Cálculo de rendimientos OEE con ChatGPT Business

Antes de empezar

Lo que necesitas para completar este tutorial

Lo que conseguiras al terminar

Si sigues estos pasos, en 20-30 minutos tendras:

✓ Cálculo preciso de Availability, Performance y Quality por línea
✓ Exportable: fórmulas Excel y CSV listos para integración
✓ Plan de acciones priorizado con impacto estimado

Antes de empezar, asegurate de tener lo siguiente:

Obligatorio Registro de tiempos de parada (log de downtime) con timestamps por máquina en formato CSV o Excel.

Obligatorio Registro de producción (unidades buenas y totales) con marcadores temporales o por turno en CSV/Excel.

Recomendado Definición del ciclo objetivo por producto/línea y calendario de turnos (horas planificadas).

Recomendado Acceso a históricos de OEE y a sistemas MES/SCADA para validar anomalías.

Transferencia internacional de datos: ChatGPT procesa datos en servidores externos. Sin acuerdo de procesamiento de datos (DPA) firmado, no introduzcas datos personales, financieros confidenciales ni datos especialmente protegidos. Verifica con tu departamento legal o IT antes de usar datos reales de tu empresa.

El caso

Fábrica Luz del Sur S.A., sector manufactura de componentes eléctricos — el problema real

La dirección de operaciones observa desviaciones entre el OEE reportado por planta y los datos históricos. Las causas sospechadas incluyen registros incompletos y definiciones inconsistentes de tiempo planificado y ciclos objetivo.

Con ChatGPT y el prompt de este tutorial, puede resolver este reto en 20-30 minutos — sin conocimientos tecnicos previos.

Situacion real
Datos + contexto

→

ChatGPT
Prompt estructurado

→

Output ejecutivo
Listo para usar

Por que funciona: ChatGPT sintetiza múltiples fuentes estructuradas (CSV/Excel) y aplica reglas matemáticas repetibles, detectando anomalías lógicas. Genera salidas directamente utilizables (fórmulas Excel, tablas CSV, resumen ejecutivo) que facilitan la toma de decisiones.

Contexto

Cuando usar este tutorial

✓ Usalo cuando...	× No lo uses cuando...
Necesita validar o auditar los cálculos OEE de una o varias líneas rápidamente Quiere preparar un informe ejecutivo con causas raíz y acciones priorizadas Desea generar fórmulas Excel y checks automáticos para su equipo de planta	Los datos no existen en formato estructurado o hay ausencia total de registros de producción Busca sustituir un sistema MES complejo; ChatGPT ayuda en análisis, no reemplaza todos los controles de planta Necesita control en tiempo real con integración PLC sin acceder a datos históricos

Paso 01

Preparar y validar datos

Reúna los archivos de downtime y producción en formatos CSV o Excel. Verifique consistencia de formatos y unidades antes de enviarlos al modelo.

1
Consolidar logs Combine los registros de downtime y producción por línea/turno en archivos separados. Mantenga columnas clave: timestamp_inicio, timestamp_fin, motivo, máquina, unidades_producidas, unidades_buenas.
2
Normalizar unidades y tiempos Asegure que todas las unidades estén en la misma medida (p. ej., piezas) y que los timestamps compartan zona horaria; convierta formatos inconsistentes antes del análisis.
3
Comprobar valores extremos Busque duraciones negativas, periodos superpuestos o conteos de producción nulos. Corrija o anote estas incidencias para que el modelo las identifique como excepción.

Checkpoint: Dispone de archivos CSV/Excel limpios con columnas estandarizadas y un breve registro de incidencias a validar.

Paso 02

Configurar parámetros de cálculo

Defina valores clave que el modelo usará: tiempo planificado, ciclo objetivo por producto y ventana temporal del análisis. Estas variables determinan Availability, Performance y Quality.

1
Definir tiempo planificado Indique horas planificadas por turno/día y si los tiempos de cambio cuentan como planificados. Esto afecta Availability.
2
Establecer ciclo objetivo Proporcione el tiempo ciclo teórico por pieza por línea o por producto ([TARGET_CYCLE_TIME]) para calcular Performance.
3
Seleccionar periodo de análisis Seleccione el rango de fechas ([PERIOD]) o turnos a analizar para comparar con históricos y detectar tendencias.

