IMPACTO DE POWER BI EN LOS INDICADORES DE CALIDAD EN LA INDUSTRIA METALÚRGICA: GESTIÓN INDUSTRIAL DIGITAL UNIFICADA
DOI:
https://doi.org/10.69609/1516-2893.2026.v32.n3.a4316Palabras clave:
Inteligencia de Negocios, Indicadores de Desempeño, Industria Metalmecánica, Gestión de Calidad, Power BIResumen
El presente estudio investiga el impacto de la aplicación de Microsoft Power BI en la consolidación y seguimiento de indicadores de calidad dentro del sector metalmecánico, proponiendo la estructuración de una gestión industrial digital unificada. En un entorno de alta competitividad y rigor técnico, la dispersión de datos operativos en múltiples sistemas y hojas de cálculo dificulta el análisis integral del desempeño e identificación rápida de fallas de producción. Por tanto, el principal objetivo de esta investigación es demostrar cómo el uso de herramientas de Business Intelligence (BI) mejora la toma de decisiones gerenciales mediante la integración de métricas fundamentales, como On Time Delivery (OTD), Parts Per Million (PPM), Global Equipment Effectiveness (OEE) o Global Equipment Efficiency and Lead Time. Metodológicamente, el trabajo se caracteriza como investigación aplicada, con enfoques cualitativos y cuantitativos, de carácter descriptivo y exploratorio, estructurada a partir de una revisión bibliográfica y el diseño de bases de datos para tableros interactivos. El análisis indica que la transición a un modelo de gestión basado en datos proporciona visibilidad en tiempo real del sistema de producción, sirviendo como soporte sólido para la aplicación de herramientas de calidad, como el Análisis de Modos y Efectos de Fallas de Procesos (PFMEA). Se concluye, por tanto, que la centralización de la información promovida por Power BI posibilita el diagnóstico asertivo de anomalías operativas, impulsa la mejora continua y mitiga el desperdicio, aumentando la eficiencia y confiabilidad estratégica de las industrias.
Descargas
Métricas
Citas
ACEMOGLU, D.; RESTREPO, P. (2019). Automation and new tasks: how technology displaces and reinstates labor. Journal of Economic Perspectives, v. 33, n. 2, p. 3–30, 2019.
BALLOU, R. H. Gerenciamento da cadeia de suprimentos/logística empresarial. 5. ed. Porto Alegre: Bookman, 2006.
BENEVIDES, M. P.; OLIVEIRA, M. R.; MOURA, R. A. (2026). Uso da inteligência artificial neurossimbólica no planejamento assistivo de centros urbanos inteligentes . Veredas do Direito, [S. l.], v. 23, n. 7, p. e236205, 2026. DOI: 10.18623/rvd.v23.6205. Disponível em: https://revista.domhelder.edu.br/index.php/veredas/article/view/6205 . Acesso: 7may2026.
CARPINETTI, L. C. R. Gestão da qualidade: conceitos e técnicas. 2. ed. São Paulo: Atlas, 2012.
DAVENPORT, T. H. Big data no trabalho: derrubando mitos e descobrindo oportunidades. Rio de Janeiro: Elsevier, 2014.
DE MOURA, R. A.; BENEVIDES, M. P; et al.; (2025). Neuroergonomia no controle ... e artificial feel e melhor feedback háptico. ARACÊ , [S. l.], v7, n9, pe8071. DOI: 10.56238/arev7n9-139. Disponível em: https://periodicos.newsciencepubl.com/arace/article/view/8071. Acesso 13set2025.
JURAN, J. M.; DE FEO, J. A. Fundamentos da qualidade para líderes. Porto Alegre: Bookman, 2014.
KAGERMANN, H. et al. Recommendations for implementing the strategic initiative Industrie 4.0. Frankfurt: ACATECH, 2013.
MONTGOMERY, D. C. Introdução ao controle estatístico da qualidade. 7. ed. Rio de Janeiro: LTC, 2016.
MOURA, R. A.; VILLARTA, C. J. B.; BENEVIDES, M. P.; RICHETTO, M. R.; ROSA JUNIOR, O.;, SANTOS, D. F. A. (2024). Anthropometry, neuroergonomics and immersive technologies for the workplace’s future: safer, self-sustainable and digital. RGSA, 18(12), e09859. https://doi.org/10.24857/rgsa.v18n12-032
NAKAJIMA, S. Introduction to TPM: total productive maintenance. Cambridge: Productivity Press, 1988.
NUNES, P. R.; SANTOS, L. M. A transição para a Indústria 5.0: O fator humano nos sistemas ciberfísicos. Journal of Industrial Engineering and Innovation, Rio de Janeiro, v. 8, n. 1, p. 112-128, 2022.
OHNO, T. O Sistema Toyota de Produção: além da produção em larga escala. 3ª Edição. Porto Alegre: Bookman, 1997.
OLIVEIRA, M. R.; BENEVIDES, K. G.; RUFINO, L. G. C.; SANTOS, D. A.; BENEVIDES, M. P.; MOURA, R. A. (2025). Direito Digital e sua limitação no uso da inteligência artificial hodierna: um ponto para reflexão e ações requeridas. CLCS, [S. l.], v. 18, n. 7, p. e19679. DOI: 10.55905/revconv.18n.7-341. https://ojs.revistacontribuciones.com/ojs/index.php/clcs/article/view/19679
OLIVEIRA, R. B. P. de; LICHTNOW, D. Uma análise comparativa das ferramentas Microsoft Power BI e Google Data Studio. In: Escola Regional de Banco de Dados (ERBD), 17., 2022, Lages. Porto Alegre: Sociedade Brasileira de Computação, 2022. p. 127-130.
PALADINI, E. P. Gestão da qualidade: teoria e prática. 3. ed. São Paulo: Atlas, 2012.
SLACK, N.; CHAMBERS, S.; JOHNSTON, R. Administração da Produção. 4. ed. São Paulo: Atlas, 2015.
STAMATIS, D. H. Failure Mode and Effect Analysis: FMEA from theory to execution. 2. ed. Milwaukee: ASQ Quality Press, 2003.
TURBAN, E.; SHARDA, R.; DELEN, D.; KING, D. Business Intelligence: um enfoque gerencial para a inteligência do negócio. 2. ed. Porto Alegre: Bookman, 2013.
WOMACK, J. P.; JONES, D. T. A mentalidade enxuta nas empresas: elimine o desperdício e crie riqueza. 8. ed. Rio de Janeiro: Campus, 2009.
YIN, R. K. Estudo de caso: planejamento e métodos. 5. ed. Porto Alegre: Bookman, 2018.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Priscila Sabrina Barbosa , Roque Antônio Moura

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
A submissão de originais para este periódico implica na transferência, pelos autores, dos direitos de publicação impressa e digital. Os direitos autorais para os artigos publicados são do autor, com direitos do periódico sobre a primeira publicação. Os autores somente poderão utilizar os mesmos resultados em outras publicações indicando claramente este periódico como o meio da publicação original.
