Revista Internacional de Producción Economía 210 (2019) 15-26

listas de contenidos ofrecidos en ScienceDirect

Revista Internacional de Economía de la Producción

revista Página de inicio: www.elsevier.com/locate/ijpe

4.0 Industria tecnologías: los patrones de implementación en

T
empresas de fabricación
Alejandro de Alemania, Frankuna,*, Lucas Santos Dalenogaresegundo, Néstor Fabián Ayalado
a
Grupo de Ingeniería de Organización (Núcleo de Ingeniería Organizacional - NEO), Departamento de Ingeniería Industrial de la Universidad Federal do
Rio Grande do Sul, Brasil
b
G-SCOP Laboratorio, Instituto de Tecnología de Grenoble (Grenoble INP), Francia
c Grupo de Ingeniería de Organización (Núcleo de Ingeniería Organizacional - NEO), Departamento de Ingeniería de Servicios, Universidade Federal do Rio Grande do Sul, Brasil

INFORMACIÓN DEL ARTÍCULO RESUMEN

palabras clave: Industria 4.0 se ha considerado una nueva etapa industrial en el que varias tecnologías emergentes están
4.0 industria convergiendo para proporcionar soluciones digitales. Sin embargo, hay una falta de comprensión de cómo las
Fabricación inteligente empresas a implementar estas tecnologías. Por lo tanto, nuestro objetivo es comprender los patrones de adopción
transformación digital
de las tecnologías de la industria 4.0 en las empresas manufactureras. Se propone un marco conceptual para estas
empresas de manufactura
tecnologías, lo que nos divide en tecnologías de front-end y bases. tecnologías de front-end consideran cuatro
dimensiones: inteligente de fabricación, productos inteligentes, la cadena de suministro inteligente y elegante que
trabaja, mientras que las tecnologías de base consideran cuatro elementos: Internet de las cosas, servicios en la
nube, los grandes datos y análisis. Se realizó una encuesta en 92 empresas de fabricación para estudiar la im-
plementation de estas tecnologías. Nuestros resultados muestran que la industria 4. 0 se relaciona con una
adopción sistémica de las tecnologías de front-end, en el que inteligente Fabricación juega un papel central.
Nuestros resultados también muestran que el im-plementation de las tecnologías de base son las empresas
desafiantes, ya que grandes volúmenes de datos y análisis siguen siendo bajos im-complementado en la muestra
estudiada. Proponemos una estructura de capas de la industria de tecnología y 4.0 mostramos los niveles de
adopción de estas tecnologías y su implicación para las empresas de fabricación.

1. Introducción
La cuarta revolución industrial - también llamado como Industria 4.0
- es uno de los temas más de moda en ambos campos profesionales y
académicos (Chiarello et al, 2018.; Liao et al., 2017). Este concepto
tiene inteligente de fabricación como elemento central (Kagermann et
al., 2013). También considera la integración de la fábrica con la
totalidad de las actividades del ciclo de vida del producto y la cadena
de suministro (Wang et al, 2016b.; Dalenogare et al., 2018), incluso
cambiar la forma de trabajar (Stock et al., 2018). En-dustria 4.0 se basa
en la adopción de las tecnologías digitales para recopilar datos en
tiempo real y analizarlo, proporcionando información útil al sistema de
fabricación (Lee et al, 2015.; Wang et al., 2016A). El advenimiento de
la Internet de las Cosas (IOT), servicios en la nube, grandes volúmenes
de datos y análisis, lo hizo posible, creando el concepto de sistema
ciberfísicos de Industria 4.0 (Wang et al, 2015.; Lu, 2017).
El concepto 4.0 La industria tiene una tecnología muy compleja archi-
tura de los sistemas de fabricación (Lee et al., 2015), Que es una de las
principales preocupaciones en esta nueva etapa industrial. Por lo tanto, la
aplicación efectiva de la Industria 4.0 tecnologías sigue siendo un tema de
investigación
(Lee et al, 2015.; Babiceanu y Seker, 2016; Dalenogare et al., 2018).
Algunos trabajos previos han propuesto modelos de madurez para la
im-plementation de estas tecnologías (por ejemplo,Schuh et al, 2017.;
Lee et al., 2015; Lu y Weng, 2018; Mittal et al., 2018), Mientras que
otras obras tienen estudiado el impacto de estas tecnologías en el
rendimiento industrial (Dalenogare et al., 2018). Sin embargo, hay una
falta de estudios que proporcionan evidencia empírica acerca de la
forma en que estas tecnologías son adoptadas en las empresas de
fabricación, lo que lleva a una pregunta importante: ¿cuáles son los
patrones de la industria 4.0 tecnologías actuales de adopción en las
empresas de fabricación?
Con el fin de responder a esta pregunta, presentamos un análisis cuanti-
Quan-exploratorio de 92 empresas de fabricación del sector de la
maquinaria y equipo. Nuestro objetivo es entender si fabricación com-pañías
pueden organizarse en base a los patrones de adopción de las tecnologías
4.0 Industria y si estos patrones permiten definir Configura-ciones
específicas de la industria 4.0 tecnologías. Este tipo de análisis nos ayuda a
comprender lo que se necesita para una aplicación efectiva de la Industria
4.0 tecno-logías en las empresas de fabricación. En primer lugar,
proponemos un marco conceptual de la Industria 4.0 tecnologías, en dos
capas principales: front-end

∗ Autor correspondiente. Universidade Federal do Rio Grande do Sul, Centro, Av. Osvaldo Aranha 99 - Sala LOPP 508 - 5º andar, Escola de Engenharia, CEP
90035190, Porto Alegre, RS, Brasil.
Dirección de correo electrónico: frank@producao.ufrgs.br (AG Frank).

https://doi.org/10.1016/j.ijpe.2019.01.004
Recibido el 22 de septiembre de de 2018; Recibido en forma 03 de enero 2019 revisado; Aceptadas 5 de enero de 2019
Disponible en línea 09 de enero de 2019
0925-5273 / © 2019 Elsevier BV Todos los derechos reservados.
AG Frank et al. 4.0, que considera la transformación de las actividades de fabricación
en base a
y tecnologías de base. La primera capa (tecnologías de front-end) com-
prises cuatro dimensiones principales de la Industria 4.0: inteligente de
fabricación, productos inteligentes, la cadena de suministro inteligente
y Smart de trabajo, cada uno de ellos representa un subconjunto
específico de las tecnologías. La segunda capa (tecnologías de base)
considera tecnologías que proporcionan conectividad y en-Telligence a
las tecnologías de front-end (por ejemplo, la IO y de análisis). A
continuación, se aplica un análisis de conglomerados para definir
patrones de adopción de estas dos capas de tecnologías en las
empresas del estudio, para entender las relaciones entre estas
tecnologías. Como clave de investigación, se propone una estructura
de capas de la industria de tecnología y 4.0 mostramos los niveles de
adopción de estas tecnologías y su incidencia en el im-plementation del
4.0 Concepto de la industria.

2. Definir el concepto 4.0 Industria

Industria 4.0 fue acuñado en 2011 por una iniciativa alemana del
gobierno fed-eral con universidades y empresas privadas. Era un
programa estratégico para el desarrollo de sistemas avanzados de
producción con el objetivo de aumentar la productividad y la eficiencia
de la industria nacional (Kagermann et al., 2013). Este concepto
representa una nueva etapa industrial de los sistemas de fabricación
mediante la integración de un conjunto de tecnologías emergentes y
convergentes que agregan valor al ciclo de vida entero del producto
(Dalenogare et al, 2018.; Wang et al., 2016b). Esta nueva etapa
industrial exige una evolución socio-técnica del papel del ser humano
en los sistemas de producción, en la que se llevarán a cabo todas las
actividades de trabajo de la cadena de valor con los enfoques
inteligentes (Smart Trabajo) (Stock et al, 2018.; Longo et al., 2017) Y
basado en la información y la comunicación tecnologías (TIC) (Raguseo
et al., 2016).
Industria 4.0 se basa en la fabricación avanzada o también llamado
concepto inteligente de fabricación, es decir, un sistema adaptable
donde las líneas flexibles se ajustan automáticamente los procesos de
producción para varios tipos de productos y las condiciones cambiantes
(Wang et al, 2016A.; Schuh et al., 2017). Esto permite aumentar la
calidad, la productividad y la flexibilidad y puede ayudar a lograr
productos personalizados a gran escala y de una manera sus-tenible
con un mejor consumo de recursos (Dalenogare et al., 2018; de Sousa
Jabbour et al., 2018).
Industria 4.0 también considera el intercambio de información y en-
tegración de la cadena de suministro (llamado Chain inteligente
Supply), la sincronización de la producción con los proveedores para
reducir los plazos de entrega y distorsiones de información que
producen efecto látigo (Ivanov et al., 2016). Esta integración también
permite a las empresas combinar los recursos en la fabricación colabo-
tivo (Chien y Kuo, 2013; Lin et al., 2012), Lo que les permite centrarse
en sus competencias básicas y compartir capacidades para la
innovación de productos en las plataformas de la industria, un esfuerzo
conjunto para desarrollar productos y activos complementarios y
servicios, con más valor añadido (Gawer y Cusumano, 2014; Kortmann
y Piller, 2016; Chen y Tsai, 2017).
Las tecnologías integradas en los productos finales (Smart Productos)
son también parte de la 4.0 Industria concepto más amplio (Dalenogare et
al., 2018). Productos inteligentes pueden proporcionar retroalimentación de
datos para el nuevo producto de-sarrollo (Tao et al., 2018b), Así como que
pueden proporcionar nuevos servicios y soluciones para el cliente (Porter y
Heppelmann, 2015). Por lo tanto, algunas personas consideran que los
productos inteligentes como el segundo objetivo principal de la Industria 4.0,
ya que permiten nuevos modelos de negocio, tales como los sistemas
producto-servicio, que crean nuevas oportunidades para Manu-fabri- y
proveedores de servicios (Zhong et al, 2017.; Ayala et al., 2019).

