La pregunta

¿Qué evento externo va a golpear al BRT, y qué hago antes de que llegue?

Qué hace

Lee noticias, redes, clima y el historial en continuo, clasifica cada evento en 5 estágios y recomienda la acción preventiva antes del impacto.

El problema

Mobi Rio opera el BRT de Río de Janeiro: cuatro corredores (TransOeste, TransCarioca, TransOlímpica y TransBrasil), con historial operativo desde 2012. Los eventos externos que golpean al BRT (operativos policiales, tiroteos, lluvias fuertes, protestas, grandes eventos) se detectan cuando ya están en curso. La información existe: está en noticias, redes, alertas de clima y en el propio historial de ocurrencias. Pero vive en bases separadas, nadie la cruza en tiempo real y el aviso llega por ramal telefónico. El cuello de botella no es la cobertura, es la velocidad: sin minutos de anticipación, cada decisión es reactiva.

Cómo lo construimos

Partimos de los casos reales que más costaron y separamos cuatro capas: el historial interno para calibrar, la lectura de fuentes abiertas las 24 horas, el cálculo de probabilidad × impacto y las salidas al mapa, al celular y al panel de gestión. La escala de 5 estágios es la misma del COR-Rio.

Funciones

La pregunta

En preparación.

Qué hace

Próximamente.

El problema

Próximamente.

La pregunta

¿Qué camión toma qué orden, y cuándo queda realmente libre?

Qué hace

Recomienda qué camión toma qué orden, prevé cuándo queda realmente libre y aprende de cada decisión del supervisor.

El problema

Rota B hace transporte dedicado para una operación de abastecimiento: una flota propia que va y vuelve entre una base y varios destinos. Casi la mitad del tiempo de cada orden se pierde antes de que el camión empiece a cargar. El supervisor asigna por intuición, con un panel que muestra solo el último tramo y esconde los reingresos, y un semáforo fijo de 3 horas que se enciende en 4 de cada 10 órdenes: la alerta dejó de distinguir.

Cómo lo construimos

En la reunión, el gerente lo resumió en una palabra: tiempos. Al leer el historial de cada orden etapa por etapa apareció el porqué: el panel reiniciaba el contador en cada reingreso. Separamos dos relojes, el del cliente y el de la flota, y sobre ellos construimos una fila de asignación que recomienda, explica su fundamento y aprende de cada decisión distinta del supervisor.

Funciones

La pregunta

¿Qué hago ahora con esta ocurrencia?

Qué hace

Responde "¿qué hago ahora?" en cada ocurrencia con el criterio de la empresa y convierte lo que pasa en la operación en datos consultables.

El problema

Nortran transporta personas: la carga más crítica que existe. Una operación de transporte de personas con más de 130 vehículos y cerca de 280 conductores en 3 bases. La telemetría vive en plataformas de terceros, las ocurrencias circulan por grupos de WhatsApp y 25 indicadores se completan a mano en un tablero de pared. Ante cada ocurrencia, la respuesta era una sola: llamar al gerente.

Cómo lo construimos

Escuchamos cómo decide el gerente frente a casos reales y leímos el reglamento disciplinario y el manual de operación. Diseñamos un sistema que ordena cada ocurrencia, aplica las reglas de escalonamiento con sus plazos y propone qué hacer citando el criterio del gerente, que queda capturado como activo de la empresa y no de una persona.

Funciones

La pregunta

¿Qué tiene que estar listo, dónde y cuándo, para que la línea no pare?

Qué hace

Sincroniza preparación, montaje y proveedores: marca el punto crítico de cada pedido y arma el calendario desde la cartera.

El problema

Magnus Modular fabrica módulos habitacionales e industriales con lógica automotriz: un área de preparación arma los paquetes (puertas, ventanas, pisos, baños) y la línea de montaje solo ensambla. La línea produce 26 módulos por día y quiere bajar de cerca de 30 a 19 minutos por módulo. La programación se hacía a mano en Excel, con una semana de anticipación en el mejor caso y uno o dos días cuando el cliente apura. Sin registro digital en piso, nadie sabía qué componente frenaba cada pedido y logística despachaba envíos incompletos.

Cómo lo construimos

Partimos de la reunión con el gerente de manufactura y de su planilla de programación. El diagnóstico fue claro: no hacía falta producir más, hacía falta sincronizar. Diseñamos una torre que cruza la cartera con los tiempos por tipo de módulo, marca el componente crítico de cada pedido, arma el calendario de preparación y suma un registro digital simple en piso para que logística vea qué está terminado de verdad.

Funciones

La pregunta

¿Cuánto compro de cada ítem esta semana, y puedo confiar en ese número?

Qué hace

Calcula cuánto comprar o producir de cada ítem cada semana, declara su confianza y aprende del criterio del planificador.

