Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Pro Ducci On
Pro Ducci On
A country’s
ability to improve its standard of living overt time depends almost entirely on its ability to
raise its output per worker.”
“La Productividad no es todo, pero, a largo plazo, lo es casi todo. La capacidad de un país
de mejorar su estándar de vida en el tiempo depende casi por completo de aumentar su
producción por trabajador”
Desde que el hombre se asentó en un territorio o localidad y la caza dejó de ser su principal fuente
de sustento, los excedentes de la agricultura y el intercambio dieron lugar a la producción
artesanal. Tuvo que pasar centurias para que la producción en masa tal como la conocemos hoy,
diera el salto cualitativo. Sea la artesanal o la de mayor escala, la producción implica la
transformación de insumos, mano de obra, materiales, suelo, capital (financiero si se trata de
dinero; físico si se trata de instalaciones, suelo, equipo y maquinaria; humano si se trata de
habilidades y capacidad de gestión), en productos (bienes y servicios).
La proporción de la composición de los costos ofrece una pista sobre el comportamiento y la toma
de decisiones de una empresa. Por ejemplo, si los costos fijos de la operación constituyen una
gran proporción de los costos totales, esto implica que en la medida que la empresa incrementa
sustancialmente la producción, hasta prácticamente alcanzar su capacidad plena, sus costos
unitarios se reducen.
Los textos sobre microeconomía empiezan a describir la función de producción dando por sentado
que el aspecto de la ingeniería de la producción, la optimización, está ya resuelta. Lo cierto es que
lo está en parte, pero el tiempo es un concepto dinámico como para separar la ingeniería y aislar
su análisis del enfoque exclusivamente económico. Quizás es tentador pensar que como una
planta no se puede ampliar en un relativo corto espacio de tiempo, los tiempos y horizontes son
discretos y estáticos. Sin embargo, hoy en día, con mercados globalizados, transportes flexibles,
comunicación instantánea, amplios mercados de capital, ciclos de vida más cortos, la economía de
producción no tiene que estar divorciada de la ingeniería.
Se puede obtener mayor capacidad de una planta sin mayores inversiones en maquinarias – con la
misma dimensión y tamaño, gestionando los tiempos de producción, reduciendo los tiempos
muertos y las pérdidas de velocidad. Tan solo basta saber qué indicador medir, cómo medirlo, y
cómo analizarlo. Tal como el enfoque económico describe la capacidad, ésta tiene un máximo
aprovechable con la implantación de mejoras. Otra manera de aprovechar la capacidad de una
planta con programas de mejoras es reduciendo el número de productos defectuosos.
A los cambios en las entradas que ocasionan cambios en las salidas se los conoce como cambios de
escala. Diferentes procesos productivos no equivalen a cambios de escala, para que lo sean, el
mismo proceso productivo debe generar diferentes niveles de salida. Variaciones en costos
acompañan a ambos, tanto a los cambios en los procesos productivos como a los cambios en
escala.
En el continuo del tiempo, el horizonte distingue el corto plazo y el largo plazo. Por definición, en
el corto plazo por lo menos uno de los recursos permanece fijo. La planeación a corto plazo
excluye decisiones acerca de la producción relacionadas a la ampliación de la planta o al cambio
de tamaño, escala o la capacidad. En cambio, el análisis a largo plazo sí los incluye. De particular
importancia es el costo promedio de largo plazo para la determinación de la escala de operación
de la planta y el análisis combinado de variaciones de costos de corto y largo plazo en la
planeación.
Productividad vs Eficiencia
Dos conceptos relacionados entre sí que se prestan para confusiones son la productividad y la
eficiencia. Quizás, si se explica la diferencia fundamental, el elemento diferenciador, antes que la
similitud, quedaría establecido. Mientras que la productividad es una medida absoluta, la
eficiencia es una medida relativa.
La productividad es un índice que mide la producción (bienes y servicios) en relación con el insumo
(capital, mano de obra, materiales, energía, y otros recursos) utilizados para producirlos. La
productividad tiene en el numerador la salida (output) y en el denominador la entrada(input). Sus
unidades son “salida por unidad de entrada”. Describe una relación física: cuánta producción se
convierte por unidad de insumos.
La idea de contar con una medida o un índice de productividad es iluminar cómo una empresa
puede obtener más unidades de producción por hora de trabajo, por máquina o por libra de
materiales que sus competidores.
