Machine Translated by Google

El número actual y el archivo de texto completo de esta revista están disponibles en Emerald
Insight en: www.emeraldinsight.com/1463-5771.htm

Benchmarking de Six Sigma en Evaluación

comparativa de Six Sigm
servicios de telecomunicaciones
Doraid Dalalah
Universidad de Sharjah, Sharjah, Emiratos Árabes Unidos y 1799
Universidad de Ciencia y Tecnología de Jordania, Irbid, Jordania
Recibido el 28 de julio de 2017

Resumen Aceptado el 8 de marzo de 2018

Propósito: el propósito de este documento es evaluar y comparar las estrategias de Six Sigma en el sector de servicios, es decir, el
campo de las telecomunicaciones, mediante el establecimiento de tablas de consecuencias de los servicios no conformes y sus costos
asociados, junto con un modelo envolvente de datos personalizado para evaluar comparativamente el diferentes alternativas estratégicas.
Diseño/metodología/enfoque: bajo el supuesto de normalidad, la caída del proceso en Six Sigma es de alrededor de 0,002/3,4 partes por millón
para un proceso centrado/desplazado. Al introducir Six Sigma en las aplicaciones del sector de servicios, es posible que la suposición de
normalidad ya no sea válida; por lo tanto, las consecuencias de los atributos no normales se calculan para diferentes niveles de calidad
unilaterales. Se consideran todos los costos asociados del despliegue de la estrategia, las consecuencias y la finalización de la transacción.
También se establece un modelo de análisis envolvente de datos para comparar los planes estratégicos de Six Sigma. Las estrategias se
detallan por procesos y características de calidad que constituyen las unidades de decisión. La eficiencia de cada unidad de servicio se calcula
usando modelos CCR y de súper eficiencia.
Hallazgos: la cantidad de esfuerzos/costos necesarios para reducir la variación en un servicio puede diferir según el nivel de calidad objetivo.
Para el mismo nivel de calidad Six Sigma, los servicios demuestran diferentes rendimientos/eficiencias y, por lo tanto, diferentes rendimientos.
En algunos escenarios, los niveles de calidad moderados podrían presentar altas eficiencias en comparación con los servicios de niveles más
altos. También se encontró que la mejora requerida es menor en el caso de Log-normal en comparación con las distribuciones normales en
algunos niveles de calidad. Esta observación también se observa en las distribuciones presentadas de este estudio (Normal, Log-normal,
Exponencial, Gamma y Weibull).
Implicaciones sociales: la implementación de Six Sigma en los servicios se encuentra principalmente en conceptos relacionados con el tiempo,
como la puntualidad de la facturación, la vida útil en ingeniería de confiabilidad, la teoría de colas, la atención médica y las telecomunicaciones.
Originalidad/valor: el documento contribuye a la investigación existente al presentar un modelo de evaluación de las estrategias Six Sigma en
servicios de distribuciones no normales. Estrategias de diferentes niveles de calidad presentan diversas eficiencias; por lo tanto, los niveles de
calidad más altos pueden no ser las mejores alternativas en términos de rendimiento de la inversión. Las tasas de consecuencias calculadas
de las diferentes distribuciones pueden servir como líneas de palma para un mayor despliegue de Six Sigma en los servicios. Además, la
combinación de optimización y análisis Six Sigma proporciona una herramienta adicional de evaluación comparativa de los planes estratégicos
tanto en el sector de fabricación como en el de servicios.
Palabras clave Optimización, DEA, Calidad, Servicios, Six Sigma, Telecomunicaciones Tipo
de papel Artículo de investigación

1. Introducción Six
Sigma es un enfoque estructurado basado en datos y negocios destinado principalmente a reducir la
variabilidad y los defectos del proceso junto con el aumento de las ganancias y la satisfacción del cliente.
Ayuda a entregar productos o servicios de alta calidad a los clientes. Si bien Six Sigma juega un papel
integral en las visiones estratégicas, también promueve el aprendizaje, la concepción cruzada y la
ejecución del cambio estratégico dentro de una empresa.
Las iniciativas Six Sigma son importantes para la excelencia en los entornos empresariales de
producción y servicios. La correcta implementación de los proyectos Six Sigma debería mejorar la posición
financiera de las organizaciones y la satisfacción del cliente. Las organizaciones que tienen en cuenta Six
Sigma suelen considerar diferentes procesos/servicios que pueden mejorar el rendimiento general. Por lo
tanto, la selección de proyectos como candidatos para la implementación de Six Sigma es crucial.
Esencialmente, los proyectos/servicios/procesos seleccionados deben ser financieramente factibles con
la implementación de Six Sigma. La factibilidad incluye los costos de implementar esta iniciativa y los
rendimientos esperados de la inversión (ROI). Además, los proyectos seleccionados brindan una
Evaluación comparativa: una revista
oportunidad de aprendizaje para el equipo de Six Sigma, incluidos propietarios de negocios, expertos en
internacional vol. 26
la materia y cinturones negros, verdes y amarillos. De hecho, Six Sigma implica un cambio en la cultura No. 6, 2019
de la organización hacia la calidad. La actitud y el entusiasmo hacia la iniciativa Six Sigma aumentarán al págs. 1799-1822 © Emerald
Publishing
implementar los procesos correctos, aquellos de alto potencial de éxito. Limited 1463-5771 DOI 10.1108/BIJ-07-2017
Machine Translated by Google

BJ La implementación de Six Sigma tiene una curva de aprendizaje; por lo tanto, los primeros proyectos
seleccionados pueden tener una gran influencia en cómo la organización percibe esta iniciativa. El éxito en los
26,6
proyectos de inicio promueve la visión de la empresa y su creencia en Six Sigma, lo que también motiva a todos
los miembros de la organización que son conscientes de la mejora. Aunque hay una gran cantidad de historias
de éxito empresarial en la implementación de iniciativas Six Sigma, sin embargo, es posible que las organizaciones
no sean conscientes de su ROI antes de proceder con la implementación en su negocio. General Motors, una
gran figura entre los campeones de Six Sigma, reportó ingresos del 11 por ciento y un aumento del 13 por ciento
1800
en sus ganancias durante los años 1997 y 1998 (Geoff, 2001).

Six Sigma está orientado al cliente, donde un rendimiento que no es aceptable para el cliente final se
considera un defecto. Six Sigma aborda todo el proceso detrás de la producción de un artículo o la finalización
de un servicio. Es de naturaleza proactiva ya que se propone encontrar la posible mejora antes de que se
encuentren defectos o deficiencias. Las ganancias del proceso debido a las mejoras técnicas y administrativas
pueden reducir las tasas de falla a niveles muy bajos (2 partes por billón (ppb) o 3,4 partes por millón (ppm)
cuando se permite un cambio medio). Generalmente, las especificaciones en Six Sigma son de dos caras en las
distribuciones normales. La suposición normal se adapta bastante al negocio de fabricación. Una buena parte de
los proyectos Six Sigma se han llevado a cabo en el campo de la fabricación (Geoff, 2001; Morgan y Jacobs,
2012).
En cuanto a los servicios de telecomunicaciones, los errores de facturación, el número de quejas, los cambios
y el tiempo de actividad de la banda ancha, la puntualidad de la facturación y la duración de las llamadas son
preocupaciones importantes. En algunos servicios transaccionales, se prefiere que el tiempo de finalización sea
lo antes posible, por lo que la suposición de normalidad puede ser discutible. Los niveles de servicio y los tiempos
de finalización de las transacciones no favorecen la distribución normal (Geoff, 2001; Chakraborty y Chuan, 2013).
Por ejemplo, es probable que el tiempo de finalización del proyecto en la gestión de proyectos exceda su tiempo
de ruta crítica cuando el supuesto de normalidad ya no es válido, particularmente para proyectos de pocas
actividades. Además, la vida útil de los productos está lejos de las distribuciones normales desde el punto de
vista de la confiabilidad. Otras aplicaciones de distribuciones no normales se pueden encontrar en
telecomunicaciones, confiabilidad, teoría de colas, climatología, banca, logística, servicios de salud, etc.

Una revisión sobre el supuesto de normalidad se puede encontrar en el estudio de Montgomery y Runger
(2011). Los investigadores se han ocupado de las distribuciones no normales a través de diversos enfoques,
como el ajuste de datos y la optimización de la probabilidad (Vännman y Albing, 2007; Ding, 2004).

Este documento está organizado de la siguiente manera: la Sección 2 presenta una revisión de la literatura,
seguida de un resumen sobre los servicios de calidad de las telecomunicaciones en la Sección 3. El análisis de
las consecuencias de los servicios no normales se presenta en la Sección 4. A continuación, el modelo de
optimización se demuestra en la Sección 5, seguido de un ejemplo numérico en la Sección 6. El análisis
experimental y la aplicación del modelo en un estudio de caso de telecomunicaciones se presentan en la Sección
7. Finalmente, las conclusiones se exponen en la Sección 8.

2. Revisión de la literatura
Existe una gran cantidad de literatura sobre Six Sigma y sus aplicaciones. En la mayoría de estas aplicaciones,
la distribución normal es la suposición predeterminada, particularmente en los sectores de fabricación y
producción. Las empresas que han adoptado Six Sigma reportaron un aumento en sus retornos financieros
(Thomas et al., 2009), otras reportaron reducciones de costos (Anchanga, 2006), así como una mejora en la
satisfacción del cliente (Sharma, 2003). Para lograr una implementación adecuada, las empresas deben identificar
y comprender su nivel de adopción de la gestión de la calidad (Sharma, 2003; Lee-Mortimer, 2006). Una reserva
de conocimiento deficiente resultará sin duda en el fracaso de Six Sigma. Las implementaciones exitosas incluyen
la capacitación adecuada y la preparación de la fuerza laboral crucial. Los factores críticos de éxito de Six Sigma
han sido bastante citados en la literatura (Daniela Santana y Carvalho, 2016; Jéssica et al., 2017).
Machine Translated by Google

