Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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 (Lee et al, 2015.; Babiceanu y Seker, 2016; Dalenogare et al., 2018).
Algunos trabajos previos han propuesto modelos de madurez para la
La cuarta revolución industrial - también llamado como Industria 4.0 im-plementation de estas tecnologías (por ejemplo,Schuh et al, 2017.;
- es uno de los temas más de moda en ambos campos profesionales y Lee et al., 2015; Lu y Weng, 2018; Mittal et al., 2018), Mientras que
académicos (Chiarello et al, 2018.; Liao et al., 2017). Este concepto otras obras tienen estudiado el impacto de estas tecnologías en el
tiene inteligente de fabricación como elemento central (Kagermann et rendimiento industrial (Dalenogare et al., 2018). Sin embargo, hay una
al., 2013). También considera la integración de la fábrica con la falta de estudios que proporcionan evidencia empírica acerca de la
totalidad de las actividades del ciclo de vida del producto y la cadena forma en que estas tecnologías son adoptadas en las empresas de
de suministro (Wang et al, 2016b.; Dalenogare et al., 2018), incluso fabricación, lo que lleva a una pregunta importante: ¿cuáles son los
cambiar la forma de trabajar (Stock et al., 2018). En-dustria 4.0 se basa patrones de la industria 4.0 tecnologías actuales de adopción en las
en la adopción de las tecnologías digitales para recopilar datos en empresas de fabricación?
tiempo real y analizarlo, proporcionando información útil al sistema de Con el fin de responder a esta pregunta, presentamos un análisis cuanti-
fabricación (Lee et al, 2015.; Wang et al., 2016A). El advenimiento de Quan-exploratorio de 92 empresas de fabricación del sector de la
la Internet de las Cosas (IOT), servicios en la nube, grandes volúmenes maquinaria y equipo. Nuestro objetivo es entender si fabricación com-pañías
de datos y análisis, lo hizo posible, creando el concepto de sistema pueden organizarse en base a los patrones de adopción de las tecnologías
ciberfísicos de Industria 4.0 (Wang et al, 2015.; Lu, 2017). 4.0 Industria y si estos patrones permiten definir Configura-ciones
El concepto 4.0 La industria tiene una tecnología muy compleja archi- específicas de la industria 4.0 tecnologías. Este tipo de análisis nos ayuda a
tura de los sistemas de fabricación (Lee et al., 2015), Que es una de las comprender lo que se necesita para una aplicación efectiva de la Industria
principales preocupaciones en esta nueva etapa industrial. Por lo tanto, la 4.0 tecno-logías en las empresas de fabricación. En primer lugar,
aplicación efectiva de la Industria 4.0 tecnologías sigue siendo un tema de proponemos un marco conceptual de la Industria 4.0 tecnologías, en dos
investigación 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.
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).
tabla 1
Tecnologías de fabricación inteligentes.
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.
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.
Tabla 4
tecnologías de base para la industria 4.0
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 asociaciones que resulta en menos de cinco observaciones (Cortimiglia
et al., 2016).
Montoya et al., 2009). Hemos agrupado grupos de acuerdo a su
similitud de adopción de las tecnologías de fabricación inteligente, ya 5. resultados
que nuestra premisa teórica es que esta es la dimensión central de la
Industria 4.0. SiguiendoMilligan y Cooper (1985), Que en primer lugar 5.1. Los resultados para las tecnologías de front-end de la Industria
realizó un agrupamiento jerárquico análisis (HCA), que determina el 4.0
número adecuado de grupos para la división de la muestra. HCA se
realizó usando el método de Ward en el proceso de agrupamiento, con Figura 2 muestra el dendrograma de la agrupación jerárquica
la medida de la distancia euclidiana de similitud entre los encuestados. realizado análisis utilizando las tecnologías de fabricación inteligente
La segunda etapa considera el refinamiento de la solución de clúster y (tabla 1) Como variables se-lection. El dendrograma representa las
la definición de variables que discriminaban los grupos obtenidos. Esto similitudes entre las empresas basadas en el perfil adopción de estas
se realizó utilizando un algoritmo de agrupación de k-medias no tecnologías inteligentes de fabricación (Figura 1). Los resultados
jerárquica (Hair et al., 2009). muestran que las empresas se pueden agrupar en dos o tres grupos
Después de obtener las composiciones de racimo, se realizó un principales. Elegimos trabajar con tres grupos para obtener una mayor
análisis de demostración gráfica de los miembros de clúster. El objetivo diferenciación de Industria 4.0 patrones. Evitamos para seleccionar el
de este paso es entender si los grupos formados con el análisis de número más refinado de los grupos ya que esto daría lugar a algunos
conglomerados presentan patrones di-ferentes de alta aplicación de las grupos con poca representatividad debido al bajo número de com-
tecnologías inteligentes de fabricación de la industria 4.0 (H1). También pañías en ellos.
