Las desviaciones de calidad intermitentes son difíciles de investigar porque, entre un fallo y el siguiente, el proceso puede parecer normal. Las medias permanecen en sus bandas habituales, la mayoría de los lotes cumplen y pueden pasar horas o campañas enteras entre las pocas unidades afectadas.
La investigación acaba fijándose en la última alarma, la actuación más visible del operador o una correlación calculada con producciones que no son comparables. Ninguna de esas pistas constituye un patrón defendible hasta comparar material afectado y conforme en condiciones que razonablemente puedan considerarse equivalentes.
El trabajo comienza al vincular los resultados de calidad con el material que pasó por el proceso. El contexto operativo debe seguir unido a cada dato mientras se construyen variables trazables y se comprueba si la asociación resiste la segmentación y las verificaciones temporales. Un análisis de desviaciones de calidad intermitentes es una comparación auditable de unidades de producción afectadas y conformes bajo condiciones comparables. Su propósito no es encontrar el coeficiente más alto.
En la fabricación de medicamentos en Estados Unidos, 21 CFR 211.192 exige investigar a fondo las discrepancias no explicadas y los incumplimientos de especificaciones, además de documentar por escrito las conclusiones y el seguimiento (21 CFR 211.192). Los demás sectores deben aplicar sus propios requisitos legales y de calidad.
Este artículo amplía los cinco análisis con un historiador de planta. Aquella guía ayuda a elegir una pregunta útil para el historiador. Aquí la pregunta ya está fijada: ¿por qué una desviación de calidad aparece solo a veces y qué evidencia justificaría la siguiente prueba controlada?
La respuesta requiere algo más que datos del historiador. Los registros del historiador, del MES, del laboratorio o sistema de calidad, de las materias primas, de las condiciones ambientales y de los cambios deben coincidir en el lote, la campaña, el equipo, el estado y el momento correctos para el material.
Define la comparación antes de recopilar variables
Empieza por la respuesta de calidad y la unidad de producción. La respuesta puede ser un valor de laboratorio, una categoría de inspección, un recuento de defectos o una clasificación conforme/no conforme. La unidad puede ser un lote, una bobina, un rollo, un palé, un elemento identificado individualmente o un intervalo acotado de producción continua.
No dejes que la comodidad de las marcas de tiempo decida la unidad. Si el registro de calidad pertenece a un lote, la tabla analítica debe conservar esa identidad.
Antes de abrir el visor de tendencias, escribe una frase de comparación: “Para este producto y esta especificación, comparar lotes afectados y conformes fabricados en el mismo equipo y en estados operativos equivalentes, teniendo en cuenta el tiempo de residencia del material”.
Así queda definida la población. Añade la campaña cuando la limpieza, el estado del equipo o el material acumulado puedan arrastrar efectos entre lotes. Incluye el grado de producto, la receta, el formato de envasado o la especificación del cliente si alguno modifica la respuesta esperada.
El primer error analítico suele ser mezclar contextos. Un coeficiente calculado entre productos puede reflejar diferencias de receta. Una media de toda la línea puede ocultar una ruta concreta del equipo. Un efecto de campaña puede confundirse con uno de materia prima porque el lote de material cambió justo al cambiar la campaña.
ICH Q9(R1) indica que las preguntas de riesgo deben recoger los supuestos pertinentes y la información de contexto. También relaciona la formalidad del trabajo de gestión de riesgos para la calidad con la incertidumbre, la importancia y la complejidad (ICH Q9(R1)). Estos principios se aplican directamente al definir la comparación.
En la fabricación de medicamentos en Estados Unidos, el perímetro de comparación también determina qué evidencias entran en la investigación escrita que exige 21 CFR 211.192. La guía de la FDA recomienda asimismo un programa continuo para recopilar y analizar datos de producto y proceso relacionados con la calidad. Por eso, la población y la ventana temporal elegidas deben poder reproducirse a medida que llega nueva producción (validación de procesos de la FDA).
