Optimization of Maintenance Strategies for Leased Equipment Considering Learning Effects and Spare Parts Inventory

En el mundo moderno de la industria pesada y la construcción, las máquinas masivas como excavadoras y grúas suelen ser demasiado caras para comprarlas directamente. En su lugar, las empresas las alquilan, creando una asociación entre el propietario de la máquina y la empresa que la utiliza. Este arreglo funciona bien solo si el equipo sigue en funcionamiento. Cuando una máquina se avería, el usuario pierde dinero porque su trabajo se detiene, mientras que el propietario pierde dinero porque debe pagar las reparaciones. El desafío central en esta relación es decidir con qué frecuencia se le debe realizar el mantenimiento a la máquina antes de que falle. Si el propietario le realiza el mantenimiento con demasiada poca frecuencia, la máquina fallará a menudo, enfadando al usuario. Si le realiza el mantenimiento con demasiada frecuencia, la máquina estará inactiva demasiado tiempo, desperdiciando tiempo y dinero para ambas partes. Además, cuando se necesita una reparación, la velocidad de la misma depende de si se dispone de las piezas de repuesto adecuadas y de cuánto haya progresado la destreza del equipo de reparación a través de la experiencia.

Investigadores de la Universidad de Tecnología de Anhui se propusieron resolver este complejo rompecabezas construyendo un modelo detallado de cómo funcionan estas relaciones de alquiler. Se centraron en dos factores específicos que a menudo se pasan por alto en la planificación tradicional: el "efecto de aprendizaje" y la gestión del inventario de piezas de repuesto. El efecto de aprendizaje describe cómo un equipo de reparación se vuelve más rápido y eficiente cuanto más veces repara el mismo tipo de máquina, simplemente porque gana experiencia. El inventario de piezas de repuesto se refiere al stock de componentes de reemplazo que un arrendador mantiene listo para asegurar que una máquina averiada pueda repararse inmediatamente sin esperar un envío. Los investigadores querían saber cómo interactúan estos dos factores y cómo pueden utilizarse para alinear los intereses del propietario de la máquina y del arrendatario, asegurando que ambas partes tomen decisiones que beneficien a todo el sistema en lugar de solo a sí mismas.

El estudio comenzó mapeando las realidades financieras para ambos lados. El propietario de la máquina quiere minimizar el costo de las reparaciones y el tiempo dedicado a arreglar las cosas, mientras que el arrendatario quiere maximizar el tiempo en que la máquina está realmente trabajando para generar ingresos. En un acuerdo de alquiler típico, estos objetivos chocan. El propietario puede retrasar el mantenimiento para ahorrar dinero, pero esto aumenta el riesgo de averías que perjudican al arrendatario. Para comprender el mejor enfoque, los investigadores crearon dos escenarios diferentes. En el primero, el propietario y el arrendatario toman decisiones de forma independiente, cada uno tratando de maximizar su propio beneficio. En el segundo, actúan como un solo equipo, tomando decisiones para maximizar el beneficio total de la asociación.

Cuando los investigadores simularon el escenario independiente, descubrieron que las dos partes elegían naturalmente programas de mantenimiento diferentes. El arrendatario, preocupado por minimizar el consumo de tiempo y la carga de costos asociados con el mantenimiento, tendía a elegir una frecuencia de mantenimiento significativamente menor. Por el contrario, el propietario, equilibrando los costos de mantenimiento con las ganancias en fiabilidad, optó por una frecuencia mucho mayor. Esta desalineación significaba que la máquina no estaba siendo atendida al nivel óptimo para todo el sistema; específicamente, la frecuencia preferida por el arrendatario estaba muy por debajo del óptimo del sistema, mientras que la del propietario estaba muy por encima de este. Sin embargo, cuando los investigadores introdujeron el efecto de aprendizaje en el modelo, el panorama cambió. A medida que el equipo de reparación ganaba experiencia, el tiempo y el costo requeridos para cada tarea de mantenimiento disminuían. Esta mejora hizo que fuera más atractivo para el propietario realizar el mantenimiento con más frecuencia, lo que a su vez mejoró la fiabilidad de la máquina y aumentó las ganancias del arrendatario. El estudio mostró que, a medida que crecía el nivel de habilidad del equipo, el número óptimo de revisiones de mantenimiento aumentaba y el beneficio total para todos involucrados subía.