3. Un marco conceptual para la Industria 4.0 tecnologías

tecnologías de la industria 4.0 se pueden separar, al menos, en dos

capas dif rentes en función de su objetivo principal, como se propone
en nuestro marco conceptual de Figura 1. En el centro del marco
ponemos lo que llamamos como 'tecnologías Front-end' de la Industria
 Revista Internacional de Producción Economía 210 (2019) 15-26
Figura 1. Marco teórico de Industria 4.0 tecnologías.
tecnologías emergentes (Fabricación Inteligente) y el producto se
ofrecen en forma de productos (inteligentes) (Dalenogare et al., 2018).
También considera la forma en que se entregan las materias primas y
del producto (Smart cadena de suministro) (Ángeles de 2009) Y las
nuevas formas trabajadores realizan sus actividades basado en el
apoyo de las tecnologías emergentes (inteligente) (TrabajoValores et
al, 2018.; Longo et al., 2017). Nosotros llamamos 'tecnologías de front-
end' a esto capa de la tecnología debido a que las cuatro dimensiones
'inteligentes' que tienen que ver con las necesidades operativas y de
mercado. Por lo tanto, tienen un propósito-AP-plicatura final para la
cadena de valor de las empresas, como se muestra en la flecha
esquemática representada enFigura 1. Es de notar que la dimensión
central de la capa de la tecnología de extremo frontal es el Smart
Hombre-ufacturing, mientras que las otras dimensiones están
interconectados a éste. La capa frontal se apoya en otra capa
representado enFigura 1: Los 'tecnologías de base', que comprende
tecnologías que proporcionan con-conectividad y la inteligencia para las
tecnologías de front-end. Esta última capa es la que permite al 4.0
Concepto de la industria, para diferenciar este concepto desde etapas
anteriores industriales. Esto se debe a base-tecnologías permiten
tecnologías front-end a ser conectados en un sistema de fabricación
en-tegrated completa (Tao et al, 2018a.; Thoben et al, 2017.; Wang et
al., 2016A). En las siguientes subsecciones, definimos cada capa se
propone en el marco de nuestra Figura 1. Nuestro objetivo es entender
dieciséis
cómo se utilizan estas tecnologías en las empresas de fabricación y si
siguen patrones im-plementation.
3.1. tecnologías Industria 4.0 front-end
3.1.1. Fabricación inteligente y productos inteligentes
En el núcleo del concepto de rama 4.0, inteligente Fabricación
tecno-logías trabajo como el pilar central de las actividades de
operaciones internas (Ahuett-Garza y Kurfess, 2018), Mientras que
Smart Producto considerar la de los productos, cuando la información
del cliente y los datos se integran con el sistema de producción de valor
añadido externo (Dalenogare et al., 2018). Estas dos dimensiones
consideran tecnologías que tienen directa impacto en los productos
manufacturados. Fabricación Inteligente considera tecnologías para el
procesamiento de productos (sistema de producción), mientras que los
productos inteligentes considera las tecnologías relacionadas con la
oferta de productos. Por lo tanto, suponemos que Smart Manufacturing
es el principio y el primer objetivo de la Industria 4.0, mientras que
inteligente del producto es su extensión. Esta visión sigue la evolución
reciente cronológico de la Industria concepto 4.0, que tiene sus raíces
en primer lugar en los sistemas de fabricación avanzados y sus
conexiones con otros procesos de la empresa (Yin et al, 2018.;
Dalenogare et al., 2018).
En cuanto a la dimensión inteligente de fabricación, hemos dividido
las tecnologías relacionadas en seis objetivos principales: (i) la
integración vertical, (ii) de virtualización, (iii) de automatización, (iv) la
trazabilidad, (v) la flexibilidad y la gestión de la energía (VI), que se
resumen en tabla 1.
La integración vertical de la fábrica comprende los sistemas de TIC
avanzadas que se integran todos los niveles jerárquicos de la empresa
- desde el taller hasta niveles medio y alta dirección - ayudando a las
acciones de toma de decisiones sea menos dependiente de la
intervención humana (Schuh et al., 2017). Para llegar a la integración
vertical, el primer paso en el piso de la tienda es la digitalización de
todos los objetos físicos y parámetros con sensores, actuadores y
controladores lógicos programables (PLC) (Jeschke et al., 2017). Los
datos se reunió con el Control de Supervisión y Adquisición de Datos
AG Frank et al. Revista Internacional de Producción Economía 210 (2019) 15-26

tabla 1
Tecnologías de fabricación inteligentes.

categorías Tecnologías para la Fabricación Inteligente Referencia

Integración vertical Sensores, actuadores y controladores lógicos programables (PLC) Jeschke et al. (2017); Lee et al. (2015)
Control de Supervisión y Adquisición de Datos (SCADA) Jeschke et al. (2017)
Manufacturing Execution System (MES) Telukdarie et al. (2018); Jeschke et al. (2017)
Enterprise Resource Planning (ERP) Jeschke et al. (2017)
la comunicación de máquina a máquina (M2M) Gilchrist (2016)
virtualización puesta en servicio virtual Mortensen y Madsen (2018); Tao et al. (2018c)
Simulación de procesos (por ejemplo digital de fabricación) Jeschke et al. (2017)
Inteligencia Artificial para el mantenimiento predictivo Tao et al. (2018c)
Inteligencia Artificial para la planificación de la producción Gilchrist (2016)
Automatización la comunicación de máquina a máquina (M2M) Gilchrist (2016)
Robots (por ejemplo, robots industriales, Vehículos Guiados Autónoma, o
similar) Gilchrist (2016)
La identificación automática no conformidades en la producción Gilchrist (2016); Jeschke et al. (2017)
trazabilidad Identificación y trazabilidad de las materias primas Ángeles (2009)
Identificación y trazabilidad de los productos finales
Flexibilidad Fabricación aditiva Weller et al. (2015); D'Aveni (2015)
líneas flexibles y autónomos Balogun y Popplewell (1999); Wang et al. (2016A)
gestión de la energía sistema de monitoreo de la eficiencia energética Gilchrist (2016); Kagermann et al. (2013)
Energía sistema de mejora de la eficiencia Jeschke et al. (2017); Kagermann et al. (2013)

(SCADA), para el control de la producción y el diagnóstico en el piso de la la inteligencia artificial también complementa los sistemas como ERP, la
tienda. En las capas de información de gestión, Sistemas de Ejecución de predicción de las demandas de producción a largo plazo y transformarlas en
Fabricación (MES) Sistema de obtener datos de SCADA, proporcionando el
estado de producción a la Enterprise Resource Planning (ERP). Cuando
todos los sistemas están integrados adecuadamente, la información de las
órdenes de producción también fluye en el camino inverso (hacia abajo), a
partir de ERP para MES y luego a SCADA, ayudando a desplegar los
recursos de la empresa en órdenes de fabricación (Tao et al, 2018c.;
Jeschke et al., 2017). Por lo tanto, la integración vertical proporciona una
mayor transparencia y control del proceso de producción y ayuda a mejorar
el proceso de toma de decisiones piso de la tienda. Para mejorar la
capacidad de adaptación para diferentes tipos de productos, inteligente de
fabricación comprende las máquinas en red en piso de la tienda, a través de
la comunicación de máquina a máquina (M2M) (Kagermann et al., 2013).
M2M consiste en un sistema de comunicación con la interoperabilidad, lo
que hace máquinas capaces de entender entre sí, lo que facilita su
adaptación en líneas de fabricación (Gilchrist, 2016). Esta capacidad se
apoya en la puesta en marcha virtual, que emula los diferentes PLC-códigos
de ma-lomos y valida virtualmente procedimientos de configuración,
evitando el tiempo de inactividad prolongado debido a la larga regulación de
equipo (Mortensen y Madsen, 2018). Esta simulación es más avanzada con
la fabricación digital, que además de PLC-códigos también considera los
datos de todos los objetos virtuales de la planta de producción y luego simula
los procesos de operaciones, teniendo en cuenta varios parámetros que
pueden afectar la producción (Jeschke et al., 2017).
Fabricación inteligente también promueve una automatización mejorada
(Kagermann et al., 2013). Los robots pueden realizar tareas con más
precisión que en el pasado, aumentando la productividad mientras que es
mucho menos propenso a la fatiga (Thoben et al., 2017). En nuestro trabajo,
diferenciamos los robots y la automatización de los robots de colaboración.
El primero está diseñado para procesos operativos de auto-matize y, por lo
tanto, se incluyeron como parte de la dimensión inteligente de fabricación,
mientras que el segundo está diseñado para trabajar con los humanos, el
apoyo a las tareas que ayudan a mejorar la flexibilidad y la productividad del
ser humano (Gilchrist, 2016). Por lo tanto, se incluyeron los robots de
colaboración como una tecnología inteligente de la dimensión de Trabajo,
como explicaremos después.

Por otra parte, la inteligencia artificial da soporte para Smart Fabricación

de muchas maneras. En las máquinas, herramientas analíticas avanzadas
pueden analizar los datos recopilados de sensores para monitorear y
fracasos previsión de ma-Chinery, sobrecargas o cualquier otro problema.
Esto permite el mantenimiento pre-predictiva que ayuda a evitar los tiempos
de parada debido a fallos inesperados durante el proceso de producción
(Tao et al., 2018c). Las máquinas con inteligencia artificial también puede
identificar automáticamente las no conformidades de productos en etapas
anteriores del proceso de producción, lo que aumenta el control de calidad
y la reducción de los costos de producción (Tao et al., 2018c). Por otra parte,
órdenes de producción diaria, teniendo en cuenta las órdenes de última
hora y las restricciones de operaciones (Gilchrist, 2016).
Para trazabilidad interna, sensores se aplican en las materias primas y
productos terminados en el almacén de la fábrica. Este control de inventario
optimizado da apoyo a las acciones de retirada, a través de identificación de
los componentes spe-especí- en lotes de productos acabados. trazabilidad
interna también puede dar soporte a sistemas adaptables con líneas
flexibles (Ángeles, 2009; Wang et al., 2016b), En el que las máquinas leen
productos requieren-mentos en los sensores incorporados en ellos, y
realizar las acciones necesarias para su fabricación. líneas flexibles también
pueden comprender máquinas modulares que son fácilmente conectados a
una línea de fabricación con la configuración mínima. Esto permite la
producción de diferentes tipos de pro-ductos en pequeños lotes, con la
mínima pérdida de productividad (Wang et al., 2016b; Balogun y Popplewell,
1999). Además, para personalizar los pro-ductos, la fabricación aditiva es
una tecnología prometedora del 4.0 Concepto de la industria. fabricación
aditiva utiliza la impresión en 3D de los modelos digitales que se pueden
modificar para requisitos particulares, usando los mismos recursos para la
fabricación de diferentes productos. fabricación aditiva también promueve
una producción sostenible, ya que sólo requiere de un proceso que genera
menos residuos que la fabricación tradicional. Sin embargo, para
producciones a gran escala, el uso de aditivo de fabricación es todavía
limitada debido a su baja velocidad de rendimiento (Weller et al, 2015.;
D'Aveni, 2015). Por último, para mejorar la eficiencia de la fábrica,
fabricación inteligente también comprende la gestión de la energía
(seguimiento y mejora de la eficiencia energética) (Kagermann et al., 2013).
17
Control de la eficacia se basa en datos colec-ción del consumo energético
en las redes de energía eléctrica, mientras que su im-provement se logra a
través de sistemas inteligentes de energía por el hombre agement que
programan las etapas de producción intensivos en ocasiones con las tarifas
eléctricas favorables (Gilchrist, 2016; Jeschke et al., 2017).
Las empresas de fabricación pueden centrarse en las diferentes
necesidades que puedan tener cuando se dan prioridad a la aplicación de
las mencionadas tecnologías de fabricación inteligente. Sin embargo, los
recientes hallazgos de la literatura han demostrado que la industria varía en
los beneficios esperados por esas tecnologías para el rendimiento industrial
y las empresas deben pensar en forma sistémica la aplicación de tales
tecnologías para lograr un mayor nivel de madurez de la Industria 4.0
(Dalenogare et al., 2018). Esto sugiere que las tecnologías inteligentes de
fabricación pueden ser relacionados entre sí y crear una sinergia para los
fines de la Industria 4.0. Este sinérgica in-tegración de las tecnologías
inteligentes de fabricación apoyados por los resultados de la IO en los
llamados sistemas ciber-físicos (CPS) - es decir, la integra-ción de los
objetos físicos de la fábrica con la dimensión virtual de la fábrica, incluyendo
los datos integrados, inteligencia artificial y simu-ción - (Wang et al, 2016A.;
Schuh et al, 2017.; Tao et al., 2018c), Que es uno de los conceptos
esenciales de la Industria 4.0. Por lo tanto, asumimos la siguiente hipótesis
en cuanto a la adopción de inteligentes
AG Frank et al. proveedores externos para mejorar la materia prima y la entrega del
producto final en la cadena de suministro, que impacto en los costos de
Tabla 2 operación y el tiempo de entrega (Marodin et al., 2016, 2017a, b). Por otro
tecnologías de productos inteligentes. lado, dentro de la fábrica, inteligente Trabajo considera tecnologías para
apoyar las tareas de los trabajadores, lo que les permite ser más productivo
categorías Tecnologías para Smart Referencia
y flexible para asistir a los requisitos del sistema de fabricación (Stock et al.,
productos
2018).
Capacidades de conectividad del
inteligente, Producto Porter y Heppelmann
productos conectados monitoreo del Producto (2014)
Control del Producto
optimización del
Producto
la autonomía del
Producto