Separa los estados afectado, conforme e indeterminado. “Conforme” debe referirse al mismo método de ensayo y a la especificación aplicable, no a la simple ausencia en una lista de desviaciones. Un lote sin ensayar no es un lote bueno. El resultado de una repetición del ensayo tampoco debe reemplazar sin dejar rastro el resultado original. Si una investigación cambia después la clasificación, conserva tanto la observación inicial como la decisión controlada.
Fija el límite temporal a partir del conocimiento del proceso. Incluye historial suficiente para abarcar campañas relevantes, cambios de material, mantenimiento, condiciones estacionales y periodos conocidos de funcionamiento conforme. Evita reglas fijas como treinta días. Una línea corta de gran capacidad y un proceso por lotes estacional necesitan ventanas de evidencia distintas. Explica qué queda fuera de la ventana y por qué.
Este límite importa porque las decisiones de calidad pueden afectar a la seguridad del producto, su liberación y el cumplimiento normativo. El artículo no ofrece asesoramiento sobre liberación, aspectos legales o cambios de proceso. En entornos regulados, los responsables de calidad e ingeniería deben aplicar el procedimiento aprobado y los requisitos de su jurisdicción. ICH Q9(R1) también aclara que la gestión de riesgos para la calidad no elimina la obligación de cumplir los requisitos reglamentarios (ICH Q9(R1)).
Construye una única tabla de evidencia alineada por lote
Un registro analítico defendible contiene una fila por unidad de producción con un resultado de calidad asociado, además de información de procedencia suficiente para reconstruir cada valor. Conserva identificadores de lote, campaña, producto, ruta del equipo, estado operativo, método de calidad, momento de toma de muestra y resultado.
Añade el sistema de origen, la versión de la consulta o exportación, la hora de extracción, las unidades y cualquier conversión aplicada. Una tabla en formato ancho puede facilitar el análisis, pero el linaje debe seguir disponible en un diccionario complementario o una tabla de variables en formato largo.
Combina seis familias de evidencia. El historiador aporta valores de proceso y estados de los equipos. El MES aporta órdenes, rutas, recetas, genealogía de lotes, límites de fase y eventos de producción. Los sistemas de laboratorio o calidad aportan la identidad de la muestra, el método, el resultado, la especificación, las repeticiones del ensayo y la disposición.
Los registros de materiales aportan proveedores y lotes de materias primas. Los sistemas ambientales recogen las condiciones relevantes para el proceso. Los registros de cambios incluyen ajustes de consignas, recetas, calibración, mantenimiento, software, procedimientos e instrucciones temporales.
Wayne Matthews describe los historiadores modernos como receptores de datos procedentes de sistemas de control y supervisión, laboratorio, gestión empresarial y activos (ISA sobre entradas del historiador). Esa amplitud no convierte al historiador en la fuente de referencia para todos los campos. Documenta qué sistema es la fuente oficial de cada identificador y cómo se resuelven los conflictos. La hora de toma de una muestra y la hora de introducción del resultado en laboratorio, por ejemplo, responden a preguntas distintas.
Alinea la muestra con el material, no con el momento en que el resultado pasó a estar disponible.
La guía de ISA sobre medición dice que los resultados de laboratorio deben conservar la hora de toma de la muestra, pues el análisis puede realizarse más tarde, y relaciona la correcta referencia temporal de la muestra con la comparación con mediciones en línea (ISA sobre tiempos de medición).
Después hay que tener en cuenta el tiempo de residencia entre el punto de medición del proceso y la muestra u observación de calidad.
El tiempo de residencia puede ser fijo, estimarse a partir del caudal y el inventario, definirse mediante las fases del lote o representarse como un intervalo plausible. Documenta el método y su incertidumbre. En colas, circuitos de retorno, depósitos con mezcla y rutas paralelas, un único desfase puede transmitir una precisión falsa. Utiliza un intervalo, una lógica específica por ruta o excluye la variable hasta que ingeniería pueda justificar la correspondencia.
