En este artículo
La primera conversación sobre scrap en una planta suele terminar con un número: "tenemos un 4,2% de tasa de rechazo". Ese número es casi siempre inútil para actuar. La media agrega demasiado: mezcla líneas con tecnologías distintas, turnos con cargas distintas, productos con tolerancias distintas y lotes de material con calidades distintas. Es como medir la temperatura media del edificio para saber si alguien tiene fiebre.
Para que el dato sirva para algo hay que segmentar: por turno, por máquina, por referencia, por tipo de defecto y por lote de materia prima. La tasa global sirve como indicador de tendencia, no como base para la acción. Dos plantas con la misma tasa del 4% pueden tener causas y soluciones completamente distintas — y los datos son lo que permite distinguirlas.
El rango típico de scrap varía mucho por sector — en inyección de plástico y fundición, la banda alta del rango es habitual; en mecanizado de piezas bien calibrado, la banda baja. Por eso, comparar con una "media industrial" sirve menos que comparar contigo mismo mes a mes. Es una de las métricas donde la benchmark interna importa más que la externa.
El scrap no es solo el coste del material. Arrastra tiempo de máquina que no genera valor, horas de mano de obra no recuperables, reprocesos si la pieza es salvable, retrasos en pedidos de cliente con posibles penalizaciones y sobrecoste en compras porque hay que comprar más para cubrir el rechazo. El coste total suele ser 2-3 veces el coste directo del material desperdiciado.
Las causas principales de scrap cambian según el proceso. No es lo mismo atacar el rechazo en una planta de inyección que en una de corte textil. Dos patrones que vemos repetidos por sector:
Las causas dominantes suelen estar en parámetros de proceso — temperatura del molde, presión de inyección, tiempo de ciclo, humedad del material. Una inyectora que empieza el turno con molde frío produce rechazo hasta que el proceso se estabiliza, y ese rechazo es perfectamente predecible si miras el turnover por turno.
Dato clave a cruzar: parámetros de proceso capturados por el SCADA de la inyectora contra tasa de rechazo a nivel de ciclo. Si tienes ese cruce, identificas la ventana de estabilización en minutos y puedes segregar las primeras piezas de cada arranque a control reforzado antes de que el cliente las vea.
Aquí el foco se mueve a utillaje (desgaste de herramienta, estado de troquel), arranque de turno y parámetros de máquina (avance, velocidad, refrigerante). El rechazo suele concentrarse en las primeras piezas de un cambio de serie y al final de la vida útil de la herramienta.
Dato clave a cruzar: número de piezas producidas desde el último cambio de herramienta contra rechazo de la pieza actual. La curva que dibuja eso te dice exactamente cuándo cambiar la herramienta — ni antes ni después.
El "scrap" aquí se llama merma, pero la lógica es similar. Las causas dominantes: caducidad (producto que no llega a venderse dentro de fecha), control de frío (roturas de cadena de frío), corte y porcionado (peso fuera de tolerancia) y devoluciones por calidad.
Dato clave a cruzar: rotación por referencia y centro (ver rotación de stock) contra caducidad y plan de producción. Las mermas en alimentación casi siempre se previenen en la planificación de compras, no en la planta.
Las causas se reparten entre calidad de materia prima (tela con defectos de trama o color), corte (tolerancias que varían si la plantilla no se optimiza) y costura (defectos de máquina o de operario). En confección técnica, además, se añade tolerancia dimensional estricta.
Dato clave a cruzar: lote de materia prima recibida contra rechazo de las órdenes que la consumen. Cuando un lote de tela viene con defectos recurrentes, sube el rechazo en todas las órdenes que tiran de ese lote — y eso se ve en el análisis por lote, no en el análisis por línea.
Hay sectores adicionales (farma, automoción, electrónica) donde el patrón es aún más específico y la normativa aplicable (IATF 16949, GMP) fija qué se mide y cómo. En esos casos, conviene no reinventar — la estructura de datos encaja con los estándares del sector.
