En el sector industrial existe una necesidad de optimizar los costes, que se ha visto incrementado por la crisis que azota nuestro país desde el 2008. Esta necesidad, cuando se fabrican bienes de consumo, no se reduce sólo a la fase de fabricación, sino también a la posterior del servicio posventa con un doble objetivo: mejorar el servicio de reparación y el mantenimiento a los clientes optimizando costes para todos.
Para mejorar tus operaciones, reducir costes y maximizar el potencial de tus recursos visita «Operation analytics«. Y para incrementar tu eficiencia comercial, aumentar tus ventas y mejorar la retención de tus clientes visita «Customer intelligence«.
El mantenimiento del producto, ya sea maquinaria, vehículos, líneas de producción, aparatos de A/C o calderas, entre muchos otros, representa un importante gasto. Gasto que se incrementa si tenemos en cuenta el tiempo que la máquina en cuestión no está siendo productiva o, en el caso de bienes de consumo, se generan reparaciones no previstas, derivadas de un mal mantenimiento con el consiguiente coste de imagen para la marca. Si eres un controller del servicio de posventa, seguro que te has hecho alguna de estas preguntas: ¿podría haberme ahorrado las 3 últimas visitas de reparación de esta máquina con una visita preventiva hace 6 meses? ¿se podría haber anticipado la avería de la línea de producción? ¿podría minimizar el número de visitas anuales con motivo de averías gracias a una optimización del momento en el que se realiza el mantenimiento? ¿puedo organizar mejor mis recursos en función del comportamiento modelizado de las máquinas? ¿puedo, por tanto, ofrecer un mejor servicio a mis clientes? …
Durante los últimos años ha surgido una rama dentro del análisis de datos orientada a predecir cuándo una máquina va a fallar, esto es lo que se conoce como mantenimiento predictivo. Estas predicciones nos permiten decidir cuándo es necesario actuar sobre una máquina para prevenir (mantenimiento preventivo) un fallo en el futuro, reduciendo el coste que podría originar el fallo y mejorando el servicio al usuario. Sin embargo, para poder llegar a este nivel de actuación es necesario tener medidas individuales de distintos parámetros (p.ej.: temperatura, vibraciones, gases, tiempo de actividad, ambiente en el que opera, …) para cada uno de los aparatos sobre los que tengamos que realizar el mantenimiento, y estos datos no siempre están disponibles.
Este es el caso de uno de nuestros clientes, BAXI, empresa líder en el sector de la climatización, que busca hacer uso del análisis de datos obtenidos de miles de actuaciones anuales para optimizar su servicio posventa con el objetivo de minimizar las visitas de mantenimiento a la vez que reduce las tasas de incidencias de las calderas y mejora el servicio a sus clientes.
En PiperLab hemos colaborado con BAXI en el desarrollo de un piloto para predecir el volumen de incidencias esperado en un periodo de tiempo a corto plazo. Este es un paso intermedio en el que no podemos predecir “qué” caldera podría fallar, pero sí podemos dar una estimación del número de calderas que podrían fallar. Esto ayuda a gestionar los equipos de posventa para poder dar una respuesta eficaz al cliente a un coste óptimo. También nos permite estudiar periodos o zonas geográficas donde se podrían producir más averías según modelo. Se podrían hacer análisis específicos para descubrir las causas y poder generar planes de acción que reduzcan el volumen de incidencias en el futuro.
Como ejemplo del trabajo realizado durante el piloto y analizando los datos históricos de incidencias se vio que no existía una gran incidencia entre la época del año en que se realiza la revisión de la caldera, y el promedio de incidencias sobre las mismas.
La verdad es que este proyecto ha sido un reto apasionante y muy divertido, en el que hemos aprendido mucho ambas partes. Desde aquí, agradecer a BAXI la confianza que ha depositado en nuestro equipo.
