Predicción de Tiempos de Producción y Chatbot Analítico
MECÁNICAS APARICIO
Cliente: Mecánicas Aparicio.
Servicios: Modelo Predictivo con XGBoost para predecir los tiempos de fabricación y un Chatbot Analítico Basado en LLMs para responder preguntas sobre la producción de manera natural.
Tecnologías: XGBoost, Modelos de Lenguaje Extenso (LLMs), Python, validación cruzada y búsqueda en cuadrícula.
José Enrique Aparicio, Gerente General en Mecánicas Aparicio SL – «En Mecánicas Aparicio siempre hemos apostado por la innovación como motor de mejora continua. La propuesta presentada por Bravent representa un avance significativo en cómo entendemos y gestionamos nuestra producción. La combinación de modelos predictivos con herramientas analíticas inteligentes abre nuevas posibilidades para optimizar recursos, reducir tiempos y tomar decisiones más informadas. Este tipo de soluciones nos permite visualizar un futuro donde la eficiencia y la calidad van de la mano, reforzando nuestra competitividad en el sector.»
Reto
Mecánicas Aparicio se enfrentaba a desafíos significativos en su producción debido al análisis manual de piezas, lo que generaba retrasos, mala asignación de recursos, tiempos muertos de producción y errores de calidad.
La empresa buscaba una solución que no solo automatizara el análisis, sino que también mejorara la planificación y facilitara la toma de decisiones basada en datos.
Solución
Con el objetivo de predecir y reducir tiempos en la producción de estas piezas, nuestro equipo presentó una propuesta que combina modelos predictivos avanzados con un chatbot analítico para transformar la toma de decisiones en planta:
- Modelo Predictivo con XGBoost: Partimos de un análisis exploratorio de datos (EDA) sobre históricos de órdenes de producción, identificando patrones y variables clave. Tras evaluar ocho modelos diferentes (regresión final, random forest), seleccionamos el modelo predictivo de XGBoost como el más adecuado para la solución por su robustez y precisión en datos tabulares, y por su alta capacidad de detectar interacciones complejas.
- Entrenamiento: el dataset se dividió en un 70% para entrenamiento y un 30% para validación. Se aplicó una estrategia de validación cruzada para optimizar hiperparámetros del modelo, minimizando el error de generalización y garantizando estabilidad en los resultados.
- Resultados: predicción del tiempo estimado de producción con métricas como MAE y RMSE, obteniendo un resultado de 80% de mejora en las predicciones manuales de corte y un 66% de mejora en el modelo manual de plegado.
- Aplicación: permite anticipar retrasos y priorizar órdenes según riesgo.
Impacto
La solución de Bravent aporta beneficios tangibles y medibles tan cruciales como los siguientes:
- Retorno de Inversión (ROI) Medible: Ahorro en horas no planificadas y reducción de paradas, demostrando un elevado retorno de inversión con 40% de disminución de las horas de producción no planificadas
- Reducción de Costes y Tiempos de Inactividad: Anticipamos desvíos y optimizamos recursos, lo que se traduce en una significativa reducción de costes.
- Mejora en la Planificación e Inventarios: Ajustamos las compras de materia prima según los tiempos reales, mejorando la eficiencia del inventario.
- Toma de Decisiones Basada en Datos: Acceso ágil a KPIs a través del chatbot, facilitando decisiones informadas y estratégicas.
- Aumento de la Competitividad: Cumplimiento de plazos más confiable y capacidad para simular escenarios, fortaleciendo la posición competitiva de la empresa.