Las aplicaciones de Six Sigma continúan evolucionando extendiéndose al concepto de Lean Six Sigma en Evaluación
enormes áreas de una organización (Laureani y Antony, 2012; Fischman, 2010; Hsieh et al., 2012). Más allá del comparativa de Six Sigm
entorno de fabricación en sí, es notable el crecimiento de los métodos utilizados (Kornfeld y Kara, 2013;
Lertwattanapongchai y William Swierczek, 2014; Meza y Jeong, 2013) y los enfoques de modelado (Campos, 2013;
Salah et al., 2010) .
Lertwattanapongchai y William Swierczek (2014) demostraron que Six Sigma evalúa los productos y servicios de
toda la cadena de valor desde la perspectiva de los clientes. 1801
Recientemente, una serie de artículos se han centrado en la importancia de Six Sigma en los servicios y los
desafíos de aplicar esta metodología de mejora de la calidad a las operaciones de servicios (Biolos, 2002; Hensley
y Dobie, 2005; Patton, 2005; Antony, 2006; Chakrabarty y Tan, 2007; Antony et al., 2007; Kumar et al., 2008).
Chakraborty y Chuan sugirieron que la implementación y el impacto de Six Sigma pueden extenderse a los
servicios. En los EE. UU., la adopción del concepto de mejor calidad en los servicios y mayores resultados son
igualmente importantes (Atmaca y Girenes, 2009).
De hecho, la implementación limitada de Six Sigma en los servicios se encuentra en todo el mundo.
Actualmente, un número moderado de organizaciones bancarias y de atención médica están implementando Six
Sigma en sus servicios (Mason et al., 2015). Otros sectores están incorporando gradualmente iniciativas Six Sigma
como TI, telecomunicaciones y logística (Chakraborty y Chuan, 2013).
Sin embargo, en los servicios, las características de calidad no siguen necesariamente una distribución normal.
De hecho, hay algunos atributos críticos que contienen conjuntos de datos de distribución no normal.
En datos no normales, los límites de especificación del lado izquierdo y derecho deben abordarse cuidadosamente.
Se ha realizado literatura moderada sobre análisis no normal, como este que se encuentra en el estudio de Pan et
al. (2010) y sobre la capacidad de proceso de la distribución Gamma como en el estudio de Hsu et al. (2008). Un
estudio presentado por Ahmad et al. (2008) compararon algunos métodos que consideran datos no normales para
estimar índices de rendimiento, como el método de Burr y el método de Clements. El proceso no normal
generalmente tiene una asimetría positiva. Aunque Six Sigma se ha considerado significativamente en los sectores
de fabricación y ligeramente en los servicios, los atributos de las distribuciones no normales no se han explorado lo
suficiente.
Se empleará el análisis envolvente de datos (DEA) para evaluar los servicios de telecomunicaciones Six Sigma
introducidos en esta propuesta. DEA es una herramienta de optimización relativamente nueva utilizada para la
evaluación comparativa en diferentes aplicaciones (Seong-Jong et al., 2011; Cooper William y Seiford, 2011; Zhu,
2015, 2014a, b; Lim y Zhu, 2016). Aunque la teoría de DEA está bien descrita en las referencias y manuales
mencionados, las aplicaciones de DEA aún están evolucionando (Emrouznejad y Tavana, 2013; Emrouznejad y
Marra, 2014). De hecho, DEA no se aplica satisfactoriamente en el campo de Six Sigma y sus aplicaciones. En
nuestra DEA propuesta, cada estrategia de servicio alternativo se considera como una unidad de toma de
decisiones (DMU). Cada uno tiene su propio conjunto de entradas y salidas que tienen en cuenta las consecuencias
del proceso, los precios de venta, el costo y las cantidades. De ahí que resulten diferentes evaluaciones y se
calculen las eficiencias de la DMU. La estrategia de mayor eficiencia es la alternativa preferida.

En contraste con la investigación bibliográfica existente, nuestro modelo también puede abordar la indiferencia en
las estrategias Six Sigma mediante la implementación del modelo de supereficiencia.
El propósito de este estudio es doble: primero, demostrar la idea de Six Sigma en las características de calidad
de distribuciones no normales como Exponencial, Log-normal, Weibull y Gamma. En esta parte, se presentan las
consecuencias de cada distribución detalladas hasta diferentes niveles sigma. La segunda parte del estudio es
comparar los diferentes proyectos Six Sigma con la ayuda de un DEA. El modelo de optimización DEA calculará
las eficiencias de las estrategias Six Sigma para los servicios ofrecidos por una empresa de telecomunicaciones.

Aunque los proyectos Six Sigma podrían haber sido evaluados con respecto a los componentes de costos
tangibles, sin embargo, en este modelo, otros factores están involucrados, como el nivel de satisfacción de la
calidad, las especificaciones de procesamiento, los costos fijos y variables y las tasas de caída. La DEA encontrará
la eficiencia de las diferentes estrategias Six Sigma que a su vez informarán a los empresarios sobre los mejores
proyectos a incorporar. No solo encontrar los mejores proyectos del mejor resultado financiero,
Machine Translated by Google

BJ aquí, cada proyecto Six Sigma será comparado con otros proyectos para una mejor evaluación. En última instancia, se
calcula una clasificación de los diferentes proyectos de acuerdo con sus eficiencias.
26,6
Hasta donde sabemos, no existe ningún estudio que compare proyectos Six Sigma de telecomunicaciones en
términos de su eficiencia con respecto a diferentes conjuntos de entradas y salidas. Ciertamente, las ganancias, aunque
son vitales, no son las únicas medidas de desempeño de una iniciativa Six Sigma.
De hecho, el tiempo, la capacitación, el rendimiento, las tasas de rechazo y el capital invertido en la implementación
son factores clave. Cada servicio Six Sigma candidato se considera como DMU.
1802
Cada uno de los cuales tiene su propia distribución, así como sus tasas de rechazo, rendimiento y componentes de
costo. El objetivo de la DEA es puntuar los diferentes servicios. Para obtener una mejor comprensión de los niveles de
calidad Six Sigma de las características de calidad dadas, primero analizamos la tasa de no conformidades de cada
servicio k-sigma de distintas distribuciones. Se emplea una función de pérdida para estimar el costo de los productos/
transacciones no conformes, donde las características de calidad que se encuentran dentro de los límites de
especificación no incurren en costos de rechazo.

3. Six Sigma en los operadores de telecomunicaciones Un desafío

específico, exclusivo de los operadores de telecomunicaciones, es el enfoque esencial en los clientes cuyas demandas
son instantáneas y siempre en un estado de cambio continuo. Telecom es una industria de servicios con tipos
generalizados de suscriptores de necesidades difícilmente predecibles. Como todo negocio, las telecomunicaciones
tienen un balance financiero que debe ser factible con márgenes de utilidad aceptables, cuestión que se puede lograr
estandarizando las prácticas, minimizando errores, eliminando actividades sin valor agregado, capacitando, asesorando
y potenciando la cultura de trabajo en equipo. La satisfacción del cliente demuestra un pequeño aumento cuando esta
mezcla se perfecciona a través de la excelencia en los procesos y la innovación a través de la metodología Six Sigma.

Mejorar el rendimiento a nivel de operador puede ser un desafío, ya que hay muchas variables a considerar.
Aunque pocas empresas en la industria de las telecomunicaciones han estado cosechando beneficios de Six Sigma
desde hace bastante tiempo, la competencia en la industria de las telecomunicaciones está creciendo, por lo tanto, las
empresas que se enfocan en la innovación y el desarrollo de nuevos planes y servicios serán las que tendrán éxito a
largo plazo. término.
Toda la industria de las telecomunicaciones está mostrando cambios drásticos en los tipos y patrones de demanda.
Con la llegada de los teléfonos inteligentes, el mercado de datos y el uso de Internet aumentan drásticamente, creando
un área increíble para la innovación en nuevos planes y servicios. Además, con los operadores de redes móviles
ampliando su negocio para incorporar todo, desde banda ancha y servicios en la nube, hasta varios ecosistemas de
VoIP e IoT, la innovación puede tomar y tomará muchas formas en el futuro. Para esta variedad de servicios, la
satisfacción del cliente es un diferenciador clave en la industria de las telecomunicaciones, ya que los consumidores
están dispuestos a pagar más para recibir un buen servicio. Los resultados realmente hablan por sí mismos de las
empresas que logran una buena satisfacción del cliente en todo el mundo.
La explosión de datos inalámbricos está impulsando una enorme demanda sin un aumento significativo de los
ingresos. Como esta demanda debe satisfacerse para mantener la rentabilidad y permanecer en el negocio, los costos
y los insumos del proceso deben controlarse. Es por eso que nos enfocamos en un modelo orientado a los insumos en
el que se minimizan las actividades que no agregan valor para mejorar la posición del resultado final en este negocio.

Las aplicaciones en la industria de las telecomunicaciones constituyen un entorno rico para la implementación de
Six Sigma, algunas ideas conceptuales se incluyen en la lista de la Tabla I.
En este estudio, consideramos los servicios que se ofrecen a nivel de operador que no necesariamente siguen una
distribución normal. Se abordan diferentes planes estratégicos para diferentes servicios. Como no todas las
características de calidad resultantes siguen una distribución normal, primero procedemos a demostrar Six Sigma en
características de calidad no normales. En consecuencia, la siguiente sección establece las pautas Six Sigma para
distribuciones no normales y calcula las consecuencias correspondientes. Curiosamente, se encuentra que los esfuerzos
realizados para mejorar algunos servicios pueden ser mucho menores que otros mientras se demuestra el mismo nivel
de calidad.
Machine Translated by Google

4. Six Sigma y las consecuencias en los servicios de telecomunicaciones

Evaluación
En esta sección, mostramos que se observa un desempeño variable con los mismos niveles de calidad/satisfacción en
comparativa de Six Sigm
servicios de diferentes distribuciones. Los esfuerzos para mejorar el servicio pueden ser más efectivos en algunos niveles
de calidad en comparación con otros. Para demostrarlo, se presentan el concepto Six Sigma y las consecuencias de las
distribuciones normales y otras no normales. Para cada distribución, se define un nivel k-sigma. Las características de
calidad que siguen distribuciones normales suelen ser de dos lados y exhiben límites de especificación superior e inferior.
Sin embargo, las distribuciones no normales (sesgadas) suelen ser unilaterales con un solo límite de especificación superior.
Las aplicaciones de las distribuciones no normales a menudo se encuentran en el sector de los servicios, particularmente
1803
en el modelado de la puntualidad.

