Proyectos Farol · Energía
Mantenimiento predictivo de cargadores y previsión de la demanda
Ver la degradación antes de que el cargador se pare.
Problema
Averías que solo se detectan cuando ya han ocurrido. Cargadores parados, clientes B2B descontentos, cortes visibles en las apps públicas. Sin capacidad para prever picos ni degradaciones.
Solución
Modelos predictivos sobre el historial de sensores, alarmas y sesiones. Señales tempranas de degradación. Briefing de operaciones diario y automático. Recomendaciones para asignar los equipos de campo.
KPI
- % de incidencias detectadas antes de afectar al cliente
- Tiempo de movilización de los equipos de campo
- Reducción de incumplimientos de SLA
- Disponibilidad percibida por los clientes B2B
Cómo se mide
Cada KPI con línea de base y objetivo.
Las cifras de este proyecto salen de tus datos. Medimos la línea de base en el encuadre, acordamos contigo el objetivo antes de construir y, en producción, medimos los mismos KPI de la misma forma.
- 01Línea de baseMedida en el encuadre, con los datos del proceso tal como funciona hoy.
- 02ObjetivoAcordado con el responsable del caso antes de construir, a partir de la línea de base.
- 03En producciónLos mismos KPI, medidos de la misma forma, comparados con la línea de base.
- % de incidencias detectadas antes de afectar al cliente
- Incidencias con alerta antes de la primera sesión fallida o reclamación, divididas por el total de incidencias.
- Tiempo de movilización de los equipos de campo
- De la alerta a la llegada del equipo al lugar, según las órdenes de servicio.
- Reducción de incumplimientos de SLA
- Incumplimientos de los SLA de disponibilidad acordados con clientes B2B, por mes.
- Disponibilidad percibida por los clientes B2B
- Disponibilidad de los puntos de cada cliente B2B en el periodo, calculada como en el contrato.
Antes de empezar
Requisitos previos y riesgos.
Requisitos previos
- Historial de alarmas, estados y sesiones por punto de recarga, lo bastante largo para contener averías repetidas.
- Registro de las averías e intervenciones pasadas, para entrenar y validar los modelos.
- Un equipo de campo disponible para probar la priorización de las alertas en el piloto.
Riesgos y cómo los tratamos
Falsas alarmas
Demasiadas alertas gastan desplazamientos y el equipo deja de confiar en ellas. El umbral de alerta se calibra en el piloto con el equipo de campo, frente a las averías que ocurrieron de verdad.
Historial corto o incompleto
Sin suficientes averías en el historial, el modelo no aprende a anticiparlas. El encuadre mide lo que existe antes de prometer previsiones.
¿Quieres ver esto en tu operación?
90 minutos contigo y tu equipo. Salimos con 3 oportunidades concretas y el payback estimado.