La guía de la FDA sobre validación de procesos recomienda un programa continuo para recopilar y analizar datos de producto y proceso relacionados con la calidad. Menciona los materiales recibidos, el material en proceso, los productos terminados, las tendencias de proceso relevantes y los datos sometidos a revisión estadística (validación de procesos de la FDA). Aunque la guía se dirige a la fabricación de medicamentos, sus categorías de datos sirven como comprobación disciplinada para cualquier tabla de evidencia de planta.
Conserva los datos con problemas mediante un estado; no los elimines en silencio. Entre las etiquetas útiles figuran “ausente”, “obsoleto”, “sustituido”, “introducido manualmente”, “fuera de servicio”, “comprimido”, “fuera de calibración” y “marca de tiempo corregida”.
Mantén la extracción original en modo de solo lectura. Guarda la lógica de unión, la zona horaria, el tratamiento del cambio de hora, la política de duplicados, las conversiones de unidades y la lista de exclusiones. Quien revise la investigación debe poder reconstruir por qué el lote A recibió un valor y el lote B recibió otro.
Termina reconciliando el número de filas. Cuenta las unidades de calidad del origen, las unidades sin correspondencia, las coincidencias duplicadas, las unidades excluidas y las filas analíticas finales. Desglosa esos recuentos entre estados afectado y conforme. Un modelo construido sobre un subconjunto depurado puede inducir a error si la mayoría de las unidades afectadas no llegó a enlazarse.
Crea variables que otro revisor pueda auditar
Los datos brutos del historiador rara vez coinciden con el mecanismo investigado. Conviértelos en variables ligadas a hipótesis de ingeniería: media, rango, desviación típica o pendiente por fase; tiempo de permanencia; tiempo por encima de un umbral aprobado; número de transiciones de estado; máximo; tiempo desde la limpieza; o diferencia entre mediciones aguas arriba y aguas abajo.
No empieces creando cientos de agregados anónimos. Cada variable necesita nombre, significado físico, identificadores de origen, ventana temporal, regla de agregación, unidades, tratamiento de ausencias y versión.
Utiliza fases del proceso y ventanas de material. Una temperatura media de lote que mezcle carga, reacción, mantenimiento y descarga puede borrar la única variación relevante. Calcula valores específicos por fase cuando la definición del proceso lo permita.
En producción continua, desplaza la ventana según el tiempo de residencia y prueba retardos plausibles próximos. Indica que un barrido de retardos es exploratorio: escoger el que ofrece la correlación más fuerte después de revisar muchos aumenta la posibilidad de seleccionar un resultado fortuito.
El rango y la variabilidad suelen aportar más que la media. Dos lotes pueden tener la misma temperatura media aunque uno sufriera oscilaciones o una excursión breve. Conserva el mínimo y el máximo, pero considera también una medida robusta de dispersión, la velocidad de cambio, el tiempo fuera de una región operativa definida y el comportamiento de la salida del controlador. No confundas un límite de especificación con un umbral estadístico o un rango de proceso validado.
La autocorrelación cambia la evidencia efectiva. NIST explica que un gráfico de autocorrelación compara observaciones con distintos retardos y que muchas conclusiones estadísticas habituales dependen del supuesto de aleatoriedad (gráfico de autocorrelación de NIST). La autocorrelación implica que los valores consecutivos del historiador no aportan la misma información independiente que un número igual de unidades de producción separadas. Compruébala en las variables originales y, sobre todo, en los residuos del modelo.
Si el mismo barrido de un sensor aporta cientos de puntos casi duplicados a un lote, no permitas que ese lote domine. Agrega los datos al nivel de la unidad de producción o aplica un método de series temporales que represente la dependencia. Informa del número de lotes o unidades como recuento de unidades analíticas, junto al número de puntos originales. Son cifras distintas y responden a preguntas diferentes.