tecnologías de fabricación:
H1. Las empresas de fabricación que tienen como objetivo un mayor
nivel de madurez de la Industria 4.0 se implementan de forma sistémica
la mayor parte de las tecnologías inteligentes de fabricación, ya que
estas tecnologías están relacionadas entre sí.
Por otra parte, las tecnologías de front-end para Smart productos
comprenden componentes inteligentes que permiten a las capacidades y
servicios digitales con oferta de productos, como se muestra en Tabla 2. En
este caso, tenemos en cuenta las capacidades tecnológicas necesarias para
los diferentes niveles de inteligente del producto, tal como se propone en el
trabajo seminal dePorter y Heppelmann (2014).
sensores integrados permiten la conectividad de los productos en
una red con otros objetos y sistemas. Los sensores pueden
proporcionar capacidad de monitoreo en los productos físicos,
permitiendo que los clientes conozcan los parámetros de la condición
del producto y de uso. Los productos con software integrado conectado
a servicios en la nube pueden ser controlados a través de interfaces
digitales remotas. Con algoritmos de análisis, los productos pueden
tener funciones de optimización, en-hancing rendimiento de los
productos basado en diagnósticos predictivos que en las formas-
correcciones necesarias. El uso de la inteligencia artificial, los
productos pueden optimizar de forma autónoma a sí mismos. Estas
capacidades se extienden las funciones de productos para los clientes,
generando nuevas oportunidades para los fabricantes. monitoreo
producto, también proporciona información útil para los fabricantes,
¿quién puede recopilar estos datos e identificar patrones de uso del
producto para la segmentación de mercado y desarrollo de nuevos
productos. Esto también permite producto-servicio-sistemas digitales
(PSS), en la que los fabricantes pueden ofrecer servicios adicionales
con el producto e incluso ofrecer el producto como un servicio (Zhong
et al, 2017.; Ayala et al., 2017). Aunque algunos com-pañías se pueden
centrar en el aspecto externo de las tecnologías digitales, es decir,
productos inteligentes para el cliente final, el concepto de la Industria
4.0 como-sumes que tanto internas y externas inteligente Fabricación
productos inteligentes deben ser conectados e integrados (Tao et al,
2018a.; Kagermann et al, 2013.; Porter y Heppelmann, 2015). Tal ap-
proach se estudió previamente porKamp et al. (2017) y Rymaszewska
et al. (2017)que estudió las conexiones de los productos digitales y
servicios con los procesos internos. Por lo tanto, proponemos la
siguiente hipótesis:
H2. Las empresas de fabricación que están fuertemente involucrados
en las tecnologías de producto SMART también mostrarán alta
madurez en tecnologías de fabricación inteligente, siendo ambas
implementaciones relacionadas.

3.1.2. La cadena de suministro inteligente y Smart Trabajo

otros dos grupos complementarios de las tecnologías de front-end de la
Industria 4.0 son la cadena de suministro inteligente y Smart Trabajo.
Nosotros los con-sidered por separado de fabricación inteligentes y Smart
productos porque estos dos últimos tienen el propósito de añadir valor a
Manu-fabri- y productos finales, mientras que la cadena de suministro
inteligente y elegante que trabaja dimensiones tienen el propósito de
proporcionar la eficiencia de las actividades operacionales
complementarias. Fuera de la fábrica, Cadena inteligente de suministro
incluye tecnologías para apoyar la integración horizontal de la fábrica con
 Revista Internacional de Producción Economía 210 (2019) 15-26 comunicación en tiempo real con los proveedores. Además, cuando las
plataformas digitales con capacidades analíticas son-con
Tabla 3 CONECTADOS a los sistemas meteorológicos, retrasos en la entrega
Cadena de suministro inteligente y tecnologías inteligentes de trabajo. pueden ser evitados. plataformas di-gital también pueden llegar a los
clientes mediante el seguimiento de la entrega del producto y asistir a
Tecnologías para la Cadena de
Suministro Inteligente referencias las demandas específicas de los clientes (Pfohl et al., 2017). Las
Las plataformas digitales con los plataformas digitales también pueden integrar diferentes fábricas de la
proveedores (Pfohl et al, 2017.; Ángeles, 2009; empresa mediante el intercambio de información en tiempo real de las
Las plataformas digitales con los clientes Simji-Levi et al., 2004) actividades de operaciones entre ellos (Simji-Levi et al., 2004).
Las plataformas digitales con otra
compañía Por otro lado, las tecnologías inteligentes de trabajo tienen como
unidades objetivo proporcionar mejores condiciones a los trabajadores con el fin
Tecnologías para Smart Trabajo referencias de mejorar su productividad (Kagermann et al., 2013) Y proporcionarles
La monitorización remota de la acceso remoto a la información de fabricación (Wang et al., 2016A). Por
producción (Wang et al, 2016A.; El Kadiri et al., lo tanto, los seres humanos y máquinas se consideran en el 4.0
La operación remota de la producción 2016; Zhong et al., 2017)
La realidad aumentada para el
Concepto de la industria como un mecanismo socio-técnico integrado
mantenimiento (Elia et al, 2016.; Scurati et al., 2018) (Thoben et al., 2017). Industria 4.0 considera también el control remoto
La realidad virtual para el entrenamiento de las actividades de operaciones por medio de dispositivos móviles, lo
de los trabajadores (Elia et al, 2016.; Gorecky et al.,
2017)
que mejora los procesos de toma de decisiones y mejora la visibilidad
Aumentada y realidad virtual para (Elia et al, 2016.; Tao et al., 2018b) de la información del proceso, dos aspectos que contribuyen para el
desarrollo de productos Smart de Trabajo también (El Kadiri et al, 2016.; Ahuett-Garza y
robots de colaboración (Du et al, 2012.; Wang et al., 2015) Kurfess, 2018; . Tao et al, 2018a, b, c; Thoben et al., 2017).
Herramientas virtuales también pueden ser considerados como
parte de trabajo inteligente, ya que apoyan el proceso de toma de
Tanto la cadena de suministro inteligente y Smart de trabajo son
decisiones. Aumentada y virtual rea-lidad son dos tecnologías
considerados como front-end, ya que también tienen una contribución
emergentes en este campo que crean entornos virtuales parciales y
directa a la per-formance operativa de la empresa. A continuación, se
completas (Elia et al, 2016.; Gilchrist, 2016). En el mantenimiento de
explica en detalle las tecnologías específicas de estas dos
fabricación, la realidad virtual acelera los trabajadores del tren-Ings con
dimensiones, que se presentan enTabla 3.
una simulación de inmersión de las rutinas de mantenimiento (Gorecky
En primer lugar, la integración horizontal, con el apoyo de las
et al, 2017.; Turner et al., 2016), Mientras que la realidad aumentada
tecnologías de la cadena de suministro inteligente, implica el
apoya a los trabajadores con una guía interactiva y en tiempo real para
intercambio de información en tiempo real acerca de las órdenes de
los pasos necesarios de las tareas a realizar (Scurati et al., 2018). En
producción con los proveedores y centros de distribución (Pfohl et al.,
las actividades de desarrollo de productos, estas herramientas crean
2017). Mientras inteligente de fabricación incluye los procesos intra-
modelos virtuales del producto, lo que ayuda a detectar fallas durante
logística con tecnologías para la trazabilidad interna de materiales y
el uso del producto sin necesidad de prototipos físicos (Tao et al,
vehículos guiados autónomas (Tao et al, 2018a.; Zhou et al., 2017), Se
2018a.; Guo et al., 2018).
necesitan otras Tecnología para-Gies para conectar fábricas a
Por último, también se incluyeron los robots de colaboración en la
procesos externos (Pfohl et al., 2017). Las plataformas digitales
cumplen con este requisito, ya que proporcionan fácil acceso bajo dimensión inteligente de Trabajo. Esto es porque los robots de
demanda a la información que aparece en una nube, la integración de colaboración son específicamente
los proveedores y fabricantes (Pfohl et al, 2017.; Ángeles de 2009). El
seguimiento de las mercancías se puede controlar de forma remota, el
mantenimiento de almacenamiento en niveles optimizados gracias a la
18
AG Frank et al. Internet de los objetos
(IO) (Wang et al, 2016A.; Lu, 2017; Zhong et al, 2017.;
Computación en la nube Gilchrist, 2016)
diseñado para la interacción con los seres humanos y para apoyar a los big Data
trabajadores ac-actividades. De esta manera, el trabajo de fabricación Analítica
se mejora con la precisión, la fiabilidad y la eficiencia de robots, sin
perder la flexibilidad del trabajo humano (Du et al, 2012.; Wang et al.,
2015). En este sentido, el objetivo es reducir las tareas de valor añadido
bajos de los trabajadores por el uso de robots de colaboración y el
aprovechamiento de los potenciales trabajadores para tareas más
avanzadas en el que los robots son limitadas debido a la flexibilidad de
las tareas.
Por lo tanto, teniendo en cuenta que, como hemos explicado
anteriormente, ambos Tecnología para-gías - la cadena de suministro
inteligente y Smart Trabajo - respaldar las diferentes necesidades del
sistema de producción de la industria 4.0, uno centrado en la conexión
del sistema de fabricación con la cadena de suministro y el otro
centrado en la integración del trabajador con el sistema de fabricación,
se propone la siguiente hipótesis:
H3. Las empresas de fabricación que están fuertemente involucrados
en la cadena de suministro inteligente (H3a) y las tecnologías
inteligentes de Trabajo (H3b) también muestran una gran madurez en
tecnologías de fabricación inteligente.

3.2. Industria de las tecnologías de base 4.0

Consideramos una segunda capa de Industria 4.0 tecnologías, que

hemos denominado “tecnologías de base”, ya que son compatibles con
todas las otras 'inteligentes' di-mensiones discutidos anteriormente. Las
tecnologías de base están compuestas por la llamada nueva TIC (Tabla
4), Que incluye Internet de los objetos (IO), servicios en la nube, los
grandes datos y análisis (Tao et al, 2018a.; Thoben et al., 2017; Wang
et al., 2016A). Estas tecnologías se consideran de base porque están
presentes en todas las dimensiones y en diferentes tech-gías de tales
dimensiones. Se aprovechan las dimensiones de la Industria 4.0 y
hacen que la interconectividad posible, así como que proporcionan la
inteligencia de los nuevos sistemas de fabricación.
IO representa la integración de sensores y de computación en un
entorno en-ternet través de la comunicación inalámbrica (Tao et al.,
2018c). Los recientes avances en internet permite el éxito la
comunicación de varios objetos, el logro de este concepto. Este fue
apoyada también por la reducción de costos de los sensores en los
últimos años (Schuh et al., 2017), Lo que permitió la detección de
cualquier tipo de objeto y su conexión a una red más amplia (Boyes et
al., 2018).
servicios en la nube permiten el acceso a la red bajo demanda a un
conjunto compartido de recursos informáticos (Mell y Grance de 2009). Esta
tecnología tiene la capacidad de almacenar datos en un servidor de Internet
proveedor de los cuales pueden recuperarse fácilmente a través de acceso
remoto (Yu et al., 2015). Por lo tanto, los servicios de la nube facilitan la
integración de los diferentes dispositivos, ya que no tienen que estar
físicamente cerca y aunque puedan compartir información y coordinar
actividades (Yu et al, 2015.; Thoben et al., 2017).
La combinación del uso de la IO y Cloud permite diferentes Equip-ment
ser conectada, recogiendo gran cantidad de datos, lo que se traduce en el
almacenamiento de grandes volúmenes de datos (Lu, 2017; Liu, 2013).
datos grande consiste en la recolección de datos de los sistemas y objetos,
tales como lecturas de los sensores (Porter y Heppelmann, 2015). Junto con
el análisis - por ejemplo, la minería de datos y aprendizaje automático, se
considera uno de los motores más importantes de la cuarta revolución
industrial y una fuente clave de competitividad ad ventajosa para el futuro
(Tao et al, 2018a.; Porter y Heppelmann, 2015; Ahuett-Garza y Kurfess,
2018). La importancia principal se debe a la información que puede generar.
Big data es necesario generar los gemelos digitales de la fábrica y,
posteriormente, el análisis permite la capacidad de predicción avanzada,
que identifican los eventos que pueden afectar la producción de antes

