Para directores de planta, responsables de calidad y directores de operaciones de pymes industriales que pierden entre el 2% y el 8% de la facturación anual en scrap y rechazos. Modelos de Machine Learning entrenados sobre vuestro histórico de Business Central que predicen la probabilidad de scrap por orden de fabricación antes de lanzarla a planta y proponen ajustes paramétricos en turno.
Una pyme industrial promedio pierde entre el 2% y el 8% de la facturación anual en scrap y rechazos de calidad. La cifra exacta depende del sector (la inyección de plástico se mueve en el 3 al 6%, el mecanizado de precisión en el 1 al 3%, la química de proceso puede llegar al 10% en arranques de planta), pero el patrón es el mismo: una porción muy significativa del margen industrial se va por el desagüe del scrap y nadie lo ve en tiempo real.
El problema no es la falta de datos. Si tenéis BC con dvscrap, dvquality y dvproduction activos, los datos están ahí: histórico de órdenes, partidas de material, parámetros de ruta, partes de operario, registros de inspección y de no conformidad, motivos de rechazo, OEE por máquina y por turno. El problema es que ese histórico se mira solo en cierre mensual, una vez que el scrap ya ha ocurrido y el lote ya está entregado o tirado. La información llega tarde sistemáticamente.
El responsable de calidad lo sabe: hay correlaciones que explican buena parte del scrap recurrente (un lote concreto de proveedor que arrastra problemas, una máquina envejecida que combinada con un turno concreto no rinde, una referencia que se atasca cuando entra cierto operario en cierto día), pero detectarlas a ojo en hojas de cálculo es inviable. Son patrones multivariable con docenas de combinaciones. Justo lo que un modelo de Machine Learning hace bien y un humano hace mal.
El coste oculto añadido es el reactivo. Cada vez que un lote sale defectuoso, la planta para, replanifica, reasigna, retrabaja o desecha. El OEE cae, los plazos de entrega se comen, el cliente queda servido tarde. Según volumetría, el coste indirecto del scrap suele ser entre 1,5 y 2 veces el coste directo del material rechazado. La cuenta de verdad nunca aparece en el cuadro de mando.
El núcleo del caso es un modelo de Machine Learning supervisado entrenado sobre Azure Machine Learning. La variable objetivo es la probabilidad de scrap por orden de fabricación (o por lote, dependiendo del sector), expresada como porcentaje esperado de pieza no conforme o como categoría de riesgo. Las variables predictoras se extraen del histórico de BC y las extensiones dv*: lote de material, proveedor, máquina, turno, operario, referencia, parámetros de ruta, condiciones de inicio, día de la semana, OEE reciente, registros de calidad anteriores en la misma combinación.
El modelo se entrena con técnicas estándar de gradient boosting (XGBoost, LightGBM) o redes neuronales tabulares, según resultado en validación cruzada. Lo importante no es el algoritmo concreto sino la pipeline de datos: ingestamos histórico de BC, limpiamos registros inconsistentes, balanceamos clases (el scrap suele ser un evento minoritario), validamos contra ventana temporal reciente y desplegamos el modelo como servicio. El retraining es periódico, mensual o trimestral según deriva.
En tiempo de inferencia, cuando el planificador va a lanzar una orden de fabricación, el sistema consulta el modelo con los parámetros de esa orden concreta y devuelve una puntuación de riesgo. Si la puntuación supera el umbral configurable, el planificador recibe una alerta con la causa más probable y la recomendación: cambiar el lote de material, mover el lanzamiento de turno, ajustar parámetro X, o pedir validación previa de calidad. Si hay señales IoT en máquina (temperatura, presión, vibración), el modelo afina la recomendación durante la propia ejecución.
Toda la infraestructura corre dentro de vuestro tenant Azure. Los datos de producción no salen a modelos públicos. La trazabilidad de cada predicción queda registrada: qué orden, qué puntuación dio el modelo, qué recomendó, qué decisión tomó el responsable y cuál fue el resultado real. Ese feedback alimenta el siguiente reentrenamiento.
Una nota honesta importante. Este caso requiere un volumen de histórico significativo para que el modelo aprenda patrones sólidos: como mínimo 12 meses, idealmente 24, con dvproduction, dvquality y dvscrap bien parametrizados y datos limpios. Si vuestra empresa lleva poco tiempo con BC, este caso no es viable todavía. Es mejor consolidar la captura primero y abordar la IA cuando haya base estadística.
