🏭 El Scrap que Crecía en Silencio
Un caso de análisis de datos para ingenieros y gerentes
🎯 Propósito del Ejercicio
Este ejercicio busca que un grupo de ingenieros, analistas y gerentes desarrollen un diagnóstico y una historia basada en datos reales de producción.
Su reto no es solo analizar números, sino comunicar hallazgos de forma clara, estructurada y ejecutiva utilizando los marcos BLUF (Bottom Line Up Front) y SCQA (Situation–Complication–Question–Answer).
Objetivos de Aprendizaje
- Convertir datos en información accionable
- Aplicar marcos de comunicación ejecutiva (BLUF + SCQA)
- Desarrollar habilidades de data storytelling
- Identificar tendencias y señales en datos de producción
🧭 Contexto General
La planta de manufactura TechParts CR produce componentes de precisión para dispositivos médicos. Es una operación estable, con un historial de cumplimiento riguroso ante clientes y auditorías.
⚠️ Señal de Alerta: En los últimos meses, la dirección ha recibido reportes informales que sugieren que el nivel de scrap (desecho) podría estar aumentando.
La Situación Actual
Los operarios lo notan en el día a día, pero el problema no ha sido cuantificado formalmente. Los datos existen: se ha registrado semanalmente la cantidad de unidades producidas y la cantidad de unidades buenas durante 52 semanas consecutivas.
Lo que falta es lo esencial: convertir los datos en información, y la información en comprensión.
Datos Disponibles
📊 Registro Semanal
52 semanas de datos continuos de producción
📈 Unidades Producidas
Total de unidades fabricadas cada semana
✅ Unidades Buenas
Unidades que pasaron inspección de calidad
🔍 Scrap Calculable
Diferencia entre producidas y buenas
⚙️ Situación Actual
Características del Proceso
- Se producen aproximadamente 10,000 unidades por semana
- Se registra el total de unidades producidas y las que pasaron inspección (“unidades buenas”)
- El porcentaje de scrap se calcula, pero nunca se ha graficado ni analizado su evolución
- En reuniones mensuales, se discute el tema, pero sin evidencia clara ni interpretación común
🤔 El Problema: La gerencia percibe que algo ha cambiado, pero no sabe si se trata de variabilidad natural del proceso o de una tendencia real.
Preguntas Sin Respuesta
❓ ¿Hay una tendencia?
¿El scrap está realmente aumentando o es variación normal?
❓ ¿Cuándo comenzó?
¿Existe un punto de cambio identificable?
❓ ¿Qué magnitud tiene?
¿Cuál es el impacto real en costos y producción?
❓ ¿Qué lo causa?
¿Cuáles son las hipótesis más probables?
🚨 Complicación
⚠️ Alerta Crítica: El nivel de scrap ha mostrado incrementos progresivos, especialmente en el último trimestre.
El Problema Real
A pesar de que el costo asociado ya empieza a notarse en los márgenes, el equipo directivo no dispone de un informe claro ni de una historia basada en datos que les ayude a tomar decisiones informadas.
Riesgos Identificados
- Interpretación sin evidencia: Se pueden interpretar síntomas sin separar ruido de señal
- Acciones incorrectas: Se pueden aplicar soluciones que no atacan la causa raíz
- Inacción peligrosa: Se puede ignorar el problema hasta que sea demasiado tarde
- Impacto financiero: Los márgenes ya están siendo afectados
💡 La Oportunidad
Este es el momento perfecto para demostrar el valor del análisis de datos y la comunicación estructurada. Los datos están disponibles, el problema es real, y la dirección está receptiva.
Consecuencias de No Actuar
💰 Impacto Financiero
Pérdida continua de márgenes y rentabilidad
👥 Impacto en Clientes
Riesgo de incumplimiento y pérdida de confianza
🏭 Impacto Operacional
Deterioro progresivo del proceso productivo
📉 Impacto Competitivo
Pérdida de ventaja frente a competidores
💬 Reto para el Grupo
Ustedes —como equipo de ingenieros, gerentes y analistas— deberán trabajar con el conjunto de datos provisto (“Datos_Scrap_Semanal_52_Semanas.csv”) para:
Tareas Principales
1️⃣ Explorar los Datos
Calcular, graficar y describir la evolución del scrap a lo largo de las 52 semanas
2️⃣ Detectar Señales
Identificar si existe una tendencia, estacionalidad o punto de cambio significativo
3️⃣ Construir la Historia
Usar los marcos BLUF + SCQA para presentar un informe ejecutivo claro
🎯 Tres Preguntas Clave a Responder
- ¿Qué está ocurriendo con el scrap? (Descripción basada en datos)
- ¿Qué podría estar explicando esta situación? (Hipótesis fundamentadas)
- ¿Qué acciones o hipótesis deben priorizarse? (Recomendaciones accionables)
Entregables Esperados
- Análisis exploratorio de datos con visualizaciones claras
- Identificación de tendencias y puntos de cambio
- Presentación estructurada usando BLUF + SCQA
- Hipótesis sobre causas raíz del problema
- Recomendaciones priorizadas de acción
📖 Enfoque Recomendado
Marcos de Comunicación
🎯 BLUF (Bottom Line Up Front)
Comience su presentación con la conclusión principal. Evite “viajar por los datos”; llegue rápido al punto clave.
📊 SCQA Framework
Estructure el mensaje en cuatro partes: Situation, Complication, Question, Answer
Estructura SCQA Detallada
S – Situation (Situación)
Describa el contexto y los datos disponibles. Establezca el escenario sin juicios.
- ¿Qué datos tenemos?
- ¿Cuál es el proceso normal?
- ¿Qué se esperaba ver?
C – Complication (Complicación)
Exponga la anomalía, el cambio o el desafío detectado. Aquí es donde presenta el problema.
- ¿Qué cambió?
- ¿Qué no está funcionando como esperado?
- ¿Cuál es el impacto?
Q – Question (Pregunta)
Formule la pregunta que guía la investigación. Esta pregunta surge naturalmente de la complicación.
- ¿Qué necesitamos entender?
- ¿Qué decisión debemos tomar?
- ¿Qué acción se requiere?
A – Answer (Respuesta)
Presente conclusiones basadas en el análisis, visualizaciones y evidencia.
- ¿Qué encontramos en los datos?
- ¿Cuáles son nuestras hipótesis?
- ¿Qué recomendamos hacer?
Principios de Data Storytelling
- Combine hechos con narrativa: Los datos sin contexto son solo números
- Use visualizaciones efectivas: Un gráfico vale más que mil palabras
- Sea claro y conciso: Un directivo debe entender en menos de 5 minutos
- Enfóquese en lo accionable: Cada insight debe llevar a una decisión o acción
- Separe hechos de interpretación: Deje claro qué es dato y qué es hipótesis
🧠 Cierre Motivacional
El caso de TechParts CR representa lo que ocurre en muchas plantas: los datos están ahí, pero sin análisis ni comunicación estructurada se vuelven invisibles.
El desafío es transformar una hoja de cálculo en una historia que despierte acción y permita recuperar el control del proceso.
Leave a Reply