El problema con las medidas de productividad de factor único (ya sea la producción por hora de
trabajo, la producción por máquina o la producción por tonelada de material) es que es fácil
aumentar la productividad de un factor al reemplazarlo con otro. El trabajo, el capital y los
materiales son sustitutos potenciales entre sí. La medición efectiva de la productividad requiere el
desarrollo de un índice que identifique la contribución de cada factor de producción y luego los
rastree y los combine.
Sin embargo, gran parte de la industria sigue preocupada por la mano de obra directa: las cifras de
productividad se concentran mucho en productividad laboral. La contabilidad de costos también
refuerza este sesgo. La asignación de gastos generales, por ejemplo, a menudo se basa
exclusivamente en las horas de trabajo. Este enfoque puede haber sido razonable cuando las
horas de trabajo representaron un gran porcentaje de los costos totales, pero hoy en día, para
muchas empresas, la mano de obra es un elemento de costo menor.
Es difícil para un índice multifactor abarcar todas las entradas. El uso de varias medidas diferentes
de factor único también puede proporcionar una perspectiva multifactor. De hecho, incluso si una
planta usa una medida agregada, tiene sentido usar medidas de factor único porque ayudan a
identificar las fuentes de las tendencias de productividad agregada. Un gran cambio en una
medición de productividad multifactor plantea preguntas obvias: ¿el cambio se debe a cambios
simultáneos en la productividad del trabajo, el capital y los materiales, o ha cambiado solo una
dimensión?
Medidas parciales de productividad - rendimiento por persona empleada; producción por hora
trabajada; producción por hectárea, etc. Medidas de productividad de factor total: medida de
productividad que involucra todos los factores.
Una de las maneras de medir la productividad de periodo a periodo es a través de índices de
cantidad: Laspeyres, Paasche, Fisher, Tornqvist. (Hackman, 2011)
La eficiencia es la relación entre la salida real generada y la salida esperada (o estándar) prescrita.
La eficiencia responde al siguiente tipo de preguntas: (i) ¿Cuánto más podemos producir con un
nivel dado de insumos?, (ii) ¿Cuánta reducción de entrada es posible para producir un nivel dado
de salida observada?, (iii) ¿Cuánto ingreso extra se puede generar con un nivel dado de entradas?
Ejemplo Productividad
Cantidad $/Unidad
Planta A 3000 $80
Planta B 5000 $90
Horas
mano obra 9,000 $15/Hora
A
Horas
mano obra 15,000 $16/Hora
B
Para ilustrar la diferencia entre productividad y eficiencia suponer que una empresa local importa
piezas y partes de bicicleta y las ensambla en dos plantas, A y B. ¿Cuál es la productividad de la
mano de obra en el ensamblado de las bicicletas para cada planta?
Eficiencia Técnica
Una empresa con fines de lucro puede ser rentable, pero ¿cómo saber si esta organización está
utilizando sus recursos en forma eficiente y quizás algunas de sus unidades podrían reducir sus
gastos operacionales e incrementar aún más la rentabilidad?
Cualquiera sea la intensidad con la que se emplean los factores de producción, en forma de
equipos automáticos (capital), o manual (mano de obra), a esta combinación de input y output se
la conoce como tecnología de producción. Dada la tecnología de producción, existe entre todas las
combinaciones posibles de input y output una combinación que tiene la mayor
productividad. Aquellas combinaciones de mayor productividad son las combinaciones más
eficientes. Una empresa que opera en forma eficiente optará por la combinación de inputs que
minimice los costos de producción dado un nivel de output; o maximizará la producción dado un
presupuesto operativo. Y es aquí en donde radica la diferencia sutil entre eficiencia y
productividad. La eficiencia relaciona la productividad actual con la máxima productividad posible,
es decir, aquella correspondiente a la mejor práctica. Las mejores prácticas de la combinación de
inputs y outputs dan lugar a la función matemática que se llama frontera de producción. (Hirschey
& Bentzen, 2016)
Con el fin de aclarar más la diferencia entre eficiencia y productividad, vale añadir un par de ideas
más: Si un proceso de producción corresponde a todas aquellas combinaciones de inputs que van
a producir un cierto producto o servicio en diferentes niveles en función de la variación del nivel
de inputs, a aquellos cambios en el nivel de los inputs que dan lugar a cambios en output, se los
