La creciente complejidad de los procesos de producción en la industria metalmecánica exige estrategias cada vez más efectivas para gestionar el mantenimiento de máquinas y equipos, ya que las fallas inesperadas pueden incurrir en altos costos operativos y comprometer la productividad al interrumpir los flujos de trabajo y retrasar las entregas. Sin embargo, pocos estudios han combinado análisis de datos de extremo a extremo y métodos de minería de datos para predecir y mitigar proactivamente tales fallas. Este estudio tiene como objetivo desarrollar y validar un marco integral que combine análisis de datos y minería de datos para prevenir fallas en máquinas y apoyar la toma de decisiones en un entorno de fabricación metalmecánica. Primero, se realizaron análisis exploratorios de datos sobre los datos de sensores y logística para identificar relaciones y tendencias significativas entre variables. A continuación, se aplicó una tubería de preprocesamiento que incluía limpieza de datos, transformación de datos, selección de características y remuestreo. Finalmente, se entrenó un modelo de árbol de decisión para identificar condiciones propensas a fallas, lo que permite no solo predicciones, sino también la representación explícita del conocimiento en forma de reglas de decisión. El rendimiento excepcional del árbol de decisión (82.1% de precisión y un índice Kappa de 78.5%), que fue modelado a partir de datos preprocesados y de los conocimientos producidos por el análisis de datos, demuestra su capacidad para generar reglas confiables para predecir fallas y apoyar la toma de decisiones. La implementación del marco propuesto permite la optimización de estrategias de mantenimiento predictivo, reduciendo efectivamente los tiempos de inactividad no planificados y mejorando la fiabilidad de los procesos de producción en la industria metalmecánica.