Tabla 4
tecnologías de base para la industria 4.0

tecnologías de base referencias

 Revista Internacional de Producción Economía 210 (2019) 15-26 obtuvieron un total de 92 cuestionarios completos para las variables
estudiadas en este trabajo, que representa una tasa de respuesta del
Sucede (Schuh et al., 2017). La combinación de grandes volúmenes de 64,33%. Esta alta tasa de respuesta se debe a la forma en que se administró
datos con análisis puede apoyar la auto-organización de las líneas de el cuestionario, ya que la oficina ABIMAQ-Sul en contacto con todas las
producción y puede optimizar las actividades de toma de decisiones en empresas para informar acerca de la encuesta, así como se presenta esta
todas las dimensiones de un negocio en dustrial (Wang et al., 2016A; investigación en seminarios internos dustrial de la asociación y envió los
Babiceanu y Seker, 2016; Wamba et al., 2015). cuestionarios mediante un e institucional -mail, siguiendo el proceso de
Las cuatro tecnologías antes mencionadas - IO, nube, grandes datos y recolección.Tabla 5 muestra la composición de la
análisis - tienen diferentes capacidades. IO tiene como objetivo resolver los
Tabla 5
problemas de comunicación entre todos los objetos y sistemas en una
Las características demográficas de la muestra.
fábrica, mientras que los servicios de la nube de facilitar el acceso a la
información y servicios. Por último, grandes volúmenes de datos y análisis Categoría Descripción (%) Categoría Descripción (%)
se consideran los instrumentos clave para aplicaciones avanzadas de la Industrias la compañía
Industria 4.0, ya que la inteligencia del sistema depende de la gran cantidad principales Agricultura 48% de Pequeña 41%
asistido por el Biotecnología 1% tamaño (<100
de datos acumulados (big data) y la capacidad de analizar con técnicas fabricación empleados)
productos
avanzadas (análisis). Por lo tanto, se centra en el elemento central de la empresas de químicos 24% Medio 37%
Industria 4.0, formulamos nuestra cuarta y última hipótesis: la muestra Construcción 10% (100-500
empleados)
H4. El más avanzado de la compañía está en las tecnologías
Energía 15% Grande 22%
inteligentes de fabricación de la industria 4.0, más fuerte es la presencia Productos
alimenticios 29% (> 500
de las tecnologías de base será. empleados)
encuestado Los
cuero y 3% de gestores 78%
Método 4. Investigación relacionado perfil o directores
productos Los
Minería 21% supervisores 10%
4.1. Muestreo
Mueble 10% Los
Farmacéutico 10% analistas 4%
Se realizó un estudio transversal en las empresas de fabricación. Se dieci
obtuvo la muestra de la oficina regional meridional de la Asociación séis
Pulpo y papel %
Brasileña de Máquinas Equipos y construcción (ABIMAQ-Sul). Esta software y 17% Otro 8%
asociación fue elegido debido a su aplicación actual en las políticas y tecnología
estrategias para promover el concepto de la Industria 4.0, que muestra un Acería 18%
Transporte 13%
interés creciente por las empresas asociadas en-dustrial. También elegimos Productos
esta asociación para la representación de uno de los sectores manu- metálicos 34%
manufac- más fuertes en este país. La muestra está compuesta por 143 Otro 24%
empresas asociadas a ABIMAQ-Sul. El cuestionario estaba dirigido a los fabricación
directores generales u operaciones Administración de las compa-NEI. Dos
seguimientos fueron enviados cada dos semanas después de la última. Se
19
AG Frank et al. muestra, como previamente realizado por otros estudios (Marodin et al,
2016.;
la muestra con respecto a tamaño, los encuestados compañías perfil y
principales mar-cados atendidos por las empresas de la muestra.
4.2. definición de variables

Después de nuestro marco conceptual representado en Figura 1, Que

de-Veloped un cuestionario para evaluar tanto el front-end y de base tecno-
logías de la Industria (4,0tablas 1-4). El cuestionario evalúa la existencia o
no de un tipo de tecnología y el nivel de aplicación de dicha tecnología en
las empresas de fabricación. Se utilizó una escala Likert de cinco puntos que
varía de 1 - Muy bajo implementado a Ad-5- avanzadas implementado. Por
lo tanto, el más alto grado muestra una madurez avanzada de esta
tecnología. Desde que tuvo como objetivo clasificar a las empresas volver a
Gårding sus patrones de implementación del 4.0 Concepto de la industria,
también se incluyeron en la información de las empresas al cuestionario,
que puede ayudar a comprender mejor su perfil. Estas características ya se
han presentado en la descripción demográfica se muestra en laTabla 5.
Antes de implementar el cuestionario, hemos refinado la descripción
de las tecnologías, así como su estructura con una ronda de entrevistas
con 15 académicos y siete practicantes. Los estudiosos están afiliados
a los institutos tecnológicos del sur de Brasil dedicadas al desarrollo de
soluciones innovadoras basadas en las tecnologías de la IO. La
industria re-presentatives son ejecutivos de las empresas que
componen la junta de directorio de ABIMAQ-Sul. Ellos ayudaron a
alinear el cuestionario al lenguaje técnico-Nical de las empresas.

4.3. Muestra y método de la varianza

Hemos probado el potencial sesgo de la muestra utilizando el test

de Levene para la igualdad de varianzas y t-test para la igualdad de
medias entre los encuestados tempranas y tardías. Con el objetivo de
esto, se agruparon los encuestados en dos ondas principales, a
principios de los encuestados, es decir, aquellos del primer correo
electrónico (63 respuestas), y finales de los encuestados, es decir, los
29 restantes respuestas. Las pruebas indicaron que sólo 2 de los 45
variables (tecnologías) mostraron diferencias estadísticas entre los dos
grupos, pero sólo a p <0,01, mientras que no hubo diferencias en
cualquier variable para p <0,05. Siguiendo (Armstrong y Overton, 1977),
Llegamos a la conclusión de que no hay evi-dencias de las diferencias
de estos grupos en comparación con la población.
Con respecto al método común de varianza (Podsakoff et al., 2003),
Aleatorizamos el orden de la lista tecnologías para evitar que el
demandado puede asociar directamente las tecnologías de la lista.
Además, enviamos a nuestro cuestionario para los encuestados clave
(CEO y Operaciones Administración), como se explica en la sección de
muestreo (4.1.), Con el fin de obtener una visión más amplia del nivel
de aplicación de los conceptos de la Industria 4.0 en las empresas.
Finalmente, se calculó la prueba de un solo factor de la Harman con un
análisis factorial exploratorio para abordar sesgo método común, es
decir, la varianza debido al método de medición en lugar de a las
medidas que se supone que representan (Podsakoff et al., 2003). Esta
prueba con todas las variables resultó en un primer factor que
comprendía sólo el 33% de la varianza observada y que, por lo tanto,
no hay un solo factor ac-conteo para la mayoría de la varianza en el
modelo. Sin embargo, para estar completamente seguro de la ausencia
de este problema potencial, un enfoque de múltiples demandado que
representa cada empresa debe utilizar, lo cual no era posible en nuestro
estudio, al ser una limitación de nuestro estudio (Guía y Ketokivi, 2015).

4.4. Análisis de los datos

El primer paso del análisis de los datos fue identificar empresas con
niveles de madurez dif rentes en la adopción de la tecnología de
fabricación de Smart-gías. Al menos dos grupos con distinto nivel
tecnológico eran necesarias para poner a prueba nuestras hipótesis,
con el fin de descubrir patrones diferentes entre estos grupos que
pueden explicar la Industria 4.0 adopción. Por lo tanto, hemos seguido
un análisis de conglomerados en dos etapas para la identificación de
grupos distintos con características tecnológicas similares en la
 Revista Internacional de Producción Economía 210 (2019) 15-26
Montoya et al., 2009). Hemos agrupado grupos de acuerdo a su
similitud de adopción de las tecnologías de fabricación inteligente, ya
que nuestra premisa teórica es que esta es la dimensión central de la
Industria 4.0. SiguiendoMilligan y Cooper (1985), Que en primer lugar
realizó un agrupamiento jerárquico análisis (HCA), que determina el
número adecuado de grupos para la división de la muestra. HCA se
realizó usando el método de Ward en el proceso de agrupamiento, con
la medida de la distancia euclidiana de similitud entre los encuestados.
La segunda etapa considera el refinamiento de la solución de clúster y
la definición de variables que discriminaban los grupos obtenidos. Esto
se realizó utilizando un algoritmo de agrupación de k-medias no
jerárquica (Hair et al., 2009).
Después de obtener las composiciones de racimo, se realizó un
análisis de demostración gráfica de los miembros de clúster. El objetivo
de este paso es entender si los grupos formados con el análisis de
conglomerados presentan patrones di-ferentes de alta aplicación de las
tecnologías inteligentes de fabricación de la industria 4.0 (H1). También
utilizamos las pruebas ana-lisis e independencia demográficos para
entender la relación de estos grupos de empresas asignados en los
diferentes grupos con niveles de desarrollo productos inteligentes (H2),
Inteligente de trabajo y la adopción de la cadena de suministro
inteligente (H3a y 3b) y de las tecnologías de base (H4). Utilizamos
medida estandarizada de Chi-cuadrado de Pearson de asociación, que
se utiliza para rechazar la hipótesis nula de que no existe una
asociación entre las variables. En una tabla de contingencia, de
Pearson Chi-cuadrado compara las frecuencias de los valores
esperados de una variable con sus valores actuales. Un valor más alto
de asociación significa que para la categoría en el análisis (columna),
las variables (filas) tienen un valor diferente de la esperada (Ross,
2010). En nuestro análisis, el rechazo de la hipótesis nula SUP-puertos
nuestra hipótesis formulada, lo que indica un patrón diferente de la
adopción de tecnología entre los grupos agrupados. De acuerdo
aPELO et al. (2009), Esta medida es adecuado para muestras más
grandes de 50 casos, con un mínimo de cinco observaciones para cada
clase. Por lo tanto, se utilizó la prueba exacta de Fisher para las
20
asociaciones que resulta en menos de cinco observaciones (Cortimiglia
et al., 2016).
5. resultados
5.1. Los resultados para las tecnologías de front-end de la Industria
4.0
Figura 2 muestra el dendrograma de la agrupación jerárquica
realizado análisis utilizando las tecnologías de fabricación inteligente
(tabla 1) Como variables se-lection. El dendrograma representa las
similitudes entre las empresas basadas en el perfil adopción de estas
tecnologías inteligentes de fabricación (Figura 1). Los resultados
muestran que las empresas se pueden agrupar en dos o tres grupos
principales. Elegimos trabajar con tres grupos para obtener una mayor
diferenciación de Industria 4.0 patrones. Evitamos para seleccionar el
número más refinado de los grupos ya que esto daría lugar a algunos
grupos con poca representatividad debido al bajo número de com-
pañías en ellos.
Después definimos el número de grupos, se realizó el análisis de K-
medios para perfeccionar las pertenencias de racimo. Tabla 6muestra la
con-tribución de cada una de las tecnologías inteligentes de fabricación para
la de-finición de la composición de los grupos. El promedio para el nivel de
adopción de tecnologías inteligentes de fabricación es estadísticamente
diferente entre los tres grupos para todas las tecnologías, excepto para las
líneas flexibles (ver valores F ANOVA). El primer grupo se caracteriza por
tecnologías debajo del nivel moderado de adopción (≤3.00); la segunda es
Figura 2. Dendrograma para la selección del número de agrupaciones.
AG Frank et al. Revista Internacional de Producción Economía 210 (2019) 15-26

Tabla 6
K-medias resultados para las variables de racimo.