4.1 Seis Sigma de distribución normal Considere

una característica de calidad de un atributo de servicio que se distribuye normalmente con una media de ÿ y una desviación
estándar ÿ. La transacción de servicio se considera conforme si la característica de calidad se encuentra entre los límites de
especificaciones inferior y superior (LSL, USL) para un atributo de dos caras. Los servicios/transacciones no conformes son
aquellos que se encuentran fuera de los límites de especificación.
Además, el desempeño del servicio mejora a medida que el valor promedio de la característica de calidad se acerca a un
objetivo nominal (T). En este estudio, el proceso de servicio 1ÿ se caracteriza por USL y LSL que son 1ÿ alrededor del valor
objetivo con un cambio medio posible de 1.5ÿ. La desviación de la normalidad de ±1,5ÿ es una práctica común en ingeniería
(Montgomery y Runger, 2011).
La Figura 1 muestra tanto un proceso centrado como otro de desplazamiento de 1.5ÿ. El porcentaje de disconformidad (tasa
de caída) para un proceso de servicio centrado se puede encontrar fácilmente mediante FR¼ 1ÿp(LSLÿxÿUSL).
De manera similar, para un cambio de 1,5ÿ, el número de no conformidades será mayor, como se muestra en la Figura 1.
Siguiendo la misma analogía de los procesos de servicio centrados y desplazados utilizando otros niveles de kÿ, es
decir, 2ÿ, 3ÿ, etc., se pueden encontrar consecuencias para cada uno. De hecho, un proceso 6ÿ centrado producirá 2ppb de
defectos como se muestra en la Figura 1, mientras que un proceso desplazado producirá 3,4 ppm. La Tabla I muestra las
consecuencias en diferentes niveles de calidad para los procesos de servicio normales centrados y desplazados.

Perspectivas de calidad Perspectivas de costos Perspectivas de marketing y ventas.

Reducir el número de quejas. Mejorar la facturación y Mejorar el ingreso promedio por unidad
Reducir el tiempo medio de reparación de un servicio tanto del proceso de cobro de clientes
corporativos como particulares Reducir sin respuesta promociones y planes
Mejore la confiabilidad del tiempo de actividad de las llamadas de líneas arrendadas Precios
Mejore el tiempo de actividad de los conmutadores y enrutadores Reducir costes y Oportunidad y calidad de nuevos esquemas
Mejora de las entradas del proceso de tasa de terminación de llamadas y promociones
Mejorar la precisión de los datos y registros de los clientes. Aumentar red Puntualidad de la facturación Tabla I.

Reducir la utilización de los tiempos de ciclo Reducir los errores de facturación Servicios de calidad
Reducir los tiempos de espera del servicio Personaliza ofertas y Reducir el tiempo del ciclo de pagos de proveedores conceptual en
telecomunicaciones
planes Mejorar la productividad de las ventas

99.999660232684%

4.5 4.5

1.5 1.5

Figura 1.
Procesos Six Sigma centrados
y desplazados
–7 –6 –5 –4 –3 –2 –1 0 1234 567
Machine Translated by Google

BIJ 4.2 Six Sigma de distribución exponencial

26,6 Las características de calidad distribuidas exponencialmente generalmente se asocian con el tiempo, como
el tiempo entre pedidos, tiempo para recibir pagos o tiempo para completar un servicio dentro de un conjunto
período. Por ejemplo, las empresas de telecomunicaciones tienden a dedicar tiempo a responder a las preguntas de los clientes.
llamadas en servicio al cliente lo más breve posible. Las aplicaciones de la distribución exponencial
son significativamente notables, que incluyen teoría de colas, ingeniería de confiabilidad, discreta
1804 sistemas de simulación de eventos y muchos otros. Las características de la calidad del servicio se pueden modelar
por distribución exponencial con una media de 1/ÿ que también es igual a la desviación estándar.
ÿÿx
El acumulado de la distribución exponencial viene dado por F(x) ¼ 1ÿe . Como calidad
las características que siguen a esta distribución son unilaterales, el porcentaje de caída para el proceso kÿ
ÿ2k ÿ2k
viene dada por p(xÿ2k/ÿ) ¼ 1ÿ(1ÿe ) ¼ mi . Para un proceso desplazado de 1.5ÿ, la nueva media será
posicionado en ÿ/2.5, por lo tanto, la precipitación kÿ se estima mediante p(xÿ2k/ÿ) ¼ e ÿ(2k/2.5). La tabla II muestra
las consecuencias de los procesos de servicio exponenciales y exponenciales desplazados.
La Figura 2 muestra que un nivel Six Sigma de la distribución normal produce 0.002 ppm que
se puede encontrar en un nivel de calidad significativamente alto (k = 10) para la distribución exponencial.
De manera similar, para una media desplazada, el nivel de calidad Six Sigma en la distribución normal (3,4 ppm)
es equivalente a un nivel de calidad no inferior a 15 en una distribución exponencial desplazada.
En consecuencia, por el mismo esfuerzo que se puede poner en la calidad, distribuido exponencialmente
las características de calidad demostrarán mayores niveles de mejora.

Nivel de calidad k Normal Desplazado normal Exponencial Exponencial desplazado

1 317.310,5 697.672,1 135.335,3 449,329.0

2 45.500,3 308.770,2 18.315,6 201.896,5
3 2.699,8 66.810,6 2.478,8 90,718.0
4 63,3 0,6 6.209,7 335,5 40.762,2
5 232,6 45,4 6,1 18,315.6
6 0,001973 3,4 0,8 0,1 8,229.7
Tabla II. 7 2,55968Eÿ06 0,018989562 1,5Eÿ02 3.697,9
Fallout de lo normal y 8 6,22096Eÿ10 4,016Eÿ05 2,1Eÿ03 1.661,6
exponencial 9 1,12859Eÿ13 3,18634Eÿ08 746.6
distribuciones en ppm 10 7,61985Eÿ18 6,59577Eÿ25 335.5

1,000,000
10,000
100
3,4 ppm
1
0.01
0.0001 0,002 ppm

1E–06
1E–08
1E–10
1E–12
1E–14 Normal Desplazado normal

Figura 2. 1E–16
Exponencial Exponencial desplazado
Fallout de ambos normales
1E–18
y exponencial 1 2 345 6 7 8 9 10
distribuciones (ppm)
Nivel de calidad k
Machine Translated by Google

4.3 Seis Sigma en distribución Log-normal evaluación comparativa

Sesgada positivamente, la distribución Log-normal se puede emplear para modelar diferentes servicios de Seis Sigma
características de calidad. En particular, duraciones de llamadas y ciclos de vida cuyos modos de falla son
de una naturaleza de fatiga-esfuerzo se modelan típicamente por distribución Log-normal en confiabilidad
Ingenieria. La distribución se identifica por dos parámetros, la ubicación ÿ y
la forma ÿ (que no debe confundirse con ÿ y ÿ de la distribución normal). como el
rango de distribución pertenecen al intervalo [0, ÿ], un proceso de servicio k-ésimo sigma en nuestro estudio es 1805
delimitado por el lado derecho por un límite de especificación superior de 2kÿ. Aquí, mostramos que el
Las consecuencias de esta distribución no dependen del parámetro ÿ. Tenga en cuenta que el pdf es
dada por:

1 ð ln xm Þ
2

f xð Þ¼ ffiffiffiffiffiffi
mi 2s2 ; x40: (1)
xs 2p p

La media de la distribución Log-normal es igual a emþs2=2 con una varianza de ðes2 1Þe2mþs2 .
La función de densidad acumulada se expresa como:

en xm
F xð Þ¼ 0:5þ0:5 erf 2 ps fiffi
:
(2)

Para el proceso de servicio unilateral, la tasa de caída viene dada por FR ¼ 1ÿF(2kÿ), donde
1=2 1=2
2ks ¼ 2kððes2 1Þe2mþs2 Þ ¼ 2kemðe2s2 es2 Þ . Ahora, sustituyendo esta cantidad en el
tasa de caída, obtenemos:

ln 2kþ 1=2 ln e2s2 es2 1

FR ¼ 0:5 0:5 erf 0 fiffi

(3)
@ 2 p. R:

Por lo tanto, la caída de en la distribución Log-normal depende solo del parámetro ÿ y la

nivel de calidad k. La Tabla III muestra las ppm para valores seleccionados de ÿ. El perfil de lluvia radiactiva se representa
en la figura 3.

4.4 Distribución Six Sigma en Gamma

La distribución Gamma se utiliza para modelar una variedad de disciplinas que comprenden las colas
modelos, climatología y servicios financieros. Ejemplos de características que pueden ser
modelados por la distribución Gamma incluyen la cantidad de lluvia acumulada en un embalse,
la carga en los servidores web, el tamaño de los impagos de préstamos y las reclamaciones de seguros agregadas. Gama
La distribución también se utiliza para modelar errores en una regresión de Poisson de varios niveles. La probabilidad

Calidad
nivel k 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

1 1.000.000,0 999.995,3 930.187,6 601.227,6 352.862,8 224.116,4 155.576,4 115.432,2 89.603,4 71.623,0
2 1.000.000,0 832.865,6 202.337,5 69.926,0 38.874,6 27.835,0 22.587,8 19.481,9 17.284,8 15.504,5
3 999.999,8 144.169,0 14.449,9 6.387,1 5.014,5 5.064,4 5.175,4 5.197,2 4.807,4 4.907,9
4 984.474,4 6.206,4 833,9 665,5 815,8 1.689,3 1.966,2 2.185,2 1.074,4 1.380,2
5 470.099,1 149,7 50,6 82,6 161,3 663,8 869,7 1.058,7 290,0 463,2
6 28.832,5 3,0 3,5 12,1 37,3 293,2 428,0 565,8 90,3 176,8
7 291,1 0,1 0,3 2,0 9,8 141,4 228,0 325,1 31,5 74,5
8 0,9 1,2Eÿ03 2,5Eÿ02 0,4 2,9 73,1 129,2 197,6 12,0 34,0 Cuadro III.
9 1,3Eÿ03 2,8Eÿ05 2,5Eÿ03 0,1 0,9 40,0 77,0 125,6 4,9 16,5 Fallout de Log-normal
10 1,2Eÿ06 7,1Eÿ07 2,9Eÿ04 1,9Eÿ02 0,3 22,9 47,8 82,8 2,2 8,5 distribución (ppm)
Machine Translated by Google

BJ 10,000,000
1,000,000
26,6 100,000
10,000
1,000 =0.1
100
10 =0.5
1
0.1
1806 0.01
0,001
0,0001
Figura 3. 0,00001
Fallout de la distribución 0.000001
Log-normal, ÿ ¼ 0.0000001
0.1:0.1:0.5 123456789 10

Nivel de calidad k

La función de densidad de la distribución Gamma viene dada por:

1 1
f xð Þ¼ mi x=y ; x40; (4)
DIOS Þ a yaxa

donde los parámetros ÿ y ÿ son números reales positivos. La media es igual a ÿÿ y la varianza es ÿÿ2 .
En consecuencia, el acumulado de la distribución Gamma viene dado por:

x=ya 1 te
R0 t dt
F xð Þ¼ :
(5)
DIOS Þ un

ffiffiffi

Para un límite de especificación superior de 2kÿ, obtenemos USL ¼ 2ky ap que al sustituir en la
ecuación de caída, nos damos cuenta fácilmente de que la caída depende solo de ÿ y del nivel de calidad k.
La Tabla IV muestra las consecuencias de la distribución Gamma para valores de ÿ seleccionados.