Checkpoint: Parámetros clave definidos y documentados: tiempo planificado, ciclo objetivo y periodo de análisis.

Paso 03

Ejecutar el prompt principal

Este es el prompt central del tutorial. Cópialo completo, rellena las variables entre corchetes con los datos de tu empresa o situación, y envíalo.

1
Copia el prompt completo Selecciona todo el texto del prompt y cópialo. No modifiques la estructura — está diseñado para obtener el output más útil posible.
2
Rellena las variables entre corchetes Sustituye cada [VARIABLE] con información real de tu empresa. Cuanto más específico seas, mejor será el output.
3
Envía el prompt y espera la respuesta Pega el prompt en el chat y envíalo. El modelo puede tardar entre 10 y 60 segundos dependiendo de la complejidad.

Variables del prompt — sustituye cada [VARIABLE] con datos reales

[DOWNTIME_LOG]Archivo CSV/Excel con downtime: columnas mínimas timestamp_inicio, timestamp_fin, motivo, máquina/línea

[PRODUCTION_LOG]Archivo CSV/Excel con producción: columnas mínimas timestamp, línea, unidades_producidas, unidades_buenas

[TARGET_CYCLE_TIME]Ciclo objetivo por pieza en segundos o minutos (por línea o por producto)

Prompt principal — Cálculo OEE sin errores Eres un analista ejecutivo especializado en OEE y en generar salidas listas para la dirección. Recibirás dos ficheros: [DOWNTIME_LOG] (CSV/Excel) y [PRODUCTION_LOG] (CSV/Excel), y el parámetro [TARGET_CYCLE_TIME] en segundos o minutos. Tu tarea: 1) Validar integridad y coherencia de los datos y listar hasta 10 anomalías con explicación técnica y acción correctiva; 2) Calcular por cada línea/turno y para el periodo indicado: Availability (%), Performance (%), Quality (%), y OEE (%) con fórmulas exactas; 3) Entregar las fórmulas Excel precisas (celdas ejemplo) para cada indicador y un pequeño script Python (pandas) que reproduzca el cálculo; 4) Generar una tabla CSV de salida con columnas: Linea, Turno, TiempoPlanificado(h), TiempoOperativo(h), TiempoParada(h), UnidadesTotales, UnidadesBuenas, Availability, Performance, Quality, OEE; 5) Incluir comprobaciones automáticas para valores imposibles (OEE>100%, divisiones por cero) y una sección 'Supuestos' donde declares cualquier suposición que tomaste si faltó información. Prioriza claridad ejecutiva: prepara un resumen de máximo 6 viñetas para Comité de Dirección con la causa raíz principal, 3 acciones inmediatas con estimación de mejora en puntos OEE y 3 riesgos a vigilar. Finalmente, sugiéreme 5 KPIs operativos adicionales para monitorizar la implementación y proporciona un ejemplo de visualización (tipo gráfico y ejes). Devuelve todo en español y entrega: 1) Resumen ejecutivo; 2) Tabla CSV listable; 3) Fórmulas Excel y código Python; 4) Acciones priorizadas con responsables y plazo sugerido; 5) Registro de anomalías detectadas.

Checkpoint: El modelo ha respondido con un output estructurado que incluye las secciones solicitadas en el prompt.

Paso 04

Iterar y validar resultados en planta

Refine la salida del modelo con auditorías puntuales en planta y ajuste de parámetros. Use iteraciones para precisar causas raíz y planes de acción.

1
Auditar muestras Verifique in situ 2-3 turnos representativos y compare con los cálculos del modelo para confirmar la calidad de los datos.
2
Priorizar acciones y calendarizar Use la lista de acciones priorizadas del modelo para asignar responsables, recursos y plazos de implementación.

Checkpoint: Resultados validados con auditoría, acciones priorizadas y calendario de implementación definido.

Iteracion

Prompts para refinar el output

Estos son los ajustes mas frecuentes que se piden despues del primer output. Copialos directamente en el chat:

Hacer el output más específico

cuando el output es demasiado genérico. "Por favor, refina el análisis anterior centrando el cálculo en la línea [LINE_NAME] durante [PERIOD]. Muestra sólo las anomalías críticas y reestima el impacto OEE por cada causa raíz, indicando curso de acción técnico y coste aproximado."

