Evidencia 2:

Análisis de Variables

Salvador Moriel Rodríguez AL04513330

Herramientas para la Optimización de Recursos

Catedrático:

Doctor Jesús Acosta Posada

Campus Chihuahua.

30 de octubre del 2019.

 1. Relación del Objetivo del Proyecto con los de la Organización

Por medio de este proyecto se pretende reducir la pérdida económica que

actualmente ocurre en Accudyn de Mexico debido a la varianza que existe entre las

piezas que el sistema esta calculando como producidas y las piezas reales que se

están reportando en las diferentes fases del proceso de captura en el área

productiva, considerando los departamentos de servicio que interactúan para llevar

a cabo las operaciones.

Accudyn de Mexico es una empresa del sector maquilador dedicada

principalmente a la inyección de piezas plásticas de ingeniería, cuenta también con

capacidad de realizar procesos secundarios tales como ensamble automatizado,

estampado de piezas y diversas operaciones de ensamble manual. La operación

principal en el área productiva consta en un proceso de transformación de resinas

en productos formados que cumplan con las especificaciones de los clientes en

forma y funcionalidad, cualquier pieza inyectada que no cumpla con estas

características se considera como desperdicio (scrap) y se contabilizan en el métrico

principal de la empresa, sin embargo el scrap solo se contabiliza con lo reportado

por los responsables de las áreas productivas y cualquier producto que no sea

reportado no será identificado como scrap pero si se contabilizara como una perdida

para la empresa al ser un producto ya procesado y no retraba jable.

 El objetivo actual de la empresa es mantener un Scrap máximo de 1.5% como

promedio de la operación, este métrico se monitorea y evalúa semanalmente y se

toman acciones para mantenerse dentro de meta, sin embargo se han detectado

diferencias significativas en el métrico que pueden ser atribuidas a diversas

situaciones que generan varianza en la producción reportada tales como scrap no

reportado, cavidades no actualizadas en tiempo, material empacado en cajas a

granel con cantidades incorrectas, disparos al vacío, piezas tomadas sin reportarse,

piezas de liberación así como últimos disparos, fallas en los sistemas o piezas de

arranque en las corridas.

Cualquiera que sea la razón, debemos disminuir la varianza existente en la

operación que genero solamente en 2018 una pérdida económica de $ 360,885.81

dólares, una cantidad significativa para Accudyn de Mexico y por la cual los

Gerentes han mostrado mucho interés en reducir en lo posible la cantidad para el

2019 y años posteriores. Para esto es necesario desarrollar una metodología que

nos permita detectar y atacar de forma asertiva las principales causas de variación.

2. Definición del Proyecto

El proyecto deberá permitirnos reducir las pérdidas actuales que se están

detectando en el área de producción para el año 2019 en un 20% por lo menos en

comparación con el mismo periodo del año anterior (2018), para esto se deberá

establecer una serie de actividades que nos permitan evaluar la situación actual de

las áreas afectadas y definir acciones sistemáticas para reducir la perdida. En la

siguiente tabla presentamos las perdidas cuantificadas para el año 2018.

 A continuación, mencionamos una lista de requisitos necesarios para un correcto

desarrollo de este proyecto:

• Apoyo de los departamentos que intervienen en la operación, producción,

calidad, entrenamiento, mantenimiento y procesos. Es fundamental que la empresa

tenga claro la necesidad de su soporte para un correcto desarrollo de las tareas

iniciales.

• Asignar personal operativo comprometido a cada una de las estaciones que

serán evaluadas por causas de la varianza. Para esto es necesario que planeación

asigne desde un inicio el personal y no reasignarlo hasta la terminación del proyecto

• Desarrollar una matriz de entrenamiento para operador de producción y

monitorear sus habilidades. Es necesario que le personal entienda la operación,

instrucción y formatos utilizados en la empresa, conforme se desarrolle el proyecto

es posible se tena mucha interacción con estos documentos. Se estará

actualizando conforme los resultados obtenidos.

 • Trabajo en equipo de personal involucrado en el proyecto. Esto solo será

posible con la correcta coordinación del director del Proyecto (Green Belt).

• Cooperación y apertura de la totalidad del personal de la empresa. Para

conseguir este objetivo se realizarán reuniones recurrentes de seguimiento de

actividades.

