LECTURA 1: An inventory model for fish marketing under uncertain

lockdown situation and normal backordering situation

Resumen

Propósito: esta investigación se formuló para obtener la cantidad óptima ordenada y el rango de
inventario óptimo de productos pesqueros en las siguientes condiciones: (1) pedidos pendientes
completos (bloqueo) y (2) pedidos pendientes parciales (mercado geográfico normal). En ambos
casos, debido a la naturaleza del deterioro y en situación de cuarentena, algunos vendedores no
pueden satisfacer a los clientes (minoristas). Por lo que en este modelo se introduce el costo de
penalización en tiempo de cuarentena para obtener el costo total óptimo.

Diseño/metodología/enfoque: para encontrar el costo total, se deben considerar los costos de

almacenamiento, los costos de escasez y los costos de deterioro. Hay tantas desventajas en
mantener los productos alimenticios deteriorados. Debido a la demanda y el deterioro, se
determina el costo de mantenimiento de los productos pesqueros. Se explica la cadena de
suministro del proceso de comercialización de pescado para encontrar el costo total óptimo y la
cantidad óptima de pedido pendiente en las dos situaciones, a saber, (1) pedido pendiente normal
y (2) período de cuarentena.

Hallazgos: la conclusión de esta investigación se exhibe para la situación de bloqueo incierta y los
mercados geográficos normales. Pero en ambos casos, la función de demanda depende de la
cantidad del pedido pendiente. El costo total esperado de los minoristas de productos pesqueros
aumentó en el menor rango posible con el aumento en el parámetro de escasez, costo de
penalización y varianza. Pero el cambio en el valor medio conduce a una disminución en la cantidad
de pedidos pendientes, el nivel de inventario y el costo total anual de los minoristas. Este análisis
contribuye al servicio de la cadena de suministro de mayorista a minorista en alto nivel.

Limitaciones/implicaciones de la investigación: los productos pesqueros son muy esenciales para la

alimentación y la expansión económica en la India. Este estudio ha destacado el método eficiente
para reducir el costo total de los minoristas de comercialización de pescado. El costo del deterioro
del pescado es alto debido a su naturaleza perecedera. Debido a la situación de bloqueo, el costo
de mantenimiento de los productos pesqueros depende de la cantidad de pedidos pendientes del
mercado geográfico de pescado. Implicaciones prácticas: esta investigación se formuló para obtener
la cantidad óptima ordenada y el rango de inventario óptimo de productos pesqueros en las
siguientes condiciones: (1) pedidos pendientes completos (bloqueo) y (2) pedidos pendientes
parciales (mercado geográfico normal).
Implicaciones sociales: debido a la situación de bloqueo, el costo de mantenimiento de los
productos pesqueros depende de la cantidad de pedidos pendientes del mercado geográfico de
pescado. Esta investigación se formuló para obtener la cantidad ordenada óptima y el rango de
inventario óptimo de productos pesqueros.

Originalidad/valor: esta investigación se formuló para obtener la cantidad óptima ordenada y el

rango de inventario óptimo de productos pesqueros en las siguientes condiciones: (1) pedidos
pendientes completos (bloqueo) y (2) pedidos pendientes parciales (mercado geográfico normal).
En ambos casos, debido a la naturaleza del deterioro y en situación de cuarentena, algunos
vendedores no pueden satisfacer a los clientes (minoristas). Por lo que en este modelo se introduce
el costo de penalización en tiempo de cuarentena para obtener el costo total óptimo. Se llevan a
cabo algunos análisis de sensibilidad para la tasa de deterioro, el parámetro de escasez y el costo de
la penalización para indicar la existencia de un costo total en el rango más bajo posible.

Palabras clave Gestión pesquera, Confinamiento, Mercado geográfico, EOQ, Gestión de inventario,
Costo total óptimo

Tipo de papel Trabajo de investigación

Introducción

La gestión de inventario juega un papel muy importante en la industria alimentaria, y es uno de los
procesos eficientes para evitar que los residuos perecederos se vayan antes de que lleguen al
almacén o al clientes en el proceso de la cadena de suministro. Además, esto tiene un papel
importante con el aumento de la población y las demandas que llegan a la etapa en la que se deben
almacenar los suministros para satisfacer las necesidades. El pescado y los productos pesqueros son
los materiales más necesarios para el desarrollo alimentario y el desarrollo económico. India es el
segundo país productor de pescado más grande del mundo.

La mayoría de las industrias alimentarias enfrentan pérdidas debido a que los alimentos se
desperdician en la etapa anterior y también debido a razones como el clima, el transporte, el mal
manejo de la comida, etc. Por lo tanto, se debe encontrar la forma óptima de almacenar la comida.

Babalola et al. (2015) derivaron el concepto de costos totales de marketing en todos los aspectos
como proveedor, comprador, minorista y cliente. Finalmente, derivaron la comercialización
uniforme para el pescado y operaciones de regulación de la comercialización del pescado. Nataraja
et al. (2014) discutió el pescado marketing en el distrito de Ernakulam en Kerala y analizó
brevemente los canales de marketing en diferentes lugares. Analizaron los ingresos anuales de
comisionistas, minoristas y mujeres vendedoras de diferentes rubros. Yadav (2014) estableció la
gestión de la cadena de suministro de proveedor → minorista → cliente. En este documento,
discutieron el proceso de conservación de los productos en descomposición para reducir la tasa de
deterioro. Este modelo es totalmente rentable para los minoristas porque los minoristas obtienen
el crédito comercial completo de los proveedores.

Balasubramanian et al. (2008) mostró el potencial de la educación sobre la comercialización del

pescado y la inestabilidad en el precio de compra: las principales limitaciones que afectan la
comercialización y el precio del pescado. estabilidad. Lorenzen et al. (2016) recopilaron los datos de
evaluación de stock de pesquerías administración. Se concentraron principalmente en indicadores
y modelado de ecosistemas de un solo y peces multiespecies mediante la recopilación de muchos
datos de muestreo de la gestión de la pesca continental ciclos Payra et al. (2016) discutieron la
producción y la comercialización de productos pesqueros que investigar para la producción,
especies de peces, costo de mantenimiento, fuentes de pescado crudo, precio de venta de pescado
seco, las funciones de coste implicadas en la venta y producción de productos pesqueros.
Finalmente, ellos concluyó que el pescado seco es más rentable que los productos de pescado fresco
en Occidente costa de bengala.

Rajasekaran et al. (2018) consideró un Algoritmo Genético Genético Modificado (MGGA) modelo de
cadena de suministro para determinar el nivel de stock perfecto y revisar el tiempo con pérdida de
ventas.

Destacaron los parámetros de inventario para un horizonte de tiempo más largo. Johari et al. (2017)
investigó la cadena de suministro del fabricante minorista con centralizados y descentralizados
modelos con descuento de calidad. El modo descentralizado mejora el beneficio de ambos
fabricante y minoristas junto con el poder de negociación. Hosseini-Motlagh et al.

(2019) propusieron un problema de coordinación bajo un escenario basado en el estocástico

Corporate La demanda sensible a la Responsabilidad Social (RSE) que enfrentan los minoristas. la
propuesta contrato de precio mayorista de dos niveles ajustable tenía la capacidad de coordinar los
tres escalones SC bajo alta incertidumbre de demanda. Cheng y Ding (2020) explicaron la
responsabilidad social empresarial basada en los cinco escenarios bajo efecto Lag. beneficio de
cadena de suministro disminuyó cuando el tiempo de retraso aumenta. Entonces, intentaron reducir
el tiempo de retraso para aumentar las ganancias en la toma de decisiones de la cadena de
suministro descentralizada.

Nataraja et al. (2020) se ocupó del beneficio neto de la gestión pesquera y el total ingresos de las
sociedades de pescadores, incluido el costo y los ingresos de la pesca. Nobil y 15 años y explicó la
revisión del desempeño de la cadena de suministro de alimentos en diferentes áreas de la India.

Jonkman et al. (2019) concentró principalmente la maximización del margen bruto total y
minimizando el potencial de calentamiento global en CO2 explorado durante el proceso de
producción. Los las incertidumbres en la demanda y el rendimiento de la cosecha de productos
agrícolas se toman en la oferta estocástica modelo de cadena Salas-Navarro et al. (2019) explica el
modelo EPQ para elementos imperfectos y sigue la función de densidad de probabilidad
exponencial. Este documento explica cómo maximizar las ganancias en la cadena de suministro. Das
Roy y Sana (2017) introdujeron un inventario estocástico con oferta de garantía de reparación
gratuita. Este trabajo es para encontrar el tamaño de lote de producción óptimo y se minimiza la
ganancia. Vishnu et al. (2019) investigan los factores de riesgo que intervienen en la gestión de la
cadena de suministro. Se concentraron por completo en el análisis biblométrico y usaron un
software especial para clasificar este papel.

Ganesan et al. (2019) analizó un proceso de cadena de Markov para acceder a las acciones durante
cuatro meses al predecir el valor de cierre del precio de las acciones. Están usando el error
cuadrático medio de la raíz para

predecir el error de tolerancia.

Kuppulakshmi et al. (2021) explicaron el concepto de fabricación de pescado en la costa áreas con
el deterioro de los productos pesqueros y por la demanda predefinida son capaces de minimizar el
costo de producción. En este trabajo de investigación, se considera el modelo EOQ en lugar de EPQ
y se minimiza el mismo costo total en ambos papeles.

(Sugapriya y Jeyaraman, 2008) elaboraron el modelo EPQ con el mismo defectuoso artículos, pero
están proporcionando el precio de descuento para los productos deteriorados. pero en esto papel,
los productos defectuosos se venden por la tarifa mínima. Debido al confinamiento la demanda
surge Para evitar esta situación, la venta perdida también se analiza en este artículo (Ulfah et al.,
2021).

Teniendo en cuenta los datos recopilados en la zona costera de 30 familias para encontrar el
inventario de peces de arrecife abundancia. La base de datos de la investigación de los vendedores
de pescado al por mayor y al por menor en el zona costera de Kasimedu, Chennai, Tamil Nadu.

Basile et al. (2020) recolectó la venta de pescado fresco en la República Democrática del Congo;
ellos compararon los dos mercados para la venta de pescado, y finalmente concluyeron que la venta
es desviado para la exportación y los artículos de pescado restantes se dividen en los dos pescados
restantes mercados. Taleizadeh et al. (2021) explican la situación en la que un solo proveedor se
enfrenta a la desafíos planteados por las distribuciones y esto da como resultado pedidos atrasados
parciales. Este papel proveedor no logra satisfacer la demanda. Por lo tanto, se produce un pedido
pendiente y esta cantidad de pedido pendiente es parcialmente subsanado por el proveedor.

Fatemi Ghomi y Asgarian (2019) dieron el marco de distribución de los deteriorados artículos y
finalmente se concluyó que, esta metodología de investigación es óptima para los pequeños
comerciantes breve encuesta bibliográfica Algunos clientes están impacientes por esperar y
comprar los productos pesqueros de los pescadores debido a Los requisitos no son críticos. Pero
durante el período de veda de pescado, la demanda aumenta en el Areas costeras. Los proveedores
están listos para comprar una gran cantidad de productos pesqueros y almacenarlos a largo plazo.
tiempo. Los vendedores están en condiciones de satisfacer sus necesidades ofreciendo a la venta y
debe ser accesible en el momento adecuado. En alguna situación, los proveedores no logran
satisfacer a los clientes debido a alta demanda en situación de confinamiento. Entonces, dos tipos
de escasez son la escasez de pedidos pendientes y pérdida de venta de productos pesqueros según
este criterio.

valor medio en el rango mínimo posible, el costo total de la función disminuye hasta cierto punto y
luego, de repente, comienza a aumentar al máximo. Pero, en este documento, aumentar el valor
medio (m) da como resultado la rápida disminución del costo total que se muestra en la Figura 5,
este beneficio para el mayorista, incluso en la situación de cuarentena, podría ser una gran
oportunidad para impulsar la comercialización de pescado. su venta en el mercado.

El valor de la varianza aumenta, no hay cambio en Ψ y Ψ0. La tasa de pedidos pendientes aumenta
cuando hay un aumento en la varianza ðvÞ se muestra en la Figura 6. Si bien hay

aumento en el valor de ðvÞ, el nivel de inventario I* también aumenta. El costo total del ciclo se
incrementa en el menor rango posible. Estableciendo el valor numérico de la varianza ðvÞ como (0,
0.03, 0.050, 0.070, 0.090) y manteniendo la tasa de pedido pendiente ðρÞ, el costo de la
penalización ðmÞ y la media (m) como constantes. Los valores de Ψ y ΨL permanecen constantes,
como se muestra en la Tabla 6, pero el nivel de pedido pendiente y el nivel de inventario óptimo
aumentan enormemente a pesar de que el costo total del sistema aumenta en el rango mínimo
posible

Conclusión

La conclusión de esta investigación se exhibe para el período incierto de veda de pescado y los
normales mercados geográficos. Pero en ambos casos, la función de demanda es dependiente con
la cantidad de pedido pendiente. El costo total esperado de los minoristas de productos pesqueros
aumentó al menor rango posible con el aumento en el parámetro de escasez, costo de penalización
y diferencia. Pero el cambio en el valor medio conduce a una disminución en la cantidad de pedidos
pendientes, nivel de inventario y el costo total anual de los minoristas. Este análisis aporta la servicio
de cadena de suministro de mayorista a minorista en alto nivel. El análisis de sensibilidad muestra
que el costo total esperado del modelo EOQ para la comercialización de pescado es óptimo al
encontrarla cantidad de pedido pendiente. Esta demanda probabilística imperfecta para el período
incierto de veda de pescado y el mercado estacional normal es un buen enfoque para encontrar la
cantidad de pedidos pendientes para que tanto los minoristas como los vendedores completos
hagan estrategias conjuntas para rectificar la demanda del mercado. Este modelo propuesto es
válido en la venta de pescado, fabricación de pescado seco, producto de valor agregado de
diferentes artículos de pescado. Este es el buen momento para actuar en este campo porque en un
período incierto de veda de pescado, los pescadores de venta al por mayor y al por menor tienen
varias carencias en la planificación conjunta.

El beneficio nuevo y vital de esta investigación; El modelo EOQ del mercado de pescado considera
que la demanda de productos pesqueros sigue la distribución exponencial, pescado deteriorado
imperfecto productos Al predecir la cantidad de pedidos pendientes, podemos reducir el costo total
del pescado mercados tanto en situación de confinamiento como normal. Determinar la demanda
de productos pesqueros en la incierta situación de confinamiento y el suministro a los minoristas de
pescado de buena calidad para maximizar las ventas.

Este análisis de sensibilidad muestra la proporción de variación en el costo total con la variación de
parámetros. Además, esta investigación se puede desarrollar asumiendo el costo parámetros en
ecuaciones no lineales y en entorno difuso

LECTURA 2: Optimal contribution margin in food service using inventory

control with statistical dependence
RESUMEN

En esta revisión comparamos diferentes modelos estadísticos que optimizan los márgenes de
contribución de empresas de servicios de alimentos que producen raciones de alimentos,
denominadas menús, basadas en materias primas denominadas componentes.

Esta revisión tiene como objetivo comparar el control de inventario de los servicios de alimentación
considerando la demanda aleatoria de los componentes y la estructura de dependencia estadística
respecto a componentes con demanda independiente. La dependencia estadística entre las
demandas de componentes y/o menús se incorpora mediante la distribución gaussiana (o normal)
multivariante, mientras que la demanda independiente de componentes se considera univariada
normal. La optimización de los márgenes de contribución se logra utilizando modelos probabilísticos
para cada inventario de componentes, encontrando políticas óptimas usando un algoritmo de
evolución diferencial. Maximizamos los márgenes medios de contribución en un 18,32% y un 8,34%
utilizando modelos de revisión continua en abarrotes y modelos de uni-período para componentes
perecederos, al comparar resultados con y sin dependencia estadística de la demanda de
componentes, respectivamente. Se discuten las direcciones futuras.
Palabras clave: Dependencia estadística, distribuciones multivariadas, márgenes de contribución,
métodos de optimización, modelos de inventario probabilísticos.

INTRODUCCIÓN

Los servicios colectivos de alimentación se consideran mayoritariamente en el grupo de las

pequeñas y medianas empresas [47]. Muchos de estos servicios chilenos no están optimizando su
suministro de materias primas. Estos materiales forman el surtido del inventario, el cual se divide
en perecederos (como frutas, carnes, verduras) y no perecederos de mayor capacidad de
almacenamiento sujetos a desabastecimiento; ver [14]. La logística de estas materias primas se basa
en la planificación mensual del menú, que se guía por consideraciones nutricionales. Sin embargo,
esta gestión se puede mejorar mediante el uso de políticas de control de inventarios, lo que permite
incrementar los márgenes de contribución (CM) de la empresa; ver [36] y [26] para un estudio de
caso en hoteles. Los CM son las utilidades brutas de una empresa y resumen los movimientos de
ingresos y costos, los cuales pueden ser directos (costo variable) e indirectos (costo absorbente).
Estos márgenes varían en función de las unidades vendidas, los costos unitarios del producto, la
relación entre éstos y los costos totales y costos fijos involucrados; ver [29].

Las políticas de control de inventario reducen la vulnerabilidad de la gestión de la cadena de

suministro en las empresas. La reducción del inventario es crucial en la gestión de operaciones. De
esta forma, estas estrategias están enfocadas en optimizar los niveles de inventario para satisfacer
la demanda de componentes y productos finales de las empresas satisfaciendo a los clientes [16].
Para administrar de manera óptima el inventario, las organizaciones deben investigar los procesos
y modelarlos en todas sus fases, utilizando metodologías apropiadas [22]. Varios autores han
discutido la importancia que tiene para las empresas administrar sus inventarios de manera óptima
como insumo para una gestión logísticamente eficiente [19]. Esta administración óptima también
debe ser considerada por las empresas de servicios alimentarios [30].

Generalmente, los modelos estocásticos de inventarios consideran la demanda de productos como

una variable aleatoria (RV) descrita por una distribución continua o discreta. Para optimizar los
costos totales (CT) del inventario es necesario comprender su composición. Tres componentes
constituyen el TC: (a) un costo que es independiente del tamaño del lote, (b) un costo que depende
de la cantidad de productos en el lote, y (c) un costo de escasez debido a demanda insatisfecha [13].
Una vez definidos los indicadores del modelo de inventario y establecidos los supuestos distributivos
de la demanda por unidad de tiempo (DPUT) y la demanda durante el tiempo de entrega (LT), en
definitiva LTD, el valor esperado de la función objetivo en base a la TC de la el inventario debe
optimizarse. Así, modelando correctamente la demanda en cuanto a la distribución de probabilidad
es necesario optimizar el costo total de inventario.

El tratamiento de DLT cuando LT es constante es relativamente fácil, pero una gran parte de los
DPUT, sin embargo, a menudo los DPUT no son RV independientes e idénticamente distribuidos
(IID). Una vista fácil es estimar la media y la varianza de los DPUT de los componentes que se pueden
utilizar en modelos de control de inventario de revisión continua o componentes perecederos,
minimizando los costos anuales totales (TC) asociados con la compra, el almacenamiento, la
generación de órdenes de compra y la escasez de componentes. [35]. Restando los TC aportados a
los ingresos por ventas de cada componente que compone los menús, es posible maximizar los CM
del servicio de alimentos, como se demostró en el estudio de [32-33]. Sin embargo, en el servicio de
alimentos las demandas tienen dependencia estadística porque sus componentes (distintos
alimentos que componen el menú) se correlacionan, o se correlacionan con los menús. Para esto,
la visión clásica del control de inventarios usando media, varianza y distribución univariada es
incorrecta [32]. Cuando desee optimizar el inventario compuesto por múltiples componentes, como
en el caso del servicio de alimentos, puede omitir la posible dependencia estadística entre las
demandas de estos componentes y realizar la optimización. En general, los CM tienden a aumentar
a pesar de esta omisión, como se demostró [33]. Sin embargo, [32] mejoran la optimización de CT
utilizando una distribución de probabilidad multivariante basada en [20]. Por lo tanto, las
correlaciones consideradas y la dependencia entre productos pueden producir menos CT.

Este estudio tiene como objetivo comparar los modelos de control de inventarios con estructura de
dependencia y demanda aleatoria con respecto a los modelos con demanda aleatoria pero
independiente y su efecto en los CM de los servicios de alimentos. Este trabajo está organizado de
la siguiente manera: la Sección 2 hace una revisión de la literatura sobre: (i) modelado de DPUT de
componentes con dependencia estadística; (ii) modelos de control de inventarios; (iii) programación
estocástica; y (iv) indicadores financieros de la política de inventarios. La Sección 3 expone la
metodología propuesta, mientras que la Sección 4 la ilustra con un estudio de caso del mundo real
del servicio de alimentos chileno; y la Sección 5 proporciona las conclusiones de los resultados
obtenidos en esta revisión, así como sus limitaciones y futuras investigaciones.

REVISIÓN DE LITERATURA

gestión de la cadena de suministro [13]. Esta incertidumbre está presente porque DPUT y DLT
generalmente ocurren de manera estocástica. Por lo tanto, la DPUT y la DLT son RV que siguen
distribuciones de probabilidad univariadas [17]. La DLT corresponde a una suma de DPUT
independientes, generalmente entendida como una serie de tiempos de demanda no
correlacionados, y es útil para determinar los componentes de los modelos de control de inventarios
[45]. En el escenario constante LT, DLT es más fácil de calcular y usar la distribución normal (o
gaussiana) para describir. La distribución gaussiana (o normal) se usa a menudo para describir la
DPUT debido a su tratamiento matemático simple, sus propiedades atractivas y su implementación
computacional en diferentes software [17]. Sin embargo, para calcular el inventario óptimo, es
necesario seleccionar una distribución probabilística apropiada de DPUT a través de métodos de
bondad de ajuste [2]. El lector interesado puede revisar un resumen provisto en la Tabla 1 del
artículo [9] para ver detalles de otras distribuciones de probabilidad utilizadas en modelos de control
de inventario con demanda aleatoria. Según [10], en los sistemas de suministro multiproducto, la
correlación entre las demandas por componentes afecta a los TC del sistema. En el contexto de las
demandas correlacionadas, [43] estableció la necesidad de modelar la estructura de dependencia
de las variables a considerar en un modelo de optimización. Así, en esta revisión comparamos los
resultados de MCs con la metodología propuesta por [33] para demandas independientes en
servicios de alimentación y la extensión al caso dependiente [32].

Modelos de control de inventario en el servicio de alimentos Se puede lograr una política de

inventario óptima elegir un modelo de inventario adecuado, cuya la decisión involucra varios
aspectos; ver [4-6, 41-42].

En el caso de productos no perecederos, inventario los modelos se clasificarían en pull o push, que
van desde la cantidad económica de pedido (EOQ) al suministro justo a tiempo (JIT); ver [40]. los

El modelo EOQ es la piedra angular de varios programas paquetes para el control de inventario y es
ampliamente utilizado en la práctica; ver [24]. El método JIT es útil para materias primas que se
pueden suministrar tan oportunamente como se requieren, aunque impone restricciones a la
logística que limita su uso para algunos tipos de productos en servicios de alimentación; ver [8,40].
Varios estudiosos buscan una Modelo EOQ (Q) con un punto de pedido (ROP) (r) que sería apropiado
en el servicio de alimentos. De este modo, modelos de inventario basados en revisión continua
llamados (Q, r)

Se utilizan modelos para la planificación de la oferta y la demanda. Teniendo en cuenta el tiempo

de entrega (LT) en el modelado hace los supuestos del modelo para ser más adherente a la
configuración del mundo real; ver [3]. El modelo EOQ se utiliza en conjunto con el ROP en el control
de inventarios para determinar stocks de seguridad (SS) tanto bajo LT aleatorio como bajo demanda,
cuya aleatoriedad afecta directamente la operación de un sistema logístico; ver [37,40]. Al calcular
el punto de reorden para un nivel de servicio fijo, se debe utilizar la distribución LTD y su
correspondiente función de densidad de probabilidad (PDF). Cuando se desconoce la distribución
de LTD, este PDF se puede aproximar mediante cualquier enfoque adecuado. En esta revisión,
utilizamos un enfoque simultáneo para optimizar Q y r según lo recomendado por [35,46]. Los
perecederos (de un solo período) son más complicados porque estos productos se pueden
almacenar durante un período limitado. Estos componentes suelen corresponder a frutas, carnes y
verduras, que son materias primas esenciales en el servicio de alimentos. Cuando se consideran
estos tipos de componentes, a menudo se considera el modelo basado en la relación crítica (CR) o
nivel de servicio; A través de modelos de control de inventario para cada componente es posible
maximizar los MC anuales de la venta de menús [33]. En general, como los ingresos de esta venta
no dependen del modelo aplicado a cada componente, los CM se maximizan encontrando los TC de
inventario mínimo [16]. Estas CTs se obtienen tomando modelos estocásticos de control de
inventarios de revisión continua y período único aplicados a cada componente [33]. Según [35], la
cantidad óptima a suministrar en este modelo de control de inventarios determina los CTs relativos
a compra, tenencia, generación de orden de compra y penalización por faltante de componentes.
Todos estos TC son funciones de parámetros de distribuciones de probabilidad univariadas o
multivariadas de DPUT, LT y DLT [45]. Según los modelos de control de inventarios, estas funciones
corresponden a media, varianza, percentiles u otros indicadores, estimaciones por métodos
estadísticos [31, 33, 45]. Por lo tanto, es necesario separar los modelos de inventario en
componentes perecederos y no perecederos. En esta revisión comparamos modelos de control de
inventarios con demanda estocástica de múltiples componentes con o sin dependencia estadística.

Programación estocástica

La programación estocástica es una matemática problema de programación (lineal, no lineal,

entero, etc.) que contiene en su formulación algún elemento estocástico que se desconoce, pero
que se puede estimar a partir de su distribución de probabilidad. El valor esperado de la función
objetivo basado en el TC de inventario debe optimizarse en una política de revisión continua de un
surtido de productos. La programación estocástica se puede utilizar para resolver este problema de
optimización mediante el algoritmo de evolución diferencial (DE), que pertenece a la familia de
algoritmos genéticos, imitando el proceso natural de elección de forma evolutiva.

En este trabajo de revisión se utiliza el algoritmo DE para optimizar el problema de programación

estocástica asociado a los modelos de control de inventarios considerados.

Distribuciones bivariadas y condicionales de DPUTs Sea Yt la DPUT de un componente y Xt la DPUT

de otro componente o menú en el momento t, tal como eran definido en el inciso anterior.
Supongamos que estos RVs conformaron un vector aleatorio bivariado (Xt, Yt) con PDF conjunta
fx,y, con dependencia entre Xt e Yt descrita por el coeficiente de correlación de PearsonPara el caso
en que (Xt,Yt) siga una distribución normal bivariada con medias μX y μY, varianzas σ2 y σ y, y
coeficientes de correlación ρX,Y, a partir de la equiación (5) y la ecuación (6), el valor esperado
condicional se calcula como ecuación (7)

la función objetivo correspondiente a los CM, en función de cada modelo. Esta función objetivo
contiene indicadores del modelo de inventario probabilístico dependiente que la convierten en
programación matemática estocástica.

En todos los modelos utilizados se considera inventario a un grupo de componentes con el fin de
minimizar el TC anual esperado asumiendo escasez. El CT esperado para el componente i expresado
como la suma de los costos (en unidades monetarias): (i) compra por el total del componente (Ci)
ofertado anualmente, dado por la multiplicación de la demanda anual del componente costo
unitario (ci) ; (ii) generación de órdenes de compra por el total de pedidos (Oi) al año, dado por la
multiplicación del número de órdenes emitidas en uno

Xt=x)-(E(Yt /Xt=x)) . Entonces, para esta varianza condicional debe calcularse como la ecuación; año
por el costo unitario de cada pedido (oi); (iii) el componente del medio de almacenamiento (Ai) por
año, dado al multiplicar el número promedio de unidades anuales almacenadas por el

E(Y2 / X = x) = y2 f (y)dy componente de costo anual de la unidad de almacenamiento (ai); y (iv) de

faltantes (escasez o rotura) componente total al año, dada la cantidad esperada de escasez por ciclo
multiplicada por el número de ciclos de valor óptimo de la función objetivo. Así, la expresión dada
en la ecuación (7) sirve para establecer la tasa de demanda condicional de un componente a ser
utilizado en el modelo de control de inventario en servicio de alimentos con demanda
estadísticamente dependiente, faltantes en un año por el costo unitario de faltante del componente
(si). Se supone que en el servicio de alimentación tiene una demanda permanente los 365 días del
año. Para el modelo de control de inventarios que se indica a continuación, el Programación
estocástica de modelos de control de inventarios en food service El problema de la programación
estocástica a ser formulado debe constar de: (i) variables de decisión involucrados en cada modelo
asociado con el inventario control para optimizar el componente; y (ii) maximizar donde Qi es la
cantidad óptima a ofertar del componente i (en unidades), ki es un percentil estandarizado de la
distribución probabilística de DLT del componente i (sin unidad), Pi es la cantidad óptima a ofertar
del componente i (en unidades), mientras que μi y σi son media condicional y desviación estándar
(SD) da en (7).

Indicadores financieros aplicando modelos de control de inventarios en el servicio de alimentos

Ingresos obtenidos durante un año a través de los componentes utilizados en los menús se puede
calcular con la metodología propuesto por [33]. Para este modelo se consideró el el CM máximo
anual es la diferencia entre el ingresos anuales y CT mínima anual generada por los modelos de
control de inventarios aplicados.