El problema

Topaz Tech vende componentes eléctricos, hidráulicos y de climatización para la construcción, con 1.792 códigos y una parte fabricada por terceros. La planilla que decidía cuánto comprar usaba una demanda que era el 52,5% de la real: cada mes que superaba el promedio se convertía en cero. Resultado: 48 ítems con más pedidos que stock más compras en curso, mientras 277.282 unidades paradas ocupaban el depósito. Y cuando algo faltaba, nadie podía probar si había sido la previsión, el proveedor o compras.

Cómo lo construimos

Hicimos ingeniería inversa de la planilla con código y encontramos la regla que la rompía: los picos no se excluían, se ponían en cero. Reconstruimos la demanda ítem por ítem, cruzamos stock, pedidos y compras en curso y armamos una fila semanal de decisión: cuánto comprar, con qué confianza y por qué. Cada ajuste del analista queda como precedente que la próxima recomendación cita.

Funciones

La pregunta

¿Cuánto producir de cada producto, y a qué cliente no conviene empujarle más?

Qué hace

Limpia el histórico, prevé la demanda por producto y canal y la convierte en un plan integrado de producción y compras.

El problema

Voltra fabrica e importa baterías para autos y motos: cerca de 300 productos que llegan a unos mil distribuidores por cuatro canales, con el tradicional moviendo la mayor parte del volumen. Toda la operación colgaba de un forecast en Excel con una exactitud del 27% por producto. De ese número salían el plan de producción, las compras de importación y las llegadas. El error se descubría tarde, cuando ya era batería fabricada en el almacén, y el histórico estaba contaminado por campañas, bonificaciones y compras adelantadas para cerrar escalones.

Cómo lo construimos

Analizamos cómo se armaba el forecast y qué contenía su histórico. La serie mezclaba demanda real con escasez pasada, campañas y compras adelantadas. Separamos esas capas, medimos la saturación de cada cliente y construimos un pronóstico por producto y canal que avisa antes de que el error llegue a la planta.

Funciones

La pregunta

¿Cuánto me cuesta realmente cada m³ ejecutado?

Qué hace

Apropia horas de máquina y de personal a cada servicio, calcula el costo real por m³ y avisa cuando un frente se desvía.

El problema

Forja Construcciones tiene 10 obras activas, con hasta 50 equipos pesados por obra entre línea amarilla y línea blanca. La empresa no conocía el costo real de cada m³ ejecutado. Las horas de máquina y de personal se anotaban en papel y el gerente las pasaba a Excel al final del día. Una obra anterior se dio por rentable hasta que el relevamiento de costos reveló R$ 8,8 millones de pérdida ya consolidada.

Cómo lo construimos

Seguimos el recorrido del dato: del papel del apuntador a la planilla del gerente. Diseñamos un registro móvil que funciona sin conexión, la apropiación automática de horas-máquina y horas-hombre a cada servicio y un costo real por m³ comparado contra el presupuesto, con alertas y una recomendación de replanteo cuando un frente se desvía.

Funciones

La pregunta

Si mañana se va alguien clave, ¿quién entra y cuándo?

Qué hace

Calcula la cobertura real de cada posición crítica, avisa dónde va a quedar una vacante y muestra el talento que nadie está mirando.

El problema

Grupo Andino sigue 11 posiciones críticas y de liderazgo, con un grupo de 27 colaboradores entre titulares y sucesores. La sucesión de las posiciones críticas se resolvía en planillas y reuniones. Cada posición tenía nombres nominados, pero nadie sabía si esos sucesores estaban listos a tiempo ni si la misma persona cubría varias vacantes a la vez. La cobertura en papel parecía alta; la real, si varias salidas coincidían, era la mitad.

Cómo lo construimos

Ordenamos el plan en tres piezas (posición, persona y nominación) y construimos un motor de cálculo que siempre da el mismo resultado con el mismo dato: disponibilidad, brecha temporal, cobertura real y colisiones. Encima, una capa de IA que prioriza, detecta talento oculto, estima el riesgo de salida y redacta las lecturas para el comité sin inventar números.

Funciones

La pregunta

¿Puedo aprobar esta orden sin pasarme del techo del mes?

Qué hace

Muestra el saldo real cualquier día, frena una orden antes de pasarse del techo y explica cada diferencia entre fuentes.

El problema

Pretenza fabrica prefabricados de concreto y su equipo de mantenimiento cuida más de 150 activos: puentes grúa, extrusoras, usinas. Mantenimiento controlaba un presupuesto anual con dos planillas que nunca coincidían: la del área registra cuando se compromete la compra y la de finanzas cuando llega la factura. El gasto se conocía al mes siguiente, la mayoría de los meses cerraban arriba del techo y nadie veía lo ya comprometido antes de aprobar otra orden.

Cómo lo construimos

Empezamos por la reunión con el gerente y las dos planillas. Al cruzarlas mes por mes apareció la causa: no era un error, era el momento en que cada una registra. Con eso diseñamos una capa que lleva el compromiso, lo ya ordenado y todavía no facturado, y lo descuenta del techo antes de aprobar. Encima, un modelo que explica cada diferencia, agrupa los nombres de los activos y aprende del criterio del gerente.

Funciones