utilizamos las pruebas ana-lisis e independencia demográficos para Después definimos el número de grupos, se realizó el análisis de K-
entender la relación de estos grupos de empresas asignados en los medios para perfeccionar las pertenencias de racimo. Tabla 6muestra la
diferentes grupos con niveles de desarrollo productos inteligentes (H2), con-tribución de cada una de las tecnologías inteligentes de fabricación para
Inteligente de trabajo y la adopción de la cadena de suministro la de-finición de la composición de los grupos. El promedio para el nivel de
inteligente (H3a y 3b) y de las tecnologías de base (H4). Utilizamos adopción de tecnologías inteligentes de fabricación es estadísticamente
medida estandarizada de Chi-cuadrado de Pearson de asociación, que diferente entre los tres grupos para todas las tecnologías, excepto para las
se utiliza para rechazar la hipótesis nula de que no existe una líneas flexibles (ver valores F ANOVA). El primer grupo se caracteriza por
asociación entre las variables. En una tabla de contingencia, de tecnologías debajo del nivel moderado de adopción (≤3.00); la segunda es
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
Figura 2. Dendrograma para la selección del número de agrupaciones.
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
AG Frank et al. Revista Internacional de Producción Economía 210 (2019) 15-26
Tabla 6
K-medias resultados para las variables de racimo.
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% ;;
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
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
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 por nuestros resultados. En primer lugar, en relación con las
inteligentes para los productos de conectividad (73%), el seguimiento tecnologías de la cadena de suministro inteligente de Industria 4.0
(67%) y el control (67%). Por lo tanto, nuestros resultados muestran (H3a), es posible ver que los tres tipos de plataformas para la
que existe una conexión, al menos en el nivel avanzado de Industria integración con proveedores, clientes y otras unidades de la com-pañía
4.0 (Grupo 3), entre la adopción de las tecnologías de producto muestran bajos niveles de adopción en los tres grupos. Vale la pena sin
inteligente inteligente Fabricación y. Por otro lado, la optimización y la tiquen que las plataformas digitales para proveedores y clientes
autonomía son las capacidades de menos implementado en el nivel integración, que representan la integración horizontal de la Industria
avanzado (47% de las empresas del Grupo 3 no adoptó esta concepto 4.0, se adoptaron muy baja, incluso en empresas con nivel
capacidad), aunque muestran un mayor número de empresas que avanzado de im-plementation de fabricación inteligente. Sólo
adoptan ellos si se compara con los otros dos grupos.
plataformas para el integra-ción con otras unidades mostraron un nivel
En el siguiente paso, hemos probado hipótesis H3A y H3B. Los
relativamente alto de adopción (53%) en los adoptadores avanzadas de
resultados se presentan enTabla 8, Mostrando que H3a y H3b se admiten las tecnologías inteligentes de fabricación (grupo 3).