Las variables derivadas de cambios exigen la misma disciplina. “Después del mantenimiento” es demasiado impreciso. Guarda el identificador del registro de cambio, el activo afectado, la fecha y hora de entrada en vigor, el alcance aprobado y la primera unidad de producción expuesta.
Para una calibración o sustitución de sensor, conserva la configuración anterior y la nueva. Para materias primas, mantén la genealogía entre mezclas y sustituciones. Para el entorno, utiliza las condiciones del paso del proceso en el que podrían influir, no una media diaria de planta elegida porque resulta fácil de exportar.
La ingeniería de variables debe terminar con un catálogo revisable. Calidad comprueba la respuesta y la lógica de clasificación. Ingeniería de procesos verifica el mecanismo, la fase, el retardo y las unidades. El propietario de los datos revisa el linaje y las marcas de tiempo. Una persona experta en estadística o con la formación adecuada examina la dependencia, la multiplicidad y los supuestos del modelo.
La guía de la FDA sobre validación de procesos recomienda que personal con formación suficiente en control estadístico de procesos prepare el plan de recogida de datos y los métodos empleados para evaluar la estabilidad y la capacidad del proceso (validación de procesos de la FDA).
Comprueba si el patrón resiste el contexto
Empieza por gráficos, no por una tabla de correlaciones ordenada. Para cada variable plausible, representa la respuesta de calidad frente a ella y distingue visualmente si la unidad está afectada, además del producto, el equipo, la campaña y el estado operativo. Muestra los puntos originales.
Una recta ajustada sin los puntos puede ocultar agrupaciones, huecos, formas no lineales y un único lote influyente. NIST indica que los diagramas de dispersión pueden revelar relaciones lineales o no lineales, cambios en la variación y valores atípicos (diagramas de dispersión de NIST).
Un diagrama de dispersión muestra asociación, nunca causalidad. NIST señala que la asociación no implica causalidad y que un diagrama de dispersión no puede demostrar una relación de causa y efecto (diagramas de dispersión de NIST). Una correlación nunca autoriza un cambio de proceso. Puede justificar una pregunta mejor, una comprobación de datos o una prueba aprobada.
A continuación, condiciona la relación. Vuelve a representarla dentro de cada producto, equipo, estado operativo, campaña y rango relevante de una tercera variable. Calcula correlaciones condicionadas por rangos solo si cada intervalo contiene suficientes unidades comparables y no se ha elegido para fabricar un resultado. NIST define el gráfico condicionado como una vista de dos variables dentro de grupos de una tercera, y señala que puede revelar si la relación depende de esa tercera variable (gráficos condicionados de NIST).
La segmentación permite detectar mejor la confusión. Una correlación positiva agrupada puede debilitarse, desaparecer o invertirse dentro de cada producto. Un lote de material puede parecer asociado al fallo porque solo se utilizó en una ruta del equipo. La humedad ambiente puede seguir el calendario estacional de recetas en lugar de un mecanismo físico relacionado con la humedad. El resultado segmentado tampoco es causal por sí mismo. Solo muestra qué explicaciones siguen siendo compatibles con los registros.
Comprueba los retardos a partir del conocimiento del proceso y prueba la sensibilidad. Si la asociación entre variable y resultado aparece solo con un retardo físicamente inverosímil, mírala con escepticismo. Si varios retardos cercanos y razonables producen resultados parecidos, informa del intervalo en vez del coeficiente más favorable. Reserva campañas o producción posterior para confirmar cuando el volumen de datos lo permita. No presentes las mismas filas como descubrimiento y confirmación.
El análisis multivariante puede comenzar con regresión múltiple para una respuesta continua o regresión logística para una desviación binaria. Incluye variables porque el modelo del proceso las respalda, no porque una selección automática las haya retenido. Examina residuos, términos no lineales, interacciones, correlación entre variables explicativas, unidades influyentes, patrones de datos ausentes y rendimiento por producto y equipo. Informa de la incertidumbre y los modos de error, no solo del ajuste.