Análisis estadístico y resultados

Un análisis gráfico de autocorrelación detectó que las autocorrelaciones correspondientes son muy
pequeñas, por lo que también se puede descartar la dependencia en el tiempo. Este análisis gráfico
se puede corroborar mediante la prueba de Durbin-Watson y su valor p de arranque para examinar
la independencia de estos datos. La Tabla 1 presenta una estadística descriptiva basada en la media,
SD y coeficiente de variación (CV) del componente o menú DPUT indicado al eliminar los ceros de la
muestra. La Tabla 2 proporciona las correlaciones de la muestra que son significativamente mayores
que cero (valor p < 0,05) entre un componente y otro componente o menú. Estas correlaciones son
el valor más alto entre todas las correlaciones entre un componente y otro componente o menú. La
Figura 1 muestra las distribuciones marginales normales ajustadas a los datos de los componentes
DPUT de los gráficos de cuantil-cuantil (QQ). Debemos resaltar que en general la distribución normal
parece ser un modelo razonable para describir estos datos. La Tabla 3 proporciona las tasas DPUT
para cada componente del conjunto I = {1, . . . ,

9} condicional a la demanda de otro componente o menú correlacionado (μi) y SDs condicional (σi).
Tenga en cuenta que la media y las DE sin considerar la dependencia estadística se muestran en la
Tabla 1.
Table 1. Descriptive statistical of DPUTs of component ormenu indicated.
 Comp. Max
Mean Min SD
(un/
/Menu (un/day) (un/day) (un/day)
day) CV
c1 67,94 24 135 29,32 0,43
(un/day)
c2 22,56 12 31 6,64 0,29
c3 46,5 38 55 5,76 0,12
c4 43,45 24 51 11,69 0,26
c5 10,79 2 42 10,69 0,99
c6 25,07 5 44 15,54 0,62
c7 8,68 4 14 3,19 0,37
c8 34,57 4 65 19,27 0,56
c9 33,69 5 68 28,37 0,84
m1 443,5 398 481 26,84 0,06
m2 389,63 276 444 65,07 0,17
m3 387,63 230 497 99,28 0,26
m4 375 187 469 113,92 0,3
M 197 86 410 97,31 0,49
m6 419,1 380 460 28,53 0,07
m7 383,88 160 490 138,93 0,36

Table 2. Pearson correlation sample coefficients between components and menus.

c1 c2 c3 c4 c5 c6 c7 c8 C9
c3 0,76
m1 0,99
m2 0,95 0,91
m3 0,65
m4 0,75
m5 0,82
m6 0,99
m7 0,99

Los cuadros 4 y 5 muestran indicadores comparativos y resultados financieros de ingresos, costos y

MCs anuales de subconjuntos de jcomponentes modelos de control de inventario de revisión
continua y perecederos en un solo período, según la consideración de dependencia estadística de
DPUTs de componentes. Para obtener estos resultados son válidos los siguientes costos para todo
el conjunto de componentes: ai = 0,042

USD/ciclo×unidad, ci= 0, 6 USD/unidad si= 0, 33 USD/unidad y oi= 0,86 USD/ciclo. Las políticas de
abastecimiento propuestas producen un MC anual de 238.770,79 USD/año, aplicando modelos de
control de inventarios de revisión continua y perecederos en periodo único para los componentes,
considerando la dependencia estadística de DPUT. Si bien no se considera la dependencia de los
DPUT de los componentes, solo los CM alcanzan los 218.635,67

USD/año. Comparando estos CM optimizados para servicio de alimentos, obtenido con las
metodologías propuestas respecto al CM real anual que muestra este servicio de alimentos, el cual
es de 201805.9 USD/año, se obtuvo una optimización de 18.32% y 8.34%, aplicando allí modelos de
control de inventario con y sin dependencia de DPUTs de componentes, respectivamente.
CONCLUSIONES

La metodología propuesta mostró una forma óptima de márgenes de contribución de alimentos

entre componentes o menús, y la programación de modelos estocásticos de inventario. Para
describir los parámetros utilizados en la programación de los modelos estocásticos de inventario
utilizados, se utilizaron distribuciones probabilísticas para demandas conjuntas de componentes y
menús, asumiendo una distribución normal bivariada. Esta elección se sustenta en que la gran
mayoría de los modelos de inventario estudiados en la literatura para optimizar los TC de inventario,
se han basado en el supuesto de distribuciones de modelos probabilísticos de variables aleatorias
normales univariadas dedemanda por unidad de tiempo y demanda durante el adelanto

tiempo [16].

Los resultados en el estudio de caso de esta revisión muestran una mejora significativa en los
márgenes de contribución en servicio de comida. En el caso de demanda dependiente Las
contribuciones a los márgenes aumentaron del 30% al 35,5%.Los resultados del estudio de caso
concuerdan con los autores mencionados en , quien, ocupando modelos de programación lineal,
relacionados minimizando costos totales inventarios maximizando márgenes de contribución en el
surtido de productos críticos de inventario En ambos casos comparados, las cantidades fijo para
suministrar componentes tales tiendas por inventario modelos de revisión continua, fueron
considerablemente más altos que las tasas de demanda condicional estimadas.

Esto se explica de la siguiente manera: los comestibles se pueden almacenado por un tiempo y luego
inventario prolongado RC modelos esta condición se utiliza para disminuir el costo de generar una
orden, y que este costo no depende de las cantidades pedidas. los componentes que ocupar el
modelo de inventario de perecederos en un solo período presentó una cantidad optimizada para
suministrar similar a la cantidad demandada. Esto de debe a expiran rápidamente tales materiales
(incluyendo frutas, verduras y carnes), con un período de almacenamiento no no permitir
prolongado. Por lo tanto, este modelo debe inventario sea bastante exitoso para tales
componentes, con un mínimo acotado de reemplazos y niveles niveles de existencias en
almacenamiento. Esto contribuye a reducir costos de almacenamiento en comparación con lo que
sucedió en práctica antes de hacer la optimización [16]. En el futuro estudios es posible obtener
mejoras en la metodología propuesta en este trabajo sobre vof: (i) modelado multivariado
ocupando marginal distribuciones de probabilidad planteadas distintas de las Gaussiano o normal;
(ii) consideración de valores cero en el modelado de los componentes de la demanda.

LECTURA 3. Aggregate production planning considering

organizational learning with case based analysis
resumen

Responder rápidamente a las necesidades de los clientes es uno de los principales objetivos de las
organizaciones industriales que quieren sobrevivir en la competencia del mercado actual. Este
objetivo se puede lograr mediante una planificación sólida. La productividad de la mano de obra se
considera una de las entidades importantes en la planificación de la producción. Sin embargo, tiene
un carácter dinámico, es decir, la productividad crece gracias al fenómeno de la formación o
aprendizaje en el puesto de trabajo. La consideración de este hecho en la planificación de la
fabricación mejora la solidez de los planes desarrollados. El presente documento presenta un
modelo matemático para la planificación de la producción a mediano plazo que se utiliza para
encontrar el plan óptimo de producción agregada. El modelo tiene como objetivo optimizar los
costos totales de producción respetando la mayoría de las restricciones operativas y considerando
el proceso de aprendizaje organizacional. El modelo presentado se construye apoyándose en las
prácticas industriales reales; el resultado es un programa lineal entero mixto. El modelo se validó y
comprobó utilizando datos reales recopilados de una fábrica egipcia que produce motores eléctricos
para electrodomésticos. El modelo matemático propuesto se resolvió de forma óptima utilizando
‘‘ILOG-CPLEX 12.6”. Al comparar los resultados obtenidos versus el método adoptado en la fábrica,
se logra una reducción de costos del 6,3% para el conjunto de datos presentado. Después del análisis
del modelo se concluye un conjunto de aspectos gerenciales. Además, se discute el impacto del uso
de tasas de aprendizaje detalladas en el costo de producción.

1. Introducción

Responder rápidamente a las necesidades de los clientes es uno de los principales objetivos de las
organizaciones industriales que quieren sobrevivir en la competencia del mercado actual. Una de
las necesidades más cruciales es entregar los productos requeridos en un plazo de entrega y un
precio mínimos, respetando las especificaciones especificadas previamente. Estos objetivos
estratégicos pueden ser. logra mediante el desarrollo de un sólido plan de producción. Un plan que
considere con precisión las capacidades disponibles para ejecutar con éxito las actividades
productivas. El nivel de planificación táctica o planificación a medio plazo se considera como uno de
los planes industriales esenciales. Para este nivel, se deben evaluar las diferentes capacidades de
producción para satisfacer la demanda requerida. Este nivel de planificación se conoce como
Planificación de Producción Agregada (APP). APP se encuentra entre la planificación estratégica y la
planificación operativa muy detallada. Como se sabe, hay tres niveles de planificación de la
producción: estratégico, táctico y operativo. Estos tres niveles están interrelacionados con un
carácter jerárquico. Esta naturaleza debe ser consistente, en la que las decisiones del nivel superior
imponen restricciones a las decisiones del nivel inferior. Mientras que el nivel inferior proporciona
la retroalimentación necesaria para regular las decisiones del nivel superior, p. las estrategias de la
alta dirección de utilizar trabajadores a tiempo parcial o subcontratos externos imponen
restricciones a los modelos APP. En consecuencia, el programa maestro de producción y la
planificación de requisitos de material dependen de los resultados del APP. En cuanto a la duración
del horizonte de planificación de APP, la literatura proporciona una variación para este atributo de
planificación. Es de naturaleza subjetiva, es decir, puede variar de una empresa a otra, o más
exactamente de un tipo de producción a otro. Según la literatura puede variar desde tres meses
hasta dieciocho meses: podemos encontrar periodos de tres meses [1,2], seis meses [3], ocho
periodos [4], de 2 a 8 periodos de planificación [5], trece periodos de planificación [6], dieciocho
meses [7]. Otros como [8] lo consideraron en términos de semanas. Cómo Sin embargo, la duración
del horizonte de planificación debe especificarse para meramente a la ejecución del plan de
producción. Durante este horizonte de planificación, la APP se utiliza para evaluar la relación entre
las capacidades disponibles y la demanda para adecuar la producción requerida de cantidades. Para
cada período, proporciona los niveles de producción de cada producto, el tamaño de la mano de
obra permanente, el número de mano de obra a tiempo parcial, la existencia de horas extras, los
niveles de subcontratación y el tamaño del inventario. Los objetivos del modelo APP no se limitan a
maximizar los resultados de la empresa, sino que también se pueden utilizar para lograr muchos
otros objetivos, p. maximizar la utilización de recursos, minimizar los cambios de producción,
minimizar la variación del tamaño de la fuerza laboral permanente y minimizar la subcontratación.
Por lo tanto, es importante identificar exactamente la función objetivo del modelo APP. Según Chen
y Liao [6], se pueden utilizar múltiples objetivos para obtener una visión más realista.

modelo. Minimizar el costo total de producción es el objetivo común de los modelos APP que
incluyen costos de producción regular, inventario, retrasos, subcontratación, mantenimiento de
capacidad, etc. El objetivo de la APP se puede formular como una función de maximización de
beneficios (p. ej., [9]), función de minimización de costos (p. ej., [10]) o una combinación de
objetivos múltiples (p. ej., [2,5,11–14] ).

Como es bien sabido, el número de trabajadores necesarios depende de su productividad laboral.

Además, la productividad manufacturera tiene un carácter dinámico, es decir, la productividad
manufacturera crece gracias a la experiencia de la mano de obra adquirida a lo largo del tiempo.
Dicha experiencia se obtiene debido a muchas razones, p. capacitación en el trabajo de la fuerza
laboral directa, dominio de los métodos y procedimientos de producción, desarrollo de plantillas y
accesorios, implementación de herramientas de mejora del desempeño como gestión de calidad
total, producción ajustada o seis sigma, etc. Este fenómeno de evolución se conoce como función
de evolución de fabricación. o curvas de aprendizaje. En consecuencia, la mejora de la productividad
de la mano de obra puede modelarse en función de la formación en el puesto de trabajo o de las
repeticiones de trabajo. Como descubrió Wright [15], se puede ganar un porcentaje del 20 por
ciento como mejora cada vez que se duplica la cantidad de producción. Este fenómeno de la curva
de aprendizaje podría tener un impacto significativo en la programación de los trabajos de
producción, la dotación de mano de obra y la minimización de las horas extraordinarias Badiru [16].
Este concepto a menudo se considera utilizando la tasa de aprendizaje promedio que se puede
encontrar en la literatura. Además, algunos consideraron la tasa de aprendizaje como constante
para todos los productos del plan de producción. Sin embargo, la tasa de aprendizaje puede variar
entre productos. Esta práctica contamina los resultados obtenidos. Por ejemplo, Zhang et al. [10]
consideraron una tasa de aprendizaje del 85% en su trabajo. Attia et al. [17] consideró una tasa de
aprendizaje del 80% para todas las actividades. Tirkolaee [18] consideró la pendiente de la curva de
aprendizaje como (-0,3) correspondiente a una tasa de aprendizaje de alrededor del 81%. Para los
productos expelentes de mosquitos, Chen et al [19] utilizaron tres categorías de tasas de
aprendizaje, una para cada línea de producción dentro del intervalo [0,985; 0,995]. Sin embargo, los
valores de estas tasas de aprendizaje son muy altos que indican que el efecto del aprendizaje es
muy pequeño y puede ser descuidado.

El documento actual presenta un modelo de APP que se formuló en base a la práctica industrial real.
Considera la planificación de la producción agregada multiproducto y multiperíodo. Minimiza los
diferentes costes de fabricación respetando la mayoría de las limitaciones operativas. Minimiza los
costos de material, maquinaria, mano de obra (permanente, a tiempo parcial, horas extra),
inventario y subcontratación. Respeta muchos tipos de restricciones, p. satisfacción de la demanda,
niveles de mano de obra permanente, niveles de trabajadores a tiempo parcial, límites de horas
extra, capacidad laboral, niveles de stock de seguridad y niveles máximos de subcontratación,
además de algunos de los aspectos sociales, p. trabajar durante las vacaciones o los días libres. Los
pedidos atrasados no están permitidos en este estudio para asegurar altos niveles de satisfacción
del cliente. Además, se consideró el progreso dinámico de la productividad de la fuerza de trabajo
a partir del concepto de aprendizaje organizacional. Se consideró la curva de aprendizaje
organizacional de cada producto apoyándose en datos reales. Esta práctica no está bien abordada
en la literatura. Los investigadores a menudo asumen una tasa de aprendizaje promedio de acuerdo
con el oficio. Otros utilizan una tasa de aprendizaje del 80 % independientemente de la aplicación.
El presente artículo propone estimar la evolución de la productividad de la fuerza laboral basándose
en la curva de aprendizaje de Wright. Esta proposición ha sido validada después de investigar la
mayoría de las curvas de aprendizaje mono variables presentadas en la literatura (el método y los
resultados se pueden encontrar en el trabajo de uno de los autores actuales que se presentó en
[20]). El modelo matemático propuesto se codificó y resolvió utilizando ILOG-CPLEX 12.6. El
resultado ha sido validado apoyándose en datos de casos reales y análisis detallados por parte de la
planificación expertos Además, se ha investigado el impacto de diferentes aspectos gerenciales en
el costo del plan y se brindan conclusiones.

El resto de este documento está organizado de la siguiente manera. La siguiente sección presenta
la revisión de la literatura del trabajo relacionado. La sección 3 presenta la descripción del problema.
El modelo matemático se discute en la Sección 4, mientras que el estudio de caso se presenta en la
Sección 5. La metodología de solución y los resultados se discuten en la Sección 6. Los aspectos
gerenciales se discuten y analizan en la Sección 7. Las conclusiones y perspectivas son presentado
al final del trabajo. Además, hay dos apéndices; El Apéndice A contiene el conjunto de datos para
un plan de producción y el Apéndice B contiene los resultados óptimos asociados.

2. Revisión de la literatura

La literatura ofrece un enorme trabajo sobre el tema de los modelos APP y metodologías de
solución. El problema fue formulado como un modelo de programación por objetivos en [2,14,21].
Prádenas et al. [9] creó el problema con variables binarias y restricciones cuadráticas, luego lo
resolvió usando un algoritmo basado en heurística. Zhang et al. [10] introdujo un modelo de
programación lineal de enteros mixtos para un problema de APP con expansión de capacidad.
Ramezanian et al. [22] consideró el tiempo de configuración y el costo asociado en el problema y lo
resolvió utilizando algoritmos genéticos y algoritmos de búsqueda tabú. En la planificación táctica
de la producción, se puede considerar el setup cuando el cambio entre familias de productos
incorpora penalizaciones altas del sistema (en términos de tiempo y/o costo), para más detalles
sobre la consideración del setup en el modelo APP se puede ver el trabajo de [ 8,22–24]. Wang y
Yeh [25] resolvieron un modelo de programación lineal de enteros mixtos utilizando un algoritmo
de enjambre de partículas modificado. Otros consideraron la incertidumbre en los parámetros del
problema. Por ejemplo, Wang y Liang [26] formularon el problema como un modelo de
programación lineal posibilista. Chakrabortty et al. [27] también consideró la demanda imprecisa,
los costos operativos y los parámetros de capacidad en su modelo y utilizó una variante modificada
de un posible enfoque de optimización de enjambre de partículas basado en el entorno para
resolverlo. Baykasoglu y Gocken [11]; Wang y Liang [28] formularon el problema como un modelo
difuso multiobjetivo. Zhu et al. [29] modelaron el problema como programación basada en
intervalos considerando la incertidumbre y resolviéndola usando el software Lingo. Además,
Jamalnia et al. [30] evaluaron el desempeño de las diferentes estrategias de la APP. Para más
detalles sobre la formulación matemática, el trabajo de [31] presenta un estudio de los diferentes
aspectos de fabricación considerados en la formulación matemática del problema. Recientemente,
Cheraghalikhani et al. [32] revisó las diferentes características y estructura de los modelos App
mientras que [33] estudió las diferentes consideraciones de la incertidumbre de los modelos APP.

El concepto de evolución de la experiencia se consideró en muchas aplicaciones, incluidas APP

[5,34,35], implementación de ERP [36], flexibilidad de la fuerza laboral [17], asignación de la fuerza
laboral [37] y planificación de preparación de pedidos [38]. Recientemente, Tirkolaee [18] consideró
el efecto de aprendizaje para la asignación y programación de unidades de rescate de desastres.
Además, [39] consideró el efecto de aprendizaje para las operaciones de fundición. Wei et al. [40]
estudió el impacto del aprendizaje en la gestión de inventario con una tasa de aprendizaje
estocástica. Las curvas de aprendizaje se pueden clasificar en tres tipos principales: aprendizaje
individual, grupal de individuos y aprendizaje organizacional [41]. La curva de aprendizaje individual
refleja el desarrollo del desempeño en la función de replicación del trabajo de un trabajador
específico. La principal diferencia entre el aprendizaje grupal y el aprendizaje individual es la
existencia de transferencia de conocimientos entre los individuos que trabajan en grupo [42]. Las
curvas de aprendizaje organizacional se recomiendan cuando el desarrollo de la productividad de
un producto específico es una función de toda la fuerza laboral en lugar de un trabajador o
trabajadores específicos. En el nivel táctico de APP, las curvas de aprendizaje organizacionales son
más racionales para ser utilizadas que las curvas de aprendizaje individuales o grupales por razones
de agregación de los datos de planificación. En cuanto a la incorporación de la función de progreso
de fabricación y la planificación de la producción agregada, el trabajo de [35] investiga el impacto
del efecto de aprendizaje en la planificación agregada de los requisitos de la máquina. Mostraron la
importancia de integrar tales factores humanos. El trabajo pionero en este tema es el trabajo de
[34], aunque los inconvenientes de su modelo fueron reportados en el trabajo de [43]: reportaron
que “el modelo no incorpora adecuadamente el efecto de aprender”. Lamentan el uso del
fenómeno del aprendizaje en promedio base. Sugirieron representar el desarrollo de la
productividad sobre una base de grupo, apoyándose en grupos de trabajadores. Recientemente,
Alguliyev et al. [44] desarrolló un algoritmo de agrupamiento eficiente que puede adoptarse para
agrupar trabajadores. Según nuestro punto de vista, en el nivel táctico de planificación se agregan
todos los datos y es más conveniente considerar el desarrollo de la productividad.

sobre una base organizativa más que sobre una base individual o de grupo. Además, la consideración
del efecto del aprendizaje humano en un nivel detallado complica el modelo matemático. Esta
complejidad fue destacada en el trabajo de [35], donde esta incorporación transforma el problema
APP en un programa no lineal mixto que es difícil de resolver de manera óptima en un tiempo de
cómputo aceptable, especialmente para problemas industriales. Según el conocimiento de los
autores, existe una escasez en la literatura para la consideración del efecto de aprendizaje en los
modelos APP que se basan en datos de planta y consideraciones gerenciales reales. La presente
investigación trata de cubrir esta carencia con una aplicación en la fabricación de motores eléctricos.
3. Descripción del problema

Uno de los problemas que enfrentan las empresas manufactureras es la demanda irregular; esta
irregularidad conduce a aumentar los niveles de inventario en períodos de baja demanda,
especialmente para una capacidad de producción uniforme. En consecuencia, aumenta el costo del
plan de producción que provoca una menor rentabilidad y aumenta el espacio de almacenamiento
requerido. El problema es satisfacer la demanda irregular requerida con la combinación óptima de
recursos de producción al mínimo costo. Para resolver este problema de planificación a medio plazo,
se puede adoptar la planificación de producción agregada. Para cada período de planificación, los
diferentes atributos del plan de producción deben determinarse de manera óptima a un costo
mínimo respetando las diferentes restricciones operativas. Estos atributos contienen la fuerza de
trabajo permanente, la cantidad de trabajadores a tiempo parcial, las horas extra, la
subcontratación de piezas, los niveles de inventario y las cantidades de producción. Por otro lado,
las restricciones operativas contienen las capacidades disponibles de la fuerza laboral, el inventario,
los niveles máximos de horas extra, el tamaño máximo de la parte.

Las diferencias entre las familias de productos son muy pequeñas. Por lo tanto, el costo de
instalación puede despreciarse por simplicidad para este nivel táctico. Es más, este trabajo se basa
en el hecho de que la productividad es una pro- T Merty, es decir, la productividad de la empresa se
desarrolla continuamente a lo largo del tiempo. Para implementar este supuesto, se considera la
curva de aprendizaje organizacional en lugar de las curvas de aprendizaje individuales o grupales.
En el aprendizaje organizacional, el desarrollo se obtiene de muchas fuentes: confiando en el trabajo
de , los determinantes de la organización o el tiempo de producción acumulado. Y los dos
independientes son significativos para predecir el avance de la productividad. Pueden aparecer
algunas preocupaciones que afecten el patrón de aprendizaje organizacional, p. trabajadores a
tiempo parcial, subcontratación y horas extras. Según nuestra experiencia en el estudio de caso de
aplicación, los trabajadores a tiempo parcial no pueden afectar el patrón de aprendizaje de la
organización, donde los trabajadores a tiempo parcial comúnmente trabajan como asistentes o
trabajadores de servicios públicos. Además, los niveles de subcontratación y horas extraordinarias
tienen un efecto insignificante en nuestro caso para una producción media mensual de alrededor
de

17.000 unidades. Para las curvas de aprendizaje individuales, este número de repeticiones de
trabajo es muy grande, es decir, es suficiente para colocar la productividad

idad en la etapa de meseta de la curva de aprendizaje de cualquier trabajador directo.

Para esta producción masiva, el desarrollo del aprendizaje organizacional se basa principalmente en
los otros determinantes no directamente a la experiencia de la fuerza laboral directa. La literatura
proporciona evidencia

dencia para un bajo efecto de la fuerza laboral directa en el aprendizaje organizacional como se
demostró en la producción continua, p. petróleo refinado [46] y productos químicos [47]. El
desarrollo continuo es esencial para la supervivencia de una empresa. Como se sabe, una de las
técnicas que se utilizan en la gestión del desempeño de las empresas es el Balanced Scorecard (BSC).
Una de las cuatro dimensiones de BSC es la capacidad de la empresa para seguir mejorando y
creando valor. Esta medida se basa en dos aspectos: la capacidad de innovación de la empresa y la
mejora de los procesos existentes. Según Kaplan & Norton [48], muchas empresas establecen
objetivos de mejora continua, p. "Milliken & Co." implementa un programa de mejora que mejora
el desempeño con un factor específico periódicamente. Recientemente, Seleem, et al. [49] presentó
una aplicación industrial que logró mejorar la productividad en un 6,22% después de la
implementación de algunas herramientas de mejora del rendimiento, p. capacitación de la fuerza
laboral, estandarización de procesos, aplicación del programa 5S, aplicación de mantenimiento
autónomo, balanceo de la línea de montaje, aplicación de Kaizen, etc. Basándonos en esta discusión,
la mejora continua es uno de los factores de éxito de las organizaciones que se puede lograr a través
de todos los determinantes. del aprendizaje organizacional. El problema fue modelado
matemáticamente en cooperación con los expertos industriales. Posteriormente, se codificó y
resolvió mediante ILOG-CPLEX.

plataforma 12.6. La figura 1 muestra los pasos principales para modelar y resolver el problema.

La función objetivo del modelo APP actual expresa la suma de los diferentes costos; por lo tanto,
tendrá que ser minimizado. Aquí, hay una diferencia entre los costos de horas extras de trabajar
durante ing días laborables semanales o días de descanso. Además, los pedidos pendientes son no
se permite satisfacer las necesidades del cliente. La función objetivo es una suma de cinco
subfunciones representadas por las ecuaciones (1 a 6). Donde F1 es el costo de material, F2 es el
costo de operación, F3 es el costo de mano de obra, F4 es el costo de inventario y F5 es el costo de
subcontratación. La ecuación (2) representa el costo del material que se requiere a lo largo del
horizonte de producción para fabricar la combinación de productos requerida. Para cualquier
producto dado, el costo del material se puede calcular en función de su lista de materiales. Este
costo puede diferir de un período a otro dependiendo de la tasa de inflación o del tipo de cambio
de moneda entre monedas. La cantidad total de costos de materiales se calcula simplemente
agregando todos los costos de materiales de todos los productos producidos durante el horizonte
de planificación, considerando que CMm,t es constante a lo largo del período t, pero puede variar
del período t a t + 1. Ecuación (3) representa los costos de operación que contienen todos los costos
resultantes del uso de los diferentes de trabajadores a tiempo parcial (FPT). La fuerza de trabajo
permanente representa a los trabajadores regulares o asalariados. Los costes asociados a la mano
de obra permanente se calculan en función de las horas de trabajo y las horas extraordinarias
durante los días laborables semanales normales y los días libres. Para la mano de obra permanente
no se consideran los costos de contratación y cesantías. Se supuso que el número de trabajadores
permanentes puede variar dentro de una cantidad específica. Esta variación es el resultado del
ausentismo, las consideraciones sociales o la transferencia entre fábricas. Además, el plan de
contratación es un plan estratégico que depende de la visión y objetivos de la empresa. Para los
trabajadores a tiempo parcial, se consideraron tres fuentes principales de costos: - el costo de las
horas normales de trabajo durante los días hábiles semanales y los días libres, - el costo de las horas
extraordinarias trabajadas durante los días hábiles semanales y los días libres, - los costos de
contratación y despidió a un trabajador a tiempo parcial. Estos tipos de costos laborales se pueden
formular como en las ecuaciones (4-a) y (4-b). Estas ecuaciones contienen muchos parámetros que
no pueden ser considerados específicamente para cada trabajador, pero sí pueden ser considerados
a través de valores promedio. Dado que APP proporciona planificación de capacidad de manera
agregada durante un horizonte de planificación de mediano plazo (por ejemplo, un año en este
estudio) y no proporciona programación de trabajo y asignación de recursos de manera detallada.
Al contrario, el METRO ción de las tarifas estándar. El coste de contratación puede considerarse
como los costos inducidos por el trabajo de administración y capacitación de los trabajadores a
tiempo parcial. El costo del despido del trabajador depende de la estrategia de la empresa; se puede
establecer en un valor especificado o cero. Ecuación representa el costo de inventario que resulta
del almacenamiento de partes, deterioro material, seguros, inmovilización de capital, etc. Con base
en la filosofía lean, el inventario es una de las principales fuentes de desperdicio. En consecuencia,
los niveles de inventario deben minimizarse. En la práctica, el costo del inventario se puede estimar
como un porcentaje periódico del valor de la pieza/producto. Se supone aquí que; la empresa tiene
el costo de inventario por producto. La subcontratación de piezas es esencial para casi todas las
empresas de fabricación. La ecuación (6) representa los costos de tercerización. Las empresas
utilizan la subcontratación para resolver el problema de la alta demanda de producción que induce
una escasez de maquinaria o capacidad laboral. Es frecuente externalizar o subcontratar las piezas
no críticas o estándar. Sin pérdida de generalidad, aquí se supone que la subcontratación se
considera a nivel de productos. Para transformar este nivel de subcontratación del nivel de producto
al de partes, se puede calcular el porcentaje del trabajo subcontratado Om,t sobre la cantidad total
de producción. Este porcentaje se puede utilizar para calcular la cantidad de contenido de trabajo
que se puede subcontratar y, en consecuencia, la cantidad de contenido de trabajo se puede
subcontratar a nivel de partes.