parcialmente
22
AG Frank et al. Revista Internacional de Producción Economía 210 (2019) 15-26
En cuanto a las tecnologías inteligentes de trabajo () (H3BTabla 8), mostrar una relación entre las grandes empresas y avanzados im-
También encontramos sólo un apoyo parcial para H3b hipótesis. En este plementation de Industria 4.0. Esto está en línea con la literatura la
caso, sólo el uso de la monitorización remota de la producción y el uso de innovación en general, que afirma que las grandes empresas son más
robots de colaboración presenta un nivel relativamente alto de adopción propensas a invertir en innovación de procesos y productos, ya que
(93% y 67% de las empresas) entre los adoptadores avanzados de requiere alta en las vestiduras de la infraestructura tecnológica, algo
tecnologías inteligentes de fabricación. La operación remota de la que no es viable para pequeñas empresas (Frank et al., 2016). Por otra
producción mostró un nivel ligeramente superior de la adopción en Cluster parte, estos resultados mostraron que los adoptadores avanzadas
3 (40% de las empresas), pero la falta de adopción de esta tecnología
están liderando todas las tecnologías y no algún específicos, lo que
puede indicar que la creciente madurez en Industria 4.0 tecnologías
todavía es predominante en este grupo (60% de las empresas). Las
implica en la agregación de soluciones tecnológicas como 'Lego' en
tecnologías menos desarrollados de gestión inteligente de trabajo en los tres
lugar de sustituir una a otra. Esto se representa en nuestra fra-mework
grupos fueron realidad aumentada y realidad virtual.
(Fig. 3) Como la progresiva adición de tecnologías de la creciente
5.2. Los resultados para las tecnologías de base de Industria 4.0 madurez de la industria 4.0.
Además, un resultado sorprendente de nuestros hallazgos respecto
En el paso final, analizamos cómo las tecnologías de base están a la adopción de fabricación inteligente es que las líneas flexibles es la
presentes en la aplicación de las tecnologías inteligentes de fabricación única tecnología que no estaba fuertemente adoptada en cualquiera de
de la industria 4.0, tal como se propone en la hipótesis H4. Nuestro los tres grupos de madurez. Esto está en consonancia con los
apoyo hallazgosH4ya que los cuatro tecnologías de base se adoptaron resultados anteriores deDalenogare et al. (2018)a nivel de industria.
más en el Grupo 3 (adoptadores ad-avanzadas de fabricación línea flexible se ha propuesto como uno de los conceptos de la industria
inteligentes). También es posible ver que los servicios de la nube se 4.0, que puede ser también apoyada por el uso de aditivo de fabricación
para producir diferentes componentes y productos en la misma línea
basa la tecnología adoptada en todos los grupos, siendo la solución
(Wang et al, 2016b.; Weller et al, 2015.; D'Aveni, 2015). Sin embargo,
más accesible utilizado por las empresas. Por otro lado, Internet de las
estudios anteriores sobre la Industria 4.0 en los países emergentes
cosas, grandes volúmenes de datos y análisis sigue un golpeteo similar
destacaron la productividad industrial, la principal preocupación en
con bajos niveles de adopción en los grupos 1 y 2.
lugar de flex-bilidad (CNI, 2016). Desde que estudiamos una muestra
6. Las discusiones comercial centrado en las soluciones de negocio a negocio en el que la
personalización de los productos podría requerir una mayor flexibilidad
Se resumieron los hallazgos en el marco de Fig. 3para ilustrar una y adaptación de las plantas, en lugar de la producción a gran escala,
visión holística de los patrones de adopción de la Industria 4.0 nos estaban esperando resultados diferentes. Por lo tanto, una de
tecnologías. El marco se resumen los resultados presentados en nuestras preocupaciones es que las empresas están replicando
latablas 6-9. Hemos dividido la estructura siguiente nuestro marco simplemente un patrón de adopción de la Industria de 4.0 otro contexto
conceptual inicial deFigura 1, Que hemos ampliado con los hallazgos empresarial centrado en econo-mies de escala y, por lo tanto, en la
empíricos. Además, hemos dividido la complejidad de la productividad. Otra posibilidad es que las empresas ven esto como un
implementación en base a los resultados de los tres grupos, mostrando nivel muy avanzado de ejecución, siendo en la parte superior de la
los más implementado (color gris claro) a aquellas tecnologías menos madurez, como mostramos en el marco deFig. 3. Por ejemplo, hacer
implementadas (color gris oscuro). Representamos a estas una línea de producción existente de manera más flexible, no sólo
intensidades como una creciente complejidad en la aplicación de una habrá que aplicar nuevas tecnologías, sino para cambiar los métodos
secuencia de etapas. Vale la pena notar que no estamos proponiendo de diseño y producción. Esto podría ser económicamente restrictiva o
como las etapas ideales de aplicación, pero sólo la situación actual de podría volver a mano de papel demasiados reordenamientos que
las compa-NEI estudiamos. Este marco se puede comparar con otros interrumpen las rutinas de operaciones. Por lo tanto, el papel de las
pro-posals anteriores de la literatura, tales comoSchuh et al. (2017), líneas flexibles en la industria 4.0 requiere mores en-vestigation en
Lee et al. (2015) y Lu y Weng (2018). La principal diferencia entre estos futuras investigaciones.