3. Enunciado del Problema

Por medio de este proyecto se busca reducir la pérdida económica en dólares

por las piezas perdidas en el área de producción, específicamente en el proceso de

inyección mediante el análisis de la operación diaria y reportes en uso por los

involucrados en la operación, apoyados con el equipo multidisciplinario para

identificar los principales contribuyentes para desarrollar planes de acción

específicos que ataquen la causa raíz, esto con la intención de reducir la pérdida de

los principales contribuyentes en piezas y por el costo mensual en dólares. Se

plantea una reducción para el 2019 de un 20% de los 360,885 dólares perdidos en

el año 2018 con la intención de ir reduciendo la perdida en los años posteriores.

 4. Equipo de Trabajo

Para la realización de este proyecto se ha establecido un equipo

multidisciplinario que será coordinado por el Green Belt (Salvador Moriel) y contará

con personal de todas las áreas involucradas con la operación y cuya participación

debe de aportar para encontrar las causas y desarrollar los planes de acción

pertinentes para cumplir con la meta establecida, a continuación, se indica la

totalidad de los participantes:

5. Nombre Área

Salvador Moriel Nuevos Proyectos /Green Belt

Angelica Sarmiento Ingeniería de Costos

Leticia Muñoz Calidad

Miguel Mendoza Ingeniería de Manufactura

Ernesto Muñoz Producción

Yunuen Molina Materiales

Jorge Gutierrez Ingeniería de Procesos

Raul Sepulveda Ingeniería de Ventas

Cynthia Duran Ingeniería de Costos

Albino Rivas Gerencia / Champion

,
Programa del Proyecto

El seguimiento de las actividades del proyecto se realizará utilizando la

metodología DMAIC. El DMAIC es una metodología estructurada para la solución

de problemas usada en todo tipo de negocios. Las letras son un acrónimo de las 5

fases de la mejora de seis sigmas, por sus siglas en inglés. Define (definir), measure

(medir), analyze (analizar), improve (mejorar) y por último control (controlar). Estas

etapas llevan el mismo ciclo de mejora que lleva el círculo de Deming.

Fase % Tiempo Fecha de Inicio

Requerido Planeada
Definición 10% 16/09/2019
Medición 30% 23/09/2019
Análisis 25% 14/10/2019
Mejora 20% 04/11/2019
Control 15% 25/11/2019
 6. Tipo de Proyecto

La intención de este proyecto es reducir la perdida generada por la varianza

entre las piezas reportadas y las piezas reales producidas, por lo tanto, se considera

que estamos frente a un proyecto de ahorros. Por medio de la detección de las

principales causas que causan esta variación estimamos que podremos generar

ahorros significativos para la empresa. En la siguiente tabla se ordenan los

principales contribuyentes de perdida en dólares en el 2018.

7. Mapa del Proceso

Es necesario realizar un mapa del proceso de alto nivel, identificando cuales

son los proveedores, entradas, procesos, salidas, clientes. Para esto hemos

inicialmente realizado un borrador con el flujo del material, metiendo el cual y su

posterior evaluación procederemos a evaluar el diagrama de flujo de la operación:

 Una vez recabada la información procedemos a realizar el SIPOC. Con el

SIPOC creado, se ven cuáles son las actividades involucradas y de qué forma están

interconectadas. Además, se pueden discernir fácilmente las partes implicadas de

las que no lo están. Por último, ayuda a identificar a los clientes y resaltar los que

se tienen que satisfacer de acuerdo con los objetivos del proyecto.

 8. Definición y Relación Y & Xx

Para definir las variables es necesario realizar un análisis de causa raíz, al

momento de hacer el análisis de las variables que se involucran, se puede tener un

sinnúmero de componentes. Muchas de estas variables afectan en mayor o menor

medida el desempeño del proceso. Para nuestro proyecto hemos realizado un

diagrama de Ishikawa con el cual podemos identificar todos los componentes que

pueden afectar al resultado, en este caso la varianza de piezas.

De igual manera se realizo un grafico de Pareto para apoyar en la

identificación de los principales contribuyentes de la variación de piezas en

producción desde le enfoque de producto, esto nos permitirá enfocar los esfuerzos

en los productos que afectan de forma mas significativa el resultado, el diagrama

queda de la siguiente manera:

 Nuestra salida (Y) queda definida como la varianza en costo (en dólares) por

piezas no reportadas en producción y es afectado por múltiples factores (Xs) entre

los que podemos mencionar el no reportar en su totalidad el scrap, material barrido,

piezas tomadas por áreas de soporte, manejo de reportes de producción, entre

otros. Nuestra variable de salida Y es del tipo continua pues podrá tomar cualquier

valor, la intención de este proyecto es reducirla en lo posible.