Para construir un análisis de scrap útil en Power BI necesitas tres bloques de datos conectados:
1. Registros de producción y rechazo. La fuente principal — fecha/hora, línea, referencia, cantidad producida, cantidad rechazada, tipo de defecto. Suele vivir en el MES si existe, en el módulo de producción del ERP (Business Central, SAP B1, Sage X3, Odoo Manufacturing) o en un parte manual digitalizado. Si el dato existe en papel, el primer paso es digitalizarlo — aunque sea con un formulario de Teams/Power Apps al final de cada turno.
2. Datos de proceso. Parámetros capturados por SCADA o sensores IoT de cada máquina. No todas las plantas los tienen, pero cuando están disponibles son los que permiten cerrar el análisis de causa raíz. En ausencia de SCADA, los partes de turno del operario (si incluyen parámetros) son el sustituto razonable.
3. Datos de materiales. Lote de materia prima usado en cada orden de producción — este es el que más se olvida y el que más rápido identifica problemas de proveedor cuando entra en el modelo. El dato suele estar en el ERP vinculado a cada orden de fabricación, solo hay que llegar a él.
Estos tres bloques rara vez viven en el mismo sistema. Conectarlos y darles una estructura uniforme es el trabajo de datos previo al dashboard — lo tratamos con detalle en qué es un pipeline de datos y arquitectura Medallion para PYMEs.
Pareto de tipos de defecto. El primer corte útil. Muestra qué defectos generan el 80% del scrap. Casi siempre son 2-3 tipos concretos, y atacarlos es lo primero que da resultados visibles.
Segmentación por turno. Si el mismo producto en la misma línea tiene rechazo distinto según el turno, la causa dominante es humana — formación, fatiga, procedimiento no estandarizado. Si el rechazo es similar en los tres turnos, la causa es de proceso o material. Es un corte que delimita dónde buscar en minutos.
Evolución por lote de material. Cruzar número de lote de materia prima con rechazo de las órdenes que lo consumen. Cuando un lote concreto dispara el rechazo en todas las órdenes que tiran de él, tienes evidencia publicable para reclamar al proveedor. Sin ese cruce, la reclamación se queda en sospecha.
Curva de vida útil de herramienta / utillaje. Solo aplica a sectores con cambio de herramienta (metal, troquelado). Muestra cómo sube el rechazo a medida que la herramienta se desgasta. Permite fijar el cambio óptimo — ni antes (desperdiciando vida útil) ni después (subiendo rechazo).
En todos los casos, el análisis se complementa con los KPIs de producción estándar — OEE, tasa de rechazo global, FPY, coste de la no calidad. El catálogo completo y cómo articularlos en un cuadro de mandos está en los KPIs de producción que toda empresa industrial debería medir y OEE: qué es y cómo medirlo.
El análisis identifica la causa dominante. La acción depende de ella:
La parte valiosa no es hacer un análisis puntual. Es cerrar el ciclo: medir → analizar → actuar → verificar que el dashboard muestra la mejora → estandarizar el cambio. Con un dashboard de scrap conectado al ERP/MES, el ciclo puede durar días en vez de semanas — y cada iteración tiene impacto directo en costes.
¿Tienes los datos de scrap repartidos entre el MES, Excel y partes de turno en papel? Construimos el modelo integrado en Power BI con los cortes de arriba — y te decimos por qué empezar según los datos que ya tienes. Cuéntanos tu caso.
// escrito por
Director de 480 Analytics
En 480 Analytics, la unidad de datos de Cuatroochenta, ayuda a empresas a ordenar y explotar sus datos con Power BI, Microsoft Fabric e IA. Escribe sobre lo que aprende por el camino.
¿Cuántos KPIs de producción mides y cuántos usas de verdad para decidir? La lista esencial: los que separan una planta reactiva de una gestionada con datos.
La fórmula del OEE son tres multiplicaciones. Lo difícil es lo de antes: definir el tiempo planificado, distinguir microparadas y fijar la velocidad nominal.
El stock que no rota es capital inmovilizado; venderlo rápido sin reaprovisionar bien genera roturas. Cómo medir y optimizar la rotación de tu inventario.
Te lo cuantificamos. Empezamos por descubrir y ordenar tus datos, y los convertimos en decisiones — empezando por el reporting financiero (FP&A).