Tecnologías de fabricación inteligentes (H1) una Cluster media + SD ANOVA

F-valor
Grupo 1 Grupo 2 Grupo 3
adoptadores adoptadores adoptadores
bajas moderados avanzada

Sensores, actuadores y PLCs 2.36 ± 1,22 3.55 ± 1.00 4.60 ± 0,63 27.89 ***
Enterprise Resource Planning (ERP) 3.20 ± 1.15 4.06 ± 1.00 4.53 ± 1,06 10,80 ***
Manufacturing Execution System (MES) 2.14 ± 0,90 3.39 ± 1.00 4.33 ± 0,72 38.48 ***
Control de Supervisión y Adquisición de Datos
(SCADA) 2.32 ± 0,98 3.21 ± 1,02 4.07 ± 1.10 18.61 ***
sistema de monitoreo de la eficiencia energética 1.75 ± 0,65 2.15 ± 0,76 4.07 ± 0,96 54.72 ***
Energía sistema de mejora de la eficiencia 1.77 ± 0,60 2.15 ± 0,83 4.07 ± 0,96 52.23 ***
Identificación y trazabilidad de los productos finales 2.32 ± 0,96 3.64 ± 1,19 4.00 ± 0,76 23.12 ***
Identificación y trazabilidad de las materias primas 2.18 ± 0,97 3.52 ± 1.20 4.00 ± 0,65 25,43 ***
Simulación de procesos (fabricación digital) 2.20 ± 0,85 2.73 ± 1,13 4.00 ± 0,93 19.22 ***
De máquina a máquina de la comunicación 1.80 ± 0,73 2.79 ± 0,99 3.93 ± 0,70 40.01 ***
Robots industriales 1.80 ± 0,82 2.94 ± 1,30 3.80 ± 1,21 23.00 ***
La inteligencia artificial para la producción 1.77 ± 0,60 2.70 ± 0,85 3.40 ± 1,06 28.79 ***
puesta en servicio virtual 1.73 ± 0,66 2.39 ± 0,97 3.33 ± 1,29 18,72 ***
Inteligencia Artificial para el mantenimiento predictivo 1.68 ± 0,74 2.42 ± 0,94 3.33 ± 1,23 19.95 ***
identificación conformidades automáticas 1.95 ± 0,61 2.55 ± 0,83 3.27 ± 1.10 16.70 ***
Fabricación aditiva 1.80 ± 0,67 2.48 ± 1,18 2.60 ± 1,24 6,39 **
líneas flexibles 2.00 ± 0,89 2.45 ± 1,23 2.53 ± 1,36 2.19
Número de empresas 44 33 15
Las pequeñas empresas de tamaño 63,6% 21,2% 6,7%
empresas de tamaño mediano 22,7% 54,5% 20,0%
empresas de gran tamaño 13,6% 24,2% 63,3% ;;

** p <0,05; *** p <0,001.

a
Nota: la escala de grises representa los niveles de adopción de las tecnologías consideradas en cada grupo, variando de alta adopción (gris claro) a baja adopción
(gris oscuro).

Tabla 7
Los niveles de adopción de tecnologías de productos inteligentes.

tecnologías inteligentes del producto (H2) Adopción Grupo 1 Grupo 2 Grupo 3 Prueba
adoptadores adoptadores adoptadores
bajas moderados avanzada
productos inteligentes con capacidad de
conectividad Sí 14% 36% 73% el test de Fisher = 18,40 ***
productos inteligentes con capacidad de No 86% 64% 27%
monitoreo Sí 20% 45% 67% Χ de Pearson2 test = 1,84 **
No 80% 55% 33%
productos inteligentes con capacidad de control Sí 23% 39% 67% Χ de Pearson2 test = 9,66 **
productos inteligentes con capacidad de No 77% 61% 33%
optimización Sí 7% 18% 53% el test de Fisher = 3,86 **
productos inteligentes con capacidad de No 93% 82% 47%
autonomía Sí 7% 6% 53% el test de Fisher = 16,69 ***
No 93% 94% 47%
Cuenta total 44 33 15

** p = 0,05; *** p = 0,001.

agrupan en una aplicación pro-progresiva del conjunto completo de
caracterizado por niveles más altos de adopciones que el primer grupo, tecnologías, que muestra una
pero con valores medios por debajo del alto nivel de aplicación (≤4.00).
Finalmente, el último grupo tiene el mayor nivel de aplicación de todas
las tecnologías y tiene un subconjunto de tecnologías con alto nivel de
aplicación (≥4.0), mientras que las otras tecnologías están por encima
del nivel medio de aplicación (≥3.00). Por lo tanto, definimos estos tres
grupos tan bajas adoptadores (grupo 1), en adoptar moderados (grupo
2) y en adoptar avanzada (Cluster 3), respectivamente, de la industria
de 4.0 tecnologías inteligentes de fabricación. En cuanto al tamaño de
las empresas con-stituting cada uno de estos grupos, vale la pena notar
que cuanto más avanzadas ad-cluster es en términos de adopción de
la tecnología, mayor es la concentración de grandes empresas que lo
componen.
Los resultados presentados en las k-medias resultados de Tabla 6 apoyo
H1. Estos resultados muestran que los cúmulos (patrón de adopción) se
dividen de acuerdo a los niveles de ejecución del conjunto completo de
Tecnología para-gías. En otras palabras, se podría esperar que algún grupo
puede empresas del grupo con alta aplicación de un tipo de tecnologías,
mientras que otros grupos puede empresas del grupo con alta aplicación de
otro tipo de tecnologías, pero esto no sucedió. Lo que muestran los
resultados, tal como se propone en la hipótesisH1, Es que las empresas se

fuerte interrelación entre ellos, a excepción de líneas flexibles que no
mostraron diferencias estadísticas entre los grupos. Por lo tanto, como
se sugiere enH1, las tecnologías inteligentes de fabricación son
complementarios y no sustituibles mientras que las empresas están
creciendo en madurez. Adicionalmente,Tabla 6 presenta tres
categorías de tecnologías de forma independiente de la clúster analizó.
Esto se puede ver en la clasificación presentada en escala de grises.
La primera categoría, representada con el color gris claro, está
compuesto por las tecnologías con el más alto nivel de implementación
en cualquier clúster. Este conjunto de tecnologías considera los
relacionados con la integración vertical: Sensores / PLC + sistemas
MES + ERP + SCADA, y los relacionados con la eficiencia energética y
la trazabilidad. La segunda categoría de tecnologías - resaltado con el
21
color gris moderada - está compuesto por las tecnologías centradas en
la virtualización de la fábrica y automatización. Por último, el grupo
resalta en color gris oscuro está representado por las tecnologías
menos implementadas en los racimos.
En el segundo paso, lo asociamos a los tres grupos de madurez-le-vels
con la adopción de diferentes tipos de soluciones inteligentes para los
productos, algo que forma parte del concepto más amplio de la Industria 4.0,
como se propone en nuestra hipótesis H2. Estos resultados se presentan
enTabla 7 en la que se puede observar que H2 esta apoyado. Los resultados
muestran que la Categoría 3, que está compuesto por las empresas con la
adopción de avance inteligente
AG Frank et al. Revista Internacional de Producción Economía 210 (2019) 15-26

Tabla 8
Los niveles de adopción de la cadena de suministro inteligente y tecnologías inteligentes de trabajo.

La prueba exacta
Tecnologías de apoyo Adopción Grupo 1 Grupo 2 Grupo 3 de Fisher
adoptadores adoptadores adoptadores
bajas moderados avanzada
Las tecnologías inteligentes cadena de
suministro (H3a) Las plataformas digitales con Proveedores Sí 7% 9% 33% 6,38 **
No 93% 91% 67%
Las plataformas digitales con los clientes Sí 5% 9% 33% 7,81 **
Las plataformas digitales con otras No 95% 91% 67%
unidades de la empresa Sí 9% 21% 53% 11.91 **
tecnologías inteligentes de trabajo No 91% 79% 47%
(H3b) La monitorización remota de la producción Sí 9% 39% 93% 37.17 ***
No 91% 61% 7%
robots de colaboración Sí 2% 9% 67% 28.30 ***
No 98% 91% 33%
La operación remota de la producción Sí 5% 3% 40% 12.95 ***
La realidad aumentada para el No 95% 97% 60%
mantenimiento Sí 0% 6% 27% 10,24 ***
La realidad virtual para el entrenamiento de No 100% 94% 73%
los trabajadores Sí 0% 6% 27% 10,24 ***
No 100% 94% 73%
Aumentada y Realidad virtual para NPD Sí 2% 6% 33% 10,31 ***
No 98% 94% 67%
Cuenta total 44 33 15

** p = 0,05; *** p = 0,001.

Fig. 3. Marco que resume los resultados de los patrones de adopción de la Industria 4.0.

Fabricación, es el único con alta aprobación de tres capacidades
inteligentes para los productos de conectividad (73%), el seguimiento
(67%) y el control (67%). Por lo tanto, nuestros resultados muestran
que existe una conexión, al menos en el nivel avanzado de Industria
4.0 (Grupo 3), entre la adopción de las tecnologías de producto
inteligente inteligente Fabricación y. Por otro lado, la optimización y la
autonomía son las capacidades de menos implementado en el nivel
avanzado (47% de las empresas del Grupo 3 no adoptó esta
capacidad), aunque muestran un mayor número de empresas que
adoptan ellos si se compara con los otros dos grupos.
En el siguiente paso, hemos probado hipótesis H3A y H3B. Los
resultados se presentan enTabla 8, Mostrando que H3a y H3b se admiten
parcialmente
por nuestros resultados. En primer lugar, en relación con las
tecnologías de la cadena de suministro inteligente de Industria 4.0
(H3a), es posible ver que los tres tipos de plataformas para la
integración con proveedores, clientes y otras unidades de la com-pañía
muestran bajos niveles de adopción en los tres grupos. Vale la pena sin
tiquen que las plataformas digitales para proveedores y clientes
integración, que representan la integración horizontal de la Industria
concepto 4.0, se adoptaron muy baja, incluso en empresas con nivel
avanzado de im-plementation de fabricación inteligente. Sólo
plataformas para el integra-ción con otras unidades mostraron un nivel
relativamente alto de adopción (53%) en los adoptadores avanzadas de
las tecnologías inteligentes de fabricación (grupo 3).