Cambiar el nivel de detalle

cuando necesitas más o menos profundidad. "Genera dos versiones del informe: 1) Resumen ejecutivo de máximo 6 viñetas apto para Comité; 2) Informe técnico con cálculos paso a paso, tablas de verificación y código Python comentado."

Adaptar el tono

cuando el tono no es el adecuado para tu audiencia. "Reescribe el resumen ejecutivo en tono formal y preciso para el Comité de Dirección, manteniendo las recomendaciones técnicas, y añade una diapositiva final con 3 métricas clave y su impacto financiero estimado."

Versión ejecutiva resumida

para compartir con el Comité de Dirección. "Resume el informe en una página: 1) OEE actual y objetivo; 2) Top 3 causas raíz; 3) 3 acciones inmediatas con responsable y plazo; 4) Mejora OEE estimada en puntos. Máximo 300 palabras."

Resultado

Que vas a obtener

Este es el tipo de output que genera ChatGPT con el prompt de este tutorial. El contenido varia segun tu empresa y situacion, pero la estructura es siempre esta:

Ejemplo de output — Fábrica Luz del Sur S.A., sector manufactura de componentes eléctricos

Estructura del output

El output debe incluir: 1) Resumen ejecutivo (6 viñetas); 2) Tabla CSV con cálculos por línea/turno; 3) Fórmulas Excel y script Python reproducible; 4) Lista de anomalías y supuestos; 5) Acciones priorizadas con impacto y plazos. Cada sección identificable y lista para exportar.

Senales de un buen output

La tabla CSV contiene todas las columnas solicitadas y los cálculos coinciden con las fórmulas Excel.
Las comprobaciones detectan y explican cualquier OEE>100% o división por cero.
El script Python reproduce exactamente los números de la tabla CSV.
Las acciones priorizadas incluyen responsables y estimación de mejora en puntos OEE.

Senal de que el output es bueno: Los valores de Availability, Performance y Quality son consistentes entre la tabla CSV, las fórmulas Excel y el script Python.

Costes

Inversion y retorno

30$ ChatGPT Business / mes

15 min por ejecución Por ejecucion del tutorial

∞ Reutilizaciones del prompt

ROI: Un cálculo OEE correcto permite priorizar intervenciones que suelen mejorar la disponibilidad y rendimiento, reduciendo paradas y rechazos. Aun una mejora de 3-5 puntos de OEE puede traducirse en un incremento significativo de producción y reducción de costes operativos, recuperando la inversión en herramientas y horas en pocas semanas.

Errores frecuentes

Que hacer cuando algo no funciona

Sintoma	Causa probable	Solucion exacta
OEE mayor a 100%	Se usó un TARGET_CYCLE_TIME erróneo (demasiado bajo) o unidades contadas incorrectamente.	Verificar y corregir [TARGET_CYCLE_TIME] y normalizar unidades; recalcular Performance usando la fórmula: Performance = (Producción_Planificada / (TiempoOperativo / TARGET_CYCLE_TIME)) * 100.
División por cero / NaN en Availability o Performance	Tiempo planificado o Tiempo operativo registrados como cero para el periodo analizado.	Confirmar y actualizar el campo TiempoPlanificado para el periodo; si es turno sin producción, marcar como 'No aplicable' y excluir del cálculo.
Tiempos de parada que suman más que el tiempo planificado	Registros de downtime con solapamientos o duplicados entre máquinas/turnos.	Detectar solapamientos por timestamps, consolidar eventos solapados y ajustar la suma efectiva evitando doble contabilización.
Diferencias grandes entre OEE histórico y calculado	Falta de uniformidad en la definición de 'tiempo planificado' o inclusión/exclusión de mantenimientos planificados.	Acordar definición única de TiempoPlanificado (incluir/excluir mantenimientos) y recalcular histórico con la definición estandarizada.
Unidades buenas mayores que unidades totales	Error en el registro de producción o columnas intercambiadas.	Auditar 3-5 registros de producción con supervisores de turno, corregir columnas y volver a procesar los ficheros.

Modo avanzado

Como hacer este tutorial con ChatGPT en modo avanzado

Usa el modo agente para automatizar la ingesta de ficheros, ejecutar el cálculo periódicamente y actualizar un tablero. El agente puede leer carpetas en Drive/SharePoint, ejecutar el script Python y depositar la CSV de salida y un resumen ejecutivo.