conoce como cambios de escala. Relacionado con la escala está la capacidad de producción,
estando esta última determinada por elementos de costos fijos tales como: tamaño de la planta,
capacidad de la maquinaria, el espacio físico de la planta. No sólo la capacidad de la planta está
condicionada por el rango máximo de los procesos de producción (los recursos de costo fijo), sino
también por la utilización de recursos de costo variable – la jornada laboral de 40 horas. Entonces,
se entiende como un cambio en la capacidad de producción como un cambio en la escala de tal
manera que dicho cambio implique un salto de nivel de costo fijo a otro nivel diferente de costo
fijo. (Hirschey & Bentzen, 2016)
Volviendo al tema de indicadores, la eficiencia técnica determina la capacidad de una unidad para
obtener el máximo nivel de output o salida a partir de la transformación de un nivel dado de
entrada, input, materia prima o recurso (o al revés, obtener el mismo nivel de output con el
empleo de menos recursos). En el sentido más estricto, la eficiencia técnica se relaciona con todas
las fuentes de desperdicio que hay que eliminar sin empeorar a los inputs y output. (Cooper,
Seiford, & Tone, 2006)
El DEA emplea datos de los inputs más relevantes en la transformación de los outputs y mediante
programación matemática obtiene la eficiencia técnica. La técnica se deriva de la programación
fraccional (cuando la función objetivo que se maximiza o minimiza tiene una expresión en el
numerador y otra expresión en el denominador se trata ya no de programación lineal sino
fraccional) y al linearizar en forma algebraica la función objetivo, esta última se convierte en una
función de programación lineal. El análisis de los resultados plantea dos enfoques: producir el
mismo nivel de output reduciendo el nivel de uso de los inputs o mantener fijo el nivel de uso de
los inputs y aumentar el nivel del output. (Hackman, 2011)
El siguiente ejemplo pone de manifiesto en qué consiste el método. Suponer que las siguientes
organizaciones (se las conoce como “Decision Making Unit”, o en forma abreviada: DMU)
denominadas como A, B, C, D, E, F, G tienen un input – sus colaboradores – y como resultado del
esfuerzo de trabajo consiguen dos outputs: clientes y ventas. La tabla que sigue resume los niveles
de input y correspondientes niveles de output. Las unidades pueden ser miles, decenas de miles,
etc. Lo importante son los “ratios".
DMU A B C D E F G
Número de
Empleados 1 1 1 1 1 1 1
Número de Clientes 1 2 3 4 4 5 6
Ventas 5 7 4 3 6 5 2
En el gráfico que se aprecia en el link aparecen dos ejes: el de las abcisas (eje de las X) corresponde
a la expresión Clientes/Empleado y el de las ordenadas (eje de las Y) corresponde a
Ventas/Empleado. Los puntos que corresponden a las DMUs B, E, F, y G son de organizaciones
eficientes. Los puntos conectados con la línea forman la frontera eficiente de producción. Los
puntos por debajo de la frontera de producción, A, C y D, corresponden a unidades u
organizaciones que desde el punto de vista de la eficiencia técnica son ineficientes.
Tomar como ejemplo a la organización D, para la cual las DMU F y G sirven como referencia. ¿Por
qué sirven como referencia? Extender una línea desde el origen (0,0) que pase por el punto D
hasta que cruce la frontera de producción, en el punto P, sobre la curva. P está ubicado justo
entre F y G. En realidad, P no existe como entidad – las entidades son A, B, C, D, E, F, G, H – pero su
creación servirá para explicar qué requiere D para ser eficiente lo cual implica un incremento en
sus outputs con el mismo nivel de inputs (Cooper et al., 2006)
Para conocer a qué nivel de producción la unidad D debe llegar a fin de ser eficiente se emplea la
fórmula de la distancia euclidiana:
El punto D tiene coordenada (4,3) y el punto P tiene coordenada (16/3, 4). Las distancias d(OD) y
d(OP) se calculan de la siguiente forma:
Como y - y1 = a*(x - x1) es la fórmula para obtener la ecuación de la recta FG, se sustituye de la
siguiente forma (se puede escoger las coordenadas del punto F o las del G así que se opta por las
de G): y - 2 = -3 * (x - 6), lo que da como resultado la expresión para el segmento FG: y = -3 x + 20
Utilizando el mismo procedimiento para obtener la expresión del segmento de recta OP y
tomando como referencia las coordenadas del origen O(0,0) y D(4,3), la ecuación de la recta OP es
y = (3/4) x
Al sustituir (3/4) x = -3x + 20 y despejar x, su valor es 16/3; al reemplazar 16/3 en cualquiera de las
dos ecuaciones obtenemos y = 4.