Procedemos a realizar la matriz causa efecto para detectar las Xs mas

impactantes, Una vez ordenados los resultados de importancia para cada una de

las variables de entrada, se definen aquellas que obtuvieron mayor puntuación. En

el caso de nuestro proyecto las variables mas significativas están dentro del proceso

de inyección, así como en la inspección de piezas, la tabla queda de la siguiente

manera:
 Actualmente estas variables son monitoreadas por lo que los esfuerzos del

proyecto considero deben ser orientadas a identificar desviaciones de los

procedimientos establecidos que nos llevaran a un correcto control y manejo de los

materiales, para como establecimos al inicio de este proyecto, reducir la varianza

en las piezas reportadas y nos llevara a los ahorros planeados para nuestro

proyecto,
Identificación del Sistema de medición

Procedemos ahora identificar las variables de entrada y que podamos

relacionar con las variables de salida, esto lo vamos a realizar enfocando los

esfuerzos en los principales contribuyentes que tenemos en la operación, a

continuación, se muestra la tabla de los números de parte que representan en dinero

los principales contribuyentes a la varianza:

Es importante entender las variables de entrada para la generación de los reportes

de varianza, empezando por el reporte de piezas que se genera automáticamente

en el sistemas, las identificaremos como “piezas producidas”, a este valor se le

ajusta normalmente conforme a lo que realmente se dispone en piso y el scrap

reportado en los reportes de producción, el numero resultante es el valor contra el

cual comparamos para este proyecto contra piezas reales y obtenemos el valor que

identificaremos como “varianza reporte”, sin embargo esta varianza esta dejando

fuera un par de variables, la primera es las muestras que se realizan durante la

producción y se validan los procesos y la segunda variable son las piezas no

disponible físicamente. A continuación, se anexa un reporte de producción para

referencia y entender lo que estaremos evaluando en este proyecto:

En el reporte el operador debe de documentar las piezas buenas y el scrap, la

sección de abajo se utiliza para entrar en detalles en el scrap, para cuestiones de

este proyecto no entraremos en detalles, solo evaluaremos en scrap en general

como una variable de entrada, pero los tipos de problemas que las piezas puedan

tener no afectaran el numero final, lo que buscamos es que la varianza en general

se reduzca comparando el sistema con las piezas físicas, evaluando los métodos

utilizados para el manejo y captura de la información.

De esta manera, para obtener la varianza que es nuestra Y, requerimos algunos

datos que denominaremos como las Xs o entradas de nuestro proceso:

Variables X’s Se miden Se pueden

Medir
X1= Total de Partes Reportadas como ciclos en la Si No
máquina de inyección
X2= Partes Disponibles una vez que son dadas de Si No
alta por el materialista
X3= Partes Buenas reportadas por el operador en Si No
su reporte de producción
X4= Rechazos o partes malas igualmente Si No
documentadas en los reportes de producción
X5= Material no disponible, no reportado por No Si
errores de captura o manejo
 i) Verificar la integridad, captura y tipo de datos

De las Xs de nuestro proyecto debemos identificar las que son generadas por

el sistema, las que se generan a partir de información que le alimenta al sistema y

las que estaremos ajustando acorde a los hallazgos a las auditorias del sistema. En

la tabla siguiente mostramos el detallado de uno de los números de parte que se

evalúan en el proyecto para ilustrar la forma en que la información es generada:

# Descripción
X1 Se genera automáticamente con la operación de la máquina, cada ciclo o cierre
de la prensa cuenta como una parte, de aquí se compara contra los reportes
de producción
X2 Piezas disponibles una veces producidas, inspeccionadas y dadas de alta al
sistema de forma automática por medio de un scanner de código de barras,
este número debe de coincidir con las piezas buenas que se reporten
X3 Partes buenas producidas, son reportadas de forma manual por el operador y
verificadas por su supervisor, después son alimentadas en el sistema,
depende del factor humano
X4 Partes rechazas, al igual que las partes producidas son reportadas por el
operador y cargadas por el supervisor al sistema, la suma de las partes buenas
y el scrap debería ser igual al total de piezas que la maquina reporta de forma
automática
X5 Material no disponible es producto que se encuentra físicamente en la
operación, pero no ha sido cargado en el sistema por fallas en la operación,
 este numero puede ser positivo o negativo si el material esta reportado, pero
no se puede ubicar físicamente.
A Varianza automática es generada por el sistema la comparar las piezas
producidas contra las reportadas buenas y el scrap
B La varianza real es lo que se calcula al considerar el material no disponible en
la operación, así como las muestras no reportadas
C El costo es también generado automáticamente por la cantidad de piezas de
la varianza contra el costo estándar del producto
D Porcentaje de material defectuoso o scrap que le sistema calcula
automáticamente al evaluarlo contra el material aceptado
Y El porcentaje de Varianza es la variable de salida que deseamos atacar y es
generada por las variables Xs que hemos listado en esta tabla

ii) Elaborar la base de datos recolectados.

A continuación, generamos la base de datos de información conforme a la

información arriba mencionada, esto para los números seleccionados como los

principales contribuyentes y los cuales serán la referencia para medir la eficiencia

de las acciones implementadas en nuestro proyecto. De la siguiente tabla de

números de parte incluimos la información relacionada de cada uno de los números:

 iii) Implementar el proceso de encuesta o muestra (formato) y establecer su

confiabilidad. Corregir si es necesario.

Se utilizará el formato de captura de producción como punto de partida,

conforme se vea la necesidad podríamos ajustarlo:

Evaluación del proceso

Realizar la evaluación del proceso en cada una de sus etapas y en conjunto

con el sistema de medición detectado para cada fase e identificando las variables

principales.

i) Establecer el desempeño para todas las X’s y las Y’s.

Conforme a las Xs seleccionadas se genera la Varianza, esta es el valor que

estamos valorando para el proyecto, a continuación, presentamos los histogramas

de cada una de las varianzas para los números seleccionados en el proyecto:

 ii) Desarrollar el análisis de causa raíz seleccionando una herramienta

Por medio del siguiente análisis evaluamos las posibles causas de la varianza que

se observa en los reportes de producción

Considero que los factores mas representativos son la mano de obra y la captura

de la información en el sistema que genera las discrepancias en los reportes.

Análisis estadístico y gráfico

Identificación de distribución que aplica al proceso actual analizado e identificar

aquellos parámetros que representan el comportamiento del proceso

En la grafica incluida, podemos ver a través de un Matrix Plot el comportamiento de

las varianzas de todos los números de parte, a simple vista podemos observar que

no existe un comportamiento normal en ninguna de estas variables. En base a lo

observado en la base de datos de la información la principal causa de variación es

la diferencia observada entre los reportes automáticos del sistema y la información

capturada por el personal de operaciones, creemos que como primera acción

debemos de reforzar los métodos de captura, así como evaluar los formatos

utilizados para hacerlos mas confiables y reducir la variación observada.

Análisis de variables del proceso

Evaluación del estado actual del proceso en su nivel de seis sigmas y realizar un

diagnóstico preliminar sobre aquellas variables que se encuentran fuera de control.

En esta primera etapa se deberá de realizar al menos de manera preliminar un

AMEF del proceso para identificar sus posibles fallas y su nivel de ocurrencia.

Por medio de las graficas anteriores podemos determinar que las variables

están fuera de control y conforme al análisis de causa raíz concluimos que debemos

enfocar nuestros esfuerzos en reforzar los métodos de captura y evaluación de la

información, se busca reducir la varianza entendiendo primeramente si la

información con la que contamos es confiable para luego atacar las posibles causas

especificas por cada número de parte, por lo tanto el primer paso será mejorar el

formato de captura de la información así como asignar personal a estar observando

cada una de las peculiaridades cuando estos números estén en producción. De

nueva cuenta continuación la tabla de los números a revisar los cuales muestran

porcentajes de scrap por encima del 1.5% que la planta tiene como meta:

Se anexa el AMEF del proceso de producción genérico de la operación:

Evaluación del sistema de medición a través de un análisis Gagev R&R

Se evaluará el grado de variación del proceso y cada uno de sus

componentes y definirá un plan de acción para normalizar el sistema de medición

en caso de que así se requiera.

