KPIs Predictivos
Metricas de valor del mantenimiento predictivo incluyendo tiempo anomalia-a-OT, tasa de falsos positivos, porcentaje de OT auto-creadas, downtime no planeado y precision de RUL.
KPIs Predictivos
Los KPIs predictivos cuantifican el valor real que aporta el motor de mantenimiento predictivo. Mientras los dashboards operativos muestran el estado actual, los KPIs predictivos responden a la pregunta de negocio mas importante: el sistema predictivo esta generando ROI medible?
Cada metrica esta disenada para capturar un aspecto diferente del rendimiento del motor: velocidad de detección, precision de alertas, nivel de automatización, impacto en disponibilidad y exactitud de las predicciones de vida util. El periodo de analisis es configurable entre 1 y 365 dias, permitiendo comparar periodos cortos y tendencias anuales.
Estas metricas son el puente entre el comportamiento técnico del algoritmo y los objetivos operativos del negocio.
¿Para qué sirve?
- Medir precisión, recall y adelanto de los modelos predictivos.
- Detectar degradación del modelo antes de que afecte operaciones.
- Reportar ROI del mantenimiento predictivo al negocio.
¿Cómo funciona?
El sistema calcula KPIs (precision, recall, lead-time, false-positive rate) contra el ground truth de órdenes correctivas cerradas. Se actualizan por lote diario.
Para que sirve?
- Demuestra el ROI del mantenimiento predictivo con datos objetivos.
- Identifica si el motor esta generando demasiados falsos positivos (fatiga de alertas).
- Mide el nivel de automatización real del proceso de generacion de OTs.
- Cuantifica la reduccion de downtime no planeado atribuible al sistema.
- Evalua la precision de las predicciones de vida util residual (RUL) contra lo ocurrido.
Cómo funciona?
Metricas disponibles
| KPI | Descripción | Unidad |
|---|---|---|
| Tiempo anomalia-a-OT | Tiempo promedio desde que se detecta una anomalia hasta que se crea una OT | Horas |
| Tasa de falsos positivos | Porcentaje de alertas predictivas que no derivaron en falla real | % |
| % OT auto-creadas | Proporcion de OTs generadas automáticamente por el motor vs. las creadas manualmente | % |
| Downtime no planeado | Horas de parada no programada en el periodo analizado | Horas |
| Precision de RUL | Error absoluto medio entre el RUL predicho y el RUL real al momento de la falla | % |
Tiempo anomalia-a-OT
Mide la velocidad de reaccion del sistema. Un valor bajo indica que el pipeline anomalia → alerta → OT esta funcionando de forma eficiente. Se calcula como la media de todas las transiciones completadas en el periodo.
Tasa de falsos positivos
Una tasa alta indica que el modelo esta siendo demasiado sensible o que los umbrales de probabilidad son bajos. Se calcula dividiendo alertas sin falla confirmada entre total de alertas emitidas.
tasa_fp = alertas_sin_falla / total_alertas * 100Porcentaje de OT auto-creadas
Mide el nivel de autonomia del sistema. A mayor porcentaje, menor carga manual para el equipo de planificacion.
Precision de RUL
Compara la vida util residual predicha en el momento de la intervencion con la vida util real observada. Un error menor al 15% se considera de alta precision para la mayoria de los activos industriales.
Periodo configurable
Todos los KPIs se calculan sobre un periodo seleccionable:
| Periodo | Uso típico |
|---|---|
| 7 dias | Revision semanal operativa |
| 30 dias | Revision mensual de rendimiento |
| 90 dias | Evaluacion trimestral |
| 365 dias | Reporte anual de ROI |
Uso desde el Dashboard
- Ve a Mantenimiento > KPIs Predictivos.
- Selecciona el periodo de analisis en el selector de fechas (1-365 dias).
- El dashboard muestra las cinco metricas con su valor actual y tendencia respecto al periodo anterior.
- Haz clic en cualquier KPI para ver el detalle y el listado de eventos que lo componen.
- Exporta el reporte en PDF o CSV desde el boton Exportar.
Beneficios clave
- Precision y recall por modelo y activo.
- Lead-time medio: ¿con cuánto anticipo alertamos?
- False-positive rate para ajustar thresholds.
- ROI predictivo calculable: horas salvadas × costo/hora.
- Alerta automática cuando el modelo degrada.
Configuración Predictiva
Panel de control per-tenant del motor predictivo: pesos de AHI, grados, umbrales de RUL, probabilidad de falla, ventana del inbox y overrides por tipo de activo. Trazabilidad por config_version.
Monitoreo de Condición
Mantenimiento predictivo ISO 13374 end-to-end: del sensor al pronóstico, con un solo inbox de alertas consolidadas y un índice de salud que combina 5 señales.