Lo que esto indica es que la organización D produce solamente el 75% de lo que produce la
supuesta unidad eficiente P. Para conocer qué nivel de producción se requiere a fin de alcanzar tal
nivel de eficiencia se obtiene el recíproco de 0.75, o sea, 1.333 (que es lo mismo que 4/3). Como
las coordenadas de D son (4,3), al multiplicar por 4/3 cada elemento, entonces la producción
debería ser (16/3, 4) en lugar de (4,3). Lo que se logra con este método es identificar el “target” al
que la organización puede llegar con la misma capacidad o recursos.
El ejemplo ha sido sencillo con el objetivo de ilustrar el concepto. En la realidad una organización
produce múltiples líneas de productos y para ello procesa infinidad de inputs. El principio es el
mismo, se utiliza promedios ponderados tanto para inputs como para outputs.
Los inputs lo conforman aquellos recursos que imponen una limitación en la capacidad de
producción, mismos que la empresa intenta minimizar en su uso: personal, insumos, materiales,
espacio físico. Los outputs son el resultado de la utilización de tales recursos: ventas, clientes,
productos, ganancia.
¿Cuál orientación del modelo DEA CCR escoger: el orientado hacia los inputs o hacia los
outputs? La respuesta a esta pregunta depende sobre cuál variable se tiene mayor control. Si por
alguna razón hay mucha variación con respecto a algún proceso o a cualquier otro input, entonces
se debería escoger el modelo CCR orientado hacia la variable de salida (output). Si hay variaciones
en el proceso de salida, entonces se debería escoger el modelo orientado hacia la variable de
entrada (input). Hay que tener en mente que lo que se quiere lograr con la medición de la
eficiencia técnica es su maximización. Esto se puede conseguir o manteniendo fijo el nivel de input
y aumentar el nivel de output, o al revés, manteniendo fijo el output y reducir el nivel de input.
Este objetivo debe guardar relación con aquella variable sobre la que existe mayor control. Si no
existen problemas de control el criterio de selección será dado de acuerdo a si es de interés
reducir costos o incrementar la producción. (Huguenin, 2012)
Independiente de la orientación del modelo, el score va a ser el mismo, en tal caso lo que varía
será el sentido de la proyección. Por ejemplo, en la gráfica que sigue, el punto A representa
ineficiencia. Cuando la proyección es paralela al eje de los inputs, el modelo es orientado hacia los
inputs; cuando la proyección es paralela al eje de los outputs el modelo es orientado hacia los
outputs. La proyección son las líneas punteadas.
La proyección es el valor del input que debe reducirse o el valor del output que debe sumarse para
que gráficamente el punto que se encuentre fuera de la curva de la frontera de eficiencia pueda
posar en la curva. Únicamente los puntos sobre la frontera o curva corresponden a unidades
(empresas) eficientes.
En la primera gráfica se puede apreciar la frontera de eficiencia de un modelo CCR con retornos
constantes de escala (CRS – por sus siglas en inglés). El único eficiente es la agencia B,
representado en el gráfico por el punto B que está sobre la curva. Un punto como el C es
ineficiente. Para que sea eficiente debe procesar un incremento en alrededor de 25% su output
(en lugar de procesar 5 documentos, el servidor público debería procesar 6.67 documentos).
(Huguenin, 2012)
En el gráfico de abajo aparecen los mismos servidores públicos, pero en esta ocasión, aparte de B
que se presenta eficiente bajo los dos modelos (el de retornos constantes y el de retornos
variables, lo cual indica que opera en el tamaño de escala más productiva), A y E son eficientes en
la frontera de retornos variables de escala (curva VRS – por sus siglas en inglés). En cambio, C y D
son ineficientes en ambas escalas, tanto en la de retornos constantes de escala como en la
variable. Cuando una organización es eficiente en un modelo de retornos variable pero no lo es
para el modelo de retornos constantes significa que es eficiente desde el punto de vista local mas
no desde la perspectiva global. Lo global tiene implicaciones más amplias y se describen a
continuación. (Huguenin, 2012)
La eficiencia técnica es parte de la eficiencia general. La eficiencia en precios, la eficiencia de
asignación, y la eficiencia en escala también forman parte de la eficiencia general. La eficiencia en
precios se relaciona con la compra de los inputs de la calidad que reúne los estándares y al precio
más bajo; la eficiencia de asignación se relaciona con el uso de la óptima combinación de inputs; la
eficiencia de escala determina si la organización opera con su tamaño óptimo. (Sowlati & Paradi,
2004)
OEE
Ahora que se ha aclarado la diferencia entre productividad y eficiencia, resulta útil aclarar también
la diferencia entre una medida y un indicador. Este indicador puede contribuir enormemente a
mejorar la eficiencia técnica de una organización.