modelos y nuestro marco es que se proponen etapas ideales mientras En cuanto a la conexión entre Smart Fabricación y productos
que los nuestros presentar lo que está sucediendo en un sector inteligentes, (probado en la hipótesis H2), La literatura existente sugiere que
industrial basado en evidencias empíricas. También detalle las la industria 4.0 puede fomentar la aplicación de soluciones digitales
tecnologías, al tiempo que se centró principalmente en CAP- centradas en el cliente (Ardolino et al. 2018; Kamp et al, 2017.; Opresnik y
habilidades necesarios para la Industria 4.0. Por otra parte, nuestro Taisch, 2015), Estimulando la oferta de productos inteligentes (Lerch y
modelo es más amplio, ya que considera no sólo las tecnologías de Gotsch, 2015). Podríamos evidencia de dicha relación en nuestros
fabricación inteligente internos como los otros modelos lo hace, sino resultados de Tabla 7, Ya que las altas en adoptar el concepto inteligente
que también incluye muchas otras dimensiones y tecnologías-im de fabricación son el mismo con una fuerte aplicación de algunas de las
portante. Utilizamos este marco para guiar las discusiones a capacidades de los productos inteligentes. En este sentido, reforzamos las
continuación. obras anteriores deKamp et al. (2017) yRymaszewska et al. (2017)que
Nuestros resultados nos permitió verificar algunas sugerencias destacó el potencial re-vueltas de los inteligentes digitales Productos para
anteriores de la eratura iluminado. Uno de ellos es que el nivel de los procesos de fabricación internos de la empresa. Sin embargo, las
ejecución del 4.0 Concepto de la industria depende del tamaño de las empresas de nuestra muestra sólo se están poniendo en práctica lo que
empresas, como lo sugiereKagermann et al. (2013)ySchuh et al. hemos denominado como productos inteligentes 'pasivos', que ayudan a
(2017). Nuestros resultados (Tabla 6) monitorear y controlar, pero no para optimizar y proporcionar
Tabla 9
Los niveles de adopción de las tecnologías de base.
tecnologías de bases (H4) Adopción Grupo 1 Grupo 2 Grupo 3 Prueba
adoptadores Los adoptantes
adoptadores bajas moderados avanzada
Χ de
Internet de las Cosas Sí 18% 39% 67% Pearson2 test = 12,51 **
No 82% 61% 33% Χ de
Nube Sí 43% 58% 60% Pearson2 test = 2,13
No 57% 42% 40%
big Data Sí 9% 27% 60% el test de Fisher = 15.20 ***
No 91% 73% 40% Χ de
Analítica Sí 18% 36% 60% Pearson2 test = 9,62 **
Cuenta total No 82% 64% 40%
44 33 15
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
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 Mell, P., Grance, T., 2011. definición El NIST de computación en la nube. Nat. Inst.
Estar.
Technol. 53 (6), 50 2009.
