En este caso ignorar estas paradas es cierto que mejora la disponibilidad, aunque debería penalizar el rendimiento. 

 

Estos pequeños trucos que pueden inflar la disponibilidad entre un 5% y un 15%… sin que realmente sea así. 

♦️ Trampas en el Rendimiento:

El rendimiento compara la velocidad real frente a la velocidad ideal. Aquí la trampa suele ser más técnica.

El Rendimiento se define: 
⚙ Rendimiento (%) = (Tiempo de ciclo ideal (velocidad reducida) x Total de piezas producidas) / Tiempo operativo (sin paradas no planificadas) 

Algunas de las trampas más comunes: 

🔹  Usar una referencia de velocidad teórica menor a la ideal 
Es la versión industrial de bajar el listón. Si ajustamos la velocidad del tiempo de ciclo ideal a la baja, será más fácil cumplirla. 

• Tomar como tiempo de ciclo ideal el de un día bueno. Ese día ha tenido microparadas, ajustes y pequeñas ineficiencias. Si se usa como referencia, se convierte en un estándar artificialmente bajo. 
• Mantener estándares obsoletos si una máquina se ha optimizado, modernizado o se usa un nuevo utillaje. 

 🔹 No segmentar bien los ciclos de producción según la referencia  
No es extraño encontrarse en una máquina siempre el mismo tiempo de ciclo teórico. Si esto ocurre en una máquina que fabrica diferentes referencias, es muy posible que dependiendo del producto que se esté fabricando se obtenga un valor mejor o peor, y el rendimiento resultante no representa bien la realidad.  

♣️ Trampas en la Calidad:

La calidad considera las piezas fabricadas que no cumplen con los estándares de calidad (incluyendo las que necesitan retrabajo).

La Calidad se define: 
⚙ Calidad (%) = Piezas OK (sin las defectuosas, retrabajos) / Total de piezas producidas 

La calidad debería ser la parte más difícil de manipular… pero no siempre es así:

🔹  Defectos ocultos o no registrados  
Por defectos ocultos nos referimos a aquellas piezas que aparentemente cumplen las especificaciones y son clasificadas como piezas OK por la maquinaria, pero que una vez fuera del proceso son clasificadas como NO OK por el departamento de calidad. 
Esta discrepancia a posteriori afectará a la calidad real de nuestra producción, y si estos defectos no se registran, tendremos una calidad inflada de manera imprecisa.

🎴  Mención aparte: Retrabajos y descartes

Es muy habitual no tener claro cómo tratar este tipo de procesos, ya que no sabemos si una pieza retrabajada hay que considerarla como buena o mala, y en qué afecta.  

Lo que es cierto es que va a depender de cómo sea el proceso. No podemos olvidar qué es el OEE, es la medida de eficiencia de la máquina/línea. Por tanto, una pieza que sale mala y se vuelve a meter para hacer un retrabajo, debería aparecer en el cómputo del OEE como 2 piezas independientes (una pasada que fue buena y otra que fue mala). 

Ejemplo: supongamos una máquina que no tiene paradas (Disponibilidad 100%) y que funciona perfectamente a tiempo ciclo teórico (Rendimiento 100%). Y que tras producir una pieza, tenemos que volver a meterla en la máquina para hacer un retrabajo. Si sólo consideramos que hubo una pieza buena, nos va a dar un OEE del 100% cuando no es cierto, porque la calidad realmente ha sido del 50%: una vez fue mal y la siguiente vez fue bien. 

Es por ello que hay que tener en cuenta las siguientes trampas:

🔹 Confundir reprocesos con buena producción  
Si una pieza retrabajada sólo entra en el cómputo de buenas, alteras el valor de la Calidad y el OEE deja de representar la realidad.  

🔹 Sobreestimar el rendimiento de primera pasada (First Pass Yield)  
Si se omiten defectos menores, el indicador puede mostrar una calidad más alta de la que realmente es.   

♠️ Otras trampas menos evidentes

🔹 Falta de sistemas de captura automática de datos
Cuando los datos dependen de registros manuales, aparecen nuevas posibilidades de manipular la información, sea de manera consciente o no:   

• Errores humanos: La persona que apunta puede equivocarse, sobre todo si está bajo presión.
• Sesgos: El operario anota cuando se acuerda o cuando le parece significativo. Y los humanos tenemos una serie de sesgos en nuestra percepción que nos afectan. Os contamos más en nuestro blog sobre Problemas en los proyectos de datos.  
• Tentación de ajustar: Esto puede ser consciente (por bonificaciones, presión) o inconsciente (ganas de mostrar buen desempeño). 

Las mediciones manuales pueden dar valores de OEE muy altos… hasta que se instala un sistema automático, y los valores caen un porcentaje significativo.  