Así de simple, una medida mide algo; en cambio, un indicador indica algo. Vale recordar que lo
que se mide no siempre es útil para todo el mundo. Suponer que el dueño de un restaurante
desea mandar a hacer una mesa a un carpintero. Para el carpintero es importante conocer las
dimensiones de la mesa para comprar la materia prima. Una mesa que mide 3 metros de largo x 2
metros de ancho es parte de la información que le sirve a él. Para el dueño del restaurante,
conocer las dimensiones de la mesa no le sirve mucho, pero si a él le indican que esas dimensiones
sientan cómodamente a 6 individuos, ese indicador es de utilidad para él.
Un indicador de gran utilidad y uso en el piso de planta es el Overall Equipment Effectiveness (OEE,
traducido como Eficacia General del Equipo). El OEE indica la proporción del tiempo de
manufactura que un equipo o máquina es productivo. Tome nota que en lugar de Eficiencia se
denota Eficacia. Eficacia significa hacer bien las cosas y en el contexto que ocupa, implica fabricar
bien las cosas y hacerlo en lo posible la primera vez, cero defectos, sin retrabajo. El OEE es un
indicador de eficiencia porque el estándar contra el cual se compara el score es con el OEE de la
misma empresa, la misma línea, el mismo equipo. A pesar que existe un referente: un score de
85% en adelante son consideradas empresas de Clase Mundial, la comparación es entre la misma
máquina en una fecha determinada y luego, después de realizadas las mejoras, en una fecha
posterior se compara su score. Desde el desarrollo del OEE por parte de Seiich Nakajima, el
concepto estuvo más relacionado con TPM y Confiabilidad, hoy su implantación se ha ampliado a
las áreas de Operaciones. (Hansen, 2001)
Se mencionó arriba que la eficiencia es un concepto relativo, pues en ese sentido, el OEE ayuda a
descubrir la verdadera posición de la planta en relación con su rendimiento actual. La buena
noticia es que nunca es tarde para iniciar la implantación del OEE pero debe estar consciente que
para convertirse en una organización de Clase Mundial debe ser un proceso sostenido de un par
de años mínimo. Sin lugar a dudas, Las mejoras del OEE van a generar el mayor impacto en
aquellos equipos que son los cuellos de botellas de la línea.
El indicador OEE está conformado por tres factores; Disponibilidad, Rendimiento, Calidad. Aquella
porción de Disponibilidad del indicador OEE representa el tiempo programado que va a operar el
equipo. Al tiempo que se ha desperdiciado, que no se lo ha aprovechado – a pesar que sí estuvo
programado su uso – se lo conoce como las Pérdidas en Disponibilidad. Eventos como averías,
quedarse sin material para la elaboración o para el empaque si el equipo es una envasadora
contribuye a las Pérdidas en Disponibilidad.
𝑇𝑖𝑒𝑚𝑝𝑜 𝑑𝑒 𝑂𝑝𝑒𝑟𝑎𝑐𝑖ó𝑛
𝐷𝑖𝑠𝑝𝑜𝑛𝑖𝑏𝑖𝑙𝑖𝑑𝑎𝑑 =
𝑇𝑖𝑒𝑚𝑝𝑜 𝑃𝑙𝑎𝑛𝑖𝑓𝑖𝑐𝑎𝑑𝑜
El siguiente ejemplo ilustrará el concepto. Suponer que una línea de envasado de yogur opera los
5 días a la semana, durante dos turnos de 8 horas cada uno. La línea se detiene 30 minutos
durante la hora del almuerzo y 30 minutos durante un receso o refrigerio. La Capacidad Nominal
de la envasadora es 100 botellas por minuto y se envasó 35500 botellas, incluidas 500 mal
llenadas. Para calcular el tiempo planificado se procede así:
375 𝑚𝑖𝑛𝑢𝑡𝑜𝑠
𝐷𝑖𝑠𝑝𝑜𝑛𝑖𝑏𝑖𝑙𝑖𝑑𝑎𝑑 = 420 𝑚𝑖𝑛𝑢𝑡𝑜𝑠
= 0.8228, es decir, 82.28%
Sin embargo, el tiempo de ciclo es una referencia. Lo que se acostumbra es a utilizar en lugar del
tiempo de ciclo, a un parámetro teórico, de diseño que sirva como una comparación idealizada: el
Tiempo de Ciclo Ideal (ICT por sus siglas en inglés). El ICT es el equivalente de la máxima velocidad
de operación de un equipo y algebraicamente, la máxima velocidad y el ICT son el recíproco del
otro. Mientras que ICT viene dado en unidades de tiempo por productos (o partes o piezas),
ejemplo: segundos por partes; la máxima velocidad viene dada en unidades de producto por
unidades de tiempo., ejemplo: partes por segundo.