Debe respetarse un conjunto de restricciones operativas. Aquí, estas limitaciones se pueden agrupar
en cinco categorías principales. cuales son satisfacción de la demanda, capacidad laboral,
instalaciones de producción, inventiva capacidades de almacenamiento y decisiones que gobiernan
los niveles de inventario o las cantidades de subcontratación. La ecuación (7) representa las
restricciones de satisfacción de la demanda. Para cada periodo de tiempo t, la demanda puede ser
satisfecha tanto por la producción (Pm,t) como por los productos almacenados (Im,(t-1)). La
restricción asegura que al final de cada período de planificación t, el stock de seguridad del período
final (Im,t) más la demanda requerida debe ser igual al nivel de producción más el stock de seguridad
del período inicial (Im(t-1)), en además de la subcontratación, en su caso. Normalmente, las
organizaciones industriales dependen de trabajadores permanentes para satisfacer su demanda de
producción. Puede ser un punto de interés para las organizaciones conocer su número óptimo de
trabajadores permanentes mientras minimizan el costo total del plan. En realidad, el tamaño de los
empleados directos permanentes puede fluctuar diariamente por razones de vacaciones,
ausentismo, factores sociales, bajas por enfermedad, etc. Sin embargo, en algunos maneras, debe
permanecer entre los límites máximo y mínimo. En consecuencia, el planificador debe desarrollar
un plan de producción que sea capaz de adaptarse a esta variación. Aquí, estos umbrales máximo y
mínimo son respectivamente (RWmax, RWmin), como se expresa en la ecuación (8). Esta propuesta
es diferente a los trabajos de investigación anteriores que permiten la contratación y despido
reiterado de trabajadores permanentes. Hay tres razones para adoptar la idea de utilizar límites
mínimos y máximos para la fuerza de trabajo permanente en lugar de contratar y despedir
trabajadores de manera continua. La primera razón es la naturaleza de la variabilidad de los
trabajadores permeables en razones de ausencia por factores sociales, bajas por enfermedad,
vacaciones de entretenimiento, etc. La segunda razón es la capacidad de las empresas para
transferir empleados entre sus sectores de producción de acuerdo con la planes de producción. La
tercera razón es la naturaleza estratégica de la decisión de contratación y despido, no podría
aplicarse mensualmente. Se supone que los valores de RWmax y RWmin se pueden estimar en
función de los datos reales del taller. La fluctuación de la fuerza de trabajo permanente de un
período a otro debe ser lo más suave posible. Por esa razón, la diferencia absoluta entre el número
de trabajadores permanentes para dos períodos de trabajo sucesivos debe mantenerse en un
determinado nivel máximo de variación (VRW) que debe ser evaluado por el comité de dirección,
representado por restricciones (9 ). Por otro lado, se debe especificar el número máximo de jornadas
parciales. Como es bien sabido, las principales habilidades de la empresa deben confiarse a los
trabajadores permanentes, para preservar el desempeño y desarrollar una mejora continua. Como
la ecuación (10), el número de trabajadores a tiempo parcial para cada período t debería tener un
límite predefinido. Este límite se puede especificar de acuerdo con las estrategias de gestión; por lo
general, se puede considerar como una fracción de los trabajadores permanentes. Durante los
períodos de producción, la continuidad de las cantidades de restricciones de mano de obra a tiempo
parcial debe satisfacerse, según lo modelado por la ecuación (11). las horas extraordinarias se
adopta aquí para superar la escasez de capacidad de producciónpara satisfacer la demanda. Las
horas extraordinarias se pueden trabajar durante días laborables semanales normales o días libres.
Por supuesto, las compensaciones por trabajar en días libres son mayores que las de los días
semanales.
Las horas extraordinarias están permitidas para todos los trabajadores con límites especificados
durante días semanales (ecuación (12)) y días libres (ecuación (13)). Estos límites se calculan
representados por la ecuación (14) para días semanales y la ecuación (15) para días libres. De
acuerdo con la práctica industrial común, el número total de horas extraordinarias trabajadas en un
período determinado (por ejemplo, un mes) durante los días laborables normales debe ser inferior
a una fracción preespecificada (KO.T) de las horas estándar que se trabajaron en ese período. –
según nuestra experiencia, este porcentaje puede estimarse en torno al 15%. Esta restricción
industrial también fue considerada en el modelo como ecuación (16). El mismo concepto también
se considera para trabajar en días libres con una proporción preestablecida (KO.H), como la ecuación
(17). También existen restricciones en la cantidad de mano de obra a tiempo parcial durante los días
libres, lo que expresa que no es cómodo depender demasiado de los trabajadores a tiempo parcial,
por cuestiones de seguridad o calidad. La ecuación (18) expresa esta restricción asegurando que, las
horas extraordinarias de los trabajadores permanentes sean superiores o iguales a las de los
trabajadores a tiempo parcial.

Para presentar las limitaciones asociadas con la capacidad de la mano de obra, se debe aclarar el
término "día-hombre". Un representante de "día-hombre" resiente el número de trabajos
requeridos para producir un conjunto de 1,000 unidades de un producto o artículo determinado
durante un solo turno de producción estándar. La ecuación (19) asegura que para cada período t, el
número de días-hombre necesarios para fabricar el plan de producción (MDRt) es menor o igual que
el número de días-hombre disponibles (MDAt). La ecuación (20) se usa para calcular el número
requerido de días-hombre para todos los productos. MDm,t se puede predecir aprendizaje
organizacional (ecuación (21)). Donde, la variable APT representa el número de períodos de
producción realmente trabajados, b representa una constante que se puede calcular en función de
la tasa de aprendizaje promedio (LR) para el producto m como (b = Ln(LR)/Ln (2)). La tasa de
aprendizaje = 1- Relación de progreso. El Ratio de Progreso es la relación entre la reducción del
esfuerzo debido a la replicación del trabajo y el esfuerzo inicial requerido en la primera ejecución.
El esfuerzo a menudo se representa en términos de tiempo, costo, hora-hombre o día-hombre (en
la investigación actual). Mientras que MDini es el hombre-día inicial que se encuentra en el primer
período de producción. Los dos factores MDini y b se pueden predecir en función de los datos de
producción reales. En este modelo, el fenómeno del aprendizaje se representa como una función
de los períodos de producción acumulada más que de las unidades acumuladas producidas. Este
concepto se adopta para superar la complejidad que plantea incorporar el efecto de aprendizaje: es
decir, integrar el efecto de aprendizaje en función de la producción acumulada cambia el modelo
matemático a uno no lineal. Esta no linealidad complica la posibilidad de obtener una solución
óptima al problema, especialmente para problemas del tamaño industrial real. Por otro lado, se
demuestra que la formulación presentada de la ecuación (21) es más relevante que la mayoría de
las curvas de aprendizaje monovariables [20]. En cuanto al número de días-hombre disponibles, se
puede determinar con base en toda la mano de obra directa y todas las horas de trabajo, como se
representa en la ecuación (22).

Las máquinas tienen capacidades limitadas. Por lo tanto, las máquinas disponibles deben cumplir
con la capacidad requerida por el plan de producción. Al adoptar el trabajo por turnos, la capacidad
de la máquina se puede duplicar o triplicar según el volumen de producción requerido. Estos tipos
de restricciones se modelan mediante la Ecuación (23). La ecuación (24) se utiliza para determinar
la capacidad de las máquinas por período t (MCm,t) con base en la productividad por hora (Prav), la
disponibilidad promedio (Aav), el índice de calidad promedio (qav) y el trabajo máximo permitido.
horas (número de turnos (Sm,t) núm- basándose en la curva de aprendizaje organizacional. En
consecuencia, el número de días-hombre requeridos para cada producto se desarrolla con el
tiempo. Basándose en el estudio de investigación de Attia et al. [20], la curva de aprendizaje de
Wright [15] se puede utilizar de manera competente para representar horas por turno (ns)). La
multiplicación de los tres términos ddíndice de actividad, disponibilidad y calidad: (Prav. Aav. qav)
formula la efectividad general promedio del equipo (OEE) de las máquinas utilizado en la producción
del producto m. Finalmente, el inventario también impone otro conjunto de restricciones como lo
demuestra la ecuación. Limita el nivel de almacenamiento para estar dentro de un rango
preespecificado que se encuentra entre Min. (Im,t) y Máx. (Im,t). El stock de seguridad es muy
importante ya que funciona como cobertura frente a la incertidumbre. Estos límites se consideran
como una proporción (KI) de Dm,t. Como resultado de una práctica industrial común, la proporción
del nivel mínimo de existencias de seguridad se puede regular en un 20 %, y la del nivel máximo
puede llegar al 40 %. Estas fracciones pueden variar de una empresa a otra según muchas variables,
incluidas las estrategias de gestión, la fiabilidad de las máquinas, la disponibilidad de recursos, las
fluctuaciones imprevistas de la demanda, etc. Las empresas deben minimizar el número de artículos
subcontratados y limitarlo a piezas estándar o auxiliares. , sin embargo, la subcontratación ofrece
soluciones cuando hay escasez de maquinaria o capacidad de mano de obra. Como se mencionó
anteriormente, en esta investigación se considera la subcontratación a nivel de producto. Pero, la
cantidad subcontratada está restringida por un límite máximo permisible, como la ecuación (26).
Además, el modelo considera las restricciones de no negatividad para todas las variables de
decisión.

5. Estudio de caso

El estudio de caso real se llevó a cabo en una empresa manufacturera egipcia que se especializa en
la producción de electrodomésticos y se llama “Grupo El-Araby”. Esta firma es una empresa familiar
por acciones establecida en 1964 y dedicada a producir productos de alta calidad que integran alta
tecnología para satisfacer las necesidades o expectativas de los clientes. Produce alrededor de 890
productos diferentes a través de 21 fábricas. Además, se basa en más de20.000 empleados. Este
estudio considera una sola fábrica que produce motores eléctricos. La producción de motores
eléctricos ha comenzado a crecer en esta firma desde 1992. La fábrica en cuestión fabrica 29
productos diferentes que se suministran a las demás fábricas de la organización, además de algunas
otras referencias que se suministran a otros clientes externos. La empresa tiene una buena
participación de mercado y enfrenta una demanda muy alta para algunos tipos de productos: la
producción de motores para ventiladores de techo es de 1.800.000 unidades/año, motores para
ventiladores de mesa 800.000 unidades/año y motores para ventiladores de ventilación es

750.000 unidades/año. La fabricación de estas diferentes familias de productos implica 110

procesos productivos que deben ser realizados.

formado para dar forma a las piezas requeridas. Estos procesos se pueden clasificar

divididos en seis grupos principales. El primer grupo de procesos son las operaciones de corte y
perforación de las tiras de acero que producen las láminas de acero que dan forma a la parte del
estator del sistema eléctrico.

motores El segundo grupo son las operaciones de fundición a presión, que produce algunas piezas
diferentes, como las cubiertas delantera y trasera de los motores y la cubierta de los engranajes de
transmisión para algunos otros modelos. Después de los procesos de fundición a presión, existe la
necesidad de procesos de corte de metales, p. operaciones de torneado, taladrado, escariado y
roscado que estructuran la tercera categoría. El cuarto grupo reúne las operaciones de cableado
que incorporan el estator con las bobinas eléctricas requeridas, y luego se debe realizar el
aislamiento y tratamiento de las bobinas. Existen otros procesos como prensado, rectificado,
moleteado, roscado de ejes, etc. Estos procesos, conocidos en esta empresa como “acabado”,
caracterizan la quinta categoría. Finalmente, la sexta categoría es el proceso de ensamblaje que
reúne todas las partes para formar el producto final. Siguiendo los pasos de producción,
encontramos las operaciones de inspección y prueba. La figura 2 muestra una ilustración de dos
productos: un motor de ventilador de mesa y el estator de un motor de ventilador de techo.

6. Resultados computacionales

6.1. Datos básicos

Después de identificar los parámetros requeridos, se recopilaron los conjuntos completos de datos
de la fábrica durante tres años consecutivos, conocidos aquí como Plan-I anual, Plan-II anual y Plan-
III anual. Estos tres planes se dedicaron a producir un total de veintinueve productos. El conjunto
completo de datos para el Plan-I se presenta en el apéndice A. También se proporcionan las curvas
de aprendizaje que expresan la evolución del esfuerzo requerido en días-hombre. En cuanto a la
predicción de estas curvas de aprendizaje: Para la misma fábrica, el comité de dirección se motivó
a conocer la curva de aprendizaje más adecuada que se puede utilizar para estimar la evolución de
la productividad de la mano de obra en el tiempo. En respuesta a este incentivo, se realizó un estudio
de investigaciónformado. Eso utiliza un conjunto de datos de producción real de 42 meses, con una
tasa de producción mensual promedio de aproximadamente 17,000 unidades. El conjunto de datos
utilizado se refiere a 110 procesos de fabricación y los diferentes estilos de productos finales.
Después de realizar el análisis de regresión no lineal utilizando diez fórmulas para curvas de
aprendizaje monovariables, se evaluó la calidad de cada curva de aprendizaje utilizada para ajustar
los datos. Se adoptaron cinco criterios para esta evaluación de la calidad: el coeficiente de regresión
R2, la estabilidad del modelo de aprendizaje para ajustar los datos, la suma de los cuadrados de los
errores (SSE), la variación de R2 y la variación de SSE. Para priorizar estas curvas de aprendizaje
apoyándose en los cinco criterios anteriores, se adoptó el procedimiento de jerarquía analítica (AHP)
con el objetivo de encontrar la curva de aprendizaje más adecuada para el caso de estudio actual y
las alternativas son las diez curvas de aprendizaje monovariables. El análisis muestra que la curva
de aprendizaje de Wright [15] es la curva más relevante a utilizar. La curva de aprendizaje para cada
producto se enumera en la tabla A-3 del apéndice A, en la última columna. Para cada producto, la
tasa de aprendizaje se puede calcular utilizando la pendiente de la curva. Como ejemplo, para
Producto-1, la pendiente de la curva de aprendizaje (-0.05632). Sabiendo que: Pendiente = ln(tasa
de aprendizaje)/ln(2), uno puede calcular la tasa de aprendizaje = e(-0.05632 ln (2) = 0.9617. Como
porcentaje, la tasa de aprendizaje = 96.17% para el Producto-1. La La descripción detallada de este
estudio de investigación se presenta en el trabajo actual de los autores de [20].

6.2. Metodología de solución

El modelo de APP presentado se resolvió de manera óptima utilizando ILOG-CPLEX-12.6. Primero,

el modelo se codificó a través del lenguaje OPL. Los conjuntos de datos de los planes de producción
se ingresaron en el modelo. Después de ejecutar el modelo, se obtuvieron las siguientes estadísticas
promedio de los tres planes: variables totales = 1545, variables enteras = 1124, variables reales =
421, restricciones = 3017 y coeficientes distintos de cero = 5769. Para validar el modelo, los autores
organizaron unos talleres con los expertos en planificación de la fábrica para investigar la calidad y
la aplicabilidad de los resultados obtenidos. En primer lugar, se consideró la misma práctica real de
la fábrica: los trabajadores a tiempo parcial no fueron considerados para el Plan-I. Además, la
evolución de la productividad de la mano de obra se actualiza semestralmente con los valores reales.
El modelo se ejecuta para obtener resultados para cada plan con un tiempo promedio de cómputo
de aproximadamente 31 segundos usando una máquina con un procesador Core i3. Los resultados
de cada corrida son extremadamente investigados, todas las restricciones son satisfechas y todas
las variables obtuvieron los valores esperados. Además, los costos de los planes obtenidos son
inferiores a los de los planes reales que se enumeran en la Tabla 1. Con base en los exámenes de los
expertos, se validaron los resultados del modelo y se garantizó su aplicabilidad. Después de la
adopción del efecto de aprendizaje sobre una base mensual confiando en la curva de aprendizaje
de Wright [15], se obtuvieron los resultados óptimos para los tres planes. La función objetivo
obtenida para cada plan se muestra en la Tabla 1.

Al comparar los costos totales de los planes óptimos obtenidos y los ya ejecutados, la importancia
de aplicar la propuesta

modelo fue concluido. La Tabla 1 presenta la comparación entre

planes óptimos resultantes del modelo y los correspondientes valores de la empresa. Basándose en
la Tabla 1, el modelo da la esperanza de una reducción de costes de alrededor del 7 % para un
tiempo de cálculo inferior a un minuto. Además, el impacto de considerar el efecto del aprendizaje
organizacional en forma mensual y semestral es muy pequeño, alrededor del 0,2% en promedio,
pero puede contribuir al ahorro total de costos de producción.

Los resultados completos del "Plan-1" se presentan en el Apéndice B. Al investigar la tabla B-1, se
puede descubrir que la producción de un producto específico Pm,t se lleva a cabo para satisfacer la
demanda pronosticada del cliente Dm,t presentada en la tabla A-1. En consecuencia, existe una
discontinuidad en la producción de algunos productos. Como se muestra, la cantidad de producción
Pm,t = 0 para algunos períodos específicos, p. para los productos 1, 16, 17, 18 y 24. La pregunta que
se puede plantear aquí: ¿Esta interrupción en la producción tiene un efecto sobre la tasa de
aprendizaje para un producto específico? Para responder a esta pregunta, debemos considerar dos
situaciones. La primera situación es que la producción de todos los productos requiere los mismos
procesos con habilidades específicas. En la fábrica actual, la producción de todos los productos
requiere procesos como corte y perforación, fundición a presión, torneado, taladrado, escariado,
roscado, prensado, rectificado, moleteado, roscado de ejes, cableado, aislamiento, tratamiento de
bobinas y ensamblaje. En tal ambiente de trabajo, el efecto de la interrupción de la producción sobre
la tasa de aprendizaje es muy pequeño y la justificación de usar la curva de olvido es muy débil. El
segundo caso se encuentra cuando la producción de productos requiere procesos diferentes o
habilidades diferentes. En este caso, se debe considerar que la curva de olvido representa el carácter
dinámico de la adquisición de experiencia durante los períodos de trabajo y la pérdida por olvido
durante los períodos de no producción. Los niveles de inventario se presentan en la tabla B-2. Tal
como se obtuvieron, las cantidades máximas se dan a los productos 3, 6, 8, 11 y 13. Esta tendencia
se corresponde con las cantidades máximas enumeradas en la tabla B-1. Además, es consistente
con la demanda pronosticada presentada en la tabla A-1.

Al revisar la tabla B-4, se puede notar la alta variación de Sm,t en el intervalo [0, 3]. Esta variabilidad
está altamente correlacionada con la cantidad de producción Pm,t de la tabla B-1. A medida que
aumenta la cantidad de producción Pm,t, aumenta la capacidad requerida de la máquina que se
puede duplicar o triplicar trabajando en turnos. Esta alta correlación entre Sm,t y Pm,t puede
descubrirse basándose en las ecuaciones (23) y (24). Además, esta correlación se puede notar
gráficamente comparando el diagrama del plan de producción Pm,t con el diagrama gráfico Sm,t. La
variación en el número de turnos para cada producto no afecta el proceso de aprendizaje porque
para cada estación de trabajo, cada trabajador trabaja continuamente en las mismas máquinas, pero
solo se puede cambiar la configuración inicial de la máquina para producir el segundo producto. Por
otro lado, el fenómeno de aprendizaje tiene un efecto indirecto sobre la capacidad requerida de la
máquina. Este efecto indirecto proviene de la reducción de tiempos muertos de máquinas, procesos
de preparación, uso de velocidades de trabajo adecuadas, etc. En otras palabras, el impacto de
aprendizaje proviene de la experiencia adquirida por los trabajadores.

La Tabla B-5 muestra la distribución del número de trabajadores a tiempo parcial utilizados por el
modelo a lo largo del horizonte de planificación. Uno puede

observe que el modelo siempre utiliza el número máximo de piezas

trabajadores a tiempo parcial cuando se permite el tiempo parcial y el número mínimo de

trabajadores permanentes no es suficiente para producir el plan de producción. Para cada período
de producción t, los trabajos requeridos

(permanente o a tiempo parcial) depende de la cantidad de producción Pm, t. En el caso de alta

demanda, el modelo favorece las opciones que están disminuyendo el costo total. Al comparar el
salario mensual de un trabajador a tiempo parcial con el salario mensual promedio de uno de los
trabajadores permanentes, se puede notar que el modelo debería favorecer el tiempo parcial
porque tiene el costo mínimo. En consecuencia, como se muestra en la tabla B-5, el modelo siempre
utiliza el número máximo permisible de trabajadores a tiempo parcial para reducir costos. Esta
tendencia se puede notar en el horizonte de producción excepto el último trimestre del año
(septiembre, octubre, noviembre y diciembre). Como estrategia laboral en la empresa, no se
permiten trabajadores a tiempo parcial durante el 4º trimestre del año. Adoptaron esta estrategia
en razón de la estacionalidad de la demanda en las demás fábricas de la empresa, por lo que
prefieren redistribuir trabajadores permanentes en lugar de utilizar trabajadores a tiempo parcial.
Como se discutió anteriormente, los trabajadores a tiempo parcial a menudo trabajan como
trabajadores de servicios públicos o se utilizan para las tareas más fáciles que puede realizar
cualquier persona con una orientación y orientación mínimas.

7. Aspectos de gestión
Para concluir algunos aspectos de gestión, se investigó un conjunto de parámetros del modelo
utilizando el conjunto de datos del Plan-I. Los resultados del Plan-I se mantienen como referencia
(Tabla 1). En primer lugar, se examina la decisión de contar con una plantilla fluida de trabajadores
permanentes (VRW). La adopción de este factor en lugar de PWmax y PWmin obliga al modelo a
suavizar la mano de obra basándose en la mano de obra inicial disponible en t0. La figura 3 muestra
el efecto del límite máximo de variación de la plantilla permanente entre dos periodos de trabajo
sucesivos sobre el coste total. Parece que la relación entre el costo total y VRW es una correlación
inversa no lineal. A medida que crece esta variación, el costo total se reduce hasta llegar a un valor
fijo en VRW = 328 trabajadores. El costo de tener una fuerza de trabajo permanente constante
representa 1.260.930 UM, o 0,62% del costo del plan de referencia(Tabla 1). Para reducir este
impacto, las organizaciones deben encontrar un 204.5

promesa entre tener trabajadores permanentes fijos y permitir

variación en el personal de la fuerza laboral total mediante el uso de trabajadores a tiempo parcial,
trans- 204

transferir trabajadores entre fábricas, o adoptando las estrategias de flexibilización

horas de trabajo disponibles en caso de demanda variable a lo largo de los períodos. 203.5

La segunda decisión son los niveles de horas extras que se utilizan durante las horas normales.

días laborables. Manteniendo VRW = 0, discutido anteriormente, y cambiando

ing el porcentaje de las horas extraordinarias permitidas utilizadas (variando KO.

T); el costo resultante puede reducirse. Como se muestra en la Fig. 4, el total

el costo del plan disminuye con una mayor concesión de horas extras. los

la reducción en el costo total también es no lineal y está inversamente correlacionada con las horas
extra y muestra pocos cambios después de un porcentaje dado de (KO.T) que puede considerarse
como KO.T = 45%. Al adoptar la estrategia de horas extras en KO.T = 45%, el efecto de utilizar una
fuerza de trabajo permanente constante puede reducirse en un 66,2%.

La tercera decisión es sobre la oportunidad de trabajar durante los días libres. Se mantienen las
estrategias de tener VRW = 0 y KO.T = 15%. El efecto de trabajar durante los días libres puede
investigarse variando el trabajo permitido durante los días libres (es decir, variando KO.H). Este
factor tiene un efecto similar en el costo total del plan que los factores discutidos anteriormente,
como se muestra en la Fig. 5. Se observó que no se nota una mejora significativa para KO.T superior
al 30%. La adopción de esta estrategia conduce a reducir el costo de tener una fuerza laboral
permanente constante en aproximadamente un 30%. Es obvio que permitir horas extras durante
los días normales de trabajo trae mejores resultados que trabajar durante los días libres, ya que la
tarifa horaria es menor. El trabajo durante los días libres se puede apreciar en caso de que no haya
disponibilidad de trabajar con horas extras durante los días laborables normales, p. como en el caso
de 3 turnos de trabajo en una instalación determinada.

La cuarta decisión es sobre el número de trabajadores a tiempo parcial. Aquí también, las estrategias
de usar VRW = 0, KO.T = 15% y KO. H = 15% se mantienen durante el estudio de esta decisión. Desde
ese punto de vista, la restricción de tener cero trabajadores a tiempo parcial durante el cuartoNivel
máximo de trabajadores a tiempo parcial

cuarto está relajado. La figura 6 muestra este efecto de los trabajadores a tiempo parcial sobre el
coste total: este coste se reduce a medida que aumenta el número de trabajadores a tiempo parcial
hasta alcanzar un valor dado por encima del cual este efecto parece insignificante (140 trabajadores)
o nulo (160 trabajadores) . Esta estrategia de aumentar los trabajadores a tiempo parcial hasta 140
trabajadores lleva a ahorrar el coste de tener una plantilla permanente completamente constante.
Además, reduce el costo total en aproximadamente un 0,26% del costo de referencia. La influencia
de la contratación de trabajadores a tiempo parcial proviene de dos aspectos: el primero es el salario
por hora en comparación con las horas extras o el trabajo en días libres. El segundo es el efecto de
los trabajadores a tiempo parcial que palia las variaciones en la fuerza de trabajo total necesaria
para hacer frente a las fluctuaciones de la demanda.

En cuanto a los niveles mínimos permisibles de inventario (KI min), es obvio que el inventario cero
es suicida. Puede parecer óptimopero no práctico. Por otro lado, se prefiere maximizar el inventario
(KI max) por razones operativas, pero aumenta el costo asociado. Para investigar este factor, las
estrategias de uso VRW = 0, KO. T = 15 %, KO.H = 15 % y número de trabajadores a tiempo parcial
PW = 80 se mantienen durante la investigación. Como se muestra en la Fig. 7, la reducción del costo
está altamente correlacionada con el límite máximo de los niveles de inventario. Como práctica
óptima, esta limitación podría relajarse. La relajación de esta restricción práctica permite que el
modelo haga un intercambio entre períodos. Sin embargo, la mayoría de las organizaciones tienen
límites de inventario El último parámetro a investigar es la tasa de aprendizaje. Está interesado en
el área de gestión de operaciones para medir el impacto del aprender haciendo en el costo total de
producción (ecuación (21)). Los siguientes escenarios se utilizan en esta investigación y se
mantienen los parámetros del modelo como se enumeran en el Apéndice A:

- Usar el valor real de la tasa de aprendizaje para cada modelo obtenido de la aplicación del análisis
de regresión a datos reales

(el resultado es el mismo presentado en la Sección 6.2 y conocido aquí

como referencia").
- Usando una tasa de aprendizaje promedio para todos los modelos (tasa de aprendizaje = 95.45%).

- Usando algunos otros valores alrededor del promedio (Sin aprendizaje, 98,

96, 95, 94, 92.. .80%).

Después de resolver el problema utilizando todos los escenarios anteriores, se puede desarrollar la
Fig. 8. Representa la relación entre la tasa de aprendizaje y el costo total del plan. Como se muestra,
el aumento en la tasa de aprendizaje

va acompañado de un aumento en el costo total del plan. Esta tendencia es

normal, a medida que aumenta la tasa de aprendizaje, se desvanece la oportunidad de reducir la

capacidad de trabajo requerida. Confiando en la relación de (índice de aprendizaje = 1 – índice de
progreso), un índice de aprendizaje alto significa un índice de progreso pequeño. Por lo tanto, para
una mayor tasa de aprendizaje, la oportunidad de mejora en la productividad de la fuerza laboral
será muy minúscula y tiende a aumentar el costo del plan. Además, la forma de meseta de la curva
de aprendizaje se alcanza más rápido que el caso con una tasa de aprendizaje baja. En otras
palabras, para una tasa de aprendizaje del 100% no hay mejora en el tiempo. El impacto de
considerar el fenómeno del aprendizaje en APP es significativo, aquí los ahorros representan 7,26
Millones (UM) o 3,59% del costo total. La reducción del costo del plan proviene del desarrollo de la
productividad de la fuerza de trabajo gracias a la experiencia adquirida de un período a otro. En el
modelo actual, el día-hombre requerido para producir un producto específico se reduce de un
período a otro gracias al efecto de aprendizaje. En otras palabras, el número de trabajos requeridos
para producir un número de 1000 unidades de un producto determinado se reduce con el tiempo.
Esta reducción se nota notablemente al comparar el costo de referencia con el caso de no
aprendizaje que se muestra en la Fig. 8. Según este conjunto de datos, considerar una tasa de
aprendizaje promedio para todo el taller en lugar de valores específicos para cada producto induce
una subestimación de el costo: 0.3 Millones (MU), o 0.15% del costo total. Podemos retener de esta
investigación que el impacto del efecto de aprendizaje es significativo en el costo de operación
industrial. Desde ese punto de vista, tiene sentido usar un promedio valor de edad, más fácil de
manejar, en lugar de mediciones precisas realizadas para cada tipo de operación o familia de
productos. En consecuencia, las empresas deben estimar los parámetros correspondientes de sus
productos y, para simplificar el cálculo, pueden utilizar un valor promedio en lugar de los detallados.
Por otro lado, usar valores de la literatura para la tasa de aprendizaje es engañoso, especialmente
si las aplicaciones son diferentes.

8. Conclusión
El presente artículo presenta un modelo matemático para el problema de la Planificación de la
Producción Agregada (APP). Este modelo considera una amplia gama de fuentes de costos:
máquinas, mano de obra, inventario, subcontratación. Además, considera el concepto de
aprendizaje organizacional para pronosticar las tasas de productividad de la fuerza laboral en
términos de carga de trabajo ("días-hombre", donde un día-hombre es el número de trabajos
requeridos para producir una cantidad de 1,000 unidades de un producto o pieza determinada).
durante un día”). Además, se consideraron las diferentes restricciones o condicionantes de trabajo:
demanda, almacenamiento, capacidad de mano de obra, horas extras de mano de obra permanente
o de medio tiempo, etc. Luego se resolvió el modelo utilizando el software ILOG-CPLEX luego de
codificarlo con lenguaje OPL. Se utilizó un estudio de caso real para validar el modelo. Los datos
fueron tomados de una fábrica de motores eléctricos. Esta fábrica es una de "El-Araby Group" para
la fabricación de electrodomésticos. Los resultados fueron analizados y validados por las excesivas
investigaciones de los expertos en planificación empresarial. Al comparar los resultados del estudio
con la metodología de planificación adoptada por la empresa, se logró un porcentaje promedio de
6,3% de reducción de costos. Esta proporción se puede transformar en unos 17,3 millones de libras
egipcias. Además, se investiga el impacto económico inducido por las siguientes decisiones
gerenciales: tener una fuerza laboral permanente fluida, niveles de horas extra, trabajar durante las
vacaciones/días libres, niveles de trabajadores a tiempo parcial y tasas de aprendizaje. Las
principales limitaciones del modelo propuesto son la asunción de la naturaleza determinista de los
parámetros del modelo. Estos parámetros incluyen demanda pronosticada, costos de materiales,
costos de operación, etc. Además, no considera el costo de cambio entre modelos. Como
perspectivas de este trabajo, se puede considerar que la incertidumbre de los diferentes parámetros
refleja los aspectos reales del problema. La incertidumbre se puede considerar utilizando modelos
estocásticos o difusos.

LECTURA 4: SALES FORECAST FOR AGGREGATE PLANNING: CASE

STUDY OF AN INDUSTRIAL PRODUCTS COMPANY IN MEXICO

Resumen: Este estudio de caso presenta el análisis mediante el uso de herramientas de estimación
de ventas para la planificación de la demanda de agregados. nivel como producto terminado en una
empresa de productos industriales líder en el mercado en México. Primero, alineó la demanda y el
plan de suministro, recomendando el mejor escenario de ejecución para aumentar la eficiencia
operativa y reducir el costo de operar la cadena de suministro para aumentar la productividad de la
empresa y mantenerse competitiva. Luego, después de analizar el comportamiento de la demanda
de los productos seleccionados, los autores determinaron como principal afectación la inadecuada
precisión del método de pronóstico y la falta de una estrategia de pronóstico agregado que permita
reducir la variación. Debido a esto, el esfuerzo más significativo se concentró en determinar un
mejor modelo de pronóstico y la decisión de agregar la demanda basada en tres criterios relevantes:
el patrón de demanda basado en el cuadrante Suave, Intermitente, Errático o Irregular, el mejor
método de la previsión para cada producto y el tiempo en trimestres. Como resultado, una
reducción entre el 20% y el 46% en la variación del pronóstico se puede obtener de lo anterior.

1. Introducción

La correcta alineación entre la demanda y la oferta. El plan es crítico a lo largo de la cadena de

suministro. una forma en que toda la cadena de valor tiene visibilidad del cliente la demanda y se
sincroniza para cumplir con el servicio al cliente nivel y por lo tanto alcanzar los objetivos
estratégicos de la empresa genera ventas, margen de beneficio y flujo de caja.

