En la industria minera, el tratamiento de mineral es una métrica crítica. Para entender por qué no se alcanzó una meta o cómo se superó, se utilizan gráficos Waterfall. Estos gráficos muestran cómo una línea de base inicial se ve afectada secuencialmente por factores positivos (ganancias de rendimiento) y negativos (fallas, paradas, stockpiles bajos).

Las aplicaciones Power BI y Tableau tienen gráficos para esto, como Data Scientists a menudo necesitamos la reproducibilidad y flexibilidad que ofrece R. En este post, replicaremos un gráfico waterfall del rendimiento de una planta de concentrado de cobre utilizando ggplot2.

Desafío: Replicar el gráfico de rendimiento de una planta de concentrado en R

Figura 1: Gráfico waterfall del Tratamiento Planificado (Feb-26) vs. el Tratamiento Real, con todas las desviaciones intermedias.

Primero hay que leer los datos del gráfico original. En un flujo de trabajo real, estos datos vendrían de una base de datos de producción, en este ejemplo los codificaremos manualmente.

Nota: Es necesario la columna de Inicio y Fin en cada barra para que el comando geom_rect funcione.

library(tidyverse)

1. Definir los datos secuenciales según la imagen y convertir el factor ordenado (eje x / orden secuencial)

datos_waterfall <- tribble(
  ~factor, ~valor, ~tipo,
  "Tratamiento Feb26 Plan", 1639, "Total inicial",
  "Rend. Molienda", 107, "Ganancia",
  "Equipo Programado", 383, "Ganancia",
  "Equipo No Programado", -117, "Pérdida",
  "Proceso Programado", -7, "Pérdida",
  "Proceso No Programado", -243, "Pérdida",
  "Bajo stockpile / Condición mineral", -103, "Pérdida",
  "Stand By", 0, "Neutro",
  "Tratamiento Real", 0, "Total final" #Calculo automático
) %>% mutate(factor = fct_inorder(factor))

2. Transformar datos

Calcular Inicio y Fin de cada barra. Esta es la parte clave. Para un gráfico waterfall, cada barra debe comenzar donde termina la anterior. geom_col no lo hace automáticamente; necesitamos geom_rect, aunque necesita las coordenadas ymin y ymax.

Utilizaremos la función accumulate() de la librería purrr (parte de tidyverse) para calcular estos valores de forma limpia.

waterfall_df <- datos_waterfall %>%
  mutate(
    fin = accumulate(valor, `+`),
    inicio = lag(fin, default = 0)
  )

3. Ajustar los totales iniciales y finales

# En el gráfico original, las barras de 'Total' suben desde cero.
waterfall_df$inicio[1] <- 0
waterfall_df$inicio[nrow(waterfall_df)] <- 0

# El total final debe usar el valor final acumulado
waterfall_df$valor[nrow(waterfall_df)] <- waterfall_df$fin[nrow(waterfall_df)]

4. Generar el gráfico

Crear el Gráfico con ggplot2, usando geom_rect. También personalizaremos los colores para que coincidan (aproximadamente) con la paleta de la imagen original (Verdes para ganancia, Naranjas/Rojos para pérdida, Azules para totales).

ggplot(waterfall_df, aes(xmin = factor, xmax = factor, ymin = inicio, ymax = fin, fill = tipo)) +
  # Usamos geom_rect para las barras
  geom_rect(aes(xmin = as.integer(factor) - 0.4,
                xmax = as.integer(factor) + 0.4),
            color = "white", # Borde blanco
            size = 0.5) +
  # Añadir etiquetas de valor encima/debajo de las barras
  geom_text(aes(x = factor, y = fin,
                label = ifelse(valor == 0, 0, valor)), # Mostrar el cero de Standby
            vjust = ifelse(waterfall_df$valor >= 0, -1, 1.5), # Posición =/-
            size = 2.5, fontface = "bold") +
  # Personalización de colores (replicando la paleta de la imagen)
  scale_fill_manual(values = c(
    "Total inicial" = "#435970",  
    "Total final" = "#435970",    
    "Ganancia" = "#5D8579",      
    "Pérdida" = "#C15214",       
    "Neutro" = "lightgrey"
  )) +
  # Personalización de Ejes y Estilo
  scale_y_continuous(expand = expansion(mult = c(0, 0.1))) + # Añadir espacio arriba para etiquetas
  coord_cartesian(ylim = c(0, NA)) + #limites eje y
  labs(
    title = "Waterfall tratamiento planta de Concentrado Feb-26",
    subtitle = "R/ggplot2",
    x = "",
    y = "kt") +
  scale_x_discrete(labels = function(x) str_wrap(x, width = 12)) + 
  theme_minimal() +
  theme(
    axis.text.x = element_text(angle = 0, hjust = 0.5, size = 8, lineheight = 0.8), # Rotar etiquetas de factor
    legend.position = "none", # Ocultar leyenda
    panel.grid.minor = element_blank(),
    plot.title = element_text(face = "bold")
  )

Resultados e interpretación

Al ejecutar el código, obtenemos el siguiente gráfico.

Principales Hallazgos

Cumplimiento de Meta: Se logró un tratamiento real de 1659 kt, superando el plan inicial de 1639 kt en un 1.2%. A pesar de ser un resultado positivo, el análisis revela una alta variabilidad interna.

Eficiencia en Molienda: El factor Rend. Molienda (+107 kt) destaca una optimización en el proceso o una mejor calidad en las características del mineral alimentado.

Gestión de Disponibilidad: El éxito del periodo se apalancó en una excelente ejecución del Mantenimiento Programado (+383 kt), compensando con creces las desviaciones negativas.

Oportunidades de Mejora (Pérdidas): Se identificaron fugas de valor significativas en Procesos No Programados (-243 kt) y Fallas de Equipo (-117 kt). Estos eventos imprevistos suman una pérdida de 360 kt, señalando áreas críticas donde la implementación de modelos de Mantenimiento Predictivo podría capturar un valor latente considerable.