Minería de Datos para la Optimización de Procesos Industriales en la Manufactura Latinoamericana

Resumen

Este estudio explora la aplicación de técnicas de minería de datos y aprendizaje automático para la optimización de procesos industriales en América Latina, con énfasis en el contexto de la industria 4.0. A partir de datos simulados representativos de operaciones reales, se implementaron metodologías estadísticas avanzadas, incluyendo modelos de imputación, selección de variables, análisis de componentes principales (PCA), clustering y modelos predictivos como XGBoost y SVM. Los resultados revelan que variables como el tiempo de entrega (Lead Time), el tiempo medio entre fallas (MTBF) y las emisiones de CO₂ tienen impacto directo sobre la tasa de defectos por millón (PPM), destacando la interrelación entre factores logísticos, de mantenimiento y ambientales. El análisis de clustering permitió identificar tres perfiles operativos diferenciados por eficiencia energética y calidad, lo que facilita intervenciones focalizadas. A pesar del alto rendimiento del modelo XGBoost, se advierte posible sobreajuste, por lo que se recomienda validación cruzada. Las tendencias temporales no mostraron estacionalidad significativa, lo que sugiere una mayor influencia de variables internas del proceso. El estudio concluye que la integración de analítica avanzada, mantenimiento predictivo e inteligencia artificial puede mejorar significativamente la competitividad, sostenibilidad y calidad en los entornos manufactureros de América Latina.