Los métodos de componentes principales pueden resumir variables de proceso relacionadas entre sí, y los mínimos cuadrados parciales pueden vincular muchas variables explicativas relacionadas con una respuesta. Sus puntuaciones y cargas siguen necesitando interpretación de ingeniería.
NIST incluye componentes principales, agrupación y clasificación entre las técnicas multivariantes para identificar estructuras de correlación, aunque advierte que su manual trata este análisis de forma somera (resumen de técnicas multivariantes de NIST). Un componente latente sirve para cribar hipótesis, no es una causa raíz.
Utiliza remuestreo o particiones de validación que respeten los límites temporales y de campaña. Una división aleatoria de filas consecutivas puede hacer que condiciones casi idénticas aparezcan en los conjuntos de entrenamiento y prueba. Compara el modelo multivariante con un modelo de referencia segmentado sencillo. Si el modelo complejo aporta poco o falla en una campaña posterior, prefiere la explicación más simple. El análisis debe seguir siendo repetible y útil para la investigación.
Pasa del análisis exploratorio a una decisión controlada
El caso 4 es solo un escenario ilustrativo. Una planta observa desviaciones de calidad intermitentes durante varias campañas. La revisión de tendencias sugiere que una variable de proceso y un atributo del material varían junto con el resultado, pero únicamente en una ruta del equipo y dentro de un rango operativo. El escenario no atribuye a ninguna planta mediciones, coeficientes, resultados, evidencia de clientes ni conclusiones causales.
El equipo verifica primero la genealogía de lotes, la hora de toma de muestras, la alineación por tiempo de residencia, el estado del sensor y las fechas de entrada en vigor de los cambios de material y mantenimiento. Después reproduce los diagramas de dispersión por producto, equipo, estado y campaña.
La asociación conjunta se debilita tras segmentar, mientras permanece un patrón condicionado por un rango. El patrón restante se convierte en una hipótesis sobre un mecanismo. No se convierte en una orden para cambiar el proceso.
La herramienta debe ajustarse a la madurez del método. El visor de tendencias del historiador permite inspeccionar tiempos, estados y anomalías sin procesar. SQL versionado sirve para extraer y unir tablas repetibles. Excel es adecuado para filtros acotados, tablas dinámicas, diagramas de dispersión y reconciliaciones.
Python o Jupyter resultan útiles cuando hacen falta flujos auditados de variables, sensibilidad a retardos, diagnósticos y reejecuciones de análisis multivariantes. Lleva el análisis a BI solo después de estabilizar las definiciones, la propiedad de los datos, el comportamiento de actualización y las exclusiones.
No conviertas el primer cuaderno en un sistema automático de decisión. Fija la versión de entrada, el catálogo de variables, el código de análisis, las versiones de paquetes y la salida. Guarda los gráficos junto con sus filtros y recuentos de unidades. Vincula cada asociación candidata con la evidencia contradictoria y las comprobaciones pendientes. Registra quién revisó la correspondencia de los datos, la estadística, el mecanismo del proceso, el impacto en calidad y la prueba propuesta.
Una prueba aprobada debe distinguir la hipótesis de alternativas creíbles sin salir de los límites de seguridad, calidad, estado validado y control de cambios. NIST separa correlación y causalidad, y remite a los experimentos diseñados cuando se pretende establecer relaciones causales (diseño experimental de NIST). El diseño, la ventana operativa, las mediciones, las reglas de parada, la disposición del producto y las aprobaciones dependen de los procedimientos y el riesgo de cada planta.