4.5 Six Sigma en la distribución de Weibull

La distribución de Weibull es una de las distribuciones más utilizadas para modelar tiempos de vida y
análisis de supervivencia en ingeniería de confiabilidad. Es una distribución versátil que puede tomar
las características de otras distribuciones alterando sus dos parámetros (ÿ y ÿ). La función de densidad
de probabilidad de la distribución de Weibull viene dada por:
un un
1
f xð Þ ¼ mi
ð Þ x=b
; x40 (6)
baja
resultando en la siguiente función de densidad acumulativa:
un

ð (7)
x=b F xð Þ¼ 1 e Þ donde
; ÿ ¼ ÿÿ(1+(1/ÿ)) y ÿ2 ¼ ÿ2 [ÿ(1+(2/

ÿ))ÿ{ÿ(1+(1/ ÿ))}2 ]. Ahora que las distribuciones de Weibull no son negativas, el USL de un nivel de
calidad ak se establece en 2kÿ. En consecuencia, la tasa de caída es una función del parámetro ÿ y k,
que se encuentra por:
un

FR ¼ e ð Þ x=b :
(8)
Para x ¼ 2kÿ, obtenemos:
ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi

un
8 2 9
2 1
FR ¼ exp 2k sol 1þ sol 1þ 1 (9)
< un un
0
: @ UN = ;:

La Tabla V muestra las consecuencias en ppm para valores de ÿ seleccionados.

Machine Translated by Google

Al comparar las distribuciones Weibull y Gamma en las Figuras 4 y 5, a un valor de ÿ¼ 0.5, evaluación comparativa
un nivel de calidad Six Sigma en el Gamma da 38ppm, lo que ni siquiera resultará en muy bajo
de Seis Sigma
nivel de calidad de la distribución Weibull. Curiosamente, cuando ÿ¼ 1, ambas distribuciones coinciden
resultando en las mismas consecuencias. En general, las consecuencias en Weibull son mayores para los mismos valores de ÿ.
En conclusión, los esfuerzos producen una mayor mejora en los servicios que siguen la distribución de Weibull como
frente a los que siguen la distribución Gamma cuando se requiere el mismo nivel de calidad.

1807
5. El modelo de optimización
Considere un conjunto K de diferentes estrategias de mejora de la calidad dentro de una organización, cada una de ellas
que se caracteriza por su nivel de calidad k, kÿK. Una estrategia constituye un conjunto de servicios
procesa P(k), cada uno de los cuales se denota por p, pÿP(k). Los procesos de servicio se caracterizan
por sus distintos atributos de calidad (características) y, por lo tanto, sus distintas distribuciones. UN
proceso de servicio p exhibe una distribución distinta d, donde d pertenece a un conjunto de distribuciones, es decir,
dÿD(k, p). En este estudio, la combinación estrategia-proceso-atributo se denominará calidad.
trillizo. Un componente de costo de implementación fijo ckpd está asociado con el servicio del triplete de calidad
(k, p, d). Intuitivamente, el propósito de cualquier organización que considere la implementación de una combinación
de las estrategias de Six Sigma es identificar aquellas que se ajustan al entorno empresarial de la organización
desde diferentes perspectivas, incluido el retorno de la inversión, las ventas, el rendimiento,
empleo, valor de las acciones, expectativas del cliente, componentes DAFO de la organización,
pasión, dedicación del equipo, la asequibilidad de la gestión para comprometerse con las estrategias elegidas
y muchos otros. En concreto, el objetivo de una organización es jerarquizar las diferentes estrategias
junto con sus procesos de servicio en un intento de comparar los diferentes planes y
identificar el mejor conjunto de procesos entre las estrategias Six Sigma disponibles. En este modelo, cada
La estrategia se compara a través de la maximización de la eficiencia (es decir, la relación de productos ponderados a
entradas ponderadas). Para cada proceso dentro de una estrategia, los costos incurridos incluyen la unidad
costo de rechazo de un producto/transacción dado por rkd y el costo de implementación ckpd experimentado por
implementar el k-ésimo nivel de calidad del proceso de servicio p y la característica de calidad de
distribución D. Tenga en cuenta que los servicios de alto nivel k producen una mejor calidad y bajas tasas de disconformidad
a expensas de mayores costos de implementación. Por el contrario, los procesos de servicio de baja calidad compiten
en sus bajos costos de implementación a expensas de mayores no conformidades.
Cada triplete de calidad en nuestro modelo exhibe una tasa de falla Fkpd. Indicar el precio de venta de un
transacción de servicio resultante del k-ésimo nivel de calidad de una característica de calidad d por skd
y las cantidades anuales procesadas de este par combinado por qkd, el ingreso resultante de
este triplete de calidad es:

Rkpd ¼ skdqkd 1 Fkpd : (10)

Calidad
nivel k 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0

1 45.318,7 61.712,9 73.480,9 83.461,7 92.609,0 101.344,6 109.884,9 118.352,4 126.820,5 135.335,3
2 16.011,8 17.153,2 17.335,4 17.358,2 17.387,3 17.464,2 17.597,6 17.786,4 18.027,1 18.315,6
3 6.517,8 5.461,0 4.627,9 4.025,0 3.580,3 3.243,7 2.777,2 2.478,8 2983,0 2612,3 519,1 381,9 91,7 56,1
4 2.833,3 1.851,3 1.308,2 981,4 769,4 623,7 441,4 335,5 16,4 8,3 2,9 1,2 0,5 0,2 0,1 5,0Eÿ02
2,7Eÿ02
5 1.280,3 651,2 382,4 246,4 169,5 122,4 70,9 45,4 1,5Eÿ02
6 593,7 234,8 114,3 63,1 38,0 24,3 11,5 6,1 Tabla IV.
7 280,5 86,1 34,7 16,4 8,6 4,9 1,9 0,8 Fallout de la
8 134,4 32,0 10,7 4,3 2,0 1,0 0,3 0,1 Distribución gamma
9 65,1 12,0 3,3 1,1 0,5 0,2 31,8 4,6 1,0 0,3 0,1 para ÿ seleccionado
10 4.1Eÿ02 1.8Eÿ02 8.1Eÿ03 4.0Eÿ03 2.1Eÿ03 valores (ppm)
 distribución
Nivel
de
calidad
k
12
3
4
5
6
7
8
9
10 Fallout de Weibull
Cuadro V.
23,4
2,2Eÿ03
2,4Eÿ07
0,0E+00
0,0E+00
0,0E+00
0.5
45,4
335,5
2.478,8
18.315,6
1,5Eÿ02
2,1Eÿ03
135.335,3
6,1
0,8
0,1
1
63,2
19,5
654,5
204,1
6.547,5
2.081,6
613.97,3
20.280,3
484.075,3
179.002,3
1.5
971,9
5.080,4
2.233,1
54.805,9
25.269,0
11.418,2
762.771,8
447.252,3
234.590,4
115.651,9
2
9.593,8
59.215,0
32.797,9
17.861,7
910.905,7
694.230,1
472.426,2
299.021,4
180.118,0
104.679,5
2.5
ÿ
69.406,0
43.322,5
168.721,7
109.324,5
971.756,8
857.526,6
690.937,0
519.333,1
370.488,4
253.957,0
3
992.265,7
942.875,9
843.958,5
713.997,1
575.820,2
446.410,2
335.023,5
244.753,3
174.823,1
122.515,9
3.5
998.137,7
979.942,6
931.088,4
850.883,6
748.375,8
635.710,1
523.741,3
420.188,1
329.446,9
253.198,2
4
1808
999.600,2
993.743,4
973.019,9
931.103,5
867.551,5
786.629,0
694.946,6
599.400,3
505.880,5
418.703,3
4.5
26,6
588.624,7670.647,8750.674,6824.529,3887,987.7937.566,6971.486,2990.525,7998.245,5999,922.6
BIJ
5
Machine Translated by Google
Machine Translated by Google

1,000,000.000 evaluación comparativa

de Seis Sigma
100,000.000

10,000.000

1,000.000
=0.1
1809
100.000
radiactiva
(ppm)
lluvia

10.000 38 ppm

1.000
=1.0
0.100

Figura 4.
0.010
Fallout de la Gamma
distribución en
0.001
diferentes valores de ÿ,
1 2 3 4 5 6 7 8 9 10 ÿ = 0,1:0,1:1
Nivel de calidad k

1,000,000
100,000
10,000
1,000
100
10
Caer

1
0.1 =1

0.01
0.001 =0.5
0.0001
0.00001
0.000001 Figura 5.
Fallout de Weibull
0.0000001 distribución,
1 2 34567 8 9 10
ÿ = 0,5:0,5:5
Nivel de calidad k

Del mismo modo, los costes totales incurridos por el despliegue de la k-ésima estrategia de calidad
la característica d del proceso de servicio p será:

TCkpd ¼ ckpd þqkdrkdFkpd: (11)

En consecuencia, el beneficio PRkpd del despliegue del k-ésimo nivel de calidad en calidad
la característica d del proceso de servicio p viene dada por:

PRkpd ¼ skdqkd 1 Fkpd ckpd þqkdrkdFkpd : (12)

Aunque la selección del mejor triplete estrategia-proceso-atributo puede lograrse a través de

maximización de ingresos, sin embargo, al hacerlo, ignoramos la eficiencia de utilizar el
Machine Translated by Google

BJ dinero invertido, así como el tiempo, el equipo, la experiencia personal y la capacitación puesta en producir la
26,6 cantidad qkd de cada estrategia. Por lo tanto, los mejores proyectos son aquellos que generan mayores
ingresos en comparación con los costos incurridos, así como en comparación con la cantidad de transacciones
o servicios procesados.
Las estrategias de frontera son aquellas de mayores ingresos en comparación con las cantidades
adquiridas, y aquellas de mayores ingresos pero con bajos costos incurridos. De hecho, el éxito de los
1810 proyectos Six Sigma no se evalúa únicamente por el ROI, de hecho, se debe considerar la inversión en
tiempo, equipo y personal, que puede evaluarse a través del número de transacciones procesadas. Por ello,
todo triplete de calidad estará caracterizado por un conjunto de insumos y productos, en particular, el costo y
las transacciones procesadas como insumos y las utilidades como productos. Si bien las entradas y salidas
no necesariamente comparten las mismas unidades, una noción no paramétrica como DEA puede resolver este problema.