El equilibrio correcto de la oferta y la demanda ayuda a la empresa para mejorar su nivel de servicio
a los clientes, permite una mejor visibilidad de los requisitos de suministro a los proveedores
garantizar la disponibilidad de materias primas así como operaciones para nivelar el plan de
producción para la mejor planificación de los recursos y la correcta ejecución del plan de producción,
dando más certeza para el cumplimiento del plan de negocios (Entringer & Ferreira, 2018).

El plan de Ventas y Operaciones es el mecanismo quevarias empresas han utilizado para alinear la
demanda y plan de abastecimiento para brindar un mejor servicio al cliente. Se reduce tiempos de
entrega, mejor control de los niveles de inventario, proporciona visibilidad para ambos proveedores,
como las operaciones de la empresa, estabiliza los niveles de producción, aprovecha mejor la
capacidad productiva, y se anticipa a cualquier desequilibrio entre el plan de oferta y demanda para
la correcta toma de acciones para mitigar el impacto en el negocio de la compañía Es importante
incorporar técnicas de pronóstico de series de tiempo para la estimación de ventas que apoyen las
estrategias y acciones determinadas para satisfacer la demanda, posicionando los recursos
necesarios y reduciendo la incertidumbre en los procesos que componen la cadena de valor
(Contreras-Juárez, Atziry-Zúñiga, Martínez- Flores, & Sánchez-Partida, 2016).

El alcance de este caso de estudio es una capital 100% mexicana empresa líder en el mercado
dedicada a la producción y comercialización de productos industriales ubicados en México con diez
plantas de fabricación y tres de distribución centros con 800 empleados.

Este estudio de caso ayuda a la empresa a integrar un proceso formal de estimación de ventas en
sus Ventas y Plan de Operaciones a través del apoyo de series temporales paramejorar la precisión
del pronóstico a nivel agregado por familia de productos y a nivel de catálogo del acabado producto.

2 Reseña literaria
Todo plan de negocios en una empresa comienza con la estimación y planificación de ventas de sus
productos, y en base a esta estimación, se generan planes maestros en la empresa, un plan
financiero por mencionar algunos, por lo que la calidad del estimación tiene un impacto en la calidad
y ejecución de estos planes.

La gerencia de la empresa debe considerar varios factores para mantener niveles óptimos de
inventario, como la liquidez financiera de la empresa, comportamiento de ventas como la
estacionalidad, confiabilidad y disponibilidad de proveedores, recursos financieros disponibles.
Además, una adecuada nivel de inventario reduce los riesgos potenciales de pérdida de ventas
debido a la falta de disponibilidad de inventario y un aumento en el flujo de caja de la empresa,
como la liberación de almacén capacidad (Malindzakova & Zimon, 2019).

La variabilidad de la demanda se debe a diferentes factores como la heterogeneidad de los clientes,

factores externos como macroeconomía, condiciones de mercado, socioculturales y factores
internos de la empresa como el servicio, el precio condiciones y actividades promocionales. Además,
las políticas de distribución contribuyen a generar esta variabilidad. Se propone primero
comprender el contexto en que opera la empresa en cuanto al número de productos, los principales
problemas a los que se enfrenta y el flujo raíz análisis de la variabilidad de la demanda. La estructura
de la oferta. cadena y comportamiento del cliente con el fin de recoger el proceso y analizar los
datos, lo que se conoce como investigación de datos y tener una mejor referencia para la correcta
selección de los modelo de estimación y en base a los resultados obtenidos por el proponer un plan
de acción, implementación y evaluación de contramedidas (Kalchschmidt, Verganti & Zotteri, 2006).

Las diferentes características del cliente inducen a la variabilidad en la calidad de la prestación de

un servicio: Las necesidades y Los deseos de un cliente son diferentes. Pueden solicitar la servicio
en diferentes horarios. El conocimiento y la experiencia del producto o servicio varían entre los
clientes, sus voluntad de apoyo en la prestación del servicio puede difieren, tienen diferentes
opiniones sobre la provisión de el servicio, la comunicación sobre la prestación del servicio puede
ser ambiguo, por lo que es esencial considerar estas características para entender el rendimiento
línea de base, reconocer la oportunidad de mejora y implementar un plan de acción para aumentar
la calidad del servicio y la lealtad del cliente a la empresa (Yang, 2011).

Se puede clasificar en dos tipos para medir la desempeño de la estimación, 1) El sesgo o sesgo es el
principal medida que evalúa el grado en que un pronóstico modelo genera una estimación por
encima o por debajo de la actual datos si el sesgo es cero. Aunque el modelo de estimación es bueno,
si el sesgo es positivo, los valores actuales tienden a ser en promedio por encima de lo estimado, en
el caso de ser el sesgo negativo, el valor actual está por debajo del estimado valor, 2) Hay tres
medidas para cuantificar el error en los pronósticos: el error de desviación absoluta media (MAD),
el error cuadrático medio (MSE) y la media error porcentual absoluto (MAPE) (Klimberg, Sillup
&Tavva, 2010).
La precisión de la estimación generalmente se mide como la variación de la estimación en
comparación con el rendimiento actual. Por lo general, esta variación se genera debido al uso
incorrecto de herramientas y procesos de estimación. Por lo tanto, se proponen cuatro categorías
para aumentar la precisión en la estimación, 1) Revisión del método de estimación estadística, 2)
Hardware y software para aumentar la capacidad de cómputo de la información, 3) La elaboración
de la estimación requiere herramientas, procesos, experiencia, y formación del personal, y

4) Análisis de series de tiempo y métodos de estimación para reconocer patrones, estructuras, que
permitan predecir y mejorando la precisión de la estimación (Rieg, 2010).

En algunos casos, se recomienda considerar la combinación de métodos de estimación y evaluar la

métodos para cuantificar el sesgo y el error de la estimación (Klindokmai, Neech, Wu Ojiako, Chipulu
y Marshall, 2014).

Una metodología (Syntetos, Boylan, & Croston, 2005) es considerado para posicionar la demanda
de los diferentes catálogos de productos terminados dentro de una categoría basada en dos
parámetros Primero, el intervalo de demanda promedio (ADI) mide qué tan estable es la demanda
en términos de tiempo por calcular el intervalo medio entre dos demandas y el coeficiente de
variación al cuadrado (CV²) que permite medir la variación de las unidades.

Se describe a través de cuatro cuadrantes para ubicar cada categoría discreta de demanda
considerando los parámetros de ADI y CV², como se muestra en la Figura 1:

1. Demanda errática (ADI <1,32 y CV²> = 0,49).

La demanda muestra un alto grado de variación entre periodos. Para artículos ubicados en este
cuadrante, Syntetos y Boylan Se recomienda un método de estimación para pronosticar

pedir.

2. Demanda Irregular (ADI> = 1.32 y CV²> = 0,49). La demanda presenta una variación alta mayor o

igual al 50%, y el intervalo medio entre demandas es considerado alto; con esto podemos deducir
que hay algunos periodos en los que la demanda es cero. Como artículos en el cuadrante errático,
el método de Syntetos y Boylan es Recomendado para pronosticar la demanda.

3. Demanda blanda: (ADI <1,32 y CV² <0,49).

La demanda está en un nivel constante y los periodos en los que no están a la venta son escasos o
nulos. En esta zona del cuadrante, Se recomienda el método de estimación de Croston.

4. Demanda Intermitente (ADI> = 1.32 y CV² <0,49). La demanda muestra baja variación en unidades
entre los periodos, pero alta variabilidad en el intervalo de tiempo entre dos demandas indica
periodos de demanda cero. En esta zona del cuadrante, el método de estimación Syntetos y se
recomienda Boylan.

Es fundamental entender el patrón de demanda considerando los diferentes factores que influyen
en su comportamiento, luego determinar la categoría de demanda intermitente según la
clasificación SBC con el fin de seleccionar la metodología de estimación adecuada para reducir el
error de estimación (Van der Auweraer, Boute , & Syntetos 2017).

En la serie temporal de demanda intermitente, la demanda es clasificados teniendo en cuenta el

intervalo medio de demanda y coeficiente de variación según el modelo de Syntetos, Boylan &
Croston en su investigación Doszyń propone en lugar del intervalo medio de demanda recomienda
comparar el coeficiente de variación sobre la frecuencia de la venta para comprender mejor la
naturaleza del comportamiento de la demanda (Doszyń, 2019).

Dentro de la metodología para la implementación de las ventas estimación, es necesario entender

la estructura de la cadena de suministro de la empresa, comprender las características de la
demanda, y validar las causas que la generan variabilidad en la demanda. El siguiente paso es
entender el patrón de demanda y clasifíquelo de acuerdo con el patrón intermitente categorías de
demanda, seleccionar el modelo de estimación correcto, realizar una simulación y, en base a los
resultados positivos, planificar una prueba piloto para su posterior implantación. Este se
implementó la metodología en el sector retail (Balderas, Araiza, Peña & Villareal, 2019).

Como parte de la metodología de estimación de consumibles artículos tales como repuestos donde
la demanda es intermitente o lento, es difícil pronosticar su consumo, por lo que se hace un análisis
de la categoría de la demanda en formas blandas, erráticas, intermitente e irregular usando
metodología de estimación de acuerdo con los patrones de demanda para los cuales una
modificación al método de Croton se propone como una aproximación método para mantener un
nivel de inventario requerido para un servicio nivel de acuerdo a cada uno de los patrones de
demanda (Aleros, & Kingman, 2004).

Una vez establecidos los niveles de inventario, procedemos con la nivelación de la producción en un
período. Eso permite evitando fluctuaciones para predecir el consumo de materias primas
materiales, mano de obra y capacidad productiva para garantizar la disponibilidad del producto,
minimizando inventarios, capital de trabajo y tiempo de entrega a lo largo de la cadena de valor
(Narusawa & Shook, 2011).

Una mala planificación de la demanda se traduce en cambios constantes en los niveles de

producción, por lo que es fundamental suavizar la demanda para optimizar los recursos de
producción utilizando el doble metodología de suavizado exponencial. Proyecciones de demanda se
generan como parte de la evaluación de la estimación es cuantificado. El error en las previsiones a
través de tres medidas: MAD, MSE y MAPE, ya que el error no disminuye, se decide ajustar la
demanda media en lugar de una base mensual a trimestral, optimizando el suavizando los
parámetros α y β, fue posible reducir la error en la estimación (Sánchez-Partida, Rodríguez-Méndez,
Martínez-Flores & Caballero-Morales, 2018).

A la hora de obtener la previsión de la demanda de los clientes, es indispensable evaluar si tiene los
niveles de inventario correctos a través de una correcta política de control de inventarios utilizando
la EOQ para determinar la cantidad óptima a pedir con un nuevo pedido apuntar a la orden cuando
el objetivo ha alcanzado un punto en el Inventario dentro del tiempo de entrega para cumplir con
el nivel de servicio deseado por el cliente o si se necesita más inventario requerida, evaluar la
capacidad productiva para posicionar inventario necesario para satisfacer la demanda del cliente
(Álvarez- Socarrás, Berrones, Moreno, Rodríguez-Sarasty & Cabrera-Ríos, 2013).

El análisis ABC en la gestión de inventarios es un método de clasificar los inventarios con base en el
valor en libros (costo o adquisición) de los materiales almacenados que consideren utilizar el artículo
a su valor en libros, clasificado de mayor a menor (Richards, Grinsted, 2016).

El control de inventario de repuestos en un sistema MRP es fundamental analizar la demanda

histórica que tiene la Clasificación ABC en términos de costo de inventario y la reposición de
inventario a través de un punto de pedido donde el demanda estimada de piezas de alto valor A
artículos con un alto coeficiente de variación se validan manualmente con un juicio de criterio. En
este caso, los artículos clasificados como B, el criterio para seleccionar el estimador y sus parámetros
se basan en minimizar la MAD. En los artículos clasificados como C, se estudia el patrón de demanda
para corregir la estimación selección correcta de la herramienta (Syntetos, Keyes & Babai, 2009).

3 Problema actual

La empresa está utilizando actualmente un método lineal. estimación que implica considerar las
ventas actuales a la fecha para proyectar la estimación de ventas para el mes siguiente en base
sobre el promedio de la demanda histórica de los últimos tres meses, es decir, una media móvil de
tres meses en además de considerar las licitaciones públicas como requisitos de el sector privado
para proyectos especiales. El comercial área propone la estimación de ventas por familia de
productos y al el nivel de catálogo de productos terminados por unidad de negocio. Solamente la
estimación de ventas se calcula para artículos clasificados A, que representa el 80-20 de los ingresos
por la venta en valor monetario, los productos B se producen en un entorno de fabricación “make
to order”, y el caso de los artículos C que son proyectos especiales se producen como “design to
order”.

Estas ventas estimadas se utilizan para la proyección financiera del negocio y se evalúan contra el
plan de negocios para determinar el plan de ventas y operación del mes con sus respectivos
presupuestos para cada uno de los negocios de la empresa.

Areas funcionales. Además, los objetivos de inventario y el inventario Se determinan máximos y

mínimos para cada uno de los productos terminados clasificados A para control de inventario
propósitos El entorno actual al que se enfrenta la compañía es muy desafiante cuando se considera
la contracción del mercado, la políticas de mercado más proteccionistas que imponen aranceles a
materias primas críticas para la producción de sus productos, y los constantes incrementos en los
precios de las materias primas.

Sin dejar de lado una presencia más significativa de competencia en el mercado, ha hecho que la
empresa se replantee su posición estratégica para generar una diferencia competitiva a mantenerse
y crecer en el mercado con productos más innovadores, buscando eficiencias en los costos de
operación y producción y tiempos de respuesta más cortos para cumplir con los requisitos del
cliente.

Como parte de la eficiencia en la operación, producción, y costos de distribución de sus productos,

un método formal de Es necesario estimar las ventas para reducir el error de las ventas. estimar
para dar mayor certeza al plan de negocios. Está además, reduciendo la incertidumbre
proporcionando visibilidad de la demanda tanto a las plantas de fabricación como de la oferta
requerimiento a los proveedores de materia prima para asegurar la disponibilidad de los
proveedores de material y logística para la distribución de sus productos para determinar la correcta
requerimiento de recursos de transporte para cumplir con las plan de entrega comprometido por el
área comercial. La precisión del pronóstico de ventas agregado en promedio es 71% como base de
rendimiento, destacando un oportunidad significativa para la generación y ejecución de el Plan y
Ventas y Operaciones, como se muestra en la Figura 2.

plantas que generaron los mayores ingresos para la empresa, para lo cual se recogieron las ventas
históricas en términos de unidades de venta por familia de productos y a nivel de producto
terminado para los productos clasificados como tipo A que representan el 80-20 de los ingresos
recibidos de la planta de fabricación.

Las ventas históricas se estratifican por familia de productos con sus respectivos productos
terminados, y se procede a comprender el comportamiento de las ventas para graficar la serie
temporal para reconocer patrones y estructuras.

La demanda de los diferentes catálogos de acabados productos se categoriza en base a los

coeficientes: Promedio intervalo de demanda (ADI) y el coeficiente de variación (CV²).

La demanda de cada uno de los catálogos de productos terminados se clasifica en cuatro categorías
considerando estos dos coeficientes: suave, intermitente, irregular y errático.

Los catálogos de producto terminado cuya demanda es Irregular y Errático no se propone como
método de estimar la venta, sino una estrategia de pronóstico agregado que permita reducir el
riesgo y la posibilidad de que estos los catálogos se gestionan en un entorno de "fabricación por
encargo". Para los catálogos clasificados tanto en Soft como en Categorías intermitentes, el método
de estimación adecuado será así seleccionado para generar la estimación de venta que muestra una
reducción en el error de pronóstico. Para la evaluación del método de estimación, el sesgo es
considerada como la medida principal que evalúa la grado en que el modelo de pronóstico genera
una estimación por encima o por debajo de los datos actuales, así como el error de la estimación,
se cuantificará mediante tres medidas:

Error MAD de la desviación absoluta media, MSE al cuadrado error y error MAPE del porcentaje
absoluto medio. Basado en la estimación producida por el modelo seleccionado con el sesgo y el
error más despreciables de la estimación, la estimación de la venta recomendada a nivel agregado
por familia de productos es la base para la generación de las ventas plan. Además, la estimación de
venta propuesta al final nivel de producto se actualiza en la planta de fabricación plan maestro de
producción para determinar la producción futura y requerimientos de capacidad de producción.

El requerimiento neto propuesto por la producción maestra plan es la base para el plan de
necesidades de material para generar la estimación de los requerimientos de compra futuros para
proveedores de materia prima, dando así visibilidad para asegurar el suministro de materias primas.
Además, los resultados serán evaluados en el impacto sobre la eficiencia operativa y reducción del
costo operativo de la cadena de suministro para aumentar la productividad de la empresa y ser más
competitivos en el mercado.

5 Resultado y discusión

Considerando las ventas históricas de los últimos dos años, 2018 y 2019 de los catálogos de
productos terminados clasificados A de la planta de fabricación, y luego se trazan basado en la
matriz de Syntetos, Boylan y Croston (SBC) para identificar la categoría de demanda, en base al
intervalo promedio coeficientes de la demanda (ADI) y el coeficiente de variación al cuadrado (CV²).

En el 90,3% de los casos se encontró un mejor método para reducir el error de previsión de la
demanda; El 41,94% de los productos se pronostican mejor a través del método de Brown, que nos
permite tener solo un alfa más suave (α). En este caso, el mismo porcentaje del 48,3% de los
productos mejora su pronóstico por el método de Holt, utilizando los suavizantes alfa y beta (α, β).
Una vez identificado el mejor método de pronóstico para cada producto, se clasificaron por
cuadrante del método SBC, es el mejor método de pronóstico utilizar la estrategia de un pronóstico
agregado que permite reducir la variabilidad relativa aumenta aún más la precisión de los
pronósticos, y eso permite reducir los requerimientos del stock de seguridad en los inventarios.

En la Tabla 4 se describe la demanda para cada período de 2018 y 2019 de los artículos ubicados en
el cuadrante Irregular y Método de Holt y la demanda agregada total para cada período de los
artículos clasificados según su cuadrante y su mejor método.

Posteriormente se realizó la estimación de la previsión de demanda de los datos agregados para

contrastar si hay una mejora en la variación y la precisión de la previsión. La Tabla 5 muestra la
estadística principal de los datos agregados, y la Tabla 6 detalla los resultados del cálculo de la
estimación del pronóstico.

Se realiza la gráfica de los valores de la demanda agregada, permitiéndonos visualizar su

comportamiento y patrón. Eso se puede observar que aún presenta una variación vital y una
tendencia lineal positiva.

Del resultado obtenido utilizando el pronóstico de demanda agregada, se puede determinar un

error MAD del pronóstico con un valor de 158.376; esto se puede describir como una mejora del
47% con respecto al error MAD de 298.958 que trata demandas desagregadas. También se
consideró evaluar una estrategia de agregar la clasificación SBC, el mejor método de pronóstico y
los trimestres. La Figura 5 muestra únicamente los resultados de las estadísticas básicas de la
propuesta de considerar sumar las demandas en periodos trimestrales.

En el gráfico se puede ver cómo se reduce la variación considerablemente, lo que permite reducir
la variación en 20,18% respecto a la estrategia de agregar solo el SBC clasificación y el mejor método
de pronóstico, de 0.436 a 0,348 en el coeficiente de variación. con base en los datos de la Tabla 8,
se muestran los resultados de la demanda agregada de los productos en clasificación Blanda con el
método de Brown y los periodos en trimestres, así como para los productos de clasificación Blanda
e Intermitente, con el método de Holt y la Los resultados de la propuesta de clasificar los productos
según su patrón de demanda, encontrar un mejor método de pronóstico que permita seguir el
patrón de demanda, sumar la demanda por la clasificación propuesta por Syntetos, Boylan, y
Croston. Además, su mejor método, la previsión y por periodos trimestrales, permite reducir la
variabilidad relativa, un incremento esencial en la previsión.

precisión que reducirá los requerimientos de los stocks de seguridad de las materias primas, que en
nuestro caso son los mismos para la mayoría de los productos.

6. Conclusiones

La importancia de mantener un inventario óptimo niveles que permitan a la empresa satisfacer las
necesidades de sus clientes al menor costo requiere una comprensión de los factores clave que
describen el comportamiento de los patrones de demanda. En estas circunstancias, la eficacia de
los esquemas de previsión y gestión de inventarios se vuelve fundamental.

El caso de estudio descrito en este documento busca mejorar el nivel de pronóstico de demanda
para una muestra de elementos representativos de la planta de producción de industrial productos,
limitados bajo este estudio. la organizacion fue lidiar con tener un nivel excesivo de variabilidad en
el consumo de materias primas dada la falta de método de pronóstico, con mayor asertividad; esto
causó alto manejo de inventarios, lo que permitió la continuidad de producción a un alto costo para
evitar paradas por falta de suministros

Un análisis en profundidad de la contribución a este exceso se llevó a cabo la varianza y se encontró

que la previsión el rendimiento podría mejorarse para mejorar el inventario niveles Los resultados
del análisis permitieron implementar una clasificación basada en la metodología de Syntetos, Boylan
y Croston, para agrupar los productos analizados bajo afinidad y un cambio en el método para
calcular la previsión para reducir el error. Una vez realizada la clasificación y se definió un método
de pronóstico para cada producto, un Se implementó una estrategia de pronóstico agregado para
el productos encontrados en cada clasificación con cada pronóstico método, obteniendo una
reducción de la variación entre un 20% y 46% en cada caso estimado. En base a los resultados
encontrados en este estudio, la organización implementará gradualmente los cambios en su sistema
de gestión, las modificaciones requeridas para establecer los métodos y parámetros sugeridos en
este documento, así como incluir el resto de los artículos producido por la planta con el mismo
tratamiento; además, experimentación para analizar sus resultados. la descripción de La
metodología utilizada en este caso de estudio ha sido satisfactorio y muestra evidencia de mejorar
la precisión de los pronósticos.

La investigación futura debería implicar la interacción con terminado un buen pronóstico de

inventario basado en el modelo de pronóstico propuesto en este estudio con el fin de reducir la
incertidumbre que se presenta en el uso de pronósticos como Los inventarios son el soporte que
tiene el modelo de pronóstico en ante cambios significativos por parte de la demanda. Bajo estas
circunstancias, la eficacia de la previsión y esquemas de gestión de inventario se vuelve importante
en un entorno industrial, lo que puede dar lugar a importantes reducciones de costos de inventario
y producción y mejorar niveles de servicio al cliente.

LECTURA 5: Antecedents of MRP adoption in small and medium-

sized firms
Resumen Esta investigación busca proporcionar una comprensión del proceso de adopción de MRP
utilizando modelos de adopción clásicos para la predicción. Con este fin, se utilizaron cuatro
modelos de adopción clásicos para proporcionar la base para las construcciones probadas en este
estudio. El marco de la investigación se esfuerza por investigar las relaciones entre el análisis de
beneficios, los estudios de factibilidad, la disposición organizacional y el constructo mediador, la
evaluación positiva de MRP. Se llevó a cabo un análisis estadístico en una muestra de 109 pequeñas
y medianas empresas que reveló que estos constructos juegan un papel importante en el proceso
de toma de decisiones que conducen, en última instancia, a la adopción de MRP. El análisis, por lo
tanto, prestó apoyo a los modelos de adopción considerados y podría proporcionar indicaciones
útiles para los gerentes que buscan maximizar la inversión en paquetes MRP.

Introducción
Los sistemas de planificación de requisitos de materiales (MRP) ayudan a los fabricantes a
determinar precisamente cuándo y cuánto material comprar y procesar en base a un análisis en
fases de tiempo de órdenes de venta, órdenes de producción, inventario actual y pronósticos
Aseguran que las empresas siempre tendrán suficiente inventario para cumplir demandas de
producción, pero no más de lo necesario en un momento dado. MRP se incluso programe órdenes
de compra y/u órdenes de producción para recibirlas justo a tiempo.

Los módulos MRP eliminan las conjeturas de las compras al calcular los requisitos de materiales y
coordinar las órdenes de compra y órdenes de producción para su recepción oportuna. Los planes
de fabricación poco realistas pueden ser fácilmente identificables, que pueden surgir cuando no hay
suficiente tiempo para fabricar un intermedio para una fecha de producción objetivo, o si un
proveedor es Es poco probable que entregue los materiales en el momento en que se requieren.
Dado que MRP determina los requisitos en función de la producción maestra programación (MPS),
los módulos ofrecen varias formas de ayudar a mantener la programación actualizada. Por ejemplo,
las órdenes de producción pueden programarse en función del cliente actual. pedidos y/o niveles
de inventario, acomodando así tanto ``fabricar a pedido'' como Procedimientos de "fabricación
contra stock". El MPS también puede incluir pronósticos de productos, que puede calcularse
automáticamente utilizando datos del historial de ventas o producción.

A pesar de su simplicidad, los sistemas MRP tienen un gran potencial para hacer aportes
significativos en la búsqueda de la productividad que permitiera a los pequeños empresas para
competir en un mercado internacional. Sin embargo, en su afán por corregir rápidamente varias
décadas de malas prácticas de fabricación, muchas pequeñas empresas se apresuraron a introducir
MRP que vieron como un mágico y método simplista de hacer negocios. En este contexto, los
fabricantes pueden tener pasó por alto un aspecto muy importante de los sistemas MRP: la
implementación. A pesar de El propósito de este documento es utilizar cuatro modelos de adopción
clásicos para predecir el proceso de implementación de MRP. Con este fin, la investigación sigue un
marco conceptual de adopción de tecnología que se encuentra en la literatura de gestión. El marco
establece que los gerentes deben pasar por varias etapas, incluida la conciencia, la identificación de
aplicaciones específicas y sus beneficios, el compromiso y la evaluación antes de que la tecnología
se integre por completo en las operaciones de línea.

El documento se divide en cuatro partes. Primero, se explica una descripción del marco que
proporciona la base teórica para los constructos estudiados. En segundo lugar, se describe la
metodología utilizada para investigar las hipótesis. En tercer lugar, se destacan los análisis utilizados
para probar las hipótesis de investigación. Finalmente, se presentan los resultados de la
investigación de este estudio y se discuten las sugerencias para futuras investigaciones.
Problemas en la implementación de MRP Las dificultades encontradas por las empresas en el
proceso de implementación de MRP puede atribuirse a una serie de factores.

El primero es la complejidad de los sistemas MRP, que, por supuesto, es una relación concepto que
varía según el nivel de conocimiento y experiencia disponible dentro de la empresa antes de la
implementación (Wortmann, 1998; Wilson et al., 1994; Luscombe, 1994). Por lo general, hay varios
parámetros que deben iniciarse cuando implementar software estándar (Bancroft, 1997).

En segundo lugar, se requiere una cantidad considerable de entrenamiento intensivo. De hecho,

incluso aunque los usuarios finales generalmente están capacitados en una cantidad limitada de
funcionalidad, key-los usuarios necesitan adquirir una competencia técnica considerable.

En términos generales, muchas reimplementaciones de sistemas MRP son el resultado de una falla
en la implementación de cambios comerciales junto con el software. Uno de los principales razones
por las que MRP y otros grandes tecnológicamente sofisticados fallan los sistemas es que las
organizaciones simplemente subestiman la medida en que tienen que cambiar para acomodar su
compra. el efectivo la gestión del cambio tecnológico requiere un liderazgo transformacional
(Marrón, 1994).

Por lo tanto, un factor crítico que hace que la implementación sea una tarea difícil, es que La
implementación de paquetes MRP a menudo se combina con la reestructuración de Procesos de
negocios. Es una característica común tanto a las empresas grandes como a las pequeñas que la
adopción de técnicas logísticas avanzadas va acompañada de una mayor integración de diferentes
áreas funcionales y unidades organizativas de acuerdo con los flujos de trabajo de la empresa.

Uno de los temas considerados críticos en gran medida se refiere a la resistencia de los gerentes y
el personal al cambio organizacional que es inducido por la adopción de nuevas tecnologías. En este
sentido, varios autores han subrayado la importancia de una sólida implicación de los trabajadores
de planta (Sommer, 1998; Weill et al., 1991). Pasar de un sistema básico a uno más moderno
conlleva el peligro inicial de que las personas no entiendan las capacidades y simplemente asignen
los mismos procesos al nuevo sistema.

También se ha puesto una valiosa relevancia en la literatura referente a problemas tecnológicos,

como la inadecuación de los sistemas MRP para optimizar el flujo de trabajo interno. De hecho, los
cambios frecuentes en los horarios, un problema conocido como nerviosismo de producción, es un
obstáculo para la implementación exitosa de los sistemas MRP (Duchessi et al., 1988).

En resumen, los sistemas MRP deben implementarse como un sistema total y la implementación de
cualquier parte sin el resto no será exitosa. Un enfoque fragmentado puede crear "islas" de MRP,
pero no lograr las mejoras en toda la empresa que aumentan la competitividad de la empresa. Esto
implica que hay factores críticos de la implementación de MRP que no pueden ser pasarse por alto
sin que resulte en una falla de MRP. Obviamente, la implementación puede ser obstaculizado
cuando una empresa no está muy segura exactamente de lo que está tratando de implementar.

Marco de adopción de tecnología Debido a la escasa cantidad de investigación académica

relacionada con MRP adopción de tecnología y metodología, la base de este estudio descansa en la
literatura general de adopción de tecnología. Cuatro modelos clásicos de adopción representados
en la Tabla I se utilizaron para proporcionar la base para las construcciones probado en este estudio.
El examen de los modelos clásicos de adopción revela que hay cuatro constructos básicos que deben
ser probados. A continuación se presenta una discusión de la justificación teórica para incluir cada
constructo en el modelo.

en forma conducente a la adopción. Según los modelos clásicos, este objetivo se alcanza después
de que la empresa adoptante pasa por tres etapas que un panel de expertos ha denominado:
cognitiva, afectiva y conductual.

