Te cuento una historia que se repite en el norte del país más de lo que crees. Una planta mediana de inyección de plástico en Chihuahua —proveedora de arneses automotrices— traía el scrap en 6.2% y subiendo. La respuesta de la gerencia era la clásica: juntas de regaño cada lunes, letreros de “cero defectos” y presión a los supervisores. El scrap no bajó en ocho meses. Lo que sigue es cómo lo bajaron a menos de la mitad, y por qué la lección aplica si estás buscando cómo reducir el scrap en tu operación: los datos van antes que los regaños.
El antes: todos opinaban, nadie sabía
El registro de defectos vivía en hojas de papel que cada operador llenaba al final del turno, de memoria y con prisa. La mitad de las piezas rechazadas caían en la categoría “otros”. Calidad capturaba las hojas dos días después en un Excel que nadie cruzaba con máquinas, moldes ni lotes de resina.
Resultado: cada junta de lunes era un debate de opiniones. Producción culpaba a la resina del nuevo proveedor. Calidad culpaba al ajuste de las máquinas 4 y 7. Mantenimiento juraba que era el molde viejo. Todos tenían una anécdota; nadie tenía un dato. Y mientras tanto, el 6.2% de scrap costaba unos $340,000 pesos mensuales entre material, tiempo de máquina y retrabajos. Ese número tampoco lo conocían con precisión: lo calculamos juntos en el diagnóstico, y ver el costo real fue lo que destrabó el proyecto.
El cambio: capturar el defecto donde nace
El proyecto fue deliberadamente modesto. Nada de sensores carísimos ni visión artificial en fase uno. Se instaló una tablet por celda con un formulario de 15 segundos: el operador registra la pieza rechazada al momento, elige el tipo de defecto de un catálogo con fotos (adiós a “otros”), y el sistema anota solo la máquina, el molde, el turno, el lote de resina y la hora. Es el tipo de proyecto de automatización de procesos de producción que no busca reemplazar a nadie: busca que el dato nazca limpio y en tiempo real.
A las tres semanas ya había suficiente historia para el primer pareto honesto de la planta. Y el pareto dio tres sorpresas:
- El 61% del scrap venía de 2 de los 14 tipos de defecto (rebaba y piezas incompletas), concentrados en dos moldes específicos, no en las máquinas que todos culpaban.
- El turno nocturno duplicaba el scrap del matutino, pero solo en las primeras dos horas: el ajuste de arranque se hacía al tanteo porque el técnico experimentado trabajaba de día. Se documentó su receta de parámetros y se convirtió en checklist de arranque.
- La resina del proveedor nuevo era inocente. Ocho meses de culparla y los datos la descartaron en un mes. Eso también evitó cambiar de proveedor, que habría costado más caro.
El después: de 6.2% a 2.8% en cuatro meses
Con los dos moldes reparados, el checklist de arranque nocturno y revisiones semanales de 20 minutos frente al tablero (que sustituyeron a la junta de regaños del lunes), el scrap bajó a 2.8% en cuatro meses. En dinero: de $340,000 a unos $150,000 pesos mensuales de pérdida. El proyecto completo —software, tablets y acompañamiento— se pagó antes del tercer mes.
Un efecto secundario que la gerencia no esperaba: los operadores dejaron de esconder defectos. Cuando el registro sirve para arreglar moldes en lugar de señalar culpables, la gente reporta más y mejor. El dato que castiga se oculta; el dato que ayuda se comparte.
La lección: el scrap es un problema de información, luego de disciplina
Casi ninguna planta tiene un problema de gente floja. Tiene un problema de información lenta y sucia: defectos registrados de memoria, categorías vagas, datos que llegan cuando ya no se puede actuar. Los regaños no corrigen un molde desgastado ni documentan el ajuste de arranque. Los datos, sí. Primero mide en tiempo real, después encuentra el patrón, y al final —solo si los datos lo señalan— habla de disciplina. Si además quieres poner el scrap en contexto de eficiencia total, empieza por entender tu OEE: aquí lo explicamos para principiantes, porque scrap, paros y velocidad se analizan mejor juntos que por separado.
Cómo reducir el scrap: checklist accionable
Si quieres replicar el resultado, este es el orden que funciona:
- Calcula cuánto te cuesta el scrap al mes en pesos. Material + tiempo de máquina + retrabajo + inspección. Sin este número, el proyecto nunca será prioridad.
- Captura el defecto donde nace, no al final del turno. Tablet, escáner o papel estructurado si no hay más, pero al momento y por pieza o charola.
- Elimina la categoría “otros”. Catálogo de defectos con fotos, máximo 15 tipos. Si “otros” pasa del 10%, tu catálogo está mal.
- Registra el contexto automáticamente. Máquina, molde/herramental, turno, lote de material, hora. El patrón casi siempre vive en el cruce de dos de estas variables.
- Haz pareto semanal y ataca solo el defecto número uno. Resiste la tentación de arreglar todo a la vez: el 60-70% del scrap suele venir de dos o tres causas.
- Documenta la receta de los buenos. Tu mejor técnico tiene parámetros en la cabeza; conviértelos en checklist antes de que se jubile.
- Cambia la junta de culpas por revisión de tablero. Veinte minutos, datos en pantalla, un acuerdo por semana con responsable y fecha.
¿Traes el scrap arriba del 4% y puras opiniones sobre la causa? En Azterion implementamos la captura en piso y los tableros para que discutas con datos. Escríbenos y te contamos cómo arrancar con una sola línea.
¿Te está sirviendo este análisis?
Recibe 1 correo a la semana con lo más importante de IA, automatización y tecnología para tu negocio — explicado en simple, con cifras en pesos y cero spam.
¿Quieres que esto funcione en tu negocio?
Agenda una sesión gratuita de 30 minutos: revisamos tu caso y te decimos qué conviene hacer (y qué no) — sin compromiso y sin rollo de ventas.
Agendar sesión gratuita →