5.1 DEA para Six Sigma

DEA es un enfoque de evaluación comparativa no paramétrico que se encuentra en la investigación de
operaciones para la identificación de las fronteras de la práctica y la utilización eficiente de las entradas del
proceso. Mide empíricamente la eficiencia productiva de las DMU. DEA se puede encontrar en diferentes
aplicaciones en la gestión de producción y operaciones donde se selecciona un conjunto de medidas para
comparar el rendimiento de las unidades de fabricación o servicio. Las DMU eficientes, tal como las define la
DEA, no son solo las "fronteras de producción", sino que también representan las "mejores prácticas".
La discriminación entre las mejores prácticas se aborda a través del llamado modelo de supereficiencia (Cook
et al., 2014). DEA implementará en este estudio para comparar diferentes estrategias Six Sigma que
constituyen diferentes procesos de servicio y características de calidad de distribuciones sesgadas
misceláneas. Se selecciona un estudio de caso del campo de las telecomunicaciones para probarlo y validarlo.

Aunque Six Sigma tiene una gran cantidad de literatura, sin embargo, la evaluación comparativa de
proyectos Six Sigma de distribuciones normales y no normales no se explora satisfactoriamente. Hasta donde
sabemos, no existe ningún estudio que aborde tanto la implementación como la evaluación comparativa de
los servicios Six Sigma en el campo de las telecomunicaciones. Por esta razón, se ha percibido que DEA
puede ser una herramienta alternativa que ayude a calificar diferentes estrategias y procesos de servicio de
Six Sigma. La optimización lineal es el marco de trabajo en DEA, se usa comúnmente para comparar las
eficiencias de las unidades de servicio de pares. DEA compara cada unidad de servicio con la mejor
combinación de unidades eficientes. Cada DMU tiene un conjunto distinto de entradas y salidas que, en última
instancia, determinan su eficiencia. DEA asume que se puede lograr una combinación convexa de las entradas
y salidas. Una DMU con una eficiencia del 100 % cae en la frontera extrema de entrada/salida. Los modelos
de optimización estándar de DEA se pueden encontrar en muchas referencias (Cooper William y Seiford,
2011; Emrouznejad y Tavana, 2013; Zhu, 2014a, b; Emrouznejad y Marra, 2014; Zhu, 2015; Lim y Zhu, 2016).

En este estudio, un triplete de calidad (k, p, d) se considera como una DMU denotada por DMUkpd.
Se puede establecer un modelo envolvente de datos CCR de retorno constante a escala típico para clasificar
los tripletes estratégicos de acuerdo con sus eficiencias. Siguiendo la analogía de DEA, cada triplete de
calidad tiene un conjunto de entradas y salidas. Los tripletes ineficientes (aquellos con una puntuación inferior
al 100 por ciento) producen la misma salida de las DMU eficientes, sin embargo, con mayores cantidades de
entrada, o menos salida resultante con el mismo nivel de entradas. La eficiencia de DMUkpd es simplemente
la relación entre las salidas ponderadas y las entradas ponderadas con las entradas ponderadas restringidas
a 1.
Para preparar planes de servicio Six Sigma que se ajusten al esquema DEA, la entrada a DMUkpd se
identificará por el número de transacciones o servicios procesados qkd y el término de costo asociado TCkpd.
De manera similar, la salida se asemeja a la ganancia PRkpd que se obtiene al implementar el triplete de
calidad elegido, donde el vector de entrada está dado por:

qkd;ckpd þqkdrkdFkpd ; (13)

Machine Translated by Google

y la salida es: Evaluación

(14) comparativa de Six Sigm
skdqkd 1 Fkpd ckpd þqkdrkdFkpd :

Con esta configuración, se puede construir un modelo envolvente de datos para encontrar la
mejor estrategia Six Sigma que maximice los resultados en relación con cada componente de entrada.
El modelo de optimización DEA finalmente produce la eficiencia de todas las estrategias que ayudan a
los dueños de negocios a identificar los proyectos de servicio más beneficiosos para implementar. Para 1811
un conjunto de K DMU, cada una de M entradas y N salidas, un modelo DEA general de la k-ésima unidad
está dado por:

Max YkuT 9
XkvT
S t:
YuT
XvT p1 >>>>>>=
; (15)
uX0
vX0 >>>>>>;

donde X es (K × M) matriz de entradas e Y es (K × N) matriz de salidas. Tenga en cuenta que

Xk e Yk representan las entradas y salidas de la k-ésima DMU. El vector u se asemeja a los
pesos de las salidas y v a los pesos de las entradas. Al escalar las entradas a una suma de uno
obtenemos:

Max Yk uT 9

S t:
Xk vT ¼ 1
:
(dieciséis)

Y uT X vT p0 >>>>>>>>>=

uX0
vX0 >>>>>>>>>;

Al conectar el conjunto de entradas y salidas en (16), el siguiente modelo Six Sigma DEA de
DMUxyz resultará:
máximo tú sxzqxz 1 Fxyz cx;y;zþqxzrxzFxyz 9
S t:

v1 qxzþv2 qxzrxzFxyz ¼ 1
tu skdqkd 1 Fkpd ckpd þqkdrkdFkpd
:
(17)
v1 qkd þv2 ckpd þqkdrkdFkpd p0 ; >>>>>>>>>>>>>>=

8kAK; 8pAP kð Þ; 8dAD kð Þ ;

p uX0 v1; v2X0
>>>>>>>>>>>>>>;

En este modelo primario, las variables de decisión son u y v. La eficiencia de DMUxyz es la relación (YxyzuT)/
(X)xyzv T) que, después de escalar las entradas a la unidad, se reduce a YxyzuT o, de manera equivalente, u
{sxzqxz(1ÿFxyz) ÿ(cxyz+qxzrxzFxyz)} que es simplemente el beneficio escalado por el parámetro u.
Tenga en cuenta que cada triplete estrategia-proceso-atributo tiene su propio modelo de optimización.
Aunque el esfuerzo computacional requerido del modelo anterior es factible, una formulación dual es más
conveniente ya que da como resultado una menor cantidad de restricciones. El dual del problema anterior es
Machine Translated by Google

dado en términos de la eficiencia ÿ y las variables duales ÿ que se asemejan a los pesos de las
BJ combinaciones convexas, esto es:
26,6
Min yxyz 9
s:t:
PAG PAG P lkdpqkpd yqxyz kAK p0
pAP kð Þ d AD kð Þ ;p
1812
PAG PAG p0
P lkpd ckpd þqkdrkdFkpd y cxyzþqxzrxzFxyz pAP kð Þ d
; (18)
>>>>>>>>>>>>>>>>=

kA AD kp ð Þ 8 sxzqxz 1 Fxyz cxyzþqxzrxzFxyz

9

PAG PAG
p0
< =

AD kp ð Þ
P lkpd skdqkd 1 Fkpd ckpd þqkdrkdFkpd kA pAP kð Þ d ;
: X0 >>>>>>>>>>>>>>>>>;

8k; pag; d; lkpd

donde ÿ es la eficiencia de DMUxyz. Tanto el modelo primario como el dual dan como resultado la misma
eficiencia de cada unidad de calidad. De hecho, el problema primal tiene restricciones kpdÿ1, mientras que
solo se encuentran tres restricciones en el problema dual, lo que hace que la solución sea extremadamente más fácil.
Cada DMU tiene su propio modelo, por lo tanto, resultarán modelos lineales kpd para evaluar todos los
tripletes de calidad. Aunque un solucionador tan simple como el tipo Excel puede encargarse de los modelos
individuales, la construcción activa de los modelos de optimización es más efectiva, particularmente para
problemas de mayor número de tripletes de calidad. Afortunadamente, existen software especializados que
pueden resolver todos los modelos simultáneamente. En este estudio, el software PIM se utiliza para
comparar las diferentes estrategias del estudio seleccionado.

5.2 Modelo de supereficiencia

La supereficiencia es un concepto utilizado para romper los lazos entre unidades eficientes. En los modelos
DEA tradicionales, múltiples DMU pueden caer en la frontera de producción, lo que da como resultado
múltiples unidades eficientes. Para diferenciar entre unidades eficientes, se puede aplicar un modelo de
supereficiencia en el que la DMU que se evalúa se elimina del conjunto de restricciones, lo que permite que
su puntaje de eficiencia supere un valor del 100 por ciento. Esto puede expresarse de la siguiente manera:

Max u sxzqxz 1 Fxyz 9

S t: cxyzþqxzrxzFxyz

v1
tu qxzþv2 qxzrxzFxyz ¼ 1 skdqkd

1 Fkdp ckdp þqkdrkdFkdp

v1 qkd þv2 ckpd :
(19)
>>>>>>>>>>>>>>>>>=

þqkdrkdFkdp p0 ; 8kAK; 8pAP kð Þ; 8dAD kð

Þ ; pax; pagar; daz uX0 v1; v2X0

>>>>>>>>>>>>>>>>>;

6. Ejemplo numérico Este

ejemplo es voluntariamente simplista y artificial, está construido para demostrar el concepto propuesto.
Aquí, se consideran estrategias de tres niveles de calidad diferentes. Cada estrategia consta de un
proceso de servicio cada uno de una determinada distribución de atributos de calidad d. Las distribuciones son
Machine Translated by Google

evaluación comparativa
de Seis Sigma

1813

Máx . y3;1;1

1; 100l311þ1; 200l412þ1; 000l613þ3; 000l411 1; 100 y

13; 879:1l311þ24; 978:4l412þ29; 787:5l613þ9; 140:2l411 13; 879:1 y p0
40; 972:4 ð 40; 972:4l311þ82; 785:6l412þ50; 014:2l613þ140; 850:3l411 p0
lkpdX0 ; 8k ¼ 3; 4; 6; 8p ¼ 1; d = 1; 2; 3

Caer Precio de venta Costo Costo de rechazo Cantidad Coste total

Triplete de calidad kpd Fkpd skd ckpd rkd qkpd TCkpd
Tabla VI.
Norma-(3) 3141 1 2.699,8 2 50 2000 4.000 1100 13.879,1 Tres estrategias, una
Log-Norma-(4) 6141 2.185,2 3 90 4000 8.000 1200 24.978,4 procesar cada uno con
Exp-(6) 2.478,8 1 63,3 80 5000 10.000 1000 29.787,5 característica diferente
Norma-(4) 50 8000 6.000 3000 9.140,2 distribuciones