Modo avanzado

Flujo de trabajo avanzado

1
Conectar el agente a la carpeta segura con los ficheros [DOWNTIME_LOG] y [PRODUCTION_LOG] y validar permisos.
2
Programar ejecución periódica (p. ej., diaria o al cierre de turno) y parámetros por defecto (periodo, TARGET_CYCLE_TIME).
3
Ejecutar el pipeline: ingestión → validación → cálculo → generación de CSV y PDF con resumen ejecutivo.
4
Notificar a responsables (por correo o Slack) con el resultado y cargar la versión aprobada en el repositorio de informes.

Actúa como un agente de datos autorizado para ejecutar análisis OEE automatizados. Accede a la carpeta [DRIVE_FOLDER] y localiza los archivos [DOWNTIME_LOG] y [PRODUCTION_LOG] para el periodo [PERIOD]. Valida integridad de archivos, aplica las reglas de limpieza definidas y ejecuta el cálculo OEE por línea y turno usando [TARGET_CYCLE_TIME]. Genera: 1) CSV de salida con columnas estandarizadas; 2) Código Python ejecutable para reproducir el cálculo; 3) Resumen ejecutivo en PDF de una página; 4) Lista de anomalías críticas. Si detectas datos faltantes, envía una alerta automática a [RESPONSIBLE_EMAIL] con la lista de incidencias. Entrega todo en español y guarda resultados en [OUTPUT_FOLDER].

Cuando usar el modo avanzado en este tutorial: Valioso cuando se requiere reporting frecuente y consolidado de múltiples líneas/plantas, o cuando se desea un flujo automatizado que reduzca intervención manual y errores humanos.

Siguiente paso

Que hacer ahora?

Ahora que has completado este tutorial, hay dos caminos naturales:

Tutorial relacionado · ChatGPT

Explorar mas tutoriales de ChatGPT

Descubre otros casos de uso de ChatGPT para directivos en diferentes funciones y sectores.

Biblioteca completa

Ver todos los tutoriales

Explora los tutoriales del programa organizados por herramienta, funcion y nivel de dificultad.

Para sacarle mas partido: Tras validar el primer ciclo, automatice una comparación semanal entre OEE real y objetivo e incluya un KPI de 'acciones cerradas' para medir la efectividad de las intervenciones propuestas.

Alternativa segura

Puedo hacer esto sin que mis datos salgan de la empresa?

Si. Este caso de uso trabaja con datos que, por su naturaleza confidencial, estrategica o regulada, son candidatos optimos para ejecutarse con un modelo de lenguaje open source desplegado en infraestructura propia (on-premises o nube privada). Con esta configuracion, ningun dato abandona nunca los servidores de tu organizacion y el modelo no puede ser entrenado con tu informacion.

Modelos recomendados

Llama 3.3 70B — Ideal para analisis de documentos largos y generacion de texto estructurado (contexto 128K tokens).

Mistral Large 2 — Excelente para extraccion de informacion y clasificacion con alta precision.

Qwen 2.5 72B — Especialmente potente para analisis de datos tabulares y financieros.

Plataformas de despliegue

Ollama — Para equipos pequenos o uso individual en hardware propio.

vLLM — Para entornos de produccion con multiples usuarios simultaneos.

LM Studio — Para pruebas y uso individual sin configuracion de servidor.

Infraestructura minima

Para un modelo de 70B parametros en produccion:

GPU: 2x NVIDIA A100 40GB o 4x RTX 4090.

RAM: 128GB minimo.

Alternativa cloud privada: AWS Private Cloud, Azure Government o Google Cloud Confidential Computing.

Garantia de privacidad: Con un modelo on-premises correctamente configurado, los datos nunca salen de tu red corporativa, el modelo no se entrena con tu informacion, no hay transferencia internacional de datos y el cumplimiento normativo es total incluso para datos del art. 9 RGPD.

Necesitas implementar esta solucion en tu organizacion?

La configuracion de modelos open source on-premises requiere un proveedor tecnico especializado. Agere puede ayudarte a desplegar esta solucion en tu infraestructura de forma segura, con garantias legales y sin que tus datos salgan nunca de tu organizacion.

Contactar con Agere Conocer Agere