Pelo, JF, et al., 2009. Análisis multivariado de datos, séptima ed. Pearson Prentice Hall. Ivanov, Milligan, GW, Cooper, MC, 1985. Un examen de los procedimientos para la
D., Dolgui, A., Sokolov, B., Werner, F., Ivanova, M., 2016. Un modelo dinámico y determinación de la número de clusters en un conjunto de datos. Psychometrika
un algoritmo para la programación de la cadena de suministro a corto plazo en la 50 (2), 159-179.
industria de la fábrica inteligente 4.0. Mittal, S., Khan, MA, Romero, D., Wuest, T., 2018. Una revisión crítica de los modelos
En t. J. Prod. Res. 54 (2), 386-402. de 4,0 madurez Manu-fabri- e Industria inteligentes: implicaciones para pequeñas
Jeschke, S., Brecher, C., Meisen, T., Özdemir, D., Eschert, T., 2017. internet Industrial y medianas empresas (PYME). J. Manuf. Syst. 49, 194-214.
de las cosas y sistemas de fabricación cibernético. En: Internet de las Cosas Montoya, MM, Massey, AP, Hung, YTC, crujiente, CB, 2009. ¿Puede usted ahora oírme? La
industrial. Saltador,Cham, pp. 3-19. comunicación en los equipos de desarrollo de productos virtuales. J. Prod. Innova.
Kagermann, H., Wahlster, W., Helbig, J., 2013. Recomendaciones para la implementación del Manag. 26
Iniciativa estratégica Industrie 4.0: Asegurar el Futuro de la Industria Alemana (2), 139-155.
de fabricación. Informe Final del Grupo de Trabajo 4.0 Industrie. Mortensen, ST, Madsen, O., 2018. Una plataforma de aprendizaje puesta en servicio
acatech,Forschungsunion. virtual. Proc.
Kamp, B., Ochoa, A., Diaz, J., 2017. servitization inteligente dentro del contexto de las Fabrica. 23, 93-98.
relaciones entre usuarios y proveedores industriales: contingencias de acuerdo con Müller, JM, Buliga, O., Voigt, KI, 2018. La fortuna favorece a los preparados: cómo
un fabricante de la máquina herramienta. En t. J. Interact. Des. Fabrica. 11 (3), 651- PYME AP-proach innovaciones en los modelos de negocio en la industria 4.0.
663. Technol. Pronóstico. Soc. Cambio132, 2-17.
Kortmann, S., Piller, F., 2016. Abrir modelos de negocio y cadenas de valor de bucle Opresnik, D., Taisch, M., 2015. El valor de grandes datos en servitization. En t. J.
cerrado: re-la definición de la relación empresa-consumidor. Calif. Manag. Rev. Prod. Econ.
58 (3), 88-108. 165, 174-184.
Lee, J., Bagheri, B., Kao, HA, 2015. Una arquitectura de sistemas ciber-físicos para la Pfohl, HC, Yahsi, B., Kurnaz, T., 2017. Concepto y de difusión-factores de la industria
industria sistemas de fabricación 4.0. Fabrica. Letón. 3, 18-23. 4,0 en la cadena de suministros. En: Dinámica de logística. Springer, Cham, pp.
Lerch, C., Gotsch, M., 2015. Los sistemas producto-servicio digitalizadas en las 381-390.
empresas de fabricación: una análisis de casos. Res. Technol. Manag. 58 (5), 45- Podsakoff, PM, MacKenzie, SB, Lee, JY, Podsakoff, NP, 2003. sesgos método
52. común en la investigación del comportamiento: una revisión crítica de la
Liao, Y., Deschamps F., Loures, EDFR, Ramos, LFP, 2017. Pasado, presente y futuro literatura y recomendó remedios. J. Appl. Psychol. 88 (5), 879.
de la industria de 4.0 una revisión de la literatura y la agenda de investigación Porter, ME, Heppelmann, JE, 2014. ¿Qué tan inteligente, los equipos conectados
propuesta sistemática. En t. J. Prod.Res. 55 (12), 3609-3629. están transformando competencia. Harv. Autobús. Rev. 92 (11), 64-88.