Para esto se seleccionan los datos procedentes de los diversos números de

parte seleccionados en el proyecto y separados en los diferentes turnos, esto para

identificar si existe alguna variación en captura o movimientos de material que

pudiera varias entre los turnos, para la información se generan los reportes como el

siguiente que contendrá toda la información relacionada a los números en cuestión:

Procedemos a continuación a separar la información previa al inicio del

proyecto, las tablas que utilizaremos para cada número de parte consistirán en los

datos capturados de enero a mayo del año en progreso, a partir de junio se inician

los ajusten en sistema.

 A continuación, ajustaremos la información conjuntando por cada uno de los

números de parte y separando en los turnos operaciones, la tabla quedara de la

siguiente manera:

NUMERO DE PARTE MES TURNO TOTAL VARIANZA % VAR

50078705-001 1 1 46720 3639 7.8%
50078705-001 1 2 47908 732 1.5%
50078705-001 1 3 46260 593 1.3%
50078705-001 2 1 34092 1388 4.1%
50078705-001 2 2 24900 360 1.4%
50078705-001 2 3 25156 -303 -1.2%
50078705-001 3 1 44156 1465 3.3%
50078705-001 3 2 35432 888 2.5%
50078705-001 3 3 37056 1536 4.1%
50078705-001 4 1 66692 789 1.2%
50078705-001 4 2 61560 194 0.3%
50078705-001 4 3 58688 183 0.3%
50078705-001 5 1 33372 331 1.0%
50078705-001 5 2 30420 344 1.1%
50078705-001 5 3 26936 165 0.6%
62-7446-001 1 1 21292 -711 -3.3%
62-7446-001 1 2 19940 1104 5.5%
62-7446-001 1 3 17172 1634 9.5%
62-7446-001 2 1 16912 2416 14.3%
62-7446-001 2 2 19956 -5155 -25.8%
62-7446-001 2 3 15056 3605 23.9%
62-7446-001 3 1 N/A N/A 0
62-7446-001 3 2 N/A N/A 0
62-7446-001 3 3 N/A N/A 0
62-7446-001 4 1 20940 -13970 -66.7%
62-7446-001 4 2 24980 16220 64.9%
62-7446-001 4 3 21560 2113 9.8%
 62-7446-001 5 1 N/A N/A 0
62-7446-001 5 2 N/A N/A 0
62-7446-001 5 3 N/A N/A 0
U-13740 1 1 43911 -4042 -9.2%
U-13740 1 2 42199 850 2.0%
U-13740 1 3 47801 14502 30.3%
U-13740 2 1 26303 -11009 -41.9%
U-13740 2 2 28620 6511 22.7%
U-13740 2 3 21014 12132 57.7%
U-13740 3 1 59556 -2531 -4.2%
U-13740 3 2 68446 1411 2.1%
U-13740 3 3 68598 25408 37.0%
U-13740 4 1 36132 -21488 -59.5%
U-13740 4 2 30612 1134 3.7%
U-13740 4 3 35604 20831 58.5%
U-13740 5 1 17960 -1497 -8.3%
U-13740 5 2 31284 -1337 -4.3%
U-13740 5 3 29292 3452 11.8%

Se utilizará el sistema Minitab para la evaluación de la información. El sistema

Minitab, a partir de los datos ingresados, mostrará de manera gráfica los

componentes de variación de las partes, de los operadores y de las variaciones

entre los operadores de los diferentes turnos. De la interpretación de las gráficas se

pueden observar qué componentes son los que están causando las variaciones,

para posteriormente poder tomar acciones para controlarlo.

Se realizó la evaluación del sistema de medición a través de un análisis Gage

R&R, esto con el objetivo de determinar la confiabilidad de los datos obtenidos,

tomando como dimensiones de estudio el porcentaje de varianza en la producción

y tomando como gage los formatos de captura para los reportes de producción para

la toma de los datos correspondientes a cada turno. La varianza para evaluar

depende los ajustes a realizar en cada orden productiva y se evaluaron al finalizar

cada turno con la captura de los datos ajustados con los movimientos de los

materialistas y las piezas de muestras reportadas.