| Aspecto | Antes (reactivo) | Después (predictivo) |
|---|---|---|
| Detección del problema | Se descubre el scrap al cerrar la orden de fabricación, cuando ya no hay marcha atrás. | El modelo avisa de probabilidad alta de scrap antes del lanzamiento o durante la ejecución. |
| Análisis de causas | Reunión mensual de calidad con histórico ya frío y atribución de causas por intuición. | El modelo identifica el cruce material + máquina + turno + parámetro que dispara el rechazo. |
| Acción correctiva | Reacción tras el cierre de mes, con el lote ya entregado y la pérdida ya consumada. | Ajuste paramétrico o cambio de lote de material antes de que la pieza salga rechazada. |
| Visibilidad en planta | El jefe de planta se entera del scrap en el cuadro de mando del lunes siguiente. | Alerta en tiempo casi real en el panel de planta y notificación push al responsable. |
| Coste de la no calidad | Se conoce como cifra agregada mensual, sin desglose por orden ni por causa raíz. | Coste de scrap evitado por orden, con trazabilidad de la alerta que lo previno. |
| Aprendizaje organizativo | El conocimiento se queda en el operario veterano que sabe cuándo el lote va mal. | El modelo captura ese conocimiento y lo disponibiliza para toda la planta. |
| Reporting a dirección | Cifra de scrap del mes pasado, con explicación cualitativa. | KPI de scrap real vs predicho, alertas accionadas, ahorro acumulado del año. |
Auditoría del histórico BC + dvscrap + dvquality + dvproduction. Validación de calidad y volumen de datos. Selección de la familia de productos con más recorrido. Definición de KPI objetivo (% reducción scrap) y línea base contra los 12 meses previos. Identificación de señales IoT disponibles si las hay.
Construcción del dataset, entrenamiento del modelo, validación contra ventana temporal reciente, despliegue como servicio Azure ML, integración con la pantalla de planificación BC y con el panel de planta. Formación del responsable de calidad y del jefe de planta.
Extensión a más familias de producto, integración con señales IoT adicionales, reentrenamiento periódico del modelo, análisis de drift, ampliación a casos colindantes (predicción de demanda, mantenimiento predictivo, optimización de secuenciación).
Aquí la honestidad pesa más que la venta. Este caso no es para todo el mundo.
La extensión Davisa para captura y reporting de mermas y scrap en BC.
Extensión BCSistema de gestión de calidad integrado en BC: inspecciones, no conformidades, motivos.
Extensión BCMódulo de producción avanzada en BC: OEE, partes de operario, secuenciación.
CalculadoraCalculad en dos minutos cuánto os está costando el scrap actual con vuestra volumetría.
SectorEl panorama completo de casos IA aplicables a la pyme industrial sobre BC.
HubEl catálogo completo de casos, sectores, método y discovery del AI Studio.
Como regla práctica, entre 12 y 24 meses de histórico limpio en Business Central, con dvproduction, dvquality y dvscrap activos y bien parametrizados. Necesitamos volumen suficiente para que el modelo encuentre patrones estadísticos en parámetros de máquina, lotes de material, turnos, operarios y resultados de calidad. Si lleváis menos de 12 meses con BC en producción, lo honesto es no empezar todavía este caso: el modelo no tendría base suficiente y los resultados serían anecdóticos.
La fabricación con repetición de orden (lotes recurrentes, referencias frecuentes) y parámetros de proceso medibles funciona muy bien: inyección, mecanizado, troquelado, extrusión, soplado, laminado, química de proceso. La fabricación pura por proyecto irrepetible (calderería bajo plano único) tiene menos recorrido porque cada orden es estadísticamente única. Lo evaluamos en el discovery con vuestros datos reales antes de comprometer el piloto.
El KPI primario es la tasa de scrap como porcentaje del coste de fabricación. Una pyme industrial promedio pierde entre el 2% y el 8% de la facturación en scrap, según sector. Una reducción del 15% al 30% de esa tasa es alcanzable en el primer año con este caso, una vez consolidado. KPIs secundarios: OEE (sube por menos paradas correctivas), tiempo medio entre fallos de calidad, coste de no calidad, lead time de planta. Todo se mide contra la línea base que fijamos en el discovery.
No es obligatorio, pero ayuda mucho. Con solo los datos de BC (orden de fabricación, parte de producción, ruta, partidas de material, resultados de calidad y registros de scrap) ya se pueden entrenar modelos útiles, especialmente para anticipar problemas de mezcla material-proveedor-turno-máquina. Si añadimos señales IoT en tiempo real (temperatura, presión, vibración, velocidad), el modelo gana resolución y puede recomendar ajuste paramétrico en turno, no solo aviso preventivo.
El piloto entrega un modelo en producción en ocho semanas, con una predicción inicial sobre el catálogo de productos con más histórico. La curva real de reducción de scrap se hace visible entre el tercer y el sexto mes, una vez que la planta empieza a actuar sistemáticamente sobre las alertas y que el modelo se ha reentrenado con datos posteriores al piloto. La paciencia industrial cuenta: no es un caso de resultado en dos semanas y no lo vendemos como tal.
Os enmarcamos el caso dentro de vuestro stack actual de BC y extensiones dv*. Vuestro asesor habitual coordina la entrada del AI Studio sin onboarding nuevo.
Habla con el equipo →Empezamos por el discovery de 5 días. En una semana validamos si vuestro histórico tiene base para el modelo y dimensionamos un piloto realista.
Solicita Discovery IA →