En la etapa cognitiva los gerentes y ejecutivos de la firma consideran mentalmente o están

expuestos a la tecnología. Una vez que los gerentes toman conciencia de la

existencia de la tecnología, la empresa pasa a la etapa afectiva. Esta etapa se basa en los
sentimientos de los gerentes hacia la tecnología. Si los sentimientos son favorables, la empresa
pasará a la etapa de comportamiento y adoptará la tecnología. El modelo clásico ``AIDA'' supone
que la empresa primero se da cuenta de la

tecnología (Strong, 1925). Esta conciencia conduce al interés. El interés en la tecnología alimenta el
deseo por los beneficios que brinda la tecnología, lo que finalmente conduce a la acción o adopción
de la tecnología. El modelo de "jerarquía de efectos" (Lavidge y Steiner, 1961) sigue un flujo similar
pero más detallado. Este modelo

supone que la empresa adoptante primero se da cuenta de la existencia de la tecnología. El

conocimiento de la tecnología conduce a la recopilación de hechos y al conocimiento de la
tecnología. A partir del conocimiento obtenido, los gerentes de la empresa desarrollan algunos
sentimientos acerca de la tecnología. El sentimiento positivo de agrado conduce a una preferencia,
lo que resulta en una convicción que finalmente conduce a la compra o adopción de tecnología.

El "modelo de adopción de la innovación" clásico, al igual que los dos modelos anteriores, supone
que la empresa atraviesa una etapa cognitiva (Rogers, 1962). Durante esta etapa, la empresa se da
cuenta de la nueva innovación o tecnología. Entonces el firme pasa a la etapa afectiva. En esta etapa,
el interés de la empresa que adopta alcanza su punto máximo y la empresa comienza a evaluar los
beneficios de la tecnología innovadora para sus necesidades específicas. A continuación, la empresa
pasa a la etapa de comportamiento en la que probará o probará la tecnología. Finalmente, luego de
probar la tecnología, la firma actuará mediante la adopción de la nueva tecnología.
El cuarto modelo clásico presentado es el ``modelo de comunicaciones''. Este modelo fue
presentado por Kotler en su obra de 1984 (Kotler, 1984). En la etapa de concientización, la empresa
adoptante primero estará expuesta a la tecnología.

La exposición conducirá a la recepción de la tecnología. La recepción será a su vezconducir a una

respuesta cognitiva o mental. A medida que la empresa se mueve hacia lo afectivo etapa, se formará
una actitud sobre el producto. La actitud se manifestaráen la intención de actuar de una empresa.
De acuerdo con el modelo, esta intención en última instancia lleva a un comportamiento de
adopción.

Como se presentó anteriormente, los cuatro modelos de adopción clásicos representados en La

Tabla I se usó para proporcionar la base para las construcciones probadas en esta tecnología bajo
consideración. Cuanto mayor sea la medida en que se exploren estos beneficios, mayor será la
probabilidad de adopción.

. Factibilidad. Este constructo se refiere al análisis de la compatibilidad de la tecnología bajo

escrutinio con el sistema técnico actual y una estimación real tanto de los cambios requeridos para
una buena adopción como del tiempo requerido para que estos cambios ocurran.

. Voluntad organizacional. Esto se refiere a la apertura que muestran los diferentes miembros de la
organización hacia la tecnología y su aplicación.

. Evaluación. Esto considera el resultado positivo de las metodologías y procedimientos de toma de

decisiones en apoyo de un proceso de evaluación formalizado o tácito.

Ahora que se ha presentado la justificación teórica para incluir cada constructo en el modelo, a
continuación se formularán hipótesis sobre los constructos y las relaciones entre ellos.

Hipótesis de investigación

El modelo representado en la Figura 1 muestra las relaciones hipotéticas entrelos constructos

teóricos. El modelo muestra las relaciones entre el beneficioanálisis, factibilidad, voluntad
organizacional y el constructo mediador, evaluación. Es la evaluación positiva la que finalmente
conduce a la adopción de MRP.

Las relaciones de construcción hipotéticas se presentan a continuación:

H1: El conocimiento de MRP por parte del gerente conducirá a una evaluación positiva.

H2: Las percepciones del gerente sobre los beneficios de MRP conducirán a una evaluación positiva.

H3: El conocimiento del gerente de los hitos de implementación y los requisitos previos de
implementación conducirá a una evaluación positiva.
H4: Las percepciones del equipo del proyecto sobre la apertura de la organización a MRP

conducirá a una evaluación positiva.

H5: La evaluación positiva de MRP conducirá a la adopción.

Metodología de investigación

Muestra

El diseño de investigación empleado en este estudio fue una encuesta postal. Los datos fueron

recolectados de pequeñas y medianas empresas manufactureras (PYMES) en todo

norte de Italia. El término ``PYME'' (pequeñas y medianas empresas) abarca una

variedad de definiciones y medidas. En los países miembros de la OCDE, el empleo

es el criterio más utilizado para determinar el tamaño de la empresa. Las pymes suelen ser

definidas como empresas con menos de 500 empleados, aunque una serie de

países, incluidos los de la Unión Europea, utilizan un punto de corte más bajo de

300. Este último criterio se utilizó en la presente investigación. La razón detrás

esta elección es que pretendía reflejar el marco adoptado por la OCDE

que distingue entre:

. microestablecimientos (1-19 empleados): aquellas empresas que generalmente son de propiedad

familiar y realizan una actividad de tipo casi artesanal;

. pequeños establecimientos (20-99 empleados); y

. establecimientos medianos (100-299 empleados).

Las empresas incluidas en la encuesta fueron seleccionadas dentro de la industria de empaque y

maquinaria de empaque, la cual fue elegida por la vitalidad mostrada en los últimos años en la
adopción de sistemas MRP. La elección de esta industria específica está motivada por otras razones:

. el hecho de que estos fabricantes representan la columna vertebral de algunas economías locales
del norte de Italia, con aproximadamente el 85 por ciento de la producción que se vende en el
extranjero; y
. la importancia que los entornos de fabricación de construcción de maquinaria están ganando en
términos de problemas de planificación de la producción.

Los problemas que surgen al respecto son tan relevantes que la mayoría de los principales paquetes
comerciales de MRP y ERP se esfuerzan por diseñar e implementar nuevos productos que incluyan
módulos específicamente diseñados para este tipo de empresas.

término para incluir todas las versiones de MRP, a saber, MRP I (es decir, planificación de requisitos
de materiales), MRP de bucle cerrado (es decir, MRP I con planificación de capacidad y planta) y
MRP II (es decir, MRP de bucle cerrado integrado con otras funciones como finanzas y marketing),
como en Duchessi et al. (1988), Sum y Yang (1993) y Sum et al. (1997). Todas las empresas fueron
contactadas personalmente y diez se negaron a participar en el proyecto de investigación. Así pues,
un total de 109 empresas se incluyeron en la muestra final. Las designaciones típicas de los
encuestados incluían el programador maestro, gerente de producción e inventario, gerente de
producción, gerente de planta y gerente de manejo de materiales.

Diseño y desarrollo de cuestionarios.

Con el fin de proporcionar una información más completa para las hipótesis y hacer válida la versión
preliminar del cuestionario, se celebraron reuniones de ``mesa redonda'' organizado con seis
gerentes directamente responsables de implementar MRP dentro de sus respectivas empresas.
Cada gerente revisó la propuesta cuestionario para aclarar cualquier término o concepto confuso.
Los gerentes estaban se les pide que identifiquen, en base a sus experiencias, aquellas preguntas
que sintieron eran irrelevantes y determinar si podían revelar toda la información solicitado en el
cuestionario. Los seis revisores indicaron que encontraron la cuestionario muy completo y no
tendría ningún problema en proporcionar todos los información solicitada siempre y cuando esté
expresada en escalas ordinales. Después de la Se revisaron los comentarios y sugerencias del panel,
el instrumento de encuesta se perfeccionó agregando, eliminando y modificando elementos. El
instrumento fue entonces probado previamente por una pequeña muestra de conveniencia de
empresas. El instrumento volvió a ser modificada para reflejar la información obtenida. Esta etapa
resultó ser particularmente útil ya que proporcionó una visión directa de cómo fenómenos que
salieron a la luz durante la revisión de la literatura encontró aplicación en la práctica industrial
dentro del contexto bajo investigación.

Esta actividad perseguía dos objetivos distintos: primero, construir un marco para unahipótesis de
investigación estructurada sobre determinantes, modas y efectos de las prácticas de
implementación de MRP y, segundo, decidir sobre qué datos deben recogerse en la siguiente
encuesta de cuestionario. Los resultados de este proceso fueron editados para superposiciones y
repeticiones para producir un final cuestionario.
Se pidió a los encuestados que evaluaran hasta qué punto estaban de acuerdo con cualquier de las
varias afirmaciones sobre los factores de implementación y el éxito medidas. Todos los ítems se
formularon como declaraciones cortas y los encuestados fueron se les pidió que registraran hasta
qué punto cada declaración se aplicaba a su propio caso (en un escala Likert de siete puntos).

Específicamente, el instrumento fue diseñado para abordar la investigación hipótesis y proporcionar

datos para la comprobación. Los artículos fueron escritos para operacionalizar los cuatro
constructos de interés. La Tabla II enumera los constructos y los elementos utilizados para recopilar
información para este estudio.

En lo que se refiere al constructo del análisis de los beneficios, algunos Los beneficios del MRP
fueron sometidos a consideración de los demandados. Éstos incluyen: la satisfacción del cliente, es
decir, la calidad y personalización del producto junto con una mayor flexibilidad de respuesta a las
demandas de los clientes;

. planificación y gestión de inventarios, es decir, los indicadores tradicionales de costo de inventario,

rotación y programación de la producción;

. eficiencia mejorada tanto en términos físicos (es decir, trabajo en progreso) como económicos
(costo);

. clima organizacional, que considera una mayor cooperación a nivel de planta y una mejor moral y
satisfacción de los trabajadores;

. conocimiento y competencia, que es el conjunto de capacidades a las que podría conducir la

implementación de sistemas MRP.

En el constructo de factibilidad se consideraron elementos como la definición del horizonte

temporal de implementación y la definición de hitos. Además, se incluyó la precisión de los datos,
ya que representa un elemento clave ampliamente reconocido en el proceso de implementación de
MRP. La precisión de los datos a menudo se refiere a los datos de pronóstico del mercado, registros
de inventario, registros de tiempos de entrega de fabricación y número de artículos en las listas de
materiales (BOM).

El constructo de voluntad organizacional enfatiza la importancia de involucrar y motivar a los

trabajadores, la alta dirección y otras áreas funcionales. dentro de la organización. El personal de
planta debe, en esta perspectiva, estar orientado a la resolución de problemas, ser capaz de trabajar
en equipo, tomar sus propias decisiones y adaptarse con flexibilidad a nuevas situaciones
(Turnipseed et al., 1992). El apoyo de la alta dirección es necesario para generar aceptación y
aumentar la participación,

Más sobre el texto fuenteSe requiere el texto fuente para obtener información adicional sobre la
traducción Enviar comentarios Paneles laterales facilitar la gestión de proyectos, fomentar el
cumplimiento de la planificación formal y promover el uso operativo. Participación de miembros de
diferentes funciones áreas dentro del equipo de implementación también se ha enfatizado como
un tema crítico (Duchessi et al., 1988).

Análisis de los datos

Para verificar que cada elemento estaba agrupado en el factor adecuado, Se utilizó análisis factorial
confirmatorio. El análisis factorial confirmatorio requiere (como mínimo) que el investigador
hipotetiza de antemano el número de factores comunes. La hipótesis sobre el número de factores
debe ser basado en una comprensión de la naturaleza de las variables consideradas y expectativa
de qué factor es probable que cargue sobre qué variables (Long, 1994).

Este requisito fue satisfecho. Los estadísticos han recomendado que los investigadores consideren
solo aquellos factores modelos que requieren algunas restricciones empíricas en los datos. Una
fórmula general para determinar el número de restricciones a ser satisfechas por los datos (Kim y
Mueller, 1982) arrojó 59 restricciones, que cumplieron más que adecuadamente el requisito. Sin
embargo, en la práctica, este proceso por sí solo no es suficiente; la el investigador también debe
evaluar el ajuste.

Entonces se decidió emplear la medida de Kaiser para evaluar el ajuste del modelo utilizado en este
estudio. La medida resultante de la adecuación del muestreo fue 0,8865, que es totalmente
satisfactoria. Por lo tanto, el número de empíricos restricciones además de la medida de la
adecuación del muestreo indican que Los datos de esta investigación son apropiados para el análisis
factorial.

El paso inicial de factorización involucró el análisis de componentes principales y fue para

determinar el número mínimo de factores que pueden dar cuenta adecuadamente para las
correlaciones observadas. El número resultante de valores propios mayores que uno indicó que se
extrajeron seis factores. Rotación de la matriz factorial agrupó las variables en cinco grandes
factores y dos factores que contienen sólo dos variables Este resultado viola la especificación
empírica de que debería haber haber al menos tres variables claramente cargando en cada factor.
El esfuerzo inicial en el análisis factorial arrojó resultados inutilizables. A continuación, los datos se
sometieron a un análisis factorial utilizando un modelo ortogonal. (Varimax), esta vez forzando una
solución en tres factores. Mientras tres o más variables cargadas en cada factor y la rotación resultó
en grupos claros, no estaban satisfactoriamente separados unos de otros.

Se llevó a cabo un segundo análisis factorial, esta vez utilizando un análisis oblicuo rotación
(Oblimin). Las cargas factoriales resultantes fueron superiores a las logrado a través de la rotación
ortogonal. Fiabilidad de las puntuaciones factoriales para el Los elementos de implementación de
MRP y los criterios para los elementos de éxito fueron calculado según Kim y Mueller (1982). La
fiabilidad alfa de Cronbach los coeficientes también fueron satisfactorios y estuvieron todos por
encima de 0,70 (Cuadro III).
Las puntuaciones compuestas de los constructos se utilizaron como medidas en múltiples análisis
de regresión. Se construyeron escalas factoriales para cada uno de los factores que representan los
elementos de las etapas de adopción. Se utilizó el método de regresión para ponderar cada variable
en proporción a la fuerza de su relación El modelo, F = 9,47, fue significativo en el nivel 0,10 y explica
casi el 70 por ciento de la varianza asociada con la decisión de adopción de MRP.

H2, que refleja la percepción de los beneficios de MRP, fue significativo en el nivel 0.01 (valor p =
0.001), lo que sugiere que uno puede estar 99 por ciento seguro de que los gerentes con una
comprensión de los beneficios que brindan los sistemas MRP también tendrán una evaluación
positiva del software. .

La disposición organizacional, representada por H3, fue significativa en el nivel 0.10 (valor p = 0.087),
lo que indica que se puede estar 90 por ciento seguro de que los gerentes que trabajan en
organizaciones que están abiertas a adoptar nuevas tecnologías también tendrán una evaluación
positiva de la tecnología.

Se encontró que el constructo mediador, evaluación (H4), era significativo en el nivel 0,05 (valor p =
0,038). Por lo tanto, como se hipotetizó, tener un efecto positivo la evaluación del paquete MRP
conducirá a la adopción organizacional.

No se encontró apoyo estadísticamente significativo a H1 y H3, que, respectivamente, vincular la

conciencia y la construcción de viabilidad a positivo evaluación del sistema MRP.

Conclusión

En conclusión, esta investigación proporciona información valiosa sobre la adopción de MRP

proceso. Mediante el uso de cuatro modelos clásicos de adopción como base teórica de desarrollo
de hipótesis, se formuló un modelo de regresión múltiple que explica casi el 70 por ciento del
proceso de adopción. Análisis preliminar de beneficios, disposición organizacional y evaluación
positiva de la tecnología son etapas importantes del proceso de adopción. Con este conocimiento,

Los gerentes pueden establecer estrategias que ayuden a la organización a superar estas etapas de
forma rápida y eficaz. La mayoría de los gerentes estarían de acuerdo en que uno de las mayores
barreras para implementar nuevas tecnologías se están superando resistencia de los empleados al
cambio organizacional. Este estudio puede ser extremadamente útil para los gerentes porque los
alerta sobre las etapas que deben pasar antes de la adopción, lo que permite tiempo para
desarrollar estrategias para aliviar algunas resistencias.

Es interesante notar que el conocimiento de la tecnología MRP no fue significativa y por lo tanto no
contribuye al proceso de adopción. Por lo tanto, solo informar a los gerentes sobre la tecnología no
conducirá a una evaluación positiva.
También parece que ser consciente del tiempo necesario y de las limitaciones técnicas (factibilidad)
tampoco es significativo y no conducirá a una evaluación positiva.

Por lo tanto, si bien el conocimiento de la existencia de la tecnología es necesario, no es

correlacionado con la evaluación o la adopción de MRP. Así mismo entender el pre- requisitos de la
aplicación de la tecnología, si bien es informativo, tampoco es importante para la adopción de MRP.

Investigación futura

En cuanto a la posibilidad de generalización de los hallazgos, cabe señalar que tanto el marco de
investigación como los resultados obtenidos pueden ser generalmente representante de cualquier
empresa perteneciente a las industrias de construcción de maquinaria (por ejemplo, máquinas
herramienta, fabricantes de maquinaria para la madera, etc.). Por otro lado, cuando se trata de
otros tipos de tipos de producción (por ejemplo, proceso, único en su tipo, lote, etc.), el énfasis que
se pone en algunos de los elementos considerados en nuestro estudio probablemente varíe. Por
ejemplo, los problemas relacionados con la precisión de los datos pueden diferir en gran medida de
un fabricante de maquinaria a una empresa de procesos.

Este estudio aplicó cuatro modelos de adopción clásicos para comprender la adopción de la
tecnología MRP en los principales ferrocarriles. Por lo tanto, solo se probaron las construcciones
incluidas en los modelos clásicos. Los estudios futuros podrían evaluar el impacto del costo, la
capacitación de los empleados, la competencia y otros factores ambientales en el proceso de
adopción organizacional.

LECTURA 6: MRP Framework to Increase Production Operations

Performance. An Applied Study on the Egyptian Manufacturing
Pharmatheutical Companies Emad Elwy Habib

Resumen:

La planificación de necesidades de materiales (MRP) es actualmente una de los marcos de

fabricación más populares. Basado en 13 empresas farmacéuticas de fabricación en Egipto en Gran
Encuesta de El Cairo, el investigador encontró que el grado de la MRP aplicación positiva intensa
Farmacéutica rendimiento de las operaciones de producción del fabricante, asegura la
disponibilidad de materiales, componentes, productos. Mejora la planificación y el control de las
operaciones de producción, la entrega al cliente, mantiene el nivel óptimo posible de inventario y
planifica las actividades de fabricación, los programas de entrega y las actividades de compra. MRP
crea sinergia y logra un mejor rendimiento de producción y operaciones, y resultó en una amplia
aceptación en el campo farmacéutico de fabricación de Egipto.

PALABRAS CLAVE Planificación de Requerimientos de Material

MRP/MRP II/MRP III, lista de materiales (BOM), producción Desempeño de planificación de

operaciones (POP), Desempeño de controles de operaciones de producción (POC), Desempeño de
operaciones de producción.

Metodología de investigación la investigación investiga el grado de impacto de la implementación

del marco MRP en La sinergia y el rendimiento de la producción de las empresas farmacéuticas de
fabricación a lo largo de la planificación y el control de la producción en Egipto se ha realizado sobre
la base de un estudio piloto en el sector farmacéutico de fabricación en Egipto. La investigación
cubre dos secciones, la primera sección abarca una revisión detallada de la literatura relacionada
con los componentes de Planificación de requisitos de materiales (MRP). La segunda sección,
investiga e identifica los resultados de un estudio empírico a través de una encuesta limitada que
ha sido distribuida a 13 empresa farmacéutica de fabricación en Egipto en Gran

El Cairo.

La investigación estaba dirigida a 160 gerentes, y las encuestas recibidas son 122 encuestados. Las
preguntas del cuestionario fueron respondidas en la escala de Likert de 5 puntos, correspondiente
al grado de acuerdo con el enunciado. Se reconoció que se necesita más investigación para
establecer la naturaleza exacta de las relaciones causales entre el Modelo MRP propuesto y las
aplicaciones y otro sectores manufactureros en Egipto, con el fin de obtener información sobre la
práctica en otros lugares.

PROBLEMAS DE INVESTIGACIÓN

A lo largo del estudio piloto en la fabricación Empresas farmacéuticas en Egipto la investigación

exploratoria concluyó los problemas del sector en lo siguiente:

1. Problemas de planificación de la producción de las empresas: Es difícil saber la fecha de

finalización de la producción de un determinado componente que dificulta la determinación del
tiempo de entrega del producto al cliente.

2. El control de inventarios y producción de las empresas problemas:

La lista de problemas de materiales cuando hay una solicitud de un cliente para producir una cierta
cantidad de productos, se realiza una orden de compra de materias primas y algunas materias
primas o componentes pueden olvidarse debido a la gran cantidad de estas materias primas o
componentes, lo que resulta en un retraso en la producción de los productos solicitados. Y la orden
de compra se realiza directamente sin referencia al inventario de materias primas para conocer la
cantidad existente de materias primas y esto da como resultado el almacenamiento de grandes
cantidades de materias primas que aumentan el costo de mantenimiento del inventario de materias
primas y, además, el inventario de materiales se utiliza sin verificar. si esta cantidad es reservada
por el departamento de producción en beneficio de un cliente en particular, lo que lleva a retraso
en la producción de materia prima para este cliente en particular que le cuesta a la empresa el pago
de la cláusula de penalización por este retraso.

Investigar objetivos

1. Examen de las prácticas de gestión de las operaciones de producción

en las compañías farmacéuticas egipcias.

2. Revelar el progreso de la aplicación MRP

3. Investigar las relaciones entre los componentes de la técnica MRP y su impacto en las operaciones
de producción

rendimiento de la planificación.

4. Investigar las relaciones entre los componentes de la técnica MRP y su impacto en el desempeño
del control de las operaciones de producción.

5. Presentar recomendaciones perspicaces para mejorar aún más la eficiencia.

Hipótesis de la investigación Varios investigadores han demostrado teóricamente que JIT y el

sistema integrado MRP es más efectivo debido a los efectos complementarios (Lee, 1992). Benton
y Shin (1998) creen que un sistema MRP y JIT combinado refleja un entorno de fabricación más
eficaz. Con base en la literatura y entrevistas con gerentes y académicos, desarrollamos las
siguientes hipótesis.

H1: Las empresas farmacéuticas egipcias con un mayor nivel de implementación de MRP tienen una
mejor producción rendimiento de la planificación operativa que aquellos con un nivel más bajo de
implementación de MRP.

H2: Implementación de MRP en Egipto Las empresas farmacéuticas tienen un mayor impacto en la
producción rendimiento de la planificación operativa (POP) que la producción

Desempeño del Control de Operaciones.

H3: MRP tiene un impacto positivo significativo en el Desempeño de las operaciones de producción
en Egipto Empresas farmacéuticas.

Introducción
La planificación de necesidades de materiales (MRP) es un Marco de integración que funciona de
manera eficiente para la programación de producción, el control de inventario y la lista de
materiales con el fin dereducir los costos de pedido y configuración, mejorar la calidad de los
procesos de flujo de trabajo de producción, disminuir el tiempo de entrega general del cliente que
abarca el tiempo de entrega, el tiempo de ejecución y el uso tiempo, y facilita el flujo continuo de
la materia prima requerida materiales y componentes en las líneas de producción.

Dentro de las últimas 4 décadas, Fabricación Los marcos de planificación de recursos (MRP) se han
desarrollado inmediatamente a partir de la disposición de requisitos previos de materiales
esenciales para el esfuerzo de hoy la organización de activos ERP paquetes coordinados que viven
de la gestión estructural/del cliente a través de marcos integradores hacia atrás para reforzar la
fabricación de activos arreglos que se han desarrollado a pasos agigantados desde la necesidad
fundamental de materiales que organiza MRP para los paquetes de combinación de esfuerzos
expandidos modernos de hoy que viven de la gestión estructural del cliente. El estudio empírico de
la Planificación de Requerimientos de Materiales (MRP) se ha enfocado históricamente en la
identificación de factores que impactan el desempeño general de la producción (Salaheldin, 2004).
Planificación de necesidades de materiales primero examinó los beneficios de MRP al principio

1980, luego seguido por estudios posteriores en la década de 1990 y

2000 que demostró que MRP puede mejorar la calidad; acortar

plazos de entrega; reducir WIP; mejorar la Planificación de la Producción (PP), la programación y el

control; menor nivel de inventario; aumentar la productividad y el servicio al cliente; reducir los
costos de operación y mejorar la cooperación entre los departamentos.

El desarrollo de las definiciones de planificación de recursos de fabricación MRPI Planificación de

requisitos de materiales, un sistema basado en computadora para administrar el inventario y

cronogramas de producción. Este enfoque de los materiales

La administración se aplica a situaciones de grandes talleres en los que muchos productos se

fabrican en lotes periódicos en varios pasos de procesamiento. No se aplica a los sistemas de
fabricación de tipo de flujo continuo. Planificación de recursos de fabricación MRPII, un marco en el
que se evalúa todo el entorno de generación para permitir que los cronogramas de expertos se
equilibren y se hagan en vista de las críticas de las condiciones actuales de creación/compra.

Año 2016

Marco MRP para aumentar el rendimiento de las operaciones de producción….

Emad Elwy Habib

En la gestión de los marcos de creación, la organización de la generación habla de la acción central
que gestiona cómo y cuándo entregar, teniendo en cuenta las solicitudes de los clientes y la
accesibilidad de materiales y activos mientras busca minimizar el tiempo y los gastos de creación,
clasificar de manera eficiente la utilización de los activos y aumentar la eficiencia en el marco de
creación. Con este fin, los arreglos de generación pueden recomendar utilizar la disponibilidad de
activos de un período ofrecido para cumplir con el interés de diferentes períodos. El cálculo de la
generación genera gastos de inventario, las piezas creadas con anticipación deben mantenerse en
el inventario, mientras que la falta de codicia puede generar costos de penalización, entrega tardía
de las solicitudes o pérdida de la demanda. Además, la cantidad entregada en un período
determinado afecta la utilización de activos y materiales y por lo tanto los costos de generación.
Este problema se puede definir sistemáticamente por el método de las variables que se refieren a
las opciones que se deben tomar y de las limitaciones que se refieren a la accesibilidad de los activos,
las prioridades y las fechas de vencimiento. Alfieri, A., Tolio y Urgo, M. (2012). Marcos MRP que se
componen de marcos de datos de ensamblaje utilizados para mejorar la organización y
administración de materiales y logística. Más tarde, MRPII, o la organización de activos de
ensamblaje, siguió y fusionó las partes monetarias y contables de las actividades comerciales. En el
momento en que MRP deambuló hacia los marcos de dispersión, el requisito previo de apropiación
organizando DRP se podría utilizar como un módulo incluido al calendario de transporte y control
de stock en el canal de circulación Jyh, H. (2008).

El estudio del investigador tiene como objetivo descubrir los problemas de creación, organización,
control de existencias y lista de materiales en una organización de muebles y desarrollo para abordar
estos problemas Marco MRP con destinos particulares para tomar cuidado del rendimiento de la
producción y las operaciones a través de la planificación y el control del rendimiento en las empresas
farmacéuticas de fabricación en Egipto.

Revisión de literatura

Planificación de necesidades de material MRP I es un sistema para administrar el inventario y los

programas de producción. Este enfoque a la gestión de materiales se aplica a situaciones de grandes
talleres en los que muchos productos se fabrican en lotes periódicos en varios pasos de
procesamiento. No aplica para flujo continuo tipo de sistemas de fabricación. (Bedworth & Bailey,
1987), y es un sistema de control de inventario y planificación de la producción basado en un marco
que se utiliza para gestionar los procesos de fabricación.

Aunque hoy en día no es común, también es posible realizar MRP a mano. Según Monk, E. y Wagner,
B., (2006) & Waldner, Jean-Baptiste (1992), Las organizaciones manufactureras, a pesar de sus
productos, se enfrentan a un problema común problema que está acortando el tiempo de entrega
necesario para reponer los requisitos de los clientes. Esto significa que se requiere un sistema
preciso de planificación y programación. Fabricación
Las empresas necesitan controlar los tipos y cantidades de materiales que compran, planificar qué
productos se producirán y en qué cantidades y asegurarse de que pueden cumplir con los requisitos
actuales y menor costo posible. Las decisiones en cualquiera de estos campos serán críticas para la
empresa, si una empresa compra cantidades insuficientes de un artículo utilizado en la fabricación,
o el artículo equivocado, es posible que no pueda cumplir con los contratos para suministrar
productos en la fecha acordada, y si una empresa compra cantidades excesivas de un artículo, el
dinero se está desperdiciando: la cantidad en exceso inmoviliza el efectivo mientras permanece
como stock y es posible que nunca se use en absoluto. Este es un problema particularmente grave
para los fabricantes farmacéuticos y las empresas con ciclos de vida de productos muy cortos. Sin
embargo, algunos artículos comprados tendrán una cantidad mínima que se debe cumplir, por lo
que es necesario comprar en exceso. Según Cheng, P. (1997), MRP I Planificación de requisitos de
materiales, un sistema basado en computadora para administrar el inventario y los programas de
producción. Este enfoque de la gestión de materiales se aplica a situaciones de grandes talleres en
los que muchos productos se fabrican en lotes periódicos en varios pasos de procesamiento. No se
aplica a los sistemas de fabricación de tipo de flujo continuo.

Comenzar la producción de un pedido en el lugar equivocado el tiempo puede hacer que el cliente
plazos a perder MRP es una herramienta para hacer frente a estos problemas. Eso proporciona
respuestas para qué, cuántos y cuándo se requieren materiales, MRP se puede aplicar tanto a
artículos que se compran a proveedores externos como a subensamblajes, producidos
internamente, que son componentes de artículos más complejos. El marco de MRP está destinado
a cumplir simultáneamente tres objetivos: Asegurar que los materiales y productos estén
disponibles para la producción y entrega a los clientes. Mantener el nivel óptimo posible de
inventario. Planifique las actividades de fabricación, los programas de entrega y las actividades de
compra. El proceso Planificación de recursos de fabricación MRP II es un sistema en el que todo el
entorno de producción está evaluado para permitir que los programas maestros se ajusten y creen
en función de los comentarios de la producción/compra actual condiciones. Bedworth & Bailey,
(1987), Según Monk, E. y Wagner, B., (2006) &Waldner, Jean, Baptiste (1992), es un proceso para
ayudar a los planificadores a rastrear algunos de los problemas asociados con el control de
inventario, algún tipo de 'bucle de retroalimentación' no solo para reprogramar automáticamente
ciertos elementos (cuando sea posible) y evitar un esfuerzo manual excesivo para controlar el
proceso, sino también para detectar e informar el rendimiento que está 'fuera de las
especificaciones' (como un informe de rendimiento del proveedor para rastrear rendimiento de
entrega a tiempo). Este 'bucle de retroalimentación' son los componentes que definen un sistema
'MRP II'. Jha, V. (2012), argumentó que la planificación de recursos de fabricación MRP II representa
el tipo de control de producción Push. Así de acuerdo Según Moustakis, Vassilis, (2000), MRP ha
evolucionado hasta convertirse en un componente de un sistema MRPII. Técnicamente, MRPII
extiende MRP y lo vincula con los recursos de información de la empresa, como recursos humanos,
sistema de información, gestión financiera, contabilidad, ventas, etc. Según Salaheldin Ismail,
(2005). Aún así, con capacidades de reprogramación automatizadas para órdenes de trabajo y/o
programaciones de construcción repetitivas, y informes de 'acción de reprogramación' para órdenes
de compra y fuera contratación, la cantidad de análisis real se reduce significativamente. Otra
información, como perfiles de vendedores informes de rendimiento y capacidad real del proceso en
todo informes de eficiencia y utilización, también ayudan a medir la capacidad de 'desempeño según
el plan' de la planta de fabricación.