Lin, HW, Nagalingam, SV, Kuik, SS, Murata, T., 2012. Diseño de un sistema de ayuda Porter, ME, Heppelmann, JE, 2015. ¿Qué tan inteligente, los equipos conectados
a la decisión global para una PYME de fabricación: hacia la participación en están transformando compañías. Harv. Autobús. Rev. 93 (10), 96-114.
colaboración fabricación. En t. J. Prod. Econ. 136 (1), 1-12. Raguseo, E., Gastaldi, L., Neirotti, P., 2016, diciembre. trabajo inteligente: apoyar la
Liu, H., 2013. unidades de datos gran nube de adopción en la empresa. IEEE Comput flexibilidad em-pleados a través de las TIC, prácticas de recursos humanos y la
Internet. 17 (4),68-71. distribución de la oficina. En: gestión de recursos humanos basada en la
Longo, F., Nicoletti, L., Padovano, A., 2017. operadores inteligentes en la industria de evidencia: Un Foro Global para la Beca empírica, vol. 4. Emerald Group
4,0: un enfoque centrado en el hombre para mejorar las capacidades y PublishingLimited, pp. 240-256 No. 3.
competencias de los operadores dentro de la nuevo contexto de la fábrica Ross, SM, 2010. Introducción a la Estadística. Academic Press Books, Elsevier, Nueva York,
inteligente. Comput. Ind. Eng. 113, 144-159. EE.UU.. Rymaszewska, A., Helo, P., Gunasekaran, A., 2017. IO servitization accionado de
Lu, Y., 2017. Industria 4.0: una encuesta sobre las tecnologías, las aplicaciones y la fabri-
investigación abierta es-demanda a. J. Indus. Inf. Integr. 6, 1-10. fabri--un estudio de caso exploratorio. En t. J. Prod. Econ. 192, 92-105.
Lu, HP, Weng, CI, 2018. tecnología de fabricación inteligente, análisis de la madurez Schuh, G., Anderl, R., Gausemeier, J., diez Hompel, M., Wahlster, W., 2017. Industrie
del mercado y la hoja de ruta tecnológica en el ordenador y productos electrónicos índice 4,0 madurez. En: Gestión de la transformación digital de Empresas
de fabricación in-dustria. Technol. Pronóstico. Soc. Cambiar 133, 85-94. (acatechEstudio) Herbert Utz Verlag, (Munich).
Marodin, GA, Frank, AG, Tortorella, GL, Saurin, TA, 2016. Los factores contextuales e Scurati, GW, Gattullo, M., Fiorentino, M., Ferrise, F., Bordegoni, M., Uva, AE, 2018.
implementación producción ajustada en la cadena de suministro automotriz acciones de mantenimiento convertir en símbolos estándar para AP- Realidad
brasileña. SuministroManag cadena .: Int. J. 21 (4), 417-432. Aumentadacomplicaciones en la industria 4.0. Comput. Ind. 98, 68-79.
Marodin, GA, Tortorella, GL, Frank, AG, Godinho Filho, M., 2017a. El efecto moderador Simji-Levi, D., Kaminsky, P., Simji-Levi, E., 2004. La gestión de la cadena de
de la gestión de la cadena de suministro esbelta sobre el impacto de las prácticas suministro:
de piso de la tienda apoyarse enla calidad y el inventario. Cadena de Suministro Guía definitiva. Tata McGraw-Hill Education.
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
AG Frank et al. Revista Internacional de Producción Economía 210 (2019) 15-26
Stock, T., Obenaus, M., Kunz, S., Kohl, H., 2018. Industria 4.0 como facilitador para un a través de la Industria 4.0. En t. J. Prod. Res. 56 (1-2), 848-861.
desarrollo sostenible: una evaluación cualitativa de su potencial ecológico y social. Yu, C., Xu, X., Lu, Y., 2015. de fabricación, sistemas ciber-físicos por ordenador
ProcesoSaf. Reinar. Proteger. 118, 254-267. integrado y la nube de fabricación-conceptos y relaciones. Fabrica. Letón. 6, 5-9.
Tao, F., Cheng, J., Qi, Q., Zhang, M., Zhang, H., Sui, F., 2018a. twin-diseño impulsado Zhong, RY, Xu, X., Klotz, E., Newman, ST, 2017. Fabricación inteligente en el
pro-ducto, fabricación y servicio con grandes volúmenes de datos digital. En t. J. contexto de la industria 4.0: una revisión. Ingeniería 3 (5), 616-630.