El segundo componente del OEE es el performance (rendimiento), que compara la producción real
con aquella que se espera en aquel tiempo. Algebraicamente se expresa de la siguiente forma:
1 𝑚𝑖𝑛
∗35500 𝑏𝑜𝑡𝑒𝑙𝑙𝑎𝑠
100 𝑏𝑜𝑡𝑒𝑙𝑙𝑎
𝑃𝑒𝑟𝑓𝑜𝑟𝑚𝑎𝑛𝑐𝑒 = 375 𝑚𝑖𝑛
= 0.9467 , es decir, 94.67%
Un ladrón silencioso que afecta el rendimiento son las pérdidas de velocidad que ocurren ya sea
por ciclos lentos o pequeñas paradas. En el primer caso, los ciclos lentos ocurren a velocidades
menores que la estándar. Por ejemplo: En el caso de productos que durante su envasado para
reducir la formación de espuma, el operario se ve forzado a operar a menores velocidades; puede
darse el caso que por fallas mecánicas o falta de calibración adecuada, a velocidades mayores se
produzcan atascos. De cualquier forma, con estos atascos se producen paradas breves que a pesar
que no son paradas largas que interrumpen el flujo de producción, estas paradas cortas, cuando
suceden en innumerables repeticiones a lo largo del turno, consumen tiempo valioso.
Al comparar el tiempo de ciclo real con el tiempo de ciclo ideal OEE permite determinar la
cantidad de producción que se perdió por ciclos que no cumplieron.
El tercer componente del OEE es la Calidad. Incluye solo aquellas partes o productos libre de
defectos que se han procesado en el primer paso a través de la estación o en el equipo. No incluye
al reproceso. Se calcula con el cociente entre las partes buenas y el total procesado:
𝑃𝑖𝑒𝑧𝑎𝑠 𝐵𝑢𝑒𝑛𝑎𝑠
𝐶𝑎𝑙𝑖𝑑𝑎𝑑 = 𝑇𝑜𝑡𝑎𝑙 𝑑𝑒 𝑃𝑖𝑒𝑧𝑎𝑠
35000
𝐶𝑎𝑙𝑖𝑑𝑎𝑑 = 35500
= 0.9859, es decir, 98.59%
Previo al análisis, es imperativo recopilar las tendencias para identificar las mayores pérdidas o las
de mayor impacto.
Caso hipotético tomado del libro “Overall Equipment Effectiveness – A Powerful
Production/Maintenance Tools for Increased Profits” (Robert C. Hansen).
La empresa labora 3 turnos durante 320 días al año, que equivale a 7680 horas. En este tiempo
la empresa elabora un millón de unidades en perfectas condiciones (se excluyen las unidades
con defectos). Se procederá a calcular la capacidad nominal.
# 𝒖𝒏𝒊𝒅𝒂𝒅𝒆𝒔 𝒃𝒖𝒆𝒏𝒂𝒔
Por definición, 𝑻𝒊𝒆𝒎𝒑𝒐 𝒅𝒆 𝒆𝒋𝒆𝒄𝒖𝒄𝒊ó𝒏 𝒕𝒆ó𝒓𝒊𝒄𝒐 = ,y
𝑪𝒂𝒑𝒂𝒄𝒊𝒅𝒂𝒅 𝒏𝒐𝒎𝒊𝒏𝒂𝒍
# 𝒖𝒏𝒊𝒅𝒂𝒅𝒆𝒔 𝒃𝒖𝒆𝒏𝒂𝒔
𝑪𝒂𝒑𝒂𝒄𝒊𝒅𝒂𝒅 𝒏𝒐𝒎𝒊𝒏𝒂𝒍
𝑶𝑬𝑬 = . Al despejar para Capacidad nominal, queda como sigue:
𝑻𝒊𝒆𝒎𝒑𝒐 𝒑𝒓𝒐𝒈𝒓𝒂𝒎𝒂𝒅𝒐
# 𝒖𝒏𝒊𝒅𝒂𝒅𝒆𝒔 𝒃𝒖𝒆𝒏𝒂𝒔
𝑪𝒂𝒑𝒂𝒄𝒊𝒅𝒂𝒅 𝒏𝒐𝒎𝒊𝒏𝒂𝒍 =
𝑶𝑬𝑬 ∗ 𝑻𝒊𝒆𝒎𝒑𝒐 𝒑𝒓𝒐𝒈𝒓𝒂𝒎𝒂𝒅𝒐
𝟏𝟎𝟎𝟎𝟎𝟎𝟎 𝒖𝒏𝒊𝒅𝒂𝒅𝒆𝒔
𝑪𝒂𝒑𝒂𝒄𝒊𝒅𝒂𝒅 𝒏𝒐𝒎𝒊𝒏𝒂𝒍 = 𝟎.𝟔𝟎∗𝟕𝟔𝟖𝟎 𝒉𝒐𝒓𝒂𝒔
Suponer que debido a los esfuerzos de mejora por el lado de la confiabilidad y cambios de
formato, la empresa incrementa el OEE de 60% a 66% (solamente mejora el factor de
Disponibilidad de 65% a 71.6%, tanto el Performance como la Calidad permanecen sin variar).