Incluso cuando el plan de producción funciona con un rendimiento óptimo, las empresas suelen
tener serios problemas con el proceso de fabricación. Los problemas de "costo oculto" asociados
con la fabricación aumentan el costo total de fabricación, pero son extremadamente difíciles de
rastrear. Algunos de estos 'Costos ocultos' pueden ser causados por una excesiva reprogramación
de Órdenes de Compra o programas excesivos de 'compra forzada', inventario excesivo y/u
obsoleto, o problemas de planificación que provocan productos terminados almacenados
incorrectamente (demasiado de uno, no suficiente de los otros) que resultan en escasez. así como
la escasez material y el exceso “kitting” de componentes comunes. Además, potencial los tiempos
de entrega, o el desempeño deficiente en la entrega a tiempo del cliente, son problemas reales,
pero muy difíciles de rastrear y medir. Como tal, ninguno de estos problemas son rastreados ni
informados por ningún ‘Sistemas estándar MRP I o MRP II.

Para ayudar a resolver estos problemas y mejorar la competitividad y la rentabilidad de la empresa,

más allá de las capacidades existentes, APICS (Sociedad Estadounidense de Control de Producción e
Inventario) define la Planificación de Recursos de Manufactura (MRP II). 1957) como método para
la planificación eficaz de todos los recursos de una empresa manufacturera. Idealmente, se ocupa
de las operaciones planificación en unidades, planificación financiera en dólares, y tiene un
capacidad de simulación para responder preguntas hipotéticas y extensión de MRP de ciclo cerrado.
Esto no es exclusivamente un función de software, sino una combinación de habilidades personales,
dedicación a la precisión de la base de datos y recursos informáticos. Es un concepto de gestión
total de la empresa para el uso de recursos humanos. más productivamente. MRP II integra muchas
áreas de la empresa manufacturera en una sola entidad con fines de planificación y control, desde
el nivel de directorio hasta el operativo y desde el plan de cinco años hasta la operación individual
del taller. Como se muestra en figura (2), MRP II, se basa en material de circuito cerrado Planificación
de requisitos (MRP) adoptando el principio de retroalimentación pero extendiéndolo a áreas
adicionales de la empresa, principalmente relacionados con la fabricación.

Rusănescu, M. (2014) La organización de necesidades materiales (MRP) se considera uno de los

marcos más utilizados para la organización y el control de la producción en la industria, la
planificación de requisitos materiales: la nueva forma de vida en la producción y administración de
inventario, que ha demostrado el potencial y las ventajas de MRP. Como probablemente sepamos,
los marcos hablan de conjuntos de componentes que están interconectados, conectados, en general
para lograr un objetivo. También nos damos cuenta de que cualquier marco se ve como un
subsistema dentro de la asociación. Nuestra metodología es que dentro de las asociaciones como
marco MRP ayuda a la asociación a lograr los objetivos, cooperando con diferentes subsistemas.
Realiza las funciones correspondientes: administración de existencias, administración de datos de
artículos, administración de áreas/paquetes, límite de necesidades y arreglos de requisitos previos
de materiales y, en cierta medida, pagos adeudados, cuentas por pagar y análisis de transacciones.

Planificación de necesidades de materiales MRP III, Monk, E. y

Wagner, B., (2006) & Waldner, Jean-Baptiste (1992), implícito

ese proceso MRP III comienza con un pronóstico de demanda preciso que impulsa todo el negocio
de fabricación. Usando el mejor pronóstico de demanda posible, se desarrolla un programa
maestro. Idealmente, el número total de artículos programados maestros se minimizará, por lo que

que el MRP

el sistema puede

generar construir un

programa maestro general

a lo largo del plan agregado de producción

y productos

árboles, el MRP

El sistema III deriva los componentes individuales y los requisitos de ensamblaje, y recomienda
nuevas órdenes de compra, al igual que

un sistema MRP estándar, y también genera reprogramaciones de órdenes de compra

recomendadas, y reprograma automáticamente ensamblajes programados que no son maestros en
función de la disponibilidad de

componentes/recursos y requisitos materiales, al igual que un

Sistema MRP II. Como se muestra en la figura 3 El sistema MRP III

Marco MRP para aumentar el rendimiento de las operaciones de producción….

Emad Elwy Habib también monitorea e informa el desempeño del proveedor y

'desempeño según el plan' por la línea de montaje, similar a un MRP

II sistema. Sin embargo, para minimizar la cantidad total de información detallada, el sistema MRP
III se concentra en informar solo aquellos elementos que se encuentran fuera de las tolerancias
permitidas, minimizando así la cantidad de elementos informados.

Cuando el sistema MRP se ha integrado completamente con el sistema de Gestión de pedidos, es

posible calcular el inventario Disponible para prometer, basado en un combinación de la cartera de
pedidos existente, el inventario actual y la disponibilidad proyectada de un producto a lo largo del
tiempo a medida que se construye a partir del programa de producción actual. De esta manera, si
un cliente ordena un producto dentro del plazo de entrega y la entrega es ya prometido a otro
cliente, el personal de gestión de pedidos puede utilizar esta información para negociar un
programa de entrega realista con el cliente. Además, la entrega los horarios serían más fáciles de
manejar, ya que el orden el personal de administración puede ver el inventario actual "disponible
para prometer" y usar esta información para determinar cuándo se pueden reprogramar envíos
parciales o completos. Con toda probabilidad, habrá inventario disponible para enviar antes de lo
previsto, en caso de que el cliente necesite realizar una compra forzosa. Por lo tanto, un sistema
MRP III debe incluir la capacidad de ver el "disponible para prometer" inventario, basado en el
inventario actual, la acumulación actual y el plan de producción actual.

Finalmente, el sistema MRP III basa sus parámetros operativos en los principios de la Gestión de
Ancho de Banda, ajustando dinámicamente parámetros como los tiempos de entrega y 'inventario
ideal' según los datos históricos (cuando sea necesario), y medir el desempeño a un conjunto de
estadísticas derivadas ‘bandas de control’, en lugar de parámetros fijos. El 'MRP III'

Luego, el sistema genera informes de excepción para aquellos artículos que se encuentran fuera de
las bandas de control y mantiene automáticamente la mayor parte posible del proceso de
planificación de la fabricación, con poca o ninguna intervención humana.

Un proceso como MRP III ayudaría a eliminar ciertos tipos de errores que actualmente afectan a las
empresas de fabricación a un nivel casi universal. De lejos, el más grande

El único factor que arruina un plan de fabricación perfectamente bueno es la tendencia de que el
Pronóstico de demanda cambie regularmente, generalmente dentro del tiempo de entrega
planificado. o la demanda

El pronóstico puede ser completamente inútil para la fabricación obligando a la persona responsable
del programa maestro a generar literalmente su propio pronóstico en un intento de predecir cuál
será realmente la demanda. A menudo, existe una combinación de estas dos condiciones, donde el
pronóstico de marketing es tan inexacto que lo vuelve inútil, lo que obliga al programador maestro
a realizar esta tarea de generar un pronóstico.

Aplicación y rendimiento de las operaciones de producción de MRP Los estudios previos de MRP se
concentraron en identificar los factores destacados que tienen un gran impacto en la desempeño
general de las empresas manufactureras (Salaheldin, 2004). El acuerdo común es que las actitudes
de apoyo de la gerencia, las estrategias de marketing, el ambiente organizacional, el desarrollo y la
capacitación, el desarrollo y el soporte de los proveedores, la competencia en sistemas de TI, el
tamaño y la edad de la empresa son los principales factores de éxito. Patrocinado por APICS,
Schroeder et al. (1981), Anderson et al. (1982) y White et al. (1982) primero examinó los beneficios
de MRP. Estudios posteriores (Wilson et al., 1994; Sum et al., 1995; Salaheldin y Francis, 1998;
Petroni y Braglia, 1999; Lau et al., 2002; Rabinovich et al., 2003;) concluyó que MRP mejora la
calidad; disminuir los plazos de entrega; reducir WIP; mejorar la Planificación de la Producción (PP),
la programación y el control; menor nivel de inventario; aumentar productividad y servicio al cliente;
reducir los costos de operaciones y mejorar la cooperación entre los departamentos. Murphy y
Simon (2002) y Hunton et al. (2003) agregó que MRP tiene un impacto directo y positivo significativo
en las medidas de desempeño operativo y financiero de las empresas manufactureras.

Estudio empírico:

El cuestionario desarrollado en esta investigación fue

destinado a construir un modelo de prácticas actuales de MRP, Planificación de Operaciones de

Producción y Control de Desempeño; que examinó los objetivos de la investigación a través de tres
indicadores, donde cada indicador representa uno de los sectores del cuestionario. Se han utilizado
el Paquete Estadístico para Ciencias Sociales (SPSS 22) y AMOS 21.

Primero se realizó un análisis factorial confirmatorio (AFC) para probar qué tan bien las variables
medidas representan el construcciones La principal ventaja es que el investigador puede probar
analíticamente una teoría fundamentada conceptualmente que explique cómo los diferentes
elementos medidos representan un negocio importante medidas. Cuando los resultados de CFA se
combinan con pruebas de validez de constructo, el investigador puede obtener una mejor
comprensión de la calidad de sus medidas. La validez de constructo es la medida en que un conjunto
de elementos medidos realmente mide la construir. El ajuste del modelo se evalúa en términos de
diez índices: chi-cuadrado normado con valores de corte inferiores a (5), índice de bondad de ajuste
(GFI), índice de bondad de ajuste ajustado (AGFI), índice de ajuste normado (NFI ), Índice de ajuste
relativo (RFI), Índice de ajuste incremental (IFI), Índice de Tucker Lewis (TLI), Índice de ajuste
comparativo (CFI), Aproximación residual de la raíz cuadrática media (RMSEA), Residual cuadrático
medio de la raíz (RMR) y El promedio varianza extraída con corte valores superiores a (0,5). Se
considera que un modelo es satisfactoria si CFI > 0,90, GFI > 0,90 y RMSEA ˂ 0,10 (Hair et al., 2010).

La investigadora realizó por un lado un análisis multigrupo inicial (Análisis factorial confirmatorio y
Path) que identificó las variables observadas, endógenas y las variables exógenas no observadas que
resultaron en una relación significativa entre los siguientes constructos: MRP y Planificación de
Operaciones de Producción (POP) con 91.6%, MRP y Control de Operaciones de Producción (POC)
con 81%, y Planificación y Control de Operaciones de Producción 74,9%. Por otro lado, Por otro lado,
la investigadora también realizó un análisis final de Grupo Múltiple (factor Confirmatorio y Path
análisis) después de excluir el subconstruido de estimación baja, con las variables medidas ajustadas
representa los constructos, como sigue: MRP y Planificación de operaciones de producción (POP)
con 79%, MRP y Control de Operaciones de producción (POC) con el 73%, Planificación y Control de
Operaciones de Producción 61%. El análisis multigrupo final (factor confirmatorio y análisis de ruta)
confirmó la validez del modelo utilizado, de acuerdo con la Tabla (1), el investigador puede concluir
lo siguiente:

1. Todos los pesos de regresión estandarizados (carga factorial) son superior a 0,50, lo que significa
que todas las variables medidas, son estadísticamente significativas, es decir, las variables medidas
representar los constructos.

2. La prueba t para todas las variables medidas es significativa a un nivel de significación inferior a
(0,001), lo que muestra la importancia de las variables observadas en la medición del impacto de la
implementación de MRP. Medidas sobre el rendimiento de la gestión de las operaciones de
producción Medidas que abarcan el rendimiento de la planificación de las operaciones de
producción (POP) y Medidas de Desempeño del Control de Operaciones de Producción (POC).

Como resultado de las Correlaciones Múltiples al Cuadrado, la varianza promedio extraída, para las
variables que tienen menos de (0.50), luego han sido excluidas de: MRP: Maestro Programación
(MPS), Planificación de capacidad aproximada (RCCP),

Pronósticos (Demanda Independiente), Lista de Materiales (Demanda

Demanda), Reglas de pedido y ciclo de inventario (p. ej., EOQ) y Ruta de producción, que tienen
menos de (0,50), se han excluido de la construcción de medidas de implementación de MRP. Y POP:
Precisión de la previsión de la demanda, y

Mantenimiento total de la producción (TPM), que tienen menos de

(0.50), entonces han sido excluidos de la Producción

Construcción de medidas de rendimiento de planificación de operaciones (POP).

POC: precisión de completar el plan de producción, reducción del tiempo de configuración y costo
de operaciones.

Medición de la bondad de ajuste del modelo (CFA)

De la tabla (1), el investigador reveló que:

1. Todas las pruebas de bondad de ajuste del modelo mostraron resultados significativos, es decir,
la mayoría de los indicadores en límites aceptables o cerca de los valores de corte, y luego la
posibilidad de igualar la forma real del modelo estimado.
2. los valores de Root Mean Square Residual (RMR) y Root Mean Square Residual Aproximation
(RMSEA) inferiores a (0,10), lo que indica un ajuste estrecho del modelo en relación con los grados
de libertad.

3. La varianza media extraída para todos los constructos latentes es

0,85827, es decir, existe una adecuada validez convergente.

Tabla (2): Los índices de bondad de ajuste del multigrupo para

Análisis factorial confirmatorio y Path Analysis

Chi-Cuadrado 502.252

Grado de libertad 238

Nivel de Significancia 0.000

Chi-cuadrado normado 2.110

Residual cuadrático medio (RMR) <0,10 0,042

Índice de bondad de ajuste (GFI) 0,940

Índice de bondad de ajuste ajustado (AGFI) 0,937

Índice de ajuste normado (NFI) 648.0

Índice de ajuste relativo (RFI) 0,830

Índice de ajuste incremental (IFI) 0,907

Índice de Tucker Lewis (TLI) 0,897

Índice de ajuste comparativo (CFI) 0,907

Aproximación residual de raíz cuadrática media (RMSEA) <0,10 0,075

La varianza promedio extraída 0.85827

4. La varianza promedio extraída para las construcciones de MRP hacia la planificación de

operaciones de producción (POP) con 0.786, MRP hacia el control de operaciones de producción
(POC) con 0.732, y Planificación de la Operación de Producción hacia la Producción Control de
Operaciones 0.607. es decir, existe una alta consistencia interna basada en la correlación promedio
entre elementos. Los AVE de todas las escalas resultaron ser más que los valores de corte.

5. En general, la evidencia de un buen ajuste del modelo, confiabilidad y la validez convergente,

indica que el modelo de medición debe mejorarse para probar el modelo de regresión al excluir las
variables de Programación maestra de producción (MPS), Planificación de capacidad aproximada
(RCCP), Pronósticos(Demanda independiente), Lista de materiales (Demanda dependiente),

Reglas de pedido y ciclo de inventario (por ejemplo, EOQ), y

Ruta de producción, excluida de la construcción de medidas de implementación de MRP. La

precisión de la previsión de la demanda y el mantenimiento total de la producción (TPM), excluidos
de la construcción de medidas de rendimiento de planificación de operaciones de producción (POP).
La precisión de completar el plan de producción, la reducción del tiempo de configuración y el costo
de las operaciones, excluidos de la construcción de medidas de rendimiento de control de
operaciones de producción (POC), del CFA inicial.

Hipótesis Análisis multigrupo (Análisis factorial confirmatorio y análisis de ruta): Variables

moderadoras continuas en análisis de regresión múltiple H1: Las empresas farmacéuticas egipcias
con un nivel más alto de implementación de MRP tienen un mejor rendimiento de planificación
operativa de producción que aquellas con un nivel más bajo de implementación de MRP.

Según Karl L. Wuensch, (2016) Un moderador variable es aquella que altera la relación entre otras
variables. Comúnmente se recomienda que un centro todos

las variables involucradas en la interacción, es decir, restar de cada puntuación de cada variable la
media de todas las puntuaciones de esa variable para reducir la multicolinealidad y otros problemas.
Nosotros también podríamos centrar la variable criterio, si quisiéramos interpretar puntuaciones en
él en términos de desviaciones de la puntuación de el significado. Centrar la variable criterio
afectaría a la interceptar pero no los otros coeficientes de regresión. Podríamos simplemente
estandarizar nuestras variables a puntajes z, que son, por supuesto, centrado. La estandarización de
todas las variables hace que (B) también se estandarizarán los coeficientes de regresión. Según
Hayes (2013), la prueba de la interacción no se ve afectada en absoluto por tales transformaciones.
El centrado puede, sin embargo, ser útil con respecto a hacer algunos de los coeficientes de
regresión tienen interpretaciones más significativas que las que tendrían de otro modo. Nuestro
modelo es estadísticamente significativa, donde todas las variables están estandarizadas. De mayor
interés, el término de interacción es estadísticamente significativo, p = 0,049, lo que indica que el
idealismo ético funciona como un moderador de la relación entre El nivel de implementación de la
misantropía MRP tiene un mejor impacto en POP que POC. podríamos ver esta interacción desde
otro perspectiva que El alto grado de implementación de MRPLas medidas de desempeño sirven
como moderador de la relación entre POP y POC. Según la Tabla (1), los investigadores pueden
concluir lo siguiente:
1. Todos los pesos de regresión estandarizados (carga factorial) son superiores a 0,50, lo que
significa que la mayoría de las variables medidas son estadísticamente significativas, es decir, las
variables medidas las variables representan los constructos.

2. La prueba T para todas las variables medidas es significativa a un nivel de significancia menor a
(0.001), lo que muestra la importancia de las variables observadas en la medición del impacto de los
responsabilidad social en la organización de los empleados compromiso afectivo.

3. Como resultado de las Correlaciones Múltiples al Cuadrado, es decir, la varianza promedio

extraída, para las variables menores a (0.50), tienen sido excluido en ambos casos de MRP alto y
bajo Implementación en: variables de subconstrucciones de planificación de operaciones de
producción (POP): efectividad de la planificación de producción, grado de intercambio de
información de funciones cruzadas, flexibilidad de la planificación de la producción, precisión de los
datos de la planificación de la producción, tamaño de lote pequeño, compras JIT, línea de
producción pull, capacitación cruzada y empleado multifuncional, actividades '5S': organización y
estandarización del lugar de trabajo, sistema KANBAN y regla y ciclo de producción (por ejemplo,
EPQ ) del CFA inicial. Control de Operaciones de Producción (POC)

Variables de subconstructos: círculo de calidad y TQM, Estabilidad de programación, nivel de

reducción WIP, grado de on- tiempo de entrega, y grado de Satisfacción de la calidad.

Medición de la bondad de ajuste del modelo (CFA):

Tabla (4): Los índices de bondad de ajuste del multigrupo para Análisis factorial confirmatorio y Path
Analysis De la tabla (4), el investigador reveló que:

1. Todas las pruebas de bondad de ajuste del modelo mostraron resultados o es decir, la mayoría
de los indicadores en límites aceptables o cerca de los valores de corte, y luego la posibilidad de
igualar los forma real del modelo estimado.

2. Los valores de Root Mean Square Residual (RMR) y Root

Aproximación residual cuadrática media (RMSEA) menor que (0,10). el modelo indica que (RMR) y
(RMSEA) son 0,045 y 0,096 respectivamente, lo que indica un ajuste estrecho del modelo en relación
con los grados de libertad

3. La varianza media extraída para todos los constructos latentes es 0,929, es decir, existe una
validez convergente adecuada.

4. La varianza promedio extraída para los constructos Implementación de MRP como moderador en
caso de alto grado de Implementación de MRP fue claro en el Multi-grupo análisis (análisis de
confirmación y de ruta), que POP explica POC en un 26,1 %, con un 51 % de pesos de regresión
estandarizados. Esto significa que la implementación de MRP a pesar de ello es un la
implementación alta o baja tiene un impacto significativo en el

planificación y control de la producción.

5. En general, la evidencia de un buen ajuste del modelo, confiabilidad y validez convergente indica
que el modelo de medición debe mejorarse para probar el modelo de regresión excluyendo lo
siguiente en ambos casos de implementación de MRP alta y baja: Variables de subconstrucciones
POP : eficacia de la planificación de la producción, grado de intercambio de información de
funciones cruzadas, flexibilidad de la planificación de la producción, precisión de los datos de la
planificación de la producción, tamaño de lote pequeño, compras JIT, línea de producción pull,
capacitación cruzada y empleado multifunción,

Actividades '5S': organización y estandarización del lugar de trabajo,

Sistema KANBAN y regla y ciclo de producción (por ejemplo, EPQ)

del CFA inicial. Variables de subconstructos de POC: círculo de calidad y TQM, estabilidad de
programación, nivel de reducción de WIP, grado de entrega a tiempo y grado de satisfacción de la
calidad. Esto significa que las empresas farmacéuticas egipcias con un mayor nivel de
implementación de MRP tienen un mejor rendimiento de planificación operativa de producción que
aquellas con un nivel más bajo de implementación de MRP, lo que se considera un examen completo
para las prácticas de gestión de operaciones de producción en las empresas farmacéuticas egipcias,
y revela el progreso de la aplicación MRP H2: La implementación de MRP en las empresas
farmacéuticas egipcias tiene un mayor impacto en el rendimiento de la planificación operativa (POP)
de la producción que el rendimiento del control de las operaciones de producción.

Según el análisis Multi-Grupo (Factor Confirmatorio Análisis y Análisis de Ruta) en la Figura (8) y la
Tabla (5), el investigador puede concluir lo siguiente:

1. Todos los pesos de regresión estandarizados (carga factorial) son superiores a 0,50, lo que
significa que todas las variables medidas, son estadísticamente significativas, es decir, las variables
medidas representan todas las construcciones: la implementación de materiales Planificación de
requisitos (MRP), Operación de producción Rendimiento de planificación (POP) y operaciones de
producción Controlando el rendimiento (POC).

2. La prueba T para todas las variables medidas es significativa a un nivel de significancia menor a
(0.001), lo que muestra la importancia de las variables observadas en la medición del impacto de la
responsabilidad social en la organización de los empleados compromiso afectivo.

3. Como resultado de las Correlaciones Múltiples al Cuadrado, es decir, promedio

varianza extraída, pues las variables de los constructos tienen menos

que (0.50), entonces han sido excluidos de: Planificación de requisitos de materiales (MRP):
Planificación de requisitos de capacidad (CRP), Programación y control del flujo de la tienda, Gestión
de inventario, Gestión de compras/proveedores, gestión de mantenimiento de equipos, gestión de
datos básicos, pronósticos (demanda independiente) y lista de materiales (demanda dependiente).
Producción Desempeño de la planificación de operaciones (POP): Efectividad de planificación de la
producción, grado de intercambio de información de funciones cruzadas, Flexibilidad de la
planificación de la producción, precisión de los datos de la planificación de la producción,
dimensionamiento de lotes pequeños, compras JIT, línea de producción pull, capacitación cruzada
y empleados multifuncionales, actividades '5S': organización y estandarización del lugar de trabajo,
sistema KANBAN y regla y ciclo de producción (por ejemplo, EPQ ). Producción Rendimiento de
control de operaciones (POC): círculo de calidad y TQM, Estabilidad de programación, nivel de
reducción WIP, Grado de entrega a tiempo y grado de satisfacción de la calidad Medición de la
bondad de ajuste del modelo (CFA):

De acuerdo con la tabla (6), el investigador reveló que:

1. Todas las pruebas de bondad de ajuste del modelo mostraron

resultados o es decir, la mayoría de los indicadores en límites aceptables o cerca de los valores de
corte, y luego la posibilidad de igualar la forma real del modelo estimado.

2. los valores de Root Mean Square Residual (RMR) y Root Mean Square Residual Aproximation
(RMSEA) inferiores a (0,10), lo que indica un ajuste estrecho del modelo en relación con los grados
de libertad

3. La varianza media extraída para todos los constructos latentes es 0,866, es decir, hay una validez
convergente adecuada.

4. La varianza promedio extraída para los constructos de Materiales

Planificación de Requerimientos (MRP) Hacia; Producción

El rendimiento de planificación de operaciones (POP) y el rendimiento de control de operaciones de

producción (POC) son: (0.793), (0.739), respectivamente, es decir, existe una alta consistencia
interna basada en la correlación promedio entre elementos. Los AVE de todas las escalas resultaron
ser más que los valores de corte.

En general, la evidencia de un buen ajuste del modelo, confiabilidad y validez convergente indica
que el modelo de medición

debe mejorarse para probar el modelo de regresión por

excluyendo las variables de Planificación de necesidades de materiales (MRP): Planificación de
necesidades de capacidad (CRP), Programación y control del flujo de producción, Gestión de
inventario,

Gestión de compras/proveedores, gestión de mantenimiento de equipos, gestión de datos básicos,

pronósticos (demanda independiente) y lista de materiales (demanda dependiente). Producción

Desempeño de la planificación de operaciones (POP): Efectividad de planificación de la producción,

grado de intercambio de información de funciones cruzadas, Flexibilidad de la planificación de la
producción, precisión de los datos de la planificación de la producción, tamaño de lote pequeño,
compras JIT, línea de producción pull, capacitación cruzada y empleado multifunción, actividades
'5S': organización y estandarización del lugar de trabajo, sistema KANBAN y Regla y ciclo de
producción (por ejemplo, EPQ), que brinda una Investigación de las relaciones entre la técnica MRP
componentes y su impacto en la planificación de las operaciones de producción actuación. Control
de operaciones de producción

Desempeño (POC): círculo de calidad y TQM, estabilidad de programación, nivel de reducción WIP,
grado de entrega a tiempo y

Grado de satisfacción de la calidad del CFA inicial, que confirma que la implementación de MRP en
las empresas farmacéuticas egipcias tiene un mayor impacto en el rendimiento de la planificación
operativa (POP) de producción que el rendimiento del control de operaciones de producción, pero
la diferencia no es tan alta, por lo que aborda un completo Investigación de las relaciones entre los
componentes de la técnica MRP y su impacto en el desempeño del control de las operaciones de
producción.

H3: MRP tiene un impacto positivo significativo en el rendimiento de las operaciones de producción
en las empresas farmacéuticas egipcias. Según el análisis Multi-Grupo (Factor Confirmatorio

Análisis y Path Analysis) Figura (8), y Tabla (7), el investigador puede concluir lo siguiente:

1. Todos los pesos de regresión estandarizados (carga factorial) son

superior a 0,50, lo que significa que todas las variables medidas son estadísticamente significativas,
es decir, las variables medidas representan los dos constructos Planificación de requisitos de
materiales MRP y Rendimiento de producción y operaciones con una estimación general de 0,942.

2. La prueba t para todas las variables medidas es significativa a un nivel de significación inferior a
(0,001), lo que muestra la importancia de las variables observadas para medir el impacto de la
implementación de la planificación de requisitos de materiales en el rendimiento general de las
operaciones de producción.
3. Como resultado de Correlaciones Múltiples al Cuadrado, es decir, varianza promedio extraída,
para las variables de MRP; Capacidad

Planificación de requisitos (CRP), programación y control del flujo de producción,

y Gestión de inventario, tienen menos de (0.50), entonces tienen

sido excluido de la Implementación de Materiales

Planificación de requisitos MRP en la producción general y

Rendimiento de las operaciones con una estimación global de 0,888.

Medición de la bondad de ajuste del modelo (CFA): De la tabla (8), el investigador reveló que:

1. Todas las pruebas de bondad de ajuste del modelo mostraron resultados o es decir, la mayoría
de los indicadores en límites aceptables o cerca de los valores de corte, y luego la posibilidad de
igualar la forma real del modelo estimado.

2. los valores de Root Mean Square Residual (RMR) y Root Aproximación residual cuadrática media
(RMSEA) inferior a (0,10), lo que indica un ajuste estrecho del modelo en relación con los grados de
libertad

3. La varianza media extraída para todos los constructos latentes es 0,8890, es decir, existe una
adecuada validez convergente.

4. La varianza promedio extraída para los constructos de Implementación de la Planificación de

Requerimientos de Materiales en el Desempeño General de Producción y Operaciones (0.942), es
decir, existe una alta consistencia interna basada en la correlación promedio entre ítems. Los AVE
de todas las escalas resultaron ser más que los valores de corte.

5. En general, la evidencia de un buen ajuste del modelo, confiabilidad y validez convergente indica
que el modelo de medición debe mejorarse para probar el modelo de regresión por excluyendo las
variables de MRP; Planificación de requisitos de capacidad(CRP), programación y control del flujo
de la tienda y gestión de inventario, desde el CFA inicial, lo que confirma que la construcción de MRP
tiene un impacto positivo significativo en la producción desempeño de las operaciones en las
compañías farmacéuticas egipcias.

Recomendaciones:

Con base en la conclusión de las tres hipótesis y la resultados del Multi-Grupo para el análisis
factorial confirmatorio y modelos de análisis de ruta, la alta implementación de Las
subconstrucciones de planificación de requisitos de materiales, planificación de operaciones de
producción y construcciones de control de operaciones de producción, respectivamente, son
significativas, pero deben desarrollarse considerando una implementación alta de las siguientes
subconstrucciones excluidas:

1. Planificación de necesidades de materiales (MRP): Capacidad

Planificación de requisitos (CRP), programación y control del flujo de producción, Gestión de

inventario, gestión de compras/proveedores, gestión de mantenimiento de equipos, gestión de
datos básicos, pronósticos de demanda y lista de materiales de demanda.

2. Rendimiento de la planificación de las operaciones de producción (POP): eficacia de la

planificación de la producción, grado de intercambio de información de funciones cruzadas,
flexibilidad de la planificación de la producción, precisión de los datos de la planificación de la
producción, tamaño de lote pequeño, compras JIT, línea de producción pull, capacitación cruzada y
empleado multifunción, Actividades '5S': organización y estandarización del lugar de trabajo,
Sistema KANBAN y Regla y ciclo de producción (por ejemplo, EPQ).