22
AG Frank et al.
En cuanto a las tecnologías inteligentes de trabajo () (H3BTabla 8),
También encontramos sólo un apoyo parcial para H3b hipótesis. En este
caso, sólo el uso de la monitorización remota de la producción y el uso de
robots de colaboración presenta un nivel relativamente alto de adopción
(93% y 67% de las empresas) entre los adoptadores avanzados de
tecnologías inteligentes de fabricación. La operación remota de la
producción mostró un nivel ligeramente superior de la adopción en Cluster
3 (40% de las empresas), pero la falta de adopción de esta tecnología
todavía es predominante en este grupo (60% de las empresas). Las
tecnologías menos desarrollados de gestión inteligente de trabajo en los tres
grupos fueron realidad aumentada y realidad virtual.
5.2. Los resultados para las tecnologías de base de Industria 4.0
En el paso final, analizamos cómo las tecnologías de base están
presentes en la aplicación de las tecnologías inteligentes de fabricación
de la industria 4.0, tal como se propone en la hipótesis H4. Nuestro
apoyo hallazgosH4ya que los cuatro tecnologías de base se adoptaron
más en el Grupo 3 (adoptadores ad-avanzadas de fabricación
inteligentes). También es posible ver que los servicios de la nube se
basa la tecnología adoptada en todos los grupos, siendo la solución
más accesible utilizado por las empresas. Por otro lado, Internet de las
cosas, grandes volúmenes de datos y análisis sigue un golpeteo similar
con bajos niveles de adopción en los grupos 1 y 2.
6. Las discusiones
Se resumieron los hallazgos en el marco de Fig. 3para ilustrar una
visión holística de los patrones de adopción de la Industria 4.0
tecnologías. El marco se resumen los resultados presentados en
latablas 6-9. Hemos dividido la estructura siguiente nuestro marco
conceptual inicial deFigura 1, Que hemos ampliado con los hallazgos
empíricos. Además, hemos dividido la complejidad de la
implementación en base a los resultados de los tres grupos, mostrando
los más implementado (color gris claro) a aquellas tecnologías menos
implementadas (color gris oscuro). Representamos a estas
intensidades como una creciente complejidad en la aplicación de una
secuencia de etapas. Vale la pena notar que no estamos proponiendo
como las etapas ideales de aplicación, pero sólo la situación actual de
las compa-NEI estudiamos. Este marco se puede comparar con otros
pro-posals anteriores de la literatura, tales comoSchuh et al. (2017),
Lee et al. (2015) y Lu y Weng (2018). La principal diferencia entre estos
modelos y nuestro marco es que se proponen etapas ideales mientras
que los nuestros presentar lo que está sucediendo en un sector
industrial basado en evidencias empíricas. También detalle las
tecnologías, al tiempo que se centró principalmente en CAP-
habilidades necesarios para la Industria 4.0. Por otra parte, nuestro
modelo es más amplio, ya que considera no sólo las tecnologías de
fabricación inteligente internos como los otros modelos lo hace, sino
que también incluye muchas otras dimensiones y tecnologías-im
portante. Utilizamos este marco para guiar las discusiones a
continuación.
Nuestros resultados nos permitió verificar algunas sugerencias
anteriores de la eratura iluminado. Uno de ellos es que el nivel de
ejecución del 4.0 Concepto de la industria depende del tamaño de las
empresas, como lo sugiereKagermann et al. (2013)ySchuh et al.
(2017). Nuestros resultados (Tabla 6)
Tabla 9
Los niveles de adopción de las tecnologías de base.
tecnologías de bases (H4) Adopción Grupo 1
adoptadores bajas
Internet de las Cosas Sí 18%
No 82%
Nube Sí 43%
No 57%
big Data Sí 9%
No 91%
Analítica Sí 18%
Cuenta total No 82%
Revista Internacional de Producción Economía 210 (2019) 15-26
mostrar una relación entre las grandes empresas y avanzados im-
plementation de Industria 4.0. Esto está en línea con la literatura la
innovación en general, que afirma que las grandes empresas son más
propensas a invertir en innovación de procesos y productos, ya que
requiere alta en las vestiduras de la infraestructura tecnológica, algo
que no es viable para pequeñas empresas (Frank et al., 2016). Por otra
parte, estos resultados mostraron que los adoptadores avanzadas
están liderando todas las tecnologías y no algún específicos, lo que
puede indicar que la creciente madurez en Industria 4.0 tecnologías
implica en la agregación de soluciones tecnológicas como 'Lego' en
lugar de sustituir una a otra. Esto se representa en nuestra fra-mework
(Fig. 3) Como la progresiva adición de tecnologías de la creciente
madurez de la industria 4.0.
Además, un resultado sorprendente de nuestros hallazgos respecto
a la adopción de fabricación inteligente es que las líneas flexibles es la
única tecnología que no estaba fuertemente adoptada en cualquiera de
los tres grupos de madurez. Esto está en consonancia con los
resultados anteriores deDalenogare et al. (2018)a nivel de industria.
línea flexible se ha propuesto como uno de los conceptos de la industria
4.0, que puede ser también apoyada por el uso de aditivo de fabricación
para producir diferentes componentes y productos en la misma línea
(Wang et al, 2016b.; Weller et al, 2015.; D'Aveni, 2015). Sin embargo,
estudios anteriores sobre la Industria 4.0 en los países emergentes
destacaron la productividad industrial, la principal preocupación en
lugar de flex-bilidad (CNI, 2016). Desde que estudiamos una muestra
comercial centrado en las soluciones de negocio a negocio en el que la
personalización de los productos podría requerir una mayor flexibilidad
y adaptación de las plantas, en lugar de la producción a gran escala,
nos estaban esperando resultados diferentes. Por lo tanto, una de
nuestras preocupaciones es que las empresas están replicando
simplemente un patrón de adopción de la Industria de 4.0 otro contexto
empresarial centrado en econo-mies de escala y, por lo tanto, en la
productividad. Otra posibilidad es que las empresas ven esto como un
nivel muy avanzado de ejecución, siendo en la parte superior de la
madurez, como mostramos en el marco deFig. 3. Por ejemplo, hacer
una línea de producción existente de manera más flexible, no sólo
habrá que aplicar nuevas tecnologías, sino para cambiar los métodos
de diseño y producción. Esto podría ser económicamente restrictiva o
podría volver a mano de papel demasiados reordenamientos que
interrumpen las rutinas de operaciones. Por lo tanto, el papel de las
líneas flexibles en la industria 4.0 requiere mores en-vestigation en
futuras investigaciones.
En cuanto a la conexión entre Smart Fabricación y productos
inteligentes, (probado en la hipótesis H2), La literatura existente sugiere que
la industria 4.0 puede fomentar la aplicación de soluciones digitales
centradas en el cliente (Ardolino et al. 2018; Kamp et al, 2017.; Opresnik y
Taisch, 2015), Estimulando la oferta de productos inteligentes (Lerch y
Gotsch, 2015). Podríamos evidencia de dicha relación en nuestros
resultados de Tabla 7, Ya que las altas en adoptar el concepto inteligente
de fabricación son el mismo con una fuerte aplicación de algunas de las
capacidades de los productos inteligentes. En este sentido, reforzamos las
obras anteriores deKamp et al. (2017) yRymaszewska et al. (2017)que
destacó el potencial re-vueltas de los inteligentes digitales Productos para
los procesos de fabricación internos de la empresa. Sin embargo, las
empresas de nuestra muestra sólo se están poniendo en práctica lo que
hemos denominado como productos inteligentes 'pasivos', que ayudan a
monitorear y controlar, pero no para optimizar y proporcionar
Grupo 2 Grupo 3 Prueba
adoptadores Los adoptantes
moderados avanzada
Χ de
39% 67% Pearson2 test = 12,51 **
61% 33% Χ de
58% 60% Pearson2 test = 2,13
42% 40%
27% 60% el test de Fisher = 15.20 ***
73% 40% Χ de
36% 60% Pearson2 test = 9,62 **
64% 40%
 44 33 15

** p = 0,05; *** p = 0,001.

23
AG Frank et al. pueden utilizar nuestro marco de trabajo como un modelo de
implementación madurez para evolucionar en el 4.0 Concepto de la
autonomía a las máquinas. industria. El marco muestra niveles de implementación de varias
Nuestros resultados mostraron evidencia parcial de las hipótesis tecnologías que estaban relacionados con niveles de complejidad para
H3A y H3B. La literatura ha puesto de relieve la integración de la la implementación del concepto 4.0 Industria. Nuestros hallazgos
cadena de suministro como una de las ventajas de la Industria 4,0 sugieren que las empresas no deben quedarse solamente en la primera
basadas en plataformas integradas con los proveedores (Pfohl et al, etapa se describe en nuestra fra-mework, centrándose sólo en la
2017.; Ángeles, 2009; Simji-Levi et al., 2004). Nuestros resultados integración vertical, la gestión de la energía y
muestran que, al menos en el sector industrial considerado en nuestra
muestra, la integración de la cadena de suministro se encuentra todavía
en las etapas iniciales de desarrollo. La misma limitación se encuentra
en las tecnologías para el profesional de trabajo ac-actividades, donde
el monitoreo remoto solamente de la producción y los robots de
colaboración eran prominentes entre los adoptadores de las
tecnologías avanzadas de fabricación inteligente. En este caso,
aumentada y realidad virtual están siendo baja en práctica. Lo mismo
se informó en otros estudios que las consideran tecnologías todavía
iniciales (Elia et al., 2016). Por lo tanto, podríamos decir que estas dos
dimensiones solamente pueden crecer después de la con-solidación de
la dimensión de fabricación inteligente interna de la Industria 4.0.
En cuanto a las tecnologías de base, se encontraron algunos
resultados interesantes y contra-intuitiva. En primer lugar, se podría
esperar que la nube puede ser dependiente de la aplicación de las
soluciones de la IO, ya que el equipo se debe conectar primero para
generar los datos almacenados en la nube (Wang et al., 2016A). Sin
embargo, el hecho de que los servicios de nube es la primera
tecnología-im complementado puede sugerir que no se utiliza como una
forma de almacenar datos en tiempo real del equipo, sino que sirven
sólo como el almacenamiento de datos a distancia. En este sentido, la
nube puede representar tan sólo un almacenamiento de datos a
distancia, mientras que la recolección de datos en tiempo real puede
ser representado por la secuencia de la IO + + Big Data Analytics, que
son las siguientes tecnologías en el marco deFig. 3. Como se ha
demostrado anteriormente porDalenogare et al. (2018)a nivel de la
industria, se trata de un conjunto de Technol-tec- todavía muy
inmaduros en los sectores de fabricación tradicionales como la
considerada en nuestra muestra. Esto también está alineado
conEnrique et al. (2018) que mostraron que, en general, las empresas
en Brasil necesitan crecer en el uso de las TIC, como las aquí
consideradas.

7. Conclusiones

En este trabajo, que tuvo como objetivo identificar diferentes patrones

de adopción de dos capas de tecnología de la industria 4.0: tecnologías de
base y tecnologías de front-end. Nuestros resultados apoyan nuestra
premisa de que Smart Manufacturing tiene un papel central en la industria
4.0 y que está conectado con los productos inteligentes, ser fuerte
interrelacionados. También mostramos cómo otras tecnologías de front-end
complementan inteligente de fabricación, pero siguen siendo bajos
implementado en la muestra estudiada.
De acuerdo con nuestros resultados, las empresas con un nivel
avanzado de ejecución de la Industria 4.0 tienden a adoptar la mayor parte
de las tecnologías de front-end y no un subconjunto específico. Para las
tecnologías adoptadas, una secuencia de pasos de implementación se
puede dibujar. Nos resume esto en un marco, que es la principal contribución
de nuestros hallazgos, mostrando cómo se implementan y están
interrelacionados Industria 4.0 tecnologías.