Aunque el incremento en el OEE desde 60% a 66% no parece representar mucho, sí lo es y su
impacto es relativamente importante en cuanto a costo por mano de obra directa se refiere. Se
procederá a calcular el nuevo tiempo programado con este nuevo score del OEE.
# 𝒖𝒏𝒊𝒅𝒂𝒅𝒆𝒔 𝒃𝒖𝒆𝒏𝒂𝒔 𝟏𝟎𝟎𝟎𝟎𝟎𝟎
𝑻𝒊𝒆𝒎𝒑𝒐 𝒑𝒓𝒐𝒈𝒓𝒂𝒎𝒂𝒅𝒐 = =
𝑪𝒂𝒑𝒂𝒄𝒊𝒅𝒂𝒅 𝒏𝒐𝒎𝒊𝒏𝒂𝒍∗𝑶𝑬𝑬 𝟐𝟏𝟕∗𝟎.𝟔𝟔
= 6982 horas
Este incremento en Disponibilidad representa un ahorro de 7680 – 6982 = 698 horas para este
hipotético ejemplo.
Las causas más comunes de pérdidas en eficiencia en la manufactura se conocen como las Seis
Grandes Pérdidas. Estas seis categorías están divididas por el tipo de impacto: Pérdidas por
Paradas, Pérdidas en Velocidad, y Pérdidas en Calidad. Por ejemplo: Cuando se realiza
mantenimiento no programado por algún daño en el equipo, la pérdida adonde se clasifica este
evento corresponde a Averías. Para eventos que ocasionan interrupciones debido a una
calibración mal hecha, esto pertenece a Ajustes. Si ocurren atascos en la máquina, este evento
se clasifica a paradas cortas.
El propósito de las cartas de control es monitorear si la variable que es motivo de análisis está o no
en control y determinar su tendencia. La mayoría de las cartas de control conocidas parten del
supuesto que los datos son normales. Sin embargo, la pérdida del tiempo sigue una distribución
beta de dos parámetros. Con el siguiente ejemplo se procederá a escoger la distribución que
mejor se ajusta a los datos con algunas librerías del lenguaje R.
Una vez instalados los paquetes estadísticos en R, se procede a cargar las librerías:
library(outliers)
library(stats)
library(plyr)
library(moments)
library(fitdistrplus)
Con la función outlier se procede a graficar un gráfico de caja para comprobar la existencia de valores atípicos. Se
confirma que el valor mínimo es un valor atípico. Para determinar qué valor es se utiliza la función which, la cual
arroja que el valor atípico es la entrada 33.
outlier(oee$`0EE`)
[1] 0.0314
boxplot(oee$`0EE`)
which(oee$`0EE`==0.0314)
[1] 33
0.0 0.2 0.4 0.6 0.8 1.0
Existe una forma de identificar las características de los datos sin necesidad de generar el gráfico.
Esto es mediante la manera cómo los datos tienden a reunirse de acuerdo con la frecuencia con
que se hallen dentro de la información. Dos de tales características descriptivas son la curtosis y el
sesgo de los datos.