3. Rendimiento de control de operaciones de producción (POC): Círculo de calidad, Estabilidad de

programación, nivel de reducción WIP, Grado de entrega a tiempo, y Grado de satisfacción de la
calidad del AFC inicial. En opinión del investigador, el rendimiento de las operaciones de producción
de las empresas farmacéuticas de fabricación egipcias en Egipto se maximizará a través de una
mayor implementación del modelo completo MRP, que presenta recomendaciones perspicaces
para una mayor mejora de la eficiencia.

LECTURA 7 Production planning decision of a dairy under supply

disruption and demand uncertainty
Resumen

Propósito: el propósito de este documento es desarrollar un modelo para la decisión de planificación

de la producción de una planta láctea en un entorno de productos múltiples bajo el riesgo de
interrupción del suministro y la incertidumbre de la demanda mientras se determina la combinación
óptima de productos y los requisitos de planificación de materiales.

Diseño/metodología/enfoque: se propone un modelo de programación no lineal de enteros mixtos

para determinar la combinación óptima de productos que maximiza la ganancia esperada de una
lechería. Los datos se recopilan a través de visitas al sitio de la lechería, realizando sesiones de lluvia
de ideas con el gerente de planta y el jefe de marketing en la oficina corporativa. Los datos de
interrupción se recopilan del Departamento Meteorológico de la India, Odisha.

Hallazgos – A partir del análisis, se recomienda que la lechería no produzca cuajada durante el
período de planificación. Además, la facturación de alimentos tonificados, tonificados y para bebés
es superior a la de la cuajada y estos productos se producen en el período de planificación. La
utilidad esperada aumenta a partir de su valor presente cuando se sigue una combinación óptima
de productos. El análisis de sensibilidad se realiza para analizar el efecto de la incertidumbre de la
demanda, la interrupción del suministro y la cuota de producción. El beneficio esperado disminuye
a medida que aumenta la probabilidad de fallo del suministro.

Limitaciones/implicaciones de la investigación: el modelo se implementa en una planta lechera bajo

la Federación de Productores de Leche Cooperativa del Estado de Orissa, Odisha, India. La
metodología propuesta no ha sido validada, teóricamente. La lechería en cuestión se basa en el
contexto indio, pero los autores creen que el estudio también es muy relevante para otras lecherías.

Implicaciones prácticas: este estudio proporciona una metodología para que los gerentes de plantas
lecheras planifiquen la producción de manera efectiva bajo el riesgo de interrupción del suministro
con incertidumbre en la demanda. También sugiere la planificación de requisitos de materiales en
diferentes fábricas de la planta de productos lácteos.

Originalidad/valor: este documento desarrolla un modelo matemático para la decisión de

planificación de la producción de una planta láctea que determina la combinación óptima de
productos, que maximiza la ganancia esperada de una lechería bajo el riesgo de interrupción y la
incertidumbre de la demanda (en el contexto indio).

Palabras clave Toma de decisiones, Optimización, Planificación, Producción, Programación no lineal,

Gestión de la cadena de suministro, Incertidumbre de la demanda, Programación no lineal de
enteros mixtos, Planificación de la producción, Interrupción del suministro, Industria láctea.

1. Introducción

Uno de los problemas críticos en cualquier cadena de suministro de fabricación o servicio es la

interrupción del suministro.

riesgo, que interrumpe el flujo operativo de la industria (Tang, 2006; Tomlin, 2006; Ray

Los autores agradecen a los editores y revisores anónimos por brindar comentarios constructivos y
sugerencias para mejorar la calidad del artículo.

y Jenamani, 2016a, 2016b; Fattahi y Govindan, 2018). La situación se complica aún más si la
naturaleza del producto es perecedero (Mishra y Shekhar, 2011). En este contexto, una cadena de
suministro de productos lácteos no es una desviación. India es el país productor de leche más grande
del mundo y las cooperativas lecheras son la columna vertebral de la industria láctea india. La
planificación de la producción en las industrias lácteas es muy complicada. La demanda estocástica
de los productos finales, las incertidumbres asociadas a la disponibilidad de leche cruda, las
fluctuaciones en el rendimiento del producto, la calidad, el precio de adquisición, los costos de
transporte y la naturaleza perecedera tanto de las materias primas como de los productos finales
hacen que la planificación de la producción de un suministro lácteo cadena compleja y diferente de
las industrias manufactureras tradicionales.

La cadena de suministro de productos lácteos también se ve afectada por varios tipos de riesgos e
incertidumbres.

La planificación de la producción se interrumpe cuando la lechería vende sus productos por

contratos (Guan y

Philpott, 2011; Lan et al., 2011; Felfel et al., 2016). Por lo tanto, la identificación y clasificación de
riesgos e incertidumbres son cuestiones importantes (Gorton et al., 2006; Mula et al., 2006; Mishra
y Shekhar, 2011). Mishra y Shekhar (2011) identifican 14 tipos de riesgos e incertidumbres en siete
niveles de una cadena de suministro de productos lácteos en el escenario indio. Algunos riesgos e
incertidumbres importantes son el ganado lechero bajo, el precio no remunerativo de la leche, los
riesgos logísticos, los riesgos de desastres naturales, la imprevisibilidad de la demanda, la falta de
confiabilidad del producto, los riesgos de entrega, la escasez de productos y las fluctuaciones
estacionales en la producción (Sinha et al., 2012) . Otros factores como inundaciones, ciclones,
huelgas locales y enfermedades de las vacas también afectan la interrupción del suministro de leche
en la cadena de suministro de lácteos (Ray y Jenamani, 2016a, 2016b). La falla de suministro debido
al riesgo de interrupción se clasifica en súper evento, semi-super evento y evento único (Berger et
al., 2004; Sarkar y Mohapatra, 2009). Un súper evento es una situación en la que todos los
proveedores fallan en el suministro y un evento único en el que un proveedor individual falla en el
suministro a la vez. Modelar la planificación de la producción de la cadena de suministro de
productos lácteos considerando los riesgos y las incertidumbres hace que la planificación de la
producción sea más realista.

Muchos estudios propusieron varios modelos matemáticos y situaciones de planificación como

vida útil fija y flexible (Amorim et al., 2012), modelo de programación de objetivos preventivos
(Leung y Ng, 2007), modelo de programación lineal/no lineal de enteros mixtos (Tometzki y Engell,

2010; Mirzapour Al-E-Hashem et al., 2011; Bilgen y Çelebi, 2013; Yin y Nishi, 2014; Accorsi et al.,
2017), enfoque multimétrico (Duong et al., 2015) y programación estocástica de varias etapas (Guan
y Philpott, 2011; Fattahi y Govindan, 2018) para la planificación de la producción de productos
perecederos/que se deterioran. Sankaran y Luxton (2003) consideran una industria láctea en Nueva
Zelanda y se centran en cuestiones operativas. Sin embargo, los estudios mencionados
anteriormente no consideran el riesgo de interrupción del suministro ni la incertidumbre al
desarrollar modelos para una decisión de planificación de la producción. Pocos autores sugirieron
modelos de planificación de la producción para la industria láctea. Benseman (1986) sugiere un
modelo de programación lineal que resuelve el problema de planificación de la producción de la
empresa láctea de Nueva Zelanda. El autor modela el problema con una situación de demanda
determinista considerando la producción base, la producción de penalización y la cuota de
producción como parámetros de planificación. La producción base de la planta láctea es el volumen
de producción, que se vende al precio real establecido por la gerencia antes del inicio del período
de planificación. La gerencia vende una cantidad de su producción por debajo de su precio real,
llamada producción de penalización, para aumentar el volumen de ventas de la mezcla de
productos. Como la demanda de productos lácteos es estocástica, el modelo no logra capturar la
realidad. Para cerrar esta brecha de investigación, Guan y Philpott (2011) modelan el problema de
planificación de la producción para Fonterra, una empresa líder en la industria láctea de Nueva
Zelanda, teniendo en cuenta: la oferta de leche incierta, las curvas de precio-demanda y el contrato.
Aplican un modelo de programación estocástica de varias etapas para resolver este problema y
proponen un algoritmo de descomposición para calcular la política de ventas óptima. Prakash et al.
(2017) propusieron estructuras interpretativas metodología de modelado (ISM) para analizar los
riesgos en las empresas lácteas indias y descubrió que los riesgos del lado del proveedor son
significativos. Ray y Jenamani (2016a, 2016b) desarrollan modelos de producto único de un solo
período para la asignación óptima de pedidos en una cadena de suministro de dos etapas, donde
tanto la demanda como la oferta son inciertas y están sujetas al riesgo de interrupción. Implementan
uno de los modelos en una planta lechera situada en la parte oriental de la India. Sin embargo,
ninguno de los modelos discutidos anteriormente considera la decisión de planificación de la
producción de una planta de productos lácteos bajo el riesgo de interrupción del suministro con
incertidumbre de la demanda en un entorno de múltiples períodos y múltiples productos.

Ampliamos el trabajo de Ray y Jenamani (2016a, 2016b) en multi-producto, el multi-

ajuste de período para la decisión de planificación de la producción de productos lácteos mientras

se desarrolla un entero mixto

modelo de programación no lineal (MINLP) con interrupción de la oferta e incertidumbre de la

demanda. los

El modelo optimiza la mezcla de productos bajo la demanda estocástica de productos, la fluctuación

de la disponibilidad de leche cruda, la calidad, los costos, el precio, la producción base, la producción
de penalización y la cuota de producción. La producción de lácteos en la India requiere mucha mano
de obra. Sin embargo, hay mejores perspectivas de crecimiento de los ingresos de los hogares
rurales más pobres. Por lo tanto, implementamos el modelo en una planta láctea (un ala de la
empresa láctea de la Federación Cooperativa de Productores de Leche del Estado de Orissa
(OMFED), Odisha, India) situada en la parte oriental de la India. El análisis de sensibilidad se realiza
para estudiar el efecto de varios parámetros de entrada en el beneficio esperado. En concreto, el
estudio tiene las siguientes aportaciones:
 El estudio desarrolla un modelo de programación no lineal de enteros mixtos para decisiones de
planificación de producción de una planta lechera bajo riesgo de interrupción del suministro con
incertidumbre en la demanda.

El modelo determina la combinación de productos óptima en el entorno estocástico para optimizar

el beneficio esperado de la lechería.

También estudia el efecto de varios parámetros de entrada, como la consecuencia de la

interrupción del suministro y la cuota de producción en la ganancia esperada de la planta lechera.

El resto del documento está organizado de la siguiente manera. La sección 2 describe el problema y
la formulación del modelo. La Sección 3 presenta el caso y la Sección 4 muestra los resultados y la
discusión. Sección

5 resume el trabajo y discute futuras direcciones de investigación.

2. Descripción del problema

Como se muestra en la Figura 1, una planta láctea típica consta de Sociedades Recolectoras de Leche
a Granel (BMC), congeladores de leche de distrito, fábricas dentro de la planta y produce múltiples
productos como leche tonificada, leche bitonada, cuajada y papillas. La planta recoge la leche entera
de sus BMC ubicados en diferentes regiones geográficas, sujetos a interrupción del suministro y
incertidumbres Antes de que comience la producción, el planificador de producción pronostica los
productos demanda para decidir el volumen total esperado de producción en el período de
planificación, que es llamada cuota de producción. La decisión sobre qué producir, cuánto producir
y cuándo producir depende de factores dinámicos de la cadena de suministro, como la
disponibilidad de leche entera de sus BMCs, su calidad, demanda estocástica del producto, costos
de compra, venta precios y costo de transporte. Durante la planificación de la producción, la
dirección se enfrenta a muchos restricciones tales como disponibilidad de leche, capacidad en cada
fábrica, rendimiento, producción y subproductos.

restricciones del producto. Se ha observado que casi todas las industrias lácteas enfrentan algún
tipo de interrupciones e incertidumbres, lo que interrumpe el flujo de suministro de leche. Las
incertidumbres se deben a la naturaleza estocástica de la demanda del producto, la disponibilidad
de leche entera y el lado de la recolección, respectivamente. Las interrupciones se deben a ciclones,
inundaciones, olas de calor, huelgas locales y gubernamentales, etc., solo en el lado de la
recolección. Este estudio considera el súper evento y evento único para el análisis de disrupción en
los BMC. En tal situación, el objetivo es adoptar la mejor combinación de productos, que maximice
el beneficio esperado de una cadena de suministro de productos lácteos.
los riesgos del lado del proveedor son significativos. Ray y Jenamani (2016a, 2016b) desarrollan
modelos de producto único de un solo período para la asignación óptima de pedidos en una cadena
de suministro de dos etapas, donde tanto la demanda como la oferta son inciertas y están sujetas
al riesgo de interrupción. Implementan uno de los modelos en una planta lechera situada en la parte
oriental de la India. Sin embargo, ninguno de los modelos discutidos anteriormente considera la
decisión de planificación de la producción de una planta de productos lácteos bajo el riesgo de
interrupción del suministro con incertidumbre de la demanda en un entorno de múltiples períodos
y múltiples productos.

Ampliamos el trabajo de Ray y Jenamani (2016a, 2016b) en multi-producto, el multi-

ajuste de período para la decisión de planificación de la producción de productos lácteos mientras

se desarrolla un entero mixto

modelo de programación no lineal (MINLP) con interrupción de la oferta e incertidumbre de la

demanda. los

El modelo optimiza la mezcla de productos bajo la demanda estocástica de productos, la fluctuación

de la disponibilidad de leche cruda, la calidad, los costos, el precio, la producción base, la producción
de penalización y la cuota de producción. La producción de lácteos en la India requiere mucha mano
de obra. Sin embargo, hay mejores perspectivas de crecimiento de los ingresos de los hogares
rurales más pobres. Por lo tanto, implementamos el modelo en una planta láctea (un ala de la
empresa láctea de la Federación Cooperativa de Productores de Leche del Estado de Orissa
(OMFED), Odisha, India) situada en la parte oriental de la India. El análisis de sensibilidad se realiza
para estudiar el efecto de varios parámetros de entrada en el beneficio esperado. En concreto, el
estudio tiene las siguientes aportaciones:

El estudio desarrolla un modelo de programación no lineal de enteros mixtos para decisiones de

planificación de producción de una planta lechera bajo riesgo de interrupción del suministro con
incertidumbre en la demanda.

El modelo determina la combinación de productos óptima en el entorno estocástico para optimizar

el beneficio esperado de la lechería.

También estudia el efecto de varios parámetros de entrada, como la consecuencia de la

interrupción del suministro y la cuota de producción en la ganancia esperada de la planta lechera.

El resto del documento está organizado de la siguiente manera. La sección 2 describe el problema y
la formulación del modelo. La Sección 3 presenta el caso y la Sección 4 muestra los resultados y la
discusión. Sección
5 resume el trabajo y discute futuras direcciones de investigación.

2. Descripción del problema

Como se muestra en la Figura 1, una planta láctea típica consta de Sociedades Recolectoras de Leche
a Granel (BMC), congeladores de leche de distrito, fábricas dentro de la planta y produce múltiples
productos como como leche tonificada, leche bitonada, cuajada y papillas. La planta recoge la leche
entera de sus BMC ubicados en diferentes regiones geográficas, sujetos a interrupción del
suministro y incertidumbres Antes de que comience la producción, el planificador de producción
pronostica los productos demanda para decidir el volumen total esperado de producción en el
período de planificación, que es llamada cuota de producción. La decisión sobre qué producir,
cuánto producir y cuándo producir depende de factores dinámicos de la cadena de suministro, como
la disponibilidad de leche entera de sus BMCs, su calidad, demanda estocástica del producto, costos
de compra, venta precios y costo de transporte. Durante la planificación de la producción, la
dirección se enfrenta a muchos restricciones tales como disponibilidad de leche, capacidad en cada
fábrica, rendimiento, producción y subproductos.

restricciones del producto. Se ha observado que casi todas las industrias lácteas enfrentan algún
tipo de interrupciones e incertidumbres, lo que interrumpe el flujo de suministro de leche. Las
incertidumbres se deben a la naturaleza estocástica de la demanda del producto, la disponibilidad
de leche entera y el lado de la recolección, respectivamente. Las interrupciones se deben a ciclones,
inundaciones, olas de calor, huelgas locales y gubernamentales, etc., solo en el lado de la
recolección. Este estudio considera el súper evento y evento único para el análisis de disrupción en
los BMC. En tal situación, el objetivo es adoptar la mejor combinación de productos, que maximice
el beneficio esperado de una cadena de suministro de productos lácteos. La función objetivo en la
ecuación (1) consta de cuatro términos: ingreso, costo de penalización, costo fijo y costos de manejo
de materiales. La lechería vende el producto a dos precios diferentes: precio de venta base en una
situación normal y precio ajustado (menor que el precio de venta base) cuando avanza la
planificación. La gerencia impone multas y cuotas de producción sobre productos específicos para
fomentar la combinación de productos requerida. Debido a esto, la gestión pierde ingresos, lo que
se denomina costo de penalización. El tercer término de la ecuación (1) es el costo fijo, que no
depende del volumen de producción. Sin embargo, se vuelve cero cuando la fábrica no opera a
tiempo. Zkt es una variable binaria; Zkt = 1, cuando la fábrica opera en el tiempo t; o 0 en caso
contrario. El último término en la ecuación (1) es el costo de manejo de materiales. El material de
entrada dentro de la planta se mueve a diferentes fábricas mediante equipos de manejo de
materiales e incurre en el costo total de manejo de materiales.

De manera similar, las restricciones son la restricción de disponibilidad de leche entera [Ecuación
(2)],
restricción de capacidad en cada fábrica [Ecuación (3)], restricción de rendimiento del producto
[Ecuación (4)],

restricción de demanda del mercado [Ecuación (5)], restricción de producción [Ecuación (6)],
subproducto

restricción [Ecuación (7)] y restricción de producción base [Ecuación (8)]. Toda la leche entera

disponible en cada BMC debe procesarse en las fábricas. Sin embargo, en el caso de

capacidad de fábrica insuficiente, el modelo no es capaz de hacerse cargo del excedente de leche
entera. Por lo tanto, la leche entera total requerida en todas las fábricas debe ser inferior a la
disponibilidad general en los BMC. Cada fábrica tiene una capacidad limitada para procesar leche
entera o crema en un día. De manera similar, la capacidad se expresa en términos del número de
insumos porque los rendimientos de los productos varían con el tiempo. Algunas fábricas de
alimentos para bebés pueden procesar múltiples insumos simultáneamente. Cada producto y
subproducto tiene una restricción de rendimiento. Esto relaciona el volumen de salida producido
con el volumen de materiales de entrada como la leche entera. El rendimiento de la leche entera
para diferentes productos varía estacional y geográficamente. El rendimiento varía de una fábrica a
otra. Dado que una lechería produce productos a partir de uno o varios materiales de entrada, existe
una restricción para garantizar la proporción correcta entre las entradas. Para restringir la
sobreproducción en el período de planificación, la gerencia decide el volumen de producción de
cada producto, que es menor o igual a su demanda de mercado. Como los productos lácteos son
perecederos, la gerencia trata de vender la producción total de un producto a su precio de venta
base para obtener la máxima utilidad. Sin embargo, existe la posibilidad de algunos productos no
vendidos. Por lo tanto, la gerencia vende una parte de la producción total a un precio más bajo, lo
que se denomina producción de penalización. Entonces, la producción total se divide en producción
base y producción de penalización. La producción de penalización de productos fomenta la
combinación de productos en el período de planificación. La restricción de rendimiento para el
subproducto actúa como una restricción de balance de volumen. Por ejemplo, el volumen de crema
enviado desde la fábrica k a la fábrica de alimentos para bebés K depende del total de leche entera
entregada a la fábrica k. Cuando existen sanciones, el modelo trata de maximizar la producción base
para aumentar la ganancia esperada. Así, la producción base máxima de un producto está acotada
dentro de su cuota de producción. La disponibilidad de leche entera en cada BMC se ve afectada
por riesgos e incertidumbres como los riesgos de interrupción y la variación de la producción de
leche entera, respectivamente. Para cuidar de riesgos de interrupción, modelamos la probabilidad
de interrupción en cada BMC en línea con Berger

et al. (2004) que se da de la siguiente manera:

El modelo está desarrollado para resolver la planificación de la producción y la planificación de

requisitos de material.
problemas de una planta láctea bajo riesgo de interrupción de suministro e incertidumbre de
demanda en el

contexto indio. Este modelo maneja estratégicamente la disponibilidad estocástica de leche cruda
en

el lado de la oferta considerando la probabilidad de interrupción del súper evento, interrupción del
evento único

Probabilidad de interrupción

La probabilidad de que los BMC j fallen debido a un súper evento en el tiempo t pt La probabilidad
de que los BMC j fallen debido al evento único pero sin el super evento en el tiempo t La probabilidad
de que los BMC j fallen debido a un evento único o al súper evento en tiempo t

La probabilidad de que los BMC j no fallen ni debido a un evento único ni al súper evento en el
tiempo t y factores estacionales variables. También captura la demanda estocástica de productos
finales de la cadena de suministro. Aunque la metodología propuesta no ha sido validada
teóricamente y está diseñada en base a los datos disponibles de la industria láctea, el estudio cree
que también es muy relevante para otras lecherías. Como existe una investigación limitada sobre
este tema en particular, proporcionará pautas a los gerentes de planta/tomadores de decisiones
para planificar la producción y la planificación de requisitos de material de manera efectiva en
diferentes fábricas de la planta de lácteos bajo riesgo de interrupción del suministro con
incertidumbre de la demanda.

En la próxima sesión se presenta un caso para validar el modelo anterior.

3. El caso

OMFED es una de las lecherías del estado de Odisha, India. Los objetivos principales de OMFED
incluyen la promoción, producción, adquisición, procesamiento y comercialización de leche y leche
productos para el desarrollo económico de la comunidad agrícola rural en Odisha, India. Eso es una
sociedad cooperativa lechera de nivel superior registrada bajo la Ley de Sociedad Cooperativa de
1962.

Ha surgido para integrar a los productores de leche en áreas rurales con los consumidores en las
zonas urbanas con una actitud emprendedora. OMFED comprende 11 lecherías de las cuales
consideramos solo uno: Balasore Dairy (en lo sucesivo, solo la lechería) que incluye tres distritos del
norte de Odisha, a saber, Balasore, Bhadrak y Mayurbhanj. la lechería es afectados por falla de
suministro en sus BMC debido a súper eventos y eventos únicos como ciclones, inundaciones, olas
de calor, huelgas gubernamentales y locales y enfermedad de las vacas. La lechería recolecta
alrededor de 2615 unidades de leche por día a través de 29 sociedades cooperativas activas de los
distritos de Bhadrak, Balasore y Mayurbhanj.

3.1 Escenario de producción de la planta láctea La lechería produce cuatro tipos de productos
lácteos, a saber, leche tonificada, bitonada, cuajada y leche en polvo para alimentos infantiles de
sus cuatro plantas de procesamiento diferentes (Figura 2). Para producir estos productos, la lechería
requiere la leche entera de sus BMC y algunos subproductos de sus plantas de procesamiento. La
lechería recoge la leche entera de los granjeros a través de sus BMC ubicado en la sede de la región
en cuestión y se almacena en un congelador a granel en la planta. Los la leche tonificada, la leche
doble tonificada y la cuajada requieren leche entera como materia prima, mientras que Se requieren
varios insumos como leche entera, suero y crema para la producción de leche en polvo para
alimentos para bebés (aquí, el suero y la crema son dos subproductos de otras fábricas). Ahora la
lechería sigue su propia planta de producción, y la ganancia existente de la lechería es

81,405.5 en valor monetario.

3.2 Recopilación de datos

Los datos se recopilan a través de visitas al sitio de la lechería. Se realizan entrevistas con el

gerente de planta y jefe de marketing en la oficina corporativa. La Tabla 1 muestra el precio de venta
base, el costo de producción variable, el costo de penalización y el rendimiento del producto de la
leche entera.

El precio base de venta varía de un producto a otro. El costo variable de producción varía de una
fábrica a otra y depende del costo de producción promedio del final producto y factor estacional. El
costo promedio de producción es una función del volumen de leche entera requerida para producir
una unidad del producto final y la adquisición promedio costo de la unidad de volumen de leche
cruda entera. Como ambos son constantes independientemente de las estaciones, El costo
promedio de producción permanece constante para un producto final en particular,
independientemente de diferentes temporadas. El costo variable de producción de un producto
varía con las estaciones: verano, lluviosa e invernal con distinto índice de estacionalidad. Este
estudio da una distribución normal a un factor estacional que oscila entre 0,75 y 1,2. Costos de
penalización por diferentes productos como tonificados la leche, la leche bicolor, la cuajada y la
papilla son 2, 1,5, 3 y 8, respectivamente, en el orden monetario unidad. El costo fijo en la unidad
monetaria para cuatro fábricas, a saber, entonado, bitonado, cuajada y alimentos para bebés son
2.200, 2.500, 2.700 y 3.000, respectivamente. La capacidad de producción de las fábricas de
tonificados, bitonados, cuajada y papillas infantiles es de 4.000, 4.000, 2.000, 1.350 unidades,
respectivamente. El rendimiento se expresa en unidades de producto por unidad de insumo. El
rendimiento depende de la composición de la leche y varía tanto geográficamente como
estacionalmente. El rendimiento de un insumo se decide por el porcentaje de contenido de grasa
(p. ej., mantequilla y AMF) y/o el porcentaje de contenido de proteína (queso). Aumenta
gradualmente de agosto a enero y principios de mayo.

La Tabla 2 muestra la recolección diaria promedio de leche y el precio de compra por unidad de
leche entera. Aquí, capacidad significa la disponibilidad promedio de leche entera por día en
unidades. La demanda de mercado de cada producto sigue una distribución normal a lo largo de la
planificación.

período con una media y una desviación estándar (Tabla 3).

A medida que avanza la temporada, la junta de la industria láctea impone sanciones y cuotas en
ciertos productos para cuidar la sobreproducción y las pérdidas. Las cuotas de producción de los
tonificados, bitonados, cuajada y papillas son 4.000, 4.000, 3.000 y 700 unidades, respectivamente.

El costo unitario de manejo de materiales de todos los materiales de entrada varía de una fábrica a
otra con el tiempo. (Cuadro 4). Costos de manejo de materiales en la fábrica de alimentos para
bebés para leche entera, suero y crema son 1, 1,5 y 3, respectivamente.

Los BMC debajo de la lechería están sujetos a dos tipos de fallas en el suministro debido a los riesgos
de interrupción, a saber, súper evento y evento único. Balasore BMC se ve afectado principalmente
por estas dos fallas eventos que los otros dos BMC Bhadrak y Mayurbhanj (Tabla 5).

A partir de los datos, se observa que los BMC de Balasore y Bhadrak son más frecuentes afectados
por inundaciones y ciclones en un año (www.imdorissa.gov.in/). La recolección de leche entera de
diferentes BMC en la lechería varía según la temporada. La colección toma valor máximo en
septiembre – octubre y se vuelve mínimo en mayo – junio. Sin embargo, para una estación en
particular, la recolección de leche entera varía normalmente con un valor medio (Cuadro 6).

4. Resultados y discusión

En esta sección, llevamos a cabo un estudio numérico para ilustrar el modelo. Usamos los datos

recogidos de la lechería para el análisis. Cada problema se resuelve utilizando el software AMPL

con el solucionador de optimización GUROBI en Windows 8, sistema operativo de 64 bits con 4 GB

de RAM.

La Tabla 7 muestra los resultados numéricos del modelo sugerido para la producción
Planificación de la planta lechera. De la Tabla se observa que la producción de cuajada es cero;

por lo tanto, para maximizar la ganancia esperada, se recomienda que no se produzca cuajada
durante todo el período de planificación. Esto se debe a la escasez de disponibilidad de leche entera
para producir cuajada después de cumplir con los requisitos para producir alimentos tonificados,
bitonados y para bebés. y también por rotación mínima a partir de una unidad de cuajada. Como la
facturación de tonificados, bitonificados y papillas para bebés es superior a la de la cuajada, estos
productos se producen en el período de planificación.

Los resultados de la Tabla 7 también brindan información sobre la producción base y la penalización.

producción de un producto. En el horizonte de planificación, la planta láctea enfrenta un volumen

de penalización de 2.119 unidades por tonificado y 1.396 unidades por bitonado en el periodo 2.
Este resultado se debe a la efecto de la naturaleza estocástica de la demanda de productos finales
sobre la producción total, base producción y producción de penalización, disponibilidad limitada de
leche cruda, decisión incorrecta sobre cuota de producción y facturación unitaria de diferentes
productos. La tabla 8 muestra el material planificación de requerimientos en las diferentes fábricas
de la planta.

La tabla da insumos a diferentes fábricas para producir los productos en la planificación período,
que se decide por el rendimiento del producto y el rendimiento del subproducto. La Figura 3
muestra el representación gráfica de la combinación de productos del diario de casos en la situación
existente. Para esta mezcla de productos, la solución del modelo arroja una utilidad esperada de
88.195 en valor monetario, que es un 8,34% superior a la utilidad existente.

4.1 Análisis de sensibilidad

En esta sección, realizamos el análisis de sensibilidad para optimizar aún más el objetivo del modelo.

4.1.1 Utilidad esperada vs cuota de producción. El efecto de la cuota de producción sobre la utilidad
esperada se muestra en la Tabla 9, en la que se observa que a un determinado valor de la cuota de
producción.

para cada producto, la ganancia esperada se vuelve máxima y luego se estabiliza. Esta tendencia se
debe a la disponibilidad limitada de leche entera por el lado de la oferta y la restricción en la
demanda del mercado de productos finales.

La Figura 4 muestra la representación gráfica del análisis de sensibilidad de la cuota de producción

sobre la utilidad esperada. Al variar la cuota de producción de cada producto, se observa que a 7.000
unidades de leche tonificada, 6.000 unidades de leche bitonada, 600 unidades de papilla y 1.050
unidades de cuajada, la ganancia esperada correspondiente se vuelve máxima y luego se vuelve
estable.
La combinación de productos en el proceso de producción controla la ganancia esperada de la
lechería y la combinación óptima de productos maximiza la ganancia esperada.

La producción de penalización en la combinación óptima de productos de cada producto final se

vuelve cero y minimiza la pérdida debido a la penalización.

La combinación óptima de productos se ve afectada por la probabilidad de interrupción, la

incertidumbre de la demanda y la cuota de producción predeterminada para cada producto final.

Hasta un valor particular de la cuota de producción, la ganancia esperada de la cadena de

suministro llega a ser máxima y luego permanece constante debido a la disponibilidad limitada de
leche entera.