Para la elaboración del estudio cada operador captura la información en su

reporte correspondiente a un turno de operación, esto durante los meses previos al

inicio de los ajustes del sistema y sin modificar los conductas o métodos que cada

turno operacional utiliza con regularidad. Siguiendo un esquema como el que se

muestra a continuación, los resultados obtenidos se muestran en las gráficas a

continuación: En la parte superior se muestran los componentes genéricos de

variación para repetibilidad, reproducibilidad y entre los turnos de operación. En la

parte derecha se muestra el comportamiento de las partes, las pruebas y la

interacción.
 Minitab muestra la información de las contribuciones de variaciones en el

proceso total. De esta información, del total de la variación, el 100% es atribuible a

la repetibilidad y reproducibilidad, esto era esperado dado que los resultados

variaran conforme el volumen producido el cual se espera sea diferente en la

mayoría de las ordenes de producción ejecutadas.

El reporte indica que Total Gage R&R es del 100%, siendo la repetibilidad

73.61 y la reproducibilidad de 67.36, mientras que la variación del part to part es

nula. El índice de discriminación D=1 nos muestra que el sistema de medición no

está funcionando bien ya que es menor a dos. Con esto se concluye que el sistema
 de medición está trabajando inadecuadamente y que los datos obtenidos son no

son confiables, además con respecto del porcentaje de tolerancia que es mayor a

30%, podemos decir que el sistema de medición es inaceptable.

Plan de acción para corregir la variabilidad del sistema de medición a fin de

garantizar una certeza de detección de desviaciones del proceso a corto y
largo plazo.

# Acción Correctiva Responsable Fecha

1 Entrenamiento para Captura de Producción & 15/11/19

Información en Reportes de Producción en Entrenamiento

los tres turnos

2 Mejora & Modificación de Reporte de Producción 08/11/19

Producción

3 Monitoreo y Seguimiento de Ingeniería de 29/11/19

Movimientos de material Costos

Análisis de correlación

Realización de un análisis correlación y/o ANOVA con la finalidad de evaluar

el grado de relación entre las variables del proceso y cuales están ligadas con las

variables de salida o requerimientos del cliente. Para esto se tomaron muestras de

varianza en los tres turnos de producción, datos en la siguiente tabla:

 Boxplot of Varianza Real

1000

500
Varianza Real

-500

-1000

0 10 13 16 5 6 2 3 9 2 3 4 5 65 7 8 4 .7172 78 8187 8 91 32 731 37 6 5 57 4 9 317478 91 2 16 27 21 2 4173 872 81 9 6 1 4 3 8 41073779 2 8 9

0.00. 0. 0 .0.20.20.30 .30 .30 .40.40.40.40.40. 0.50.60 0. 0. 0. 0 . 0.80 . 1.01. 1. 1. 1.41.5 1. 1.61.92. 2. 2. 2. 2.93. 3. 4. 5.35. 5. 6.56. 6. 7.27. 7.87.98.59.10 .10.10.10.183.165 .5

%Scrap

Boxplot of Varianza Real

1000

500
Varianza Real

-500

-1000

0 10 13 16 5 6 2 3 9 2 3 4 5 65 7 8 4 .7172 78 8187 8 91 32 731 37 6 5 57 4 9 317478 91 2 16 27 21 2 4173 872 81 9 6 1 4 3 8 41073779 2 8 9

0.00. 0. 0 .0.20.20.30 .30 .30 .40.40.40.40.40. 0.50.60 0. 0. 0. 0 . 0.80 . 1.01. 1. 1. 1.41.5 1. 1.61.92. 2. 2. 2. 2.93. 3. 4. 5.35. 5. 6.56. 6. 7.27. 7.87.98.59.10 .10.10.10.183.165 .5

%Scrap
 Nuestro estudio pretendía evaluar si existe una relación entre el porcentaje

de scrap y la varianza en los resultados en la varianza de producción (Hipótesis

Nula), dado que nuestro valor de P es mayor a 0.05 podemos concluir que el scrap

no esta relacionado a los resultados de varianza. Con esto podemos establecer que

los reportes se llenan de forma correcta y las causas de la variación deben estar

relacionadas mas a la forma en que las piezas buenas y malas son reportadas en

producción, de aquí generamos la siguiente tabla de acciones que complementa las

acciones previamente establecidas:

# Acción Correctiva Responsable Fecha

1 Sistemas automatizados para conteo Manufactura 29/11/19

de piezas a granel

2 Reforzar entrenamiento de Calidad 08/11/19

Inspectores de Calidad

Las variables significativas que estaremos monitoreando para nuestro

proyecto se listan a continuación:

 Integridad de BOMs en IQMS

 Verificaciones de Calidad

 Carga de Información al sistema por Supervisores

 Movimiento de Parciales