7.1. Implicaciones prácticas

Nuestros resultados pueden contribuir para las empresas que

buscan la actualización tecnológica. Hemos proporcionado información
sobre los requisitos para la im-plementation de Industria 4.0
tecnologías. Esto es importante para el hombre, quinceañeros puesto
que todavía hay una considerable incertidumbre acerca de la Industria
4.0, especialmente en relación con los requisitos tecnológicos y los
beneficios potenciales, ya que investigaciones anteriores han
demostrado (CNI, 2016; Dalenogare et al., 2018). Los administradores
pueden utilizar nuestro marco de centrarse no sólo en las tecnologías
de front-end, sino también en las tecnologías de base que proporcionan
apoyo a la aplicación de la Industria 4.0. Los administradores también
 Revista Internacional de Producción Economía 210 (2019) 15-26
trazabilidad. Estas son las tecnologías más consolidadas de la industria
4.0. Como se muestra en nuestros resultados, la automatización
avanzada, virtualización y flexibilización son las fronteras en cuanto a
la complejidad de im-plementation de Industria 4.0. Las empresas que
dominan estos niveles más altos de madurez pueden obtener una
ventaja competitiva. Estas son las etapas en las grandes datos y
análisis juegan un papel clave, herramientas de apoyo como la
inteligencia artificial de los aspectos operativos de la fábrica y para
aumentar la productividad de los trabajadores a través de la realidad
aumentada y virtual. También puso de manifiesto también que incluso
las líneas flexibles son algo dirigido por el concepto 4.0 In-dustria,
puede ser difícil de lograr debido a los arreglos de fabricación ya
establecidos. Por lo tanto, los gerentes que están iniciando nuevas
fábricas debe pensar en este aspecto antes de definir el diseño de
fabricación,
7.2. Limitaciones y futuras investigaciones
Esta investigación tiene algunas limitaciones que se pueden abrir
nuevas vías para la investigación futura. En primer lugar, nuestro trabajo
considera una muestra de un sector muy específico que tiene sus propias
características. La industria de la maquinaria y equipo se centra en las
actividades intrínsecamente business-to-business (B2B), que son muy
diferentes de los modelos de empresa a consumidor (B2C). B2B actividades
exigen soluciones más especializados y personalizados, lo que resulta en la
interacción y la conexión entre la empresa y el cliente más fuerte. Esto afecta
naturalmente la relevancia dado a las diferentes dimensiones de las
tecnologías de front-end. Por otra parte, casi la mitad de nuestra muestra
tiene el sector de la agricultura como el principal mercado industrial. Este
sector ha crecido muy rápido en la demanda de soluciones de IO para la
agricultura automatizado (por ejemplo,Comisión Europea, 2017; Porter y
Heppelmann, 2014) y esto abre más oportunidades para la industria 4.0.
Estas características no pueden ser simplemente extrapolarse a otro tipo de
mercados, especialmente los basados en actividades B2C. Otro personaje-
ista importante de nuestra muestra es que estamos considerando un sector
24
tradicional manu-manufac-, que se posiciona como un nivel medio de
madurez en el proceso de transformación digital, por detrás de otros
sectores más avanzados, tales como computadoras y equipos electrónicos
(CNI, 2016). Por lo tanto, uno debe tener cuidado para aceptar nuestros
resultados como un patrón general de Industria 4.0 tecnologías. No
obstante, la comparación hecha con obras anteriores re-garding los niveles
de madurez de la industria 4.0 se muestran en nuestros resultados (por
ejemplo,Schuh et al, 2017.; Lee et al, 2015.; Lu y Weng, 2018; Dalenogare
et al., 2018) Nos hace creer que nuestros hallazgos podrían extenderse a
otros campos industriales. Sin embargo, se necesitan más evidencias
empíricas para validar esta posible extensión a otras industrias. En segundo
lugar, nuestro estudio no tuvo en cuenta el efecto de estas tecnologías en
perfor-mance industrial, que podrían ser un tema muy interesante para la
investigación futura. El beneficio real de la Industria 4.0 sigue siendo una
preocupación para los profesionales y un estudio de este tipo podría ser útil
para la teoría y la práctica.Dalenogare et al. (2018)han estudiado
recientemente un impacto tan grande, pero sólo a nivel de la industria, y
llamaron la atención sobre la necesidad de un análisis a nivel de empresa.
Nos mudamos nuestra investigación un primer paso en esta dirección, ya
que proporcionó una base empírica para la comprensión de cómo se
adoptan tecnologías y cómo se relacionan entre sí. Desde este punto de
partida, el futuro re-búsqueda puede avanzar en el estudio de cómo estas
tecnologías impacto en el rendimiento en dustrial a nivel de empresa. Por
último, hemos demostrado que las grandes empresas están más preparadas
para la Industria 4.0, como se esperaba. Sin embargo, el grupo de madurez
superior también presenta algunas pequeñas empresas de tamaño que
adoptaron con éxito las tecnologías de fabricación inteligentes. La
investigación futura podría profunda en este tipo de empresas para entender
cuáles son los factores que apoyar a innovar,Kagermann et al, 2013.; Müller
et al., 2018).
Expresiones de gratitud
Los autores agradecen al Consejo Nacional Brasileño para el
Desarrollo Científico y Tecnológico (CNPq - Consejo Nacional de
AG Frank et al. Guo, Z., Zhou, D., Chen, J., Geng, J., Lv, C., Zeng, S., 2018. El uso de realidad virtual
para apoyar el diseño de mantenimiento del producto: verificación de
mantenimiento de inmersión y sistema de evaluación. Comput. Ind. 101, 41-50.
Desarrollo Científico y Tecnológico) (Proceso n. 305844 / 2015-6), el
Consejo de Investigación del Estado de Rio Grande do Sul (FAPERGS,
Fundación de Amparo a Pesquisa do Estado do Rio Grande do Sul)
(Proceso n. 17/2551 -0001) y la Coordinación de investigación del
Ministerio de Educación de Brasil (CAPES), por el apoyo de re-
concebido financieros para llevar a cabo esta investigación.
referencias