0.8

0.7
Exp(6)
0.6

0.5

0.4 norma(3)
Log-Norma(4)

0.3

0.2

norma(4)
0.1
Figura 6.
Frontera de eficiencia
0
de los cuatro
0 0.005 0.01 0.015 0.02 0.025 0.03 0.035
trillizos de calidad
Cantidad/Beneficio
Machine Translated by Google

BIJ por lo tanto, la eficiencia de Norm(3) viene dada por la razón de las longitudes de las líneas desde el
punto de origen tanto a Norm(3) como al punto virtual v.
26,6
Se obtendrán cuatro modelos de optimización para resolver todas las eficiencias. Con el software PIM, el
Las siguientes eficiencias se encuentran en la Figura 7.
Las variables duales proporcionan una información interesante. Cada DMU tiene una
ÿ. De hecho, las unidades eficientes de ÿ son siempre “0”, mientras que para aquellas ineficientes, ÿs se asemejan a las
fracciones de unidades eficientes que pueden producir una salida equivalente. La Tabla VII muestra los valores de ÿ
1814
para esta instancia. Considere la estrategia de Norm(3), aquí, el 49.4 por ciento de la entrada en
Log-Norm(4) y el 16,9 por ciento de Norm(4) dan como resultado ganancias tanto como Norm(3). Esto significa,
el capital invertido en Norm(3) puede producir más si la cantidad ha sido invertida en Norm(4)
o Log-Norma(4). Esto también se aplica a las cantidades procesadas, donde menos cantidades en
Log-Norm(4) o Norm(4) generan mayores ganancias. Asimismo, Exp(6) logra el 83,3 por ciento del
rendimiento de Log-Norm(4).
Para este caso, los costos, ingresos y ganancias totales se dan en la Tabla VIII. Claramente,
Norm(4) presenta la ganancia más alta por unidad de costo de entrada, mientras que Log-Norm(4) presenta la
mayor beneficio por transacción.

100 100
100

80 72.5

63.32

60

40

20

Figura 7.
Eficiencia de
las cuatro DMU 0
norma(3) Norma(4) Exp(6) Log-Norma(4)

Modelo Log-Norma(4) norma(4)

norma (3) 0,494 0.169

Log-Norma (4) 1 0
EXP (6) 0,833 0
norma (4) 0 1
Tabla VII.
Las variables duales Nota: Cada fila pertenece a un modelo

Plan Cantidad Costo Ganancia

norma (3) 1100 13.879,10268 40.972,4

Log-Norma (4) 1200 24.978,37126 82.785,6
Tabla VIII. EXP (6) 1000 29.787,52177 50.014,2
Costos y ganancias norma 4 3000 9.140,164706 140.850,3
Machine Translated by Google

Un modelo CCR solo compara unidades ineficientes, mientras que las eficientes mantienen la misma puntuación del
Evaluación
100 por ciento. Para diferenciar entre unidades eficientes, se puede aplicar un modelo de supereficiencia en el que
comparativa de Six Sigm
la DMU que se evalúa se elimina del conjunto de restricciones, lo que permite que su puntaje de eficiencia supere el
valor del 100 por ciento. Al aplicar la supereficiencia en el ejemplo anterior, se obtendrán las siguientes eficiencias.

La Figura 8 muestra que Norm(4) es una estrategia excepcionalmente superior en comparación con Log-normal.
De hecho, este resultado se ajusta a las ganancias estimadas en la Tabla VIII.
1815
7. DEA de Six Sigma en operadores de telecomunicaciones
Recientemente, la industria de las telecomunicaciones, al igual que muchas otras industrias de servicios, ha ido
recurriendo cada vez más a Six Sigma como un enfoque de mejora de procesos. Sin embargo, el concepto de
clasificar los servicios no conformes es diferente. En general, un servicio/transacción no conforme es aquel que no
logra un objetivo previsto. Por ejemplo, el tiempo de espera hasta que el operador atiende la llamada en el servicio
al cliente puede ser más largo que el tiempo objetivo tolerado, por lo que se detecta un servicio no conforme. Se ha
dedicado poca investigación a la aplicación Six Sigma en la industria de las telecomunicaciones. En consecuencia,
en esta sección se considera un estudio de caso del sector de las telecomunicaciones. Para probar los méritos del
modelo propuesto, elegimos una empresa de telecomunicaciones realista en Kuwait (los autores están obligados a
mantener el anonimato del nombre de la empresa debido a preocupaciones de privacidad preestablecidas). La
compañía se encuentra en fase de preparación de nuevas ofertas (llamadas telefónicas y datos) para el mes sagrado
del Ramadán en Kuwait. Las ofertas están limitadas a un período de tiempo de un año. Los departamentos de
ventas y marketing han tenido problemas con los planes anteriores que ofreció la empresa debido a los resultados
inesperados en las ventas y los ingresos; sin embargo, lograron mantener sus ofertas existentes hasta el vencimiento
al mantener márgenes de éxito estrechos pero decepcionantes. Además, los comentarios de los clientes tampoco
revelaron una satisfacción agradable. Por esta razón, la empresa está solicitando diferentes planes para un mayor
análisis, en particular, resaltó su interés en utilizar la iniciativa de Six Sigma para comparar sus estrategias para el
próximo año.

Los autores de esta propuesta ofrecieron voluntariamente la aplicación del modelo propuesto sobre los planes
sugeridos en un intento de evaluar las diferentes estrategias propuestas. Los gerentes de ventas y marketing de la
empresa esperaban comparar un conjunto de planes estratégicos de acuerdo con algunas estimaciones preliminares.

Actualmente, la empresa está considerando tres perspectivas estratégicas principales, en particular, promociones
basadas en la duración de la llamada, promociones basadas en la cantidad de llamadas y promociones de uso de
datos e Internet. Los planes de llamadas telefónicas dependen principalmente de dos distribuciones, la

500 464.96

450

400

350

300

250

200
140.83
150

100 63.32 72.5

50 Figura 8.
Resultados de
0 súper eficiencia
norma(3) Log-Norma(4) Exp(6) norma(4)
Machine Translated by Google

BIJ duración de la llamada y el número medio de llamadas por cliente en un día laborable. Datos anteriores
los estudios en la empresa muestran que la duración de la llamada de alguna clase de suscriptores se estima
26,6
por Log-Norm(1.023, 0.465) resultando en un promedio de 3.10 min y una desviación estándar
ÿ = 1,524. Aunque pueden existir otras distribuciones para diferentes clases de clientes,
la empresa está considerando esta instancia para sus planes de esta temporada. La Figura 9 representa
la distribución.
Las primeras tres ofertas emplean los descuentos de duración de la llamada, donde la persona que llama obtiene gratis
1816
tiempo de llamada ilimitado después de los primeros x minutos, llamado plan x-plus. Por ejemplo, plan 3-plus
da minutos gratis en cualquier llamada a partir del tercer minuto, mientras que el suscriptor tiene que pagar sólo por
los primeros 3 minutos independientemente de la duración de sus llamadas. La tarifa regular es 0.065KD/minuto (Uno
Dinar kuwaití equivale a $ 3.294 en el momento del estudio). Los candidatos: 3-plus, 6-plus
y los planes 12-plus deben ser considerados. La empresa estima que la operación,
costos de publicidad y promoción de cada plan como se indica en la Tabla IX. Tenga en cuenta que los costos son
incurrido una vez durante un período de un año donde no se considera el valor del dinero en el tiempo. Desde
desde el punto de vista de las ganancias, la compañía cree que las llamadas que se extienden más allá de su x-plus
minutos cuestan el 80 por ciento de su precio de venta, debido a las estadísticas que revelan que los clientes
los que superan su umbral x-plus permanecen mucho más tiempo en la llamada. Las llamadas que superan los x minutos
más no logran los beneficios de la empresa de hacer llamadas cortas. Dicho esto, tales llamadas
se consideran no conformes con respecto a las empresas objetivo establecidas. por lo dado
tasa, los precios de venta son 0.195, 0.39 y 0.78 KD para los tres planes, respectivamente. Por
mapeando los planes al k-ésimo nivel de calidad, nos damos cuenta de que 3-plus es equivalente a 1ÿ, 6-plus a
2ÿ y 12-plus a 3ÿ niveles de calidad (considerando aquí los niveles de calidad enteros). Cuadro IX
presenta los datos de los tres planes. El número esperado de llamadas de los anticipados
suscriptores de las tres ofertas se muestra en la tabla. Tenga en cuenta que, la baja población en Kuwait
añade una carga a este negocio debido al número relativamente bajo de suscriptores anticipados en
los planes ofrecidos.
Las estrategias basadas en el número de llamadas manejan ofertas que abordan el número de llamadas por día.
Hay dos ofertas disponibles en esta categoría, la primera ofrece un número ilimitado de minutos después
las tres primeras llamadas, llamadas (3 por 3) mientras que la segunda da minutos ilimitados después de la primera
cuatro llamadas (llamadas 4 por 4). Los clientes pagan una tarifa plana de 0,065/minuto para las primeras llamadas x-by-x.

0.4
0.35
0.3
0.25
0.2
0.15
0.1
0.05
Figura 9.
La distribución del tiempo 0
de duración de la llamada
0 1 2 345 6 7 8 9 10 11 12
Duración de la llamada (mín.)