Los investigadores también examinaron el papel de las piezas de repuesto. Descubrieron que tener un stock de piezas de repuesto a mano reducía significamente el riesgo de largas demoras cuando una máquina se averiaba. Esta disponibilidad permitía reparaciones más rápidas, lo que significaba menos tiempo de inactividad para el arrendatario y una mayor continuidad operativa. Curiosamente, la presencia de piezas de repuesto cambió la estrategia de mantenimiento. Con las piezas disponibles, el arrendatario sentía menos presión para exigir controles preventivos frecuentes, lo que llevó a una ligera reducción en el número de eventos de mantenimiento programados. Sin embargo, el propietario, sabiendo que las piezas estaban listas para usarse, estaba más dispuesto a aumentar la frecuencia del mantenimiento para mantener la máquina en óptimas condiciones. Este cambio creó una nueva dinámica donde los beneficios de tener piezas a mano se compartían, pero los costos de mantener ese inventario fueron asumidos inicialmente solo por el propietario.

Para solucionar la desalineación de intereses, el estudio propuso dos estrategias específicas para volver a poner al propietario y al arrendatario de acuerdo. La primera estrategia, llamada política de limitación de fallos, establece un límite estricto al número de veces que una máquina puede averiarse durante el período de alquiler. Si la máquina excede este límite, el propietario paga una penalización. Esto obliga al propietario a invertir más en mantenimiento para evitar la penalización, alineando sus acciones con la necesidad de fiabilidad del arrendatario. La segunda estrategia, el bono por objetivo de tiempo de actividad, funciona en la dirección opuesta. Aquí, el arrendatario promete un bono en efectivo al propietario si la máquina permanece funcionando durante un cierto tiempo. Esto recompensa al propietario por mantener la máquina operativa, fomentando que realice el mantenimiento de forma proactiva.

Las simulaciones revelaron que ambas estrategias podían coordinar con éxito la cadena de suministro, alineando las decisiones independientes del propietario y del arrendatario con el resultado óptimo para todo el sistema. La elección entre las dos depende de la situación específica. Si la máquina es propensa a fallos frecuentes y el costo de una avería es alto, la política de limitación de fallos funciona mejor. Si la máquina se usa intensamente y el costo del tiempo de inactividad es la principal preocupación, el bono por objetivo de tiempo de actividad es más efectivo. El estudio también destacó que el arrendatario debería compartir la carga financiera del inventario de piezas de repuesto. Al proporcionar un subsidio al propietario para el almacenamiento de piezas, el arrendatario asegura que el propietario tenga los recursos para mantener una alta disponibilidad, lo que en última instancia conduce a mayores beneficios para ambas partes.

Los investigadores probaron su modelo con varios escenarios, cambiando factores como la intensidad de uso de la máquina y la duración del período de alquiler. Descubrieron que los períodos de alquiler más largos generalmente conducían a mayores beneficios para todos, ya que los beneficios del aprendizaje y el mantenimiento se acumulaban con el tiempo. Por el contrario, si la máquina se utilizaba de forma muy intensa, la tasa de fallos aumentaba drásticamente y los beneficios comenzaban a caer para ambos lados a menos que se aumentara significativamente el mantenimiento. El estudio confirmó que el efecto de aprendizaje y el inventario de piezas de repuesto no son solo detalles menores; son palancas poderosas que, cuando se gestionan correctamente, pueden convertir una relación de alquiler conflictiva en una asociación altamente eficiente. Al comprender cómo interactúan la experiencia y el inventario, las empresas pueden alejarse de reglas de mantenimiento rígidas y de "talla única" para adoptar estrategias dinámicas que se adapten al rendimiento real de sus equipos.