Ahuett-Garza, H., Kurfess, T., 2018. Una breve discusión sobre las tendencias de
la Habilitante tecnologías para la industria de fabricación 4.0 y Smart. Fabrica.
Letón. 15, 60-63.
Ángeles, R., 2009. infraestructura y suministro anticipó capacidades de integración de
la cadena de RFID y sus resultados de implementación asociados. En t. J. Inf.
Manag. 29 (3),219-231.
Ardolino, M., Rapaccini, M., Saccani, N., Gaiardelli, P., Crespi, G., Ruggeri, C., 2018. El
papel de las tecnologías digitales para la transformación de los servicios de las
empresas industriales. En t.J. Prod. Res. 56 (6), 2116-2132.
Armstrong, JS, Overton, TS, 1977. La estimación de sesgo de no respuesta en las
encuestas por correo. J.
Mercado. Res. 396-402.
Ayala, NF, Paslauski, CA, Ghezzi, A., Frank, AG, de intercambio de 2017. Conocimiento
en la dinámica de la participación de los proveedores de servicios para servitization
de las empresas de fabricación. En t. J.Pinchar. Econ. 193, 538-553.
Ayala, NF, Gerstlberger, W., Frank, AG, servitization 2019. Gestión en las empresas
de productos: el papel moderador de proveedores de servicios. En t. J. Oper.
Pinchar. Manag. 39 (1), 43-74.https://doi.org/10.1108/IJOPM-08-2017-0484.
Babiceanu, RF, Seker, R., 2016. Big Data y la virtualización para la fabricación de
sistemas ciber-físicos: un estudio de la situación actual y perspectivas de futuro.
Comput. Ind. 81,128-137.
Balogun, OO, Popplewell, K., 1999. Hacia la integración de fabricación flexible de
planificación del sistema. En t. J. Prod. Res. 37 (15), 3.399 a 3.428.
Boyes, H., Hallaq, B., Cunningham, J., Watson, T., 2018. El industrial internet de las
cosas (IIoT): un marco de análisis. Comput. Ind. 101, 1-12.
Chen, T., Tsai, recursos humanos, 2017. ubicua de fabricación: las prácticas actuales,
desafíos y oportunidades. Robot. Comput. Fabrica integrado. 45, 126-132.
Chiarello, F., Trivelli, L., Bonaccorsi, A., Fantoni, G., 2018. Extracción y in-
mapeodustry 4.0 tecnologías que utilizan Wikipedia. Comput. Ind. 100, 244-257.
Chien, CF, Kuo, RT, 2013. Más allá de hacer o comprar: toda la compañía capacidad a corto
plazo copia de seguridad en el ecosistema industria de los semiconductores. Flexionar.
Serv. Fabrica. J. 25 (3), 310-342.
CNI - Confederación Nacional de la Industria de 2016. Industria 4.0: un nuevo reto
para la industria brasileña. Disponible en:https: //bucket-gw-cni-static-cms-
si.s3.amazonaws. com / media / filer_public / 54/02 / 54021e9b-ed9e-4d87-a7e5-
3b37399a9030 / challenges_for_industry_40_in_brazil.pdf, fecha de consulta: July
2018.
Cortimiglia, MN, Ghezzi, A., Frank, AG, 2016. innovación del modelo de negocio y estrategia
haciendo nexo: evidencia de una cruz-industria de mezclado-estudio métodos. RD Manag. 46
(3), 414-432.
D'Aveni, R., 2015. La revolución de la impresión 3-D. Harv. Autobús. Rev. 93 (5), 40-48.
Dalenogare, LS, Benítez, GB, Ayala, NF, Frank, AG, 2018. La contribución esperada
4.0 Industria de tecnologías para el rendimiento industrial. En t. J. Prod. Econ.
204,383-394.
de Sousa Jabbour, ABL, Jabbour, CJC, Foropon, C, Godinho Filho, M., 2018. Cuando
se reúnen titanes-CAN industria 4.0 revolucionar la ola manu-fabri- ambientalmente
sostenible? El papel de los factores críticos de éxito. Technol. Pronóstico. Soc.
Cambio132, 18-25.
mano Du, G., Zhang, P., Mai, J., Li, Z., 2012. Markerless kinect-basan seguimiento para
robot teleoperación. En t. J. Adv. Robar. Syst. 9 (2), 36.
El Kadiri, S., Grabot, B., Thoben, KD, Hribernik, K., Emmanouilidis, C, Von Cieminski,
G., Kiritsis, D., 2016. Las tendencias actuales en tecnologías TIC para la
información de la empresa Los sistemas. Comput. Ind. 79, 14-33.
Elia, V., Gnoni, MG, Lanzilotto, A., 2016. La evaluación de la aplicación de dispositivos
de realidad aumentada en la fabricación desde un punto de vista del proceso: un
modelo basado en AHP. Syst experto. Appl. 63, 187-197.
Enrique, DV, Ayala, NF, Lima, MJDRF, Marodin, GA, Gzara, L., Frank, AG, 2018. El
uso de las herramientas TIC para apoyar las actividades de desarrollo de
productos de colaboración: evi-dencias de la industria brasileña. producción 28.
Comisión Europea, 2017. Transformación Digital Monitor de la Industria 4.0 en la agricultura:
centrarse en los aspectos de la IO. De julio de 2017. Disponible
en:https://ec.europa.eu/growth/tools-bases de datos / DEM / monitor / sites / default / files
/ DTM_Agriculture% 204,0% 20IoT% 20v1. pdf, fecha de consulta: July 2018.
Frank, AG, Cortimiglia, MN, Ribeiro, JLD, de Oliveira, LS, 2016. El efecto de las
actividades de innovación en los productos de innovación en la industria brasileña:
mercado-orientaciónción frente a las estrategias de adquisición de tecnología. Res.
Pol. 45 (3), 577-592.
Gawer, A., Cusumano, MA, 2014. Las plataformas de la industria y la innovación del
ecosistema. J. Prod.
Innova. Manag. 31 (3), 417-433.
Gilchrist, A., 2016. Industria 4.0: Internet de las Cosas industrial. Apress, Nueva York,
pp.
245.
Gorecky, D., Khamis, M., Mura, K., 2017. Introducción y establecimiento de la
formación virtual en la fábrica del futuro. En t. J. Comput. Fabrica integrado. 30
(1),182-190.
Guía, VDR, Ketokivi, M., 2015. Notas de los editores: la redefinición de algunos
metodo-gicas criterios para la revista. J. Oper. Manag. 37, v-viii.
 Revista Internacional de Producción Economía 210 (2019) 15-26
Pelo, JF, et al., 2009. Análisis multivariado de datos, séptima ed. Pearson Prentice Hall. Ivanov,
D., Dolgui, A., Sokolov, B., Werner, F., Ivanova, M., 2016. Un modelo dinámico y
un algoritmo para la programación de la cadena de suministro a corto plazo en la
industria de la fábrica inteligente 4.0.
En t. J. Prod. Res. 54 (2), 386-402.
Jeschke, S., Brecher, C., Meisen, T., Özdemir, D., Eschert, T., 2017. internet Industrial
de las cosas y sistemas de fabricación cibernético. En: Internet de las Cosas
industrial. Saltador,Cham, pp. 3-19.
Kagermann, H., Wahlster, W., Helbig, J., 2013. Recomendaciones para la implementación del
Iniciativa estratégica Industrie 4.0: Asegurar el Futuro de la Industria Alemana
de fabricación. Informe Final del Grupo de Trabajo 4.0 Industrie.
acatech,Forschungsunion.
Kamp, B., Ochoa, A., Diaz, J., 2017. servitization inteligente dentro del contexto de las
relaciones entre usuarios y proveedores industriales: contingencias de acuerdo con
un fabricante de la máquina herramienta. En t. J. Interact. Des. Fabrica. 11 (3), 651-
663.
Kortmann, S., Piller, F., 2016. Abrir modelos de negocio y cadenas de valor de bucle
cerrado: re-la definición de la relación empresa-consumidor. Calif. Manag. Rev.
58 (3), 88-108.
Lee, J., Bagheri, B., Kao, HA, 2015. Una arquitectura de sistemas ciber-físicos para la
industria sistemas de fabricación 4.0. Fabrica. Letón. 3, 18-23.
Lerch, C., Gotsch, M., 2015. Los sistemas producto-servicio digitalizadas en las
empresas de fabricación: una análisis de casos. Res. Technol. Manag. 58 (5), 45-
52.
Liao, Y., Deschamps F., Loures, EDFR, Ramos, LFP, 2017. Pasado, presente y futuro
de la industria de 4.0 una revisión de la literatura y la agenda de investigación
propuesta sistemática. En t. J. Prod.Res. 55 (12), 3609-3629.
Lin, HW, Nagalingam, SV, Kuik, SS, Murata, T., 2012. Diseño de un sistema de ayuda
a la decisión global para una PYME de fabricación: hacia la participación en
colaboración fabricación. En t. J. Prod. Econ. 136 (1), 1-12.
Liu, H., 2013. unidades de datos gran nube de adopción en la empresa. IEEE Comput
Internet. 17 (4),68-71.
Longo, F., Nicoletti, L., Padovano, A., 2017. operadores inteligentes en la industria de
4,0: un enfoque centrado en el hombre para mejorar las capacidades y
competencias de los operadores dentro de la nuevo contexto de la fábrica
inteligente. Comput. Ind. Eng. 113, 144-159.
Lu, Y., 2017. Industria 4.0: una encuesta sobre las tecnologías, las aplicaciones y la
investigación abierta es-demanda a. J. Indus. Inf. Integr. 6, 1-10.
Lu, HP, Weng, CI, 2018. tecnología de fabricación inteligente, análisis de la madurez
del mercado y la hoja de ruta tecnológica en el ordenador y productos electrónicos
de fabricación in-dustria. Technol. Pronóstico. Soc. Cambiar 133, 85-94.
Marodin, GA, Frank, AG, Tortorella, GL, Saurin, TA, 2016. Los factores contextuales e
implementación producción ajustada en la cadena de suministro automotriz
brasileña. SuministroManag cadena .: Int. J. 21 (4), 417-432.
Marodin, GA, Tortorella, GL, Frank, AG, Godinho Filho, M., 2017a. El efecto moderador
de la gestión de la cadena de suministro esbelta sobre el impacto de las prácticas
de piso de la tienda apoyarse enla calidad y el inventario. Cadena de Suministro
Manag .: Int. J. 22 (6), 473-485.
Marodin, GA, Frank, AG, Tortorella, GL, Fetterman, DC, 2017B. Producción magra y el
rendimiento operativo de la cadena brasileña Automotive Supply. Calidad
totalGestión y Excelencia Empresarial, pp. 1-16.
25
Mell, P., Grance, T., 2011. definición El NIST de computación en la nube. Nat. Inst.
Estar.
Technol. 53 (6), 50 2009.
Milligan, GW, Cooper, MC, 1985. Un examen de los procedimientos para la
determinación de la número de clusters en un conjunto de datos. Psychometrika
50 (2), 159-179.
Mittal, S., Khan, MA, Romero, D., Wuest, T., 2018. Una revisión crítica de los modelos
de 4,0 madurez Manu-fabri- e Industria inteligentes: implicaciones para pequeñas
y medianas empresas (PYME). J. Manuf. Syst. 49, 194-214.
Montoya, MM, Massey, AP, Hung, YTC, crujiente, CB, 2009. ¿Puede usted ahora oírme? La
comunicación en los equipos de desarrollo de productos virtuales. J. Prod. Innova.
Manag. 26
(2), 139-155.
Mortensen, ST, Madsen, O., 2018. Una plataforma de aprendizaje puesta en servicio
virtual. Proc.
Fabrica. 23, 93-98.
Müller, JM, Buliga, O., Voigt, KI, 2018. La fortuna favorece a los preparados: cómo
PYME AP-proach innovaciones en los modelos de negocio en la industria 4.0.
Technol. Pronóstico. Soc. Cambio132, 2-17.
Opresnik, D., Taisch, M., 2015. El valor de grandes datos en servitization. En t. J.
Prod. Econ.
165, 174-184.
Pfohl, HC, Yahsi, B., Kurnaz, T., 2017. Concepto y de difusión-factores de la industria
4,0 en la cadena de suministros. En: Dinámica de logística. Springer, Cham, pp.
381-390.
Podsakoff, PM, MacKenzie, SB, Lee, JY, Podsakoff, NP, 2003. sesgos método
común en la investigación del comportamiento: una revisión crítica de la
literatura y recomendó remedios. J. Appl. Psychol. 88 (5), 879.
Porter, ME, Heppelmann, JE, 2014. ¿Qué tan inteligente, los equipos conectados
están transformando competencia. Harv. Autobús. Rev. 92 (11), 64-88.
Porter, ME, Heppelmann, JE, 2015. ¿Qué tan inteligente, los equipos conectados
están transformando compañías. Harv. Autobús. Rev. 93 (10), 96-114.
Raguseo, E., Gastaldi, L., Neirotti, P., 2016, diciembre. trabajo inteligente: apoyar la
flexibilidad em-pleados a través de las TIC, prácticas de recursos humanos y la
distribución de la oficina. En: gestión de recursos humanos basada en la
evidencia: Un Foro Global para la Beca empírica, vol. 4. Emerald Group
PublishingLimited, pp. 240-256 No. 3.
Ross, SM, 2010. Introducción a la Estadística. Academic Press Books, Elsevier, Nueva York,
EE.UU.. Rymaszewska, A., Helo, P., Gunasekaran, A., 2017. IO servitization accionado de
fabri-
fabri--un estudio de caso exploratorio. En t. J. Prod. Econ. 192, 92-105.
Schuh, G., Anderl, R., Gausemeier, J., diez Hompel, M., Wahlster, W., 2017. Industrie
índice 4,0 madurez. En: Gestión de la transformación digital de Empresas
(acatechEstudio) Herbert Utz Verlag, (Munich).
Scurati, GW, Gattullo, M., Fiorentino, M., Ferrise, F., Bordegoni, M., Uva, AE, 2018.
acciones de mantenimiento convertir en símbolos estándar para AP- Realidad
Aumentadacomplicaciones en la industria 4.0. Comput. Ind. 98, 68-79.
Simji-Levi, D., Kaminsky, P., Simji-Levi, E., 2004. La gestión de la cadena de
suministro:
Guía definitiva. Tata McGraw-Hill Education.
AG Frank et al.
Stock, T., Obenaus, M., Kunz, S., Kohl, H., 2018. Industria 4.0 como facilitador para un
desarrollo sostenible: una evaluación cualitativa de su potencial ecológico y social.
ProcesoSaf. Reinar. Proteger. 118, 254-267.
Tao, F., Cheng, J., Qi, Q., Zhang, M., Zhang, H., Sui, F., 2018a. twin-diseño impulsado
pro-ducto, fabricación y servicio con grandes volúmenes de datos digital. En t. J.
Adv. Fabrica. Technol. 94(9-12), 3563 a 3576.
Tao, F., Cheng, J., Qi, Q., Zhang, M., Zhang, H., Sui, F., 2018b. twin-diseño impulsado
pro-ducto, fabricación y servicio con grandes volúmenes de datos digital. En t. J.
Adv. Fabrica. Technol. 94(9-12), 3563 a 3576.
Tao, F., Qi, Q., Liu, A., Kusiak, A., 2018c. Impulsado por los datos de fabricación
inteligente. J. Manuf.
Syst. 48 (c), 157-169.
Telukdarie, A., Buhulaiga, E., Bolsa, S., Gupta, S., Luo, Z., 2018. Industria 4,0 im-
plementation para las multinacionales. Proceso Saf. Reinar. Proteger. 118, 316-
329.
Thoben, KD, Wiesner, S., Wuest, T., 2017. Industrie 4.0” e inteligente de fabricación-a
examen de las cuestiones de investigación y ejemplos de aplicación. En t. J. autom.
Technol. 11 (1).
Turner, CJ, Hutabarat, W., Oyekan, J., Tiwari, A., 2016. simulación de eventos
discretos y
uso de la realidad virtual en la industria: nuevas oportunidades y tendencias
futuras. IEEE Trans.
Mach humano. Syst. 46 (6), 882-894.
Wamba, SF, Akter, S., Edwards, A., Chopin, G., Gnanzou, D., 2015. ¿Cómo 'grandes
data'can hacen grandes beneficios: los hallazgos de una revisión sistemática y un
estudio de caso longitudinal. En t.J. Prod. Econ. 165, 234-246.
Wang, L., Törngren, M., Onori, M., 2015. Estado actual y el avance de la
cibernéticasistemas físicos en la fabricación. J. Manuf. Syst. 37, 517-527.
Wang, S., Wan, J., Zhang, D., Li, D., Zhang, C., 2016A. Hacia la fábrica inteligente
para la industria 4.0: un sistema multi-agente de auto-organizado con grandes
volúmenes de datos y la cooperación basada en la retroalimentaciónordenación.
Comput. Red. 101, 158-168.
Wang, S., Wan, J., Li, D., Zhang, C., 2016b. La implementación de la fábrica inteligente de la
Industria 4.0:
un punto de vista. En t. J. Distributed Sens. Netw. 12 (1), 3,159,805.
Weller, C, Kleer, R., Piller, FT, 2015. Las implicaciones económicas de la impresión en
3D: los modelos de estructura de mercado a la luz de la fabricación aditiva
revisited. En t. J. Prod. Econ. 164,43-56.
Yin, Y., Stecke, KE, Li, D., 2018. La evolución de los sistemas de producción de la industria
2,0
Revista Internacional de Producción Economía 210 (2019) 15-26
a través de la Industria 4.0. En t. J. Prod. Res. 56 (1-2), 848-861.
Yu, C., Xu, X., Lu, Y., 2015. de fabricación, sistemas ciber-físicos por ordenador
integrado y la nube de fabricación-conceptos y relaciones. Fabrica. Letón. 6, 5-9.
Zhong, RY, Xu, X., Klotz, E., Newman, ST, 2017. Fabricación inteligente en el
contexto de la industria 4.0: una revisión. Ingeniería 3 (5), 616-630.
Zhou, W., Piramuthu, S., Chu, F., Chu, C., 2017. RFID habilitados para el
almacenamiento flexible.
Decis. Soporte Syst. 98, 99-112.
Alejandro de Alemania, Frank, Ph.D.. es profesor asociado de Organización Industrial en el
Departamento de Ingeniería Industrial de la Universidad Federal de Rio Grande do Sul
(UFRGS) - Brasil, y el director del Grupo de Ingeniería de Organización (NEO - Núcleo de
Ingeniería Organizacional) también en la UFRGS. Ha sido profesor visitante en el Centro de
Rendimiento Industrial del Instituto de Tecnología (EE.UU.) Massachusetts y en el Observatorio
de las TIC y Gestión del Politécnico de Milán (Italia). Sus principales líneas de re-búsqueda
incluyen la gestión estratégica y operaciones, organización industrial, el rendimiento industrial,
servitization y desarrollo de nuevos productos.
Néstor Fabián Ayala, Ph.D.. Profesor Asociado de Ingeniería de Servicios de la
Universidad Federal de Rio Grande do Sul (UFRGS) - Brasil, y el co-director del Grupo
de Ingeniería de Organización (NEO - Núcleo de Ingeniería Organizacional) también en
la UFRGS. Ha sido profesor visitante en el Instituto Politécnico de Grenoble (Grenoble
INP), Francia. Sus principales intereses de investigación incluyen la gestión estratégica
y la gestión de las operaciones con el foco en servitization e Industria 4.0.
Lucas Dalenogare, es un doctorado candidato en el Instituto Politécnico de Grenoble
(Grenoble INP), Francia. Él es un investigador del laboratorio G-SCOP en la misma
universidad y del Grupo de Ingeniería de Organización (NEO) de la Universidad Federal
de Rio Grande do Sul (UFRGS). Él tiene una licenciatura en Ingeniería Civil y grado de
maestría en ingeniería industrial, tanto de la UFRGS. Su principal línea de investigación
se refiere a la utilización de tecnologías avanzadas para la industria 4.0.
26