La curtosis determina el grado de concentración que presentan los valores en la región central de
la distribución. El grado de curtosis permite identificar si existe una gran concentración de valores,
una concentración normal ó una baja concentración. La referencia es el valor 0. Cuando la curtosis
es alrededor de 0 es mesocúrtica; cuando es menor que 0 es platicúrtica; y mayor a 0 es
leptocúrtica. Con una curtosis de 3.09, la distribución es leptocúrtica.
skewness(oee$`0EE`)
[1] -0.5534136
hist(oee$`0EE`)
Histogram of oee$`0EE`
8 10
Frequency
6
4
2
0
oee$`0EE`
Para probar si una muestra sigue una distribución normal hay varias alternativas. Dos de ellas son
el test de Kolmogorov-Smirnov (para n > 50) y el de Shapiro Wilk (hasta n=50). Se procederá a
realizar la prueba con la función ks.test de la librería stats. La prueba requiere la inclusión de la
media y desviación estándar de la variable oee. Los valores de la media y destivación estándar
quedan almacenados en media_oee y destand_oee
Media_oee<- mean(oee$`0EE`)
Destand_oee<-sd(oee$`0EE`)
ks.test(oee$`0EE`, media_oee, destand_oee)
Two-sample Kolmogorov-Smirnov test
data: oee$y
D = 1.1694, p-value = 7.772e-16
alternative hypothesis: two-sided
CDF
1.0
0.5
0.0
Data Data
gamma
kurtosis
0 1 2 3 4
square of skewness
fnormal<-fitdist(oee$`0EE` , "norm")
summary(fnormal)
Fitting of the distribution ' norm ' by maximum likelihood
Parameters :
estimate Std. Error
mean 0.5785500 0.02667919
sd 0.2100722 0.01886311
Loglikelihood: 8.764673 AIC: -13.52935 BIC: -9.275078
Correlation matrix:
mean sd
mean 1 0
sd 0 1
fweibull<-fitdist(oee$`0EE` , "weibull")
summary(fweibull)
Fitting of the distribution ' weibull ' by maximum likelihood
Parameters :
estimate Std. Error
shape 2.9860805 0.31686120
scale 0.6420778 0.02834985
Loglikelihood: 5.821924 AIC: -7.643848 BIC: -3.389579
Correlation matrix:
shape scale
shape 1.0000000 0.2686356
scale 0.2686356 1.0000000
fgamma<-fitdist(oee$`0EE` , "gamma")
summary(fgamma)
Fitting of the distribution ' gamma ' by maximum likelihood
Parameters :
estimate Std. Error
shape 4.363885 0.7557268
rate 7.542750 1.3843870
Loglikelihood: -3.35675 AIC: 10.7135 BIC: 14.96777
Correlation matrix:
shape rate
shape 1.0000000 0.9435474
rate 0.9435474 1.0000000
fbeta<-fitdist(oee$`0EE` , "beta")
summary(fbeta)
Fitting of the distribution ' beta ' by maximum likelihood
Parameters :
estimate Std. Error
shape1 2.316239 0.4028456
shape2 1.750859 0.2945624
Loglikelihood: 9.237633 AIC: -14.47527 BIC: -10.221
Correlation matrix:
shape1 shape2
shape1 1.0000000 0.7853519
shape2 0.7853519 1.0000000
flognormal<-fitdist(oee$`0EE` , "lnorm")
summary(flognormal)
Fitting of the distribution ' lnorm ' by maximum likelihood
Parameters :
estimate Std. Error
meanlog -0.6661556 0.07654012
sdlog 0.6026775 0.05412137
Loglikelihood: -15.27741 AIC: 34.55482 BIC: 38.80909
Correlation matrix:
meanlog sdlog
meanlog 1.00000e+00 -1.83962e-12
sdlog -1.83962e-12 1.00000e+00
flogistic<-fitdist(oee$`0EE` , "logis")
summary(flogistic)
Fitting of the distribution ' logis ' by maximum likelihood
Parameters :
estimate Std. Error
location 0.5906296 0.02599208
scale 0.1179343 0.01254200
Loglikelihood: 8.729402 AIC: -13.4588 BIC: -9.204536
Correlation matrix:
location scale
location 1.00000000 -0.03598518
scale -0.03598518 1.00000000
La densidad beta tiene la forma de una U cuadno a < 1 y b < 1, es simétrica, alrededor de 0.5
cuando a = b > 1, Tiene la forma de J cuando (a - 1)(b - 1) < 0, y es unimodal para otros valores de
a y b.
El software SigmaXL genera el siguiente reporte con respecto al ajuste de los datos con la
distribución beta.
Cooper, W. W., Seiford, L. M., & Tone, K. (2006). Introduction to data envelopment analysis and its
uses: With DEA-solver software and references. Introduction to Data Envelopment Analysis and Its
Uses: With DEA-Solver Software and References. https://doi.org/10.1007/0-387-29122-9