En esta investigación, se utilizaron análisis de datos y aprendizaje automático para identificar los métricas de rendimiento de las cargadoras y camiones de acarreo durante las operaciones mineras. Utilizamos datos recopilados en tiempo real de cargadoras y camiones de acarreo que operan en múltiples canteras para ampliar el alcance del estudio y eliminar sesgos. Nuestro modelo indica relaciones entre múltiples variables y sus impactos en la producción de una operación. También se aplicó análisis de datos a las herramientas de compromiso con el suelo (GET) para identificar los principales programas de mantenimiento preventivo para minimizar el impacto en la producción debido al tiempo de inactividad del equipo capital. A través del análisis de los datos de la cargadora, se encontró que hay un tiempo de ciclo eficiente de alrededor de 35 s a 40 s, lo que generó una mayor carga útil. El algoritmo del clasificador de árbol de decisión creó un modelo que fue 87.99% preciso en la estimación del rendimiento de una cargadora basado en un análisis completo de los datos. Basado en la distribución de variables de producción en cada tipo de cargadora que opera en un entorno de trabajo similar, las Caterpillar 992K y 990K fueron las máquinas de mayor rendimiento. La eficiencia de producción se comparó antes y después de los períodos de mantenimiento de las herramientas de compromiso con el suelo en los cubos de las cargadoras. Con el uso de registros de mantenimiento y producción para estas herramientas, se concluyó que no hubo un cambio distinguible en la producción promedio y el porcentaje de cambio en el valor de producción antes y después de los días de mantenimiento.