La guía de la FDA sobre validación de procesos indica que deben evaluarse las observaciones inesperadas y las no conformidades de fabricación. Los informes deben describir con suficiente detalle las acciones correctivas o los cambios, con las revisiones y aprobaciones correspondientes (validación de procesos de la FDA). ICH Q9(R1) pide métodos de riesgo documentados, transparentes y reproducibles, además de una revisión continua cuando aparecen nuevos conocimientos o llegan resultados de investigaciones de fallos (ICH Q9(R1)).
La cadena operativa termina aquí: asociación → hipótesis → prueba aprobada → cambio controlado (diseño experimental de NIST). Si una prueba refuta la hipótesis, conserva sus condiciones y datos. Si la respalda, aún hace falta una revisión controlada antes de implantar el cambio. Ni la correlación, ni la significación estadística, ni la precisión del modelo, ni una similitud visual repetida conceden autoridad para modificar el proceso.
Preguntas frecuentes
¿Cuántos lotes conformes y afectados necesito?
No hay un mínimo universal. Usa todas las unidades afectadas y conformes que sean comparables, indica el número resultante y trata los grupos pequeños como indicios, no como estimaciones estables.
El recuento de evidencia debe hacerse por unidad de producción. Cientos de valores consecutivos de un sensor no convierten unos pocos lotes en una base de evidencias amplia e independiente. NIST señala que muchas conclusiones estadísticas habituales dependen del supuesto de aleatoriedad; comprueba la autocorrelación e indica tanto el número de lotes como el de puntos originales (gráfico de autocorrelación de NIST).
¿Puede una correlación fuerte identificar la causa raíz?
No. Una correlación fuerte es una asociación que puede respaldar una hipótesis. La confusión, la dependencia temporal, el error de medida o una acción de control pueden producir el mismo patrón.
NIST fija el límite con claridad: la asociación no implica causalidad y un diagrama de dispersión no puede demostrar una relación de causa y efecto (diagramas de dispersión de NIST). Cuando hace falta evidencia causal, NIST remite a los experimentos diseñados (diseño experimental de NIST); la prueba sigue sujeta a las aprobaciones y a los límites de seguridad, calidad y control de cambios de la planta.
En la gestión de riesgos para la calidad, ICH Q9(R1) pide además métodos documentados, transparentes y reproducibles. Un coeficiente no sustituye esa revisión (ICH Q9(R1)).
¿Debo eliminar los datos de arranque y cambio de campaña?
No los borres por defecto. Etiqueta el estado operativo, analiza ese estado por separado cuando proceda y documenta cada exclusión con su motivo, responsable y efecto en el resultado.
El arranque y el cambio de campaña pueden ser estados operativos relevantes, no ruido. ICH Q9(R1) indica que las preguntas de riesgo deben recoger los supuestos pertinentes y la información de contexto. Conserva por tanto la etiqueta de estado y haz que cualquier exclusión pueda revisarse (ICH Q9(R1)).
El enfoque de verificación continua de la FDA incluye las tendencias relevantes del proceso, otro motivo para conservar el estado operativo antes de comparar unidades (validación de procesos de la FDA).
¿Cuándo conviene pasar el análisis de Excel a Python?
Hazlo cuando las uniones, los cálculos de retardos, las versiones de las variables, las reejecuciones del análisis o los diagnósticos del modelo resulten difíciles de reproducir y revisar con fiabilidad en el libro.
¿Qué autoriza a cambiar un ajuste del proceso?
Solo el procedimiento aprobado de prueba y control de cambios de la planta puede autorizarlo. Una correlación, un cuadro de mando o la puntuación de un modelo no conceden esa autoridad.
La guía de la FDA sobre validación de procesos indica que deben evaluarse las observaciones inesperadas y las no conformidades de fabricación. Los informes deben describir las acciones correctivas o los cambios con las revisiones y aprobaciones correspondientes (validación de procesos de la FDA). La decisión la sostiene esa vía documentada, no el resultado analítico.
Si se busca evidencia causal, NIST remite a los experimentos diseñados; el procedimiento aprobado de la planta sigue definiendo el diseño y sus límites (diseño experimental de NIST).