🔹 Falta de contexto o de segmentación 

• Usar el OEE global de una planta es utilizar un indicador incompleto. Un OEE global sirve para tener una foto general de la planta, pero no para hacer acciones de mejora.  
  La realidad es que, al promediar realidades diferentes, el OEE global puede esconder los problemas operativos como cuellos de botella o dónde se producen las pérdidas reales. Una línea muy eficiente puede tapar otra que funciona mal, un turno compensar a otro, unos productos muy diferentes distorsionar el rendimiento medio… 
• Segmentar el OEE por línea/máquina/turno/producto nos dará información útil para mejorar. Al desglosar el OEE, seremos capaces de ver qué partes del proceso funcionan correctamente y cuales necesitan mejorar.  
  Así, la segmentación convierte el OEE en una herramienta de diagnóstico muy útil: nos dará la disponibilidad cada una de las distintas máquinas, el rendimiento de cada uno de los turnos, si hay alguna referencia especialmente difícil… 
  Esto permite actuar con precisión: asignar recursos, priorizar inversiones, ajustar velocidades, mejorar formación u optimizar procesos.  

🧠 Entonces… ¿qué es un buen OEE?  

Las fábricas del mundo real no son perfectas. Por eso, estos valores suelen ser más fiables: 

Cada vez que vemos un OEE > 95% en una planta manual, con variedad de productos y varios turnos… conviene revisar dónde se han tirado las cartas.  

Una vez hemos pulido nuestro cálculo del OEE eliminando trampas e imprecisiones que falseen la realidad de este KPI debemos recordar una cosa fundamental: lo más importante, aún por encima del valor de OEE que tengamos, son las tendencias. 
Esta es una idea clave que a menudo se olvida. 

🚀 Un OEE mal comparado es inútil, un OEE consistente es valioso

¿Qué queremos decir con esto? Aunque una fábrica calcule el OEE de forma distinta a lo habitual (siempre que sea honesta y consistente), lo verdaderamente importante es que el cálculo no cambie en el tiempo. 

 Porque las comparativas absolutas de OEEs entre empresas no nos van a aportar nada. Las comparativas internas sí. 

 De hecho, si siempre calculas el OEE igual: 

• Detectarás caídas rápidas de cualquiera de sus valores. 
• Verás con facilidad las mejoras después de una acción.
• Identificarás mejor los patrones y correlaciones. 
• Podrás cruzarlo con paros, turnos, productos o líneas, obteniendo otros indicadores de valor. 

Es como pesarse en una báscula que marca 2 kg de más: siempre que marque el mismo sesgo, sirve para ver si subes o bajas. Por eso, más que obsesionarse con un OEE perfecto, es mejor centrarse en que el OEE esté bien medido, bien explicado y siempre calculado igual. 

📊 ¿Y Grafana para el OEE? El poder de la visualización 

Una vez la información del OEE está bien capturada y contextualizada (con datos sólidos y bien estructurados), necesitaremos añadir una capa de visualización con la que el equipo pueda interpretar rápidamente lo que está ocurriendo, detectar patrones, hacer comparativas y tomar decisiones rápidas. 

Esta visualización puede apoyarse en herramientas como Grafana, cada vez más presente en entornos industriales. Y, si bien es cierto que Grafana no calcula el OEE por sí misma, puede convertirse en un excelente escaparate para mostrarlo: dashboards dinámicos, comparativas por turno o línea, tendencias históricas, alertas visuales, paneles accesibles desde cualquier dispositivo… todo en un entorno flexible y personalizable. 

Así, Grafana es una forma ágil y potente de democratizar el OEE, hacerlo visible y convertirlo en una herramienta de trabajo real, no solo un número en un informe.

🧩 Conclusión: Un OEE honesto o nada

El OEE es un indicador potentísimo… solo si se mide siempre igual. No medir este KPI con coherencia es casi como no medirlo: oculta problemas, frena la mejora continua y genera una falsa sensación de éxito.  

Las plantas más competitivas no son las que reportan OEE perfectos, sino las que tienen datos fiables, sin trampas ni interpretaciones creativas, y usan ese valor para mejorar cada día.  
Además, no debemos olvidar que lo que verdaderamente nos aportará valor es ver cómo evoluciona nuestro OEE en el tiempo: si sube, baja, se estanca o responde a las acciones de mejora. 

Como en el solitario, solo ganas si no te haces trampas a ti mismo.  
En industria, lo mismo: un OEE impreciso no mide, engaña. Así que vale la pena el esfuerzo extra por ser coherentes y sistemáticos para que las tendencias nos digan la verdad. 
 

¿Necesitas ayuda con tu OEE? 👇