Despliegue Esperado precio de venta/llamada Costo de llamadas que exceden Calidad

plan x-plus costo (USD) llamadas/día (KD) x-más (KD) nivel k

Tabla IX. 3 45.000 4.000 0,065×3 ¼ 0,195 0,8×0,195 ¼ 0,156 1

Datos estimados de llamada 6 75.000 2.000 0,39 0,78 0,312 0,624 2
planes de duracion 12 80.000 400 3
Machine Translated by Google

Además, los clientes que llamen más que su límite x-by-x le costarán a la compañía el 90 por ciento de evaluación comparativa
el precio de venta El número anticipado de llamadas diarias de cada plan se muestra en la Tabla X. El de Seis Sigma
La distribución del número medio de llamadas por cliente al día tiende a seguir el modelo central.
teorema del límite que se estima mediante una distribución normal de Norma (1.975, 0.504), por lo tanto, el
el primer plan se asemeja a procesos de 2ÿ y el segundo de 4ÿ (Figura 10).
Las dos últimas ofertas promocionan Gigabytes de datos e internet. La primera oferta llamada 1G-plus,
donde el suscriptor obtiene datos gratis después del consumo de un Gigabyte prepago 1817
todos los días. El precio de venta de este plan es de 10KD/mes. Suscriptores que superan este límite
costar a la empresa el 150 por ciento del precio de venta de cada gigabyte (en este caso, un suscriptor
quien se beneficia de los gigas gratuitos se considera sin valor para la empresa). Él
el consumo de datos estimado de la empresa en gigabytes/día viene dado por una exponencial
ÿ1.993x
distribución de f(x) ¼ e con una previsión de abonados de 3.000.
Un plan similar llamado 40G-plus ofrece gigabytes mensuales, donde los suscriptores obtienen gratis
bytes adicionales sobre el consumo de 40 gigas/mes. Sin embargo, los precios son poco
más alto aquí. El precio de venta de este plan es de 20KD/mes y el costo del uso excesivo (más allá
30 gigabytes) se estima en el 75 por ciento del precio de venta. Datos históricos de uso de internet
revelan que la distribución de gigas consumidos/cliente/mes es Norma (25.021, 4.898).
El número previsto de suscriptores es de 4.000 clientes. Tenga en cuenta que el primer plan corresponde
al nivel de calidad 1ÿ y el segundo al nivel de calidad 3ÿ en esta categoría (Tabla XI).
Una vez presentados los diferentes planes estratégicos y sus ofertas específicas, la propuesta
Se aplicará el modelo DEA para comparar las diferentes opciones. La Tabla XII presenta una

Despliegue Esperado precio de venta/llamada Costo de llamadas que exceden Calidad

plan x-por-x costo (USD) llamadas/día (KD) x-por-x (KD) nivel de satisfacción k Tabla X.
Datos de planes basados
3 por 3 40.000 1,500 0,065×3 ¼ 0,195 0,9×0,195 ¼ 0,1755 2 sobre el número de

4 por 4 55.000 2,000 0,065×4 ¼ 0,260 0,9×0,26 ¼ 0,234 4 llamadas por dia

0.9
calidad
nivel
de
4 calidad
nivel
de
2 0.8
0.7
0.6
porplano
por
3
plano
4
0.5
0.4
0.3
0.2
0.1 Figura 10.
La distribucion de la
0
número de llamadas por
0 0.5 1 1.5 2 2.5 3 3.5 4
cliente por dia
Nº de Llamadas/día

Calidad
Despliegue Esperado Precio de venta Costo de giga adicional nivel de satisfacción
Plan costo (USD) usuarios/día (KD)/mes bytes/usuario (KD) k
Tabla XI.
1G-más 150.000 3.000 10 10/30×1,5 ¼ 0,5 1 estimaciones de los dos
40G-más 500.000 4.000 20 20/30×0,75 ¼ 0,5 3 planes de internet y datos
Machine Translated by Google

BIJ Caer Venta Costo Rechazo Cantidad Coste total

Plan Fkpd precio sk,d ck, p, d qkd TCk,p,d
26,6 Estrategia Promoción. Dist. kpd costo rk,d

Llamadas telefónicas x+
Más de 3 LogNorm 1 1 2 434.171,8 0,195 45.000 Más de 6 0,156 4.000 197.133,82
LogNorm 2 1 2 47.202,6 0,39 75.000 LogNorm 3 80.000
1 2 5.323,9 0,78 0,312 2.000 85.750,86
12- 0,624 400 80.485,03
más
1818 x-por-x
3 por 3 Norma 2 2 1 45.500 4 por 4 Norma 0,195 40.000 0,1755 0,26 1.500 44.371,92
4 2 1 63,3425 55.000 0,234 2.000 55.010,82
Gigabytes G+
1G Exp 1 1 3 135,335 1/3 150.000 0.5 3.000 224.095,91
Más
Tabla XII. 40G Norma 3 1 1 2.699,8 2/3 500,000 0.5 4.000 501.970,85
datos de telecomunicaciones Más
planes estrategicos Nota: Los precios y costos en KD y la caída en ppm

resumen de los datos para las tres vistas estratégicas, donde Norm, Log-norm y exponencial
las distribuciones están indexadas por d = 1, 2, 3, respectivamente. Como hay siete calidades diferentes
trillizos, se obtendrán siete modelos de optimización lineal. El software PIM se ha utilizado para
calcular las eficiencias de todas las unidades. La Figura 11 muestra las eficiencias encontradas.
La primera fase del análisis de eficiencia muestra que los planes 6-plus, 4-by-4 y 40G-plus
son los más eficientes. En particular, para las llamadas telefónicas, configurando los minutos libres más allá de 6 min.
la duración de la llamada es la mejor entre los planes estratégicos del tipo de duración de la llamada. Para esos
abordar el número de llamadas/día, 4 por 4 sería lo más eficiente, si los suscriptores obtienen
los minutos ilimitados después de la cuarta llamada. De igual forma, para datos e internet, empleando 40G
El plan sería más eficiente que el plan 1G. Con este hallazgo, la empresa puede destacar la
mejores opciones disponibles en términos de rendimientos más altos, costos más bajos y el menor número de
cantidades adquiridas. La Figura 12 muestra una demostración visual de los resultados. Claramente, el
las unidades de servicio que caen en la frontera inferior se asemejan a las eficientes.
Para desempatar los planes eficientes entre las tres visiones estratégicas presentadas, el
Se utiliza el modelo de supereficiencia. Los resultados de la súper eficiencia se muestran en la Figura 13.
Los resultados de súper eficiencia muestran que la oferta de datos 40G es la mejor entre las otras eficientes
planes El siguiente plan que viene en segundo lugar es el 6-plus en el que el cliente se lleva gratis
minutos después del sexto minuto. El tercero es el 4 por 4 en el que el cliente obtiene ilimitado
minutos en la quinta llamada. Aunque las unidades eficientes no significan necesariamente mayores ganancias,
sin embargo, los tres planes eficientes resultan tener la mayor ganancia en este estudio como se muestra
en la Tabla XIII.

Nombre Eficiencia
3-más 0,63

6-Más 100 100%

12-Más 69.95 70%

3 por 3 54.16 54%

Figura 11.
Las eficiencias de la
4 por 4 100 100%
estrategia diferente
planes usando el 1G-más 29.86 30%
modelo CCR
40G-más 100 100%
Machine Translated by Google

12 y más 1G-más evaluación comparativa

2.5
de Seis Sigma

1819
1.5
Beneficio
Costo/

40G-más

1
3 por 3

6 y más
4 por 4
0.5

0
0 2 4 6 8 10 12
Figura 12.
Cantidad/Beneficio Frontera de eficiencia de
los diferentes planes
Nota: El plano de 2 por 2 no se muestra porque se encuentra en la esquina superior derecha de la figura.

140
123.35 126.34

120 113.25

100

80 69.95

54.16
60

40 29.86

20
0,63
0 más
3- ymás
6 por
3 por
4

Figura 13.
ymás
12
más
1G-

40G-
más

Súper eficiencia de la
diferentes planes

Estrategia Plan Promoción. Beneficio (KD)

Llamadas telefónicas x+
3-más 1.653,2
6-más 185.510,6
12-más 32.788,7
x-por-x
3 por 3 57.532,9
5 por 5 134.777,2
Gigabytes G+ Cuadro XIII.
1G-Plus 91.506,8 Beneficios estimados de
40G-Plus 468.733,7 los diferentes planes
Machine Translated by Google

BJ Con este fin, se estableció un enfoque para calcular las consecuencias de Six Sigma de los atributos que se
encuentran en los servicios. Se utilizó un conjunto de planes estratégicos ofrecidos por un operador de
26,6
telecomunicaciones para la prueba y validación. El modelo de optimización DEA se empleó para comparar las
diferentes estrategias, donde los resultados mostraron que los esfuerzos de mejora en algunos servicios pueden
no producir necesariamente la mejor eficiencia en los niveles de calidad seleccionados.

1820 8. Conclusiones El
objetivo principal de incorporar Six Sigma es minimizar la variación, reduciendo así las no conformidades en el
rendimiento de un proceso de producción o servicio. El rendimiento de Six Sigma se puede medir por los niveles
de calidad alcanzados, la productividad, la satisfacción del cliente y de las partes interesadas, etc. Como la
aplicación de Six Sigma en el sector manufacturero está cada vez más establecida, el enfoque de este estudio
se dirigió hacia los servicios.
Las no conformidades en los servicios resultan principalmente del nivel de satisfacción de lograr los objetivos
de los servicios previstos. Sin embargo, es posible que las características de calidad de los servicios no siempre
sigan el supuesto de normalidad; por lo tanto, los autores concibieron un análisis de los servicios que siguen
distribuciones sesgadas, como las distribuciones Log-normal, Exponencial, Gamma o Weibull, donde se
calcularon las consecuencias de Six Sigma. Se encontró que las cantidades de variaciones y, por lo tanto, las
caídas son diferentes en los mismos niveles de calidad, por lo tanto, se pueden dedicar menos esfuerzos para
lograr un mayor rendimiento en algunos servicios de niveles de baja calidad en comparación con la cantidad de
esfuerzo incorporado para lograr el mismo mejora en los demás. Esta conclusión fue evidente en diferentes
planes estratégicos en nuevos servicios introducidos en un estudio de caso de telecomunicaciones.
Los diferentes niveles de satisfacción con la calidad demuestran una variedad de resultados de desempeño.
Por lo general, el desempeño de un plan se mide por el conjunto de entradas y salidas que incluyen los
componentes de costo, las cantidades procesadas, el número de suscriptores, las ganancias, las consecuencias,
etc. Se encontró que el mismo nivel de calidad Six Sigma produce un desempeño diferente en diversos
servicios, por lo tanto, una implementación exitosa de un plan Six Sigma en servicios no significa necesariamente
considerar solo servicios de niveles bajos de sigma. Por esta razón, se construye un DEA para comparar
diferentes estrategias. Cada plan estratégico se trata como una DMU que requiere ciertas cantidades de
insumos. Para el mismo nivel de satisfacción de Six Sigma, algunos planes estratégicos demostraron una
eficiencia significativa entre sus pares, donde se utilizó el modelo de súper eficiencia para romper los lazos
entre pares de eficiencias similares. También se demostró que algunos niveles de calidad moderados pueden
demostrar una mayor mejora en comparación con niveles de satisfacción de calidad más altos y viceversa.