Adv. Fabrica. Technol. 94(9-12), 3563 a 3576. Zhou, W., Piramuthu, S., Chu, F., Chu, C., 2017. RFID habilitados para el
Tao, F., Cheng, J., Qi, Q., Zhang, M., Zhang, H., Sui, F., 2018b. twin-diseño impulsado almacenamiento flexible.
pro-ducto, fabricación y servicio con grandes volúmenes de datos digital. En t. J. Decis. Soporte Syst. 98, 99-112.
Adv. Fabrica. Technol. 94(9-12), 3563 a 3576.
Tao, F., Qi, Q., Liu, A., Kusiak, A., 2018c. Impulsado por los datos de fabricación Alejandro de Alemania, Frank, Ph.D.. es profesor asociado de Organización Industrial en el
inteligente. J. Manuf. Departamento de Ingeniería Industrial de la Universidad Federal de Rio Grande do Sul
Syst. 48 (c), 157-169.
(UFRGS) - Brasil, y el director del Grupo de Ingeniería de Organización (NEO - Núcleo de
Telukdarie, A., Buhulaiga, E., Bolsa, S., Gupta, S., Luo, Z., 2018. Industria 4,0 im-
Ingeniería Organizacional) también en la UFRGS. Ha sido profesor visitante en el Centro de
plementation para las multinacionales. Proceso Saf. Reinar. Proteger. 118, 316-
329. Rendimiento Industrial del Instituto de Tecnología (EE.UU.) Massachusetts y en el Observatorio
Thoben, KD, Wiesner, S., Wuest, T., 2017. Industrie 4.0” e inteligente de fabricación-a de las TIC y Gestión del Politécnico de Milán (Italia). Sus principales líneas de re-búsqueda
examen de las cuestiones de investigación y ejemplos de aplicación. En t. J. autom. incluyen la gestión estratégica y operaciones, organización industrial, el rendimiento industrial,
Technol. 11 (1). servitization y desarrollo de nuevos productos.
Turner, CJ, Hutabarat, W., Oyekan, J., Tiwari, A., 2016. simulación de eventos
discretos y Néstor Fabián Ayala, Ph.D.. Profesor Asociado de Ingeniería de Servicios de la
uso de la realidad virtual en la industria: nuevas oportunidades y tendencias Universidad Federal de Rio Grande do Sul (UFRGS) - Brasil, y el co-director del Grupo
futuras. IEEE Trans. de Ingeniería de Organización (NEO - Núcleo de Ingeniería Organizacional) también en
Mach humano. Syst. 46 (6), 882-894. la UFRGS. Ha sido profesor visitante en el Instituto Politécnico de Grenoble (Grenoble
Wamba, SF, Akter, S., Edwards, A., Chopin, G., Gnanzou, D., 2015. ¿Cómo 'grandes INP), Francia. Sus principales intereses de investigación incluyen la gestión estratégica
data'can hacen grandes beneficios: los hallazgos de una revisión sistemática y un y la gestión de las operaciones con el foco en servitization e Industria 4.0.
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 Lucas Dalenogare, es un doctorado candidato en el Instituto Politécnico de Grenoble
cibernéticasistemas físicos en la fabricación. J. Manuf. Syst. 37, 517-527. (Grenoble INP), Francia. Él es un investigador del laboratorio G-SCOP en la misma
Wang, S., Wan, J., Zhang, D., Li, D., Zhang, C., 2016A. Hacia la fábrica inteligente universidad y del Grupo de Ingeniería de Organización (NEO) de la Universidad Federal
para la industria 4.0: un sistema multi-agente de auto-organizado con grandes
de Rio Grande do Sul (UFRGS). Él tiene una licenciatura en Ingeniería Civil y grado de
volúmenes de datos y la cooperación basada en la retroalimentaciónordenación.
maestría en ingeniería industrial, tanto de la UFRGS. Su principal línea de investigación
Comput. Red. 101, 158-168.
Wang, S., Wan, J., Li, D., Zhang, C., 2016b. La implementación de la fábrica inteligente de la se refiere a la utilización de tecnologías avanzadas para la industria 4.0.
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
26