El modelo se aplicó a los servicios introducidos por una empresa de telecomunicaciones en Kuwait.
Se estudiaron siete servicios diferentes, cada uno de los cuales pertenece a un paraguas estratégico de un
determinado nivel de calidad. Las características de calidad de los servicios siguieron diferentes distribuciones
simétricas y sesgadas. Las tasas de caída se calcularon para cada atributo de servicio que también se empleó
en DEA junto con otros componentes de costos y ganancias para comparar las diferentes estrategias. Los
resultados demostraron una mayor comprensión de la evaluación de los proyectos Six Sigma al presentar una
evaluación distinta de los tripletes de calidad del estudio de caso presentado. El enfoque de consecuencias
propuesto de distribuciones sesgadas y el modelo de optimización pueden servir como herramientas adicionales
de evaluación comparativa de Six Sigma en servicios de características de calidad no normales.

Referencias

Ahmad, S., Abdollahian, M. y Zeefungsecul, P. (2008), "Cálculos de capacidad de proceso para

características de calidad no normales: una comparación de los métodos de Clements, Burr y Box-
Cox", ANZIAM Journal, vol. 49, págs. 642-665.
Anchanga, P. (2006), “Factor crítico de éxito para la implementación lean dentro de las PYMES”, Journal of
Manufacturing Technology Management, vol. 17 núm. 4, págs. 460-471.
Machine Translated by Google

Antony, J. (2006), “Six-sigma para procesos de servicio”, Business Process Management Journal, vol. 12 núm. 2, págs.
Evaluación
234-248.
comparativa de Six Sigm
Antony, J., Antony, FJ, Kumar, M. y Cho, BR (2007), “Six-sigma en organizaciones de servicios: beneficios, desafíos y
dificultades, mitos comunes, observaciones empíricas y factores de éxito”, International Journal of Quality & Gestión
de la confiabilidad, vol. 24 núm. 3, págs. 294-311.

Atmaca, E. y Girenes, S. (2009), “Literatür Araÿtÿrmasÿ: Altÿ Sigma Metodolojisi”, Süleyman Demirel
Üniversitesi ÿÿBF Dergisi, C.14 S.3s, págs. 111-126.
1821
Biolos, J. (2002), “Six-sigma cumple con la economía de servicios”, Harvard Management Update, vol. 11, págs. 3-5.

Campos, LMS (2013), “Fabricación ajustada y Six-sigma basado en el modelo brasileño 'PNQ': una herramienta de gestión
integrada”, International Journal of Lean Six-Sigma, vol. 4 No. 4, págs. 355-369, doi: 10.1108/IJLSS-08-2012-0007.

Chakraborty, A. y Chuan, TK (2013), “Un análisis empírico sobre la implementación de Six-sigma en organizaciones de
servicios”, International Journal of Lean Six-sigma, vol. 4 núm. 2, págs. 141-170.

Chakrabarty, T. y Tan, KC (2007), “El estado actual de la aplicación de seis sigma en los servicios”,
Gestión de la calidad del servicio, vol. 17 núm. 2, págs. 194-208.

Cook, WD, Tone, K. y Zhu, J. (2014), “Análisis envolvente de datos: antes de elegir un modelo”,
OMEGA, vol. 44 núm. 4, págs. 1-4.

Cooper William, W. y Seiford, LM (2011), Handbook on Data Envelopment Analysis, 2011th ed.,
Springer Science & Business Media, Alicante.

Daniela Santana, LM and Carvalho, MM (2016), “Factores críticos de éxito para proyectos Six-sigma”, International Journal
of Project Management, vol. 34 núm. 8, págs. 1505-1518.

Ding, J. (2004), “Un método para estimar el índice de capacidad del proceso desde los primeros momentos de datos no
normales”, Quality and Reliability Engineering International, vol. 20 nº 8, págs. 787-805.

Emrouznejad, A. y Marra, M. (2014), “Operadores promedio ponderados ordenados 1988–2014: una encuesta bibliográfica
basada en citas”, International Journal of Intelligent Systems, vol. 29 núm. 11, págs. 994-1014.

Emrouznejad, A. y Tavana, M. (2013), Performance Measurement with Fuzzy Data Envelopment Analysis, 2013.ª ed.,
Springer, Berlín.

Fischman, D. (2010), “Aplicación de metodologías Lean Six-sigma para mejorar la eficiencia, la puntualidad de la atención
y la calidad de la atención en una clínica de residencia de medicina interna”, Quality Management in Health Care,
vol. 19 núm. 3, págs. 201-210.

Geoff, T. (2001), Six-sigma: SPC y TQM en manufactura y servicios, Gower Publishing, Hampshire.

Hensley, RL y Dobie, K. (2005), “Evaluación de la preparación para seis sigma en un entorno de servicio”, Gestión de la
calidad del servicio, vol. 15 núm. 1, págs. 82-101.

Hsieh, Y.-J., Huang, L.-Y. y Wang, C.-T. (2012), “Un marco para la selección de proyectos Six-sigma en servicios: estudios
de casos de servicios bancarios y de atención médica en Taiwán”, Service Business, vol. 6 núm. 2, págs. 243-264.

Hsu, YC, Pearn, WL y Wu, PC (2008), “Ajuste de capacidad para procesos gamma con consideración de cambio medio en
la implementación del programa Six-sigma”, European Journal of Operational Research, vol. 191 núm. 2, págs.
517-529.

Jéssica, GDF, Costa, HG y Ferraz, FT (2017), “Impactos de Lean Six-sigma sobre la sustentabilidad organizacional: un
estudio de encuesta”, Journal of Cleaner Production, vol. 156 núm. 7, págs. 262-275.

Kornfeld, B. y Kara, S. (2013), “Selección de proyectos Lean y Six-sigma en la industria”, International

Diario de Lean Six-sigma, vol. 4 N° 1, págs. 4-16.

Kumar, M., Antony, J., Madu, CN, Montgomery, DC y Park, SH (2008), “Desmitificación de los mitos comunes de Six-
sigma”, International Journal of Quality & Reliability Management, vol. 25 núm. 8, págs. 878-895.

Laureani, A. y Antony, J. (2012), “Factores críticos de éxito para la implementación efectiva de Lean Sigma: resultados de
un estudio empírico y agenda para futuras investigaciones”, International Journal of Lean Six-sigma, vol. 3 núm. 4,
págs. 274-283.
Machine Translated by Google

BJ Lee-Mortimer, A. (2006), “Six-sigma: un enfoque de mejora vital aplicado al problema correcto en el

entorno adecuado”, Automatización de montaje, vol. 26 núm. 1, págs. 10-17.
26,6
Lertwattanapongchai, S. y William Swierczek, F. (2014), “Evaluación del proceso de cambio de Lean Six-sigma: un
análisis de caso”, International Journal of Lean Six-sigma, vol. 5 núm. 4, págs. 423-443.
Lim, S. y Zhu, J. (2016), “Una nota sobre el modelo DEA de red de dos etapas: proyección de frontera y dualidad”,
European Journal of Operational Research, vol. 248 núm. 1, págs. 342-346.
1822 Mason, SE, Nicolay, CR y Darzi, A. (2015), “El uso de metodologías Lean y Six-sigma en cirugía: una revisión
sistemática”, The Surgeon, vol. 13 núm. 2, págs. 91-100.
Meza, D. y Jeong, K.-Y. (2013), “Medición de la eficiencia de la implementación del proyecto Lean Six-sigma mediante
el análisis envolvente de datos en la NASA”, Journal of Industrial Engineering and Management, vol. 6 N° 2,
págs. 401-422.
Montgomery, D. y Runger, G. (2011), Estadística aplicada y probabilidad para ingenieros, 5.ª ed.,
John Wiley & Sons, Arizona.
Morgan, S. y Jacobs, BW (2012), “Adopción de Six-sigma: impactos en el rendimiento operativo y factores contextuales
del éxito”, Journal of Operations Management, vol. 30 núm. 6, págs. 437-453.
Pan, JN, Kuo, TC y Bretholt, A. (2010), “Desarrollo de un nuevo índice de rendimiento clave para medir la calidad del
servicio”, Sistemas de datos y gestión industrial, vol. 110 núm. 6, págs. 823-840.
Patton, F. (2005), "¿Funciona Six Sigma en las industrias de servicios?", Quality Progress, vol. 38 núm. 9, págs. 55-60.
Salah, S., Rahim, A. y Carretero, J. (2010), “La integración de Six-sigma y Lean management”,
Revista internacional de Lean Six-sigma, vol. 1 núm. 3, págs. 249-274.
Seong-Jong, J., Nixon, D. y Philipp, A. (2011), “Stoeberl, Benchmarking with data envelopment analysis: a return on
asset perspectiva”, Benchmarking: An International Journal, vol. 18 núm. 4, págs. 529-554.
Sharma, U. (2003), “Implementación de principios Lean con la ventaja Six-sigma: cómo una empresa de baterías logró
mejoras significativas”, Journal of Organizational Excellence, vol. 22 núm. 3, págs. 43-52.
Thomas, A., Barton, R. y Chuke-Okafor, C. (2009), “Aplicación de seis sigma esbelto en una pequeña empresa de
ingeniería: un modelo para el cambio”, Journal of Manufacturing Technology Management, vol. 20 N° 1, págs.
113-129.
Vännman, K. y Albing, M. (2007), “Índices de capacidad de proceso para intervalos de especificación unilaterales y
distribuciones sesgadas”, Quality and Reliability Engineering International, vol. 23 núm. 6, págs. 755-765.
Zhu, J. (2014a), Análisis envolvente de datos: Deje que los datos hablen por sí mismos, 2014.ª ed., Plataforma de
publicación independiente CreateSpace, MA.
Zhu, J. (2014b), Modelos cuantitativos para la evaluación del rendimiento y la evaluación comparativa: análisis
envolvente de datos con hojas de cálculo, edición de 2014, Springer International Publishing.
Zhu, J. (2015), Análisis envolvente de datos: manual de modelos y métodos, edición de 2015, Springer.

Lecturas adicionales
Emrouznejad, A. y Podinovski, V. (2004), Data Envelopment Analysis and Performance Management, 2004th ed.,
Springer, Birmingham.
Hilmi, Y. (2012), “Evaluación del éxito de proyectos Six-sigma mediante análisis envolvente de datos”, International
Journal of Business and Management, vol. 7 núm. 13, págs. 75-84.
Maleyeff, J., Arnheiter, EA y Venkateswaran, V. (2012), “La evolución continua de Lean Six-sigma”, The TQM Journal,
vol. 24 núm. 6, págs. 542-555.

Se puede contactar a la
autora correspondiente Doraid Dalalah en: doraid@just.edu.jo

Para obtener instrucciones sobre cómo solicitar reimpresiones de este artículo, visite nuestro
sitio web: www.emeraldgrouppublishing.com/licensing/reprints.htm O comuníquese con
nosotros para obtener más detalles: permisos@emeraldinsight.com