5. Conclusión

La planificación de la producción de una cadena de suministro de productos perecederos suele ser

complicada y la situación se vuelve grave si se materializan los riesgos de interrupción. En este
contexto, desarrollamos un modelo mixto modelo de programación no lineal entero, que sugiere la
combinación óptima de productos que maximiza la ganancia esperada de una planta lechera a partir
de la ganancia existente. Estudiamos el efecto de los parámetros de entrada, como la consecuencia
de la interrupción del suministro y la cuota de producción en el beneficio esperado de la lechería.
Del análisis numérico se observa que la combinación óptima de productos se ve afectada por la
probabilidad de interrupción, la incertidumbre de la demanda y la cuota de producción
predeterminada para cada producto final. El estudio también sugiere la planificación de
requerimientos de materiales en diferentes fábricas de la planta de lácteos.

Es difícil obtener una solución analítica de forma cerrada al problema debido a la inclusión de
muchos parámetros. Por lo tanto, se puede diseñar un algoritmo en el futuro para superar la
complejidad del modelo. Otras extensiones podrían considerar la disponibilidad de excedentes de
leche entera en los aspectos de la oferta y los precios de venta variables de la leche entera durante
la temporada de escasez y abundancia.

LECTURA 8: Evolving manufacturing mobility in Industry 4.0:

the case of process industries
Resumen

Propósito: el propósito de este documento es presentar un enfoque para incorporar la movilidad en

la fabricación continua luego del advenimiento de la Industria 4.0 (I4.0).

Diseño/metodología/enfoque: la investigación se basa en una investigación de acción canónica de

un año sobre una empresa de fabricación de papel que implementa tecnologías básicas I4.0.
Hallazgos: los hallazgos muestran cómo: clasificar la estrategia de movilidad de fabricación en
función de las dimensiones de equipo, tarea y control; diseñar procesos comerciales habilitados por
recursos ciberfísicos móviles; involucrar diferentes actores en la modelización de la movilidad; y
crear una guía completa para ayudar en la implementación de la digitalización móvil requerida por
I4.0.

Limitaciones/implicaciones de la investigación: a pesar de la complejidad, riqueza y profundidad de

los conocimientos obtenidos en esta investigación para la gestión de la movilidad en industrias de
proceso, esta indagación se realizó en un organización única.

Implicaciones prácticas: dado que la cuarta revolución industrial fomenta la descentralización y el

aumento interacción entre humanos y máquinas, este artículo presenta un modelo para capturar el
potencial de movilidad en fabricación. Las herramientas propuestas en esta investigación pueden
utilizarse para orientar las inversiones en la industria.

transformaciones que fusionan los mundos físico y digital, superando las limitaciones de movilidad.
Originalidad/valor: en teoría, este documento amplía el concepto de movilidad de fabricación en
I4.0. En práctica, propone una hoja de ruta participativa para ayudar a la gestión de la tecnología en
cada vez más descentralizada entornos, identificando la red entrelazada de actores, procesos y
servicios ciberfísicos.

Palabras clave Investigación-acción, Implementación de tecnología, Sistemas de información,

Industria 4.0, Mejora de la producción, Reingeniería de procesos de negocio Tipo de papel Trabajo
de investigación

Introducción

La movilidad es un componente clave de la cuarta revolución industrial (Industria 4.0 (I4.0)), y la Se

espera que el uso de dispositivos móviles en los negocios continúe creciendo a una tasa del 6,9 por
ciento.

hasta 2022 (Mearian, 2017). Los procesos y las líneas de producción se están descentralizando por
todas partes. el mundo. El contexto en el que compiten las organizaciones está cambiando a un
ritmo sin precedentes debido a los avances tecnológicos, especialmente con los dispositivos móviles
y la computación en la nube.

La movilidad es ahora la norma en muchas áreas de la sociedad (Middleton et al., 2014), lo que lleva
gerentes de manufactura a incluir la conectividad móvil en sus agendas estratégicas que reconocer
“la inevitabilidad de la consumerización de TI” (Harris et al., 2011, p. 110) y la necesidad de aceptarlo
proactivamente. Empresas de todo el mundo están implementando tecnologías cambios para lograr
la integración digital horizontal, vertical y de extremo a extremo en sistemas distribuidos.
cadenas de suministro (Wang et al., 2016). Sin embargo, los principales desafíos y requisitos para
I4.0 no son puramente tecnológicos, sino que apuntan a la estandarización, organización del trabajo,
nuevos modelos de negocio y la importancia de los principios de diseño para los nuevos escenarios
que se ofrecen (Acatech, 2013; Hermann et al., 2016; Lasi et al., 2014; Smit et al., 2016).

I4.0 se puede definir como “la organización de los procesos productivos basada en la tecnología y
dispositivos que se comunican de forma autónoma entre sí a lo largo de la cadena de valor”

(Smit et al., 2016, pág. 7). Hay varias innovaciones tecnológicas en I4.0, incluidos los dispositivos
móviles, la computación en la nube y el Internet de las cosas (Oesterreich y Teuteberg, 2016) que
requieren la creación de hojas de ruta estratégicas adaptadas a cada tipo de industria y contexto
competitivo (Ghobakhloo, 2018). Los sistemas de información móvil (MobIS) son pilares de I4.0. Por
ejemplo, en la industria aeronáutica, los sistemas móviles se pueden encontrar en el proceso de
reparación de mantenimiento crítico (Koornneef et al., 2017). Sin embargo, a pesar del uso
generalizado de tecnologías móviles para uso personal, la adopción de sistemas móviles en la
fabricación aún se encuentra en sus primeras etapas de evolución (Moffitt et al., 2016), lo que
requiere investigación adicional y el desarrollo de prototipos (Bankosz y Kerins, 2014). Mucho ha
cambiado desde 1997, cuando Puuronen y Savolainen (1997) publicaron una visión ejecutiva de
MobIS, pero un aspecto parece aún más crítico hoy en día, a saber, “la flexibilidad y adaptabilidad
de las plataformas y aplicaciones de servicios de TI móviles. Cada organización debería tener la
oportunidad de adaptar sus sistemas de información móvil […]” (p. 18).

Para tener éxito, la implementación de la estrategia móvil requiere abordar un desafío triple: “(1)
seleccionar las capacidades del sistema que se alinean con la intención estratégica y la habilitan;

(2) implementar los sistemas con éxito dentro de la organización y (3) producir los

cambio organizacional necesario para permitir que se realice la intención estratégica” (Arvidsson

et al., 2014, pág. 56). Sin embargo, las industrias de procesos tienen especificidades que hacen de
la movilidad un

desafío, por ejemplo:

• líneas de producción continua que requieren mucha fluidez, agilidad y flexibilidad para alinearse
con la estrategia de la empresa (Chatterjee et al., 2017; Esturilho y Estorilio, 2010);

• reducida movilidad geográfica de la producción; y

• roles de trabajo rígidos dentro del ciclo de vida de producción.

La falta de implementación de la intención estratégica de la movilidad puede conducir a lo que

Arvidsson et al. (2014) denominada ceguera estratégica. Las ideas anteriores conducen a la siguiente
pregunta de investigación:
RQ1. ¿Cómo se puede desarrollar la movilidad de fabricación en las industrias de procesos para que
se adhiera a la estrategia I4.0?

El resto de este documento está organizado de la siguiente manera. La siguiente sección explica la
motivación de esta investigación, que está particularmente inspirada en el trabajo de Chatterjee et
al. (2017), en relación con la fluidez organizacional habilitada por las tecnologías móviles. Su trabajo
sugiere que se necesita investigación futura sobre “principios de diseño para las TIC móviles que
respaldan el trabajo móvil, y el diseño de los procesos […] que capturan tal fluidez, apropiándose
adecuadamente de las TIC móviles” (Chatterjee et al., 2017, p. 9). A continuación, se detalla el
enfoque de investigación, es decir, la investigación de acción canónica (CAR) tal como la describen
Susman y Evered (1978). Posteriormente, se presenta la revisión bibliográfica, enfocándose en
trabajos que pueden arrojar luz sobre tres áreas principales: la conceptualización de MobIS; cómo
ir móvil; y los desafíos organizacionales para la movilidad en las industrias de procesos. Esto seguido
por una descripción de un ciclo de investigación de acción de un año en una industria multinacional
de fabricación de papel. Sigue una discusión de los hallazgos y el documento concluye presentando
las limitaciones del estudio y las vías para futuras investigaciones.

Motivación del estudio

El interés de los autores por la movilidad en la fabricación surgió durante una visita a una fábrica de
cerámica tradicional, donde se encontraron tabletas en toda la línea de producción. De acuerdo a
facilitar el registro de datos importantes y/o fotografías asociadas, por ejemplo, cuando ocurren
problemas con las máquinas o con la calidad del producto. Este caso motivó conversaciones con
colegas e investigadores de la industria, y los autores realizaron seis entrevistas exploratorias sobre
este tema (Myers y Newman, 2007) (con un promedio de 1,5 h cada una) con expertos de la industria
de procesos continuos en cerámica (dos), metalurgia (dos) y alimentos. (dos). Para obtener diversos
puntos de vista, las empresas entrevistadas fueron seleccionadas de los contactos de los autores de
proyectos anteriores, según el ajuste conceptual (Burton-Jones et al., 2015) y su necesidad de
movilidad. Durante estas entrevistas, los autores plantearon preguntas sobre cómo la definición
tradicional de movilidad manufacturera, “que conduce a la rápida transferencia del sistema y a la
rápida respuesta de dispersión estratégica” (Shi, 1998, p. 204), podría aplicarse a las crecientes
interacciones entre unidades dispersas sistemas ciberfísicos en I4.0.

Uno de los responsables de mantenimiento de una empresa líder en alimentación que está
evolucionando hacia la I4.0 afirmaba que “me puedes quitar el ordenador portátil y todo el papel
que quieras, me gustaría

realmente aprecio eso […] lo único de lo que realmente no puedo deshacerme es mi teléfono
inteligente […]
por lo que le estaría muy agradecido si pudiera transformarlo en mi vínculo principal con la empresa,

incluyendo máquinas, datos corporativos, solicitudes […].” Los autores se sorprendieron en otra

situación (dentro de una empresa metalúrgica mundial) cuando un alto directivo declaró: "tenemos

ya llevamos bastante tiempo utilizando tecnologías móviles en nuestras tres líneas continuas;

una tableta en cada uno.” Sin embargo, al visitar la instalación, se encontró que las tabletas estaban
fijadas a

la pared (por razones de seguridad, según explicó el gerente) y ser utilizado como mero

guías de operación de la máquina. Quedó claro que la adquisición de tecnología móvil no es

suficiente para garantizar la movilidad estratégica en contextos de fabricación, como se ilustra en el

contradicción de las tabletas montadas en la pared que no se pueden mover.

La movilidad en I4.0 no puede reducirse al mero uso de dispositivos móviles como los smartphones
y tabletas para acceder a la información. Tampoco se limita al rápido transporte y operación de
equipos de fabricación en ubicaciones distintas (que ni siquiera es una prioridad para el proceso
industrias como la petroquímica, la papelera o la petrolera). La movilidad I4.0 debe integrarse
aspectos como la movilidad de usuarios, máquinas y procesos. Por lo tanto, los gerentes de la
industria necesitan nuevos modelos con el potencial de ayudar en las primeras etapas de
identificación de prioridades para móviles transformación, de acuerdo con la estrategia
organizacional. Los seis expertos industriales entrevistados estaban entusiasmados con un enfoque
para ayudar en el diseño de su móvil estrategia, las prioridades de desarrollo y los requisitos para la
transformación digital: infraestructura digital y servicios digitales (Andersen y Ross, 2016).

Este estudio reciente y la investigación anterior en 15 industrias de procesos fortalecieron la idea

de los autores. convicción de que la movilidad en contextos industriales está todavía en pañales.
Teniendo en cuenta el potencial ventajas de los dispositivos móviles descritas anteriormente, su
extensión a áreas “menos móviles” como la producción debe ser incluida en sus planes estratégicos.

Objetivos y enfoque de la investigación

El objetivo de esta investigación es proponer un enfoque para mejorar la movilidad en las industrias
de proceso. En consecuencia, se seleccionó CAR (Susman y Evered, 1978) como el método para guiar
la intervención en dos unidades medianas de una fábrica de producción de papel. CAR tiene el doble
objetivo de contribuir a la ciencia y, al mismo tiempo, resolver un problema organizativo real (McKay
y Marshall, 2001). Es a la vez riguroso y relevante, adecuado para comprender situaciones complejas
en su entorno real (Baskerville, 1999; Davison et al., 2004). El CAR en la presente investigación se
desarrolló en base a los siguientes cinco pasos (Susman y Evered, 1978):

(1) Diagnosticar: identificar o definir la situación. Los participantes interpretan el fenómeno y

formulan hipótesis de trabajo para ser utilizadas en las siguientes fases del ciclo CAR.

(2) Planificación de la acción: especificar cursos de acción para mejorar la situación problemática.

(3) Toma de acción: hacer que ocurra el cambio y tratar de crear mejoras.

(4) Evaluar las consecuencias de las acciones, involucrando un análisis crítico de los resultados. (5)
Especificar el aprendizaje: documentar y definir los resultados que se sumarán al

cuerpo de conocimientos.

Los autores siguieron los principios recomendados por Davison et al. (2004) para asegurar el rigor y
la validez del proyecto CAR, a saber, acuerdo investigador-cliente, modelo de proceso cíclico, teoría,
cambio a través de la acción y aprendizaje a través de la reflexión. Estos principios se utilizarán más
adelante en este documento para guiar la discusión.

Para preparar un marco teórico de referencia para la investigación-acción (Lau, 1999), los autores
examinaron la literatura existente utilizando las palabras clave: “sistema de información móvil” y
“sistema de información móvil”.

fabricación” en EBSCO Discovery, ScienceDirect, Google Scholar, Web of Science y

Exploración IEEE. Primero, los autores revisaron títulos y resúmenes para identificar la aplicabilidad
a

el alcance de la investigación y las posibles categorías de artículos. Los criterios de inclusión fueron
artículos en

el idioma inglés que abordó el desarrollo móvil en la organización (empresa

movilidad), proyecto (diseño e implementación) o proceso (ejemplos, experimentos y casos

estudios) nivel. Documentos que describen meros aspectos tecnológicos (por ejemplo,
herramientas y aplicaciones móviles) o

se excluyeron los que abordan entornos que no son de fabricación. Referencia hacia adelante y hacia
atrás

se realizaron búsquedas; por ejemplo, Chatterjee et al. (2017) surgió del delantero

búsqueda de referencia en Overby (2008). Se anotaron un total de 43 artículos utilizando el método

de Mendeley.
herramienta de gestión de referencias. La siguiente sección resume la revisión de la literatura.

Revisión de literatura

Los autores identificaron tres categorías superpuestas de artículos:

(1) conceptual, incluidos los estudios que describen las definiciones y la naturaleza de los sistemas
de información en apoyo de la movilidad;

(2) operativa, con el objetivo de poner en práctica la movilidad; y

(3) organizacionales, incluidos estudios sobre movilidad empresarial y desafíos asociados para
contextos de fabricación.

Conceptualización de sistemas de información móvil (MobIS)

MobIS se puede definir como “sistemas de información en los que el acceso a los recursos y servicios
de información se obtiene a través de terminales de usuario final que son fácilmente móviles en el
espacio, operables sin

independientemente de la ubicación y, por lo general, siempre con conexión inalámbrica” (Pernici,

2006,

pags. 4). Por lo tanto, es necesario identificar:

• una visión organizacional compartida de la estrategia para la movilidad de fabricación y el negocio

digital (Bharadwaj et al., 2013; Chen et al., 2010; Scornavacca y Barnes, 2008);

• el potencial de movilidad de los procesos comerciales (Graham et al., 2005);

• los requisitos del usuario, incluido el contexto social, de tareas, personal, ambiental, informativo
y espaciotemporal (Göker y Myrhaug, 2008; Krogstie,

2001; Perry y Brodie, 2006); y

• las aplicaciones móviles de apoyo (Unhelkar y Murugesan, 2010) y los dispositivos de apoyo.

Los sistemas móviles se diferencian de las tecnologías de la información tradicionales en la

capacidad de personalización y se centran en las necesidades de los usuarios, la tecnología de
soporte y las metodologías para el desarrollo y las operaciones (Krogstie et al., 2004). Revisión de la
literatura de Shiau et al. (2016) concluyó que MobIS tiene características específicas en las siguientes
áreas: aceptación de tecnología; éxito; el valor del uso continuo de dispositivos móviles; adopción;
comportamiento del usuario; la medición y evaluación del comercio móvil; innovación y uso del
comercio móvil; y oportunidades y desafíos que presenta la tecnología móvil. Sin embargo, existe
un vacío en la literatura sobre pautas para ayudar a los gerentes de la industria en el desarrollo de
las características mencionadas anteriormente.

A pesar de la definición clara (Pernici, 2006) y el valor estratégico de TI para la movilidad (Barnes y
Scornavacca, 2006; Scornavacca y Barnes, 2008), los autores no pudieron encontrar ningún estudio
que se centrara en las industrias de procesos. Estas industrias se enfrentan a los desafíos de I4.0
(Comisión Europea, 2016), incluida la descentralización de los procesos de producción (Brettel y
Friederichsen, 2014) y las cadenas de suministro móviles. Aunque existen dificultades obvias para
mover equipos complejos utilizados en la producción continua (como papel y productos químicos),
se pueden implementar nuevas tecnologías para mejorar la movilidad de las funciones (por ejemplo,
identificar planes de mantenimiento preventivo utilizando códigos de respuesta rápida (QR) en la
línea de fabricación) , procesos (p. ej., muestreo descentralizado e inspecciones de calidad) o
información (p. ej., realidad aumentada para evaluar paneles y procedimientos de fabricación).
Deben implementarse nuevos canales de información para aumentar la movilidad en las industrias
de procesos.

Ir móvil con tecnologías de la información MobIS se puede utilizar para identificar la presencia y el
comportamiento de la fuerza laboral local y remota utilizando capacidades de geolocalización (Ríos-
Aguilar y Lloréns-Montes, 2015). Potencial las aplicaciones incluyen: la estimación de la ejecución
de tareas según la ubicación del empleado en la planta; reemplazando la presencia de control
existente; y en situaciones de emergencia, p. cuando es necesario abandonar áreas industriales
específicas por razones de seguridad. Se han introducido nuevas herramientas propuesto para
desarrollar aplicaciones móviles, p. MARPLE (Pryss et al., 2010), que es un marco de desarrollo y
motor de proceso ligero. Quedan, sin embargo, deficiencias en los métodos que involucran a los
actores en la mejora de la movilidad.

Además, a pesar de los extensos ejemplos en sectores económicos específicos (por ejemplo, en
medicina (Choi et al., 2006), construcción (Chen, 2013), turismo (Riebeck et al., 2008) y agricultura
(Liopa-Tsakalidi et al., 2013)), hay una falta de casos examinados en las fases de producción de
unidades de fabricación.

El marco multifase para la transformación móvil considera cuatro fases:

movilización; mejora; reorganización; y redefinición (Basole, 2005). Las organizaciones se enfrentan

diferentes barreras al pasar de la fase inicial de permitir que la información existente volverse móvil,
creando nuevos procesos apoyados por la tecnología móvil, dando forma a nuevos modelos de
negocio y estrategias y redefinición de industrias y mercados (Basole, 2005; Basole y Rouse, 2007).
Por lo tanto, es necesario evaluar la preparación de las empresas para la movilidad. y promover una
cultura de la innovación (Basole y Rouse, 2007). Preparación de las empresas para La movilidad es
un desafío multidimensional. Por lo tanto, el contexto de la movilidad debe incluir el usuario (por
ejemplo, estado emocional, categoría, preferencias, historial, actividad, ubicación y orientación), el
entorno (p. ej., la hora y las lecturas del sensor), el sistema (p. ej., el dispositivo características,
condiciones de la red, privacidad, seguridad y consumo de energía), social aspectos (por ejemplo,
relaciones, interacciones y grupos) y el servicio (Emmanouilidis et al., 2013). La literatura
proporciona modelos para la preparación móvil, la transformación móvil y trabajo móvil distribuido
(Barnes, 2004) con el potencial de ser adaptado y probado en estudios empíricos.

Desafíos organizacionales para la movilidad en las industrias de procesos La movilidad requiere

acciones organizacionales para lograr una conectividad óptima y un enfoque individualizado
“reconociendo que cada empleado tendrá respuestas personales para la gestión del trabajo y no
trabajo para cumplir con los requisitos personales y organizacionales” (Dery y MacCormick, 2012, p.
171). Además, existen “restricciones muy prácticas que surgen de la naturaleza de la tecnología, los
tipos de trabajo que realizan [los trabajadores móviles], el entorno en el que trabajan y el contexto
más amplio del trabajo (incluido el temporal, el social y el laboral). y contextos políticos)” (Perry y
Brodie, 2006, p. 98).

Para superar con éxito los desafíos de la movilidad, las nuevas soluciones deben estar "alineadas
con la estrategia comercial general y respaldar los negocios actuales y futuros de las empresas".
objetivos […] tienen una visión común, apoyo de liderazgo y un camino estratégico para

implementar la movilidad empresarial […] [hacer frente a] la resistencia al cambio” (Basole, 2005,
p. 1938).

Los sistemas móviles son críticos para lograr la fluidez organizacional (fluidez de equipos, tareas y
control), permitiendo movilidad, conectividad, interoperabilidad, identificabilidad y personalización
(Chatterjee et al., 2017). Es necesario entonces abordar el nivel de virtualización de procesos que se
ve afectado por requisitos sensoriales, requisitos de relación, requisitos de sincronismo, y requisitos
de identificación y control (Overby, 2008). El mero uso de tabletas, teléfonos inteligentes u otro tipo
de tecnologías móviles no es suficiente para desarrollar la fabricación movilidad. Es necesario
considerar diferentes dimensiones interrelacionadas que incluyen la contexto de fabricación,
personas, procesos, tecnologías de la información e información/datos.

La movilidad es una prioridad principal para la cadena de suministro industrial. Según Mourtzis et
al. (2017, p. 693) “el conjunto general de problemas de la cadena de suministro son candidatos
ideales para soluciones.” Las industrias de procesos, sin embargo, tienen especificidades. Herterich
et al. (2015) sistemática revisión identificó dos factores motivacionales que aprovechan las
tecnologías móviles en la fabricación industrias: la complejidad de las plantas y máquinas; y
deficiencias en la integración de SI.
Estos autores concluyeron que, a pesar de los marcos para la movilidad industrial, “sólo casos
aislados se abordan los desafíos prácticos” y “todavía falta una arquitectura unificada” (Herterich et
al., 2015, pág. 141). Algunos autores han explorado la posibilidad de reutilizar la fabricación
capacidades en diferentes proyectos para superar las barreras geográficas y organizacionales
distancias (Benama et al., 2017; Stillström y Jackson, 2007). Sin embargo, la noción de la
“transportabilidad” de las capacidades de movilidad de fabricación tradicionales que son
rápidamente operativo en diferentes ubicaciones (Benama et al., 2017, p. 112) no se traduce bien
en industrias de procesos continuos, que tienen severos desafíos y limitaciones con respecto a
movilidad de equipos. Otros autores han sugerido beneficios potenciales en diferentes sectores,
incluida la adopción de servicios móviles en la industria de servicios públicos, por ejemplo, para
registrar energía y datos de mantenimiento y reducir errores (Jain, 2003) o explorar el potencial de
los dispositivos móviles tecnologías en las cadenas de suministro de fabricación (Coursaris et al.,
2008). Estos estudios fortalecer la motivación de los presentes autores para contribuir a la
investigación sobre el desarrollo de la movilidad en industrias de proceso donde se entiende poco.

Desarrollando la movilidad en la producción continua

Las siguientes subsecciones proporcionan detalles sobre la empresa caso, el plan de acción y los
resultados de la intervención de campo. Inicialmente, los autores realizaron un diagnóstico conjunto
con los médicos.

Configuración y diagnóstico de casos

La empresa de fabricación de papel estudiada (en adelante, “PC”) fue fundada en 1989 y, utilizando
papel reciclado como materia prima, la empresa se dedica exclusivamente a la producción
personalizada de envases para bienes de consumo, como huevos y frutas. los

La empresa tiene una línea de impresión para personalizar el embalaje de acuerdo con los requisitos
del cliente, como personalizar varias combinaciones de colores. La capacidad productiva de la
empresa es de tal manera que es líder en el mercado al abastecer la mayor parte del mercado avícola
nacional.

Las exportaciones a Europa y África representan alrededor del 60 por ciento de la producción de la
empresa. la computadora es certificado según ISO 9001 (calidad) e ISO 14001 (medio ambiente).
Sus retos de futuro se relacionan con brindar un mejor servicio al mercado (es decir, lograr la
respuesta requerida capacidad a las solicitudes de los clientes) y evolucionando a través de los
medios de la tecnología para que puedan proporcionar productos confiables, respetando los
problemas ambientales.

El diagnóstico CAR comenzó con entrevistas semiestructuradas (Myers y Newman, 2007) con el
administrador superior y el administrador de sistemas integrados de PC. Los autores utilizaron
diferentes técnicas de recopilación de datos para la recopilación y observación de documentos
(Myers y Newman, 2007) para comprender los procesos organizacionales, los modelos existentes y
la empresa estrategia. El diagnóstico conjunto se inició simultáneamente con la revisión sistemática
de la literatura descrito en las secciones anteriores.

PC no utiliza tecnologías móviles, pero su adopción es una prioridad estratégica debido a: la

necesidad de frenar el aumento de la burocracia resultante de las normas de certificación; la
Prioridad europea para la digitalización de la industria y el mercado digital (Brettel y Friederichsen,
2014); y su deseo de mejorar la fluidez (Chatterjee et al., 2017). Los autores evaluaron este
expectativas de la empresa según el modelo de trabajo móvil (MWM) (Barnes, 2004), presentado
en la Figura 1.

MWM considera tres ejes: movilidad (independencia geográfica de los trabajadores); proceso
(cambio en la configuración del trabajo); y propuesta de valor de implementar servicios móviles.

Cada eje está graduado desde el más bajo (Nivel 0) hasta el más alto (Nivel 3). Según los gerentes,
el objetivo final es introducir cambios en los roles de trabajo (Nivel 3 – transformación) para mejorar
la eficiencia y capacitar a los empleados con información en tiempo real para apoyar la toma de
decisiones haciendo. Debido a las restricciones de la industria de procesos, se espera que la
movilidad logre los estado transitorio (Nivel 1), aunque la independencia geográfica (Nivel 2) podría
considerarse en el medio plazo para funciones específicas en la empresa (como la gestión de la
calidad). I4.0 y el Internet de las cosas podría hacer posible la movilidad de nivel 3 (los empleados
casi completamente retirado del lugar de producción) a largo plazo. Finalmente, valor propuesta se
califica como 1 (acceso al canal móvil en MWM) porque esta empresa es Introducción de tecnologías
móviles por primera vez.

A pesar de ser una empresa de fabricación de papel, “el papel no es bienvenido” en la empresa
procesos. Los gerentes “quieren reciclar todo nuestro papel”, incluyendo no solo su materia prima
materiales, sino también su colosal cantidad de registros de producción. Según la parte superior
gerente, los indicadores industriales son difíciles de obtener, y los registros tienen varios errores
que afectan la calidad de la información y, en consecuencia, la calidad de la decisión. Se plantearon
preocupaciones de los gerentes sobre la información del proceso y el control del flujo de trabajo. Su
recurso empresarial Los sistemas de planificación y gestión de activos empresariales no están
integrados y no proporcionan apoyo a la gestión de la producción, la calidad y la relación con el
cliente. Una gran inversión en equipos no mejoró la fabricación como se esperaba, con el contexto
de producción (tipo de equipos, condiciones de las instalaciones, calor, organización laboral,
alfabetización digital de los empleados, etc. encendido) lo que resulta en algunas restricciones.
Primero, la mayoría de sus trabajadores de producción deben moverse diferentes equipos (largos),
que requieren movilidad para registrar información en diferentes partes de los procesos de
producción. En segundo lugar, su línea de producción presenta dificultades para el uso de
computadoras, causadas por restricciones de espacio y condiciones ambientales. Tercero, es
importante tener información disponible en diferentes partes del proceso de producción, por
ejemplo, para mantenimiento, gestión de pedidos y control de calidad. En cuarto lugar, la empresa
no solo está interesada en definir los requisitos para las nuevas plataformas móviles, sino también
en prepararse para los desafíos de I4.0 que requieren movilidad y repensar sus procesos
comerciales, roles laborales y servicios digitales. Una prioridad clave es el cumplimiento normativo,
como lo demuestran los registros en papel excesivos y la falta de conformidad destacada por
auditorías externas de clientes y asesores.

planificación de acciones

El plan general para la investigación de acción tenía como objetivo crear un modelo que pudiera
ayudar a las empresas en su estrategia móvil y probarlo en un caso piloto. Los autores siguieron las
recomendaciones

para analizar la situación actual, definir cursos de acción y luego modelar la situación futura

(Sandkuhl et al., 2014). La mayoría de los miembros del equipo estaban familiarizados con la calidad
ISO 9001

estándares y requisitos de certificación, por lo que los autores decidieron adoptar un proceso
orientado

Acercarse. Informado por múltiples análisis de documentos en la organización del caso, el borrador
inicial

comenzó con las prioridades para la transformación móvil en la gestión de calidad. sin embargo, el

Los autores pronto se dieron cuenta de que esto no tenía en cuenta la estrategia de la empresa para
I4.0 en un

de manera integrada; por ejemplo, nuevas tecnologías para la gestión de calidad y aumento

la realidad también podría ser importante para otros procesos en la organización, como el
mantenimiento

y producción Después de una discusión, los autores se inspiraron en el conocido

cuadrícula estratégica propuesta por McFarlan (1984), que categoriza las soluciones en términos de
su

nivel de relevancia tanto en el presente como en el futuro. También se acordó que era

importante ir más allá de la “geometría estratégica” y considerar diferentes perspectivas en

alinear estrategia y tecnología en contextos humanos complejos (Ciborra, 1997). El plan,

por lo tanto, consideró cuatro etapas:

(1) modelar la estrategia de movilidad para lograr fluidez de equipo, fluidez de tareas y fluidez de
control (Chatterjee et al., 2017);

(2) evaluar la preparación móvil y definir prioridades a nivel de procesos comerciales;

(3) definir los nuevos servicios móviles para desarrollar y crear un prototipo de un servicio móvil
para probar el modelo en la práctica; y

(4) proponer un enfoque integral para la movilidad de fabricación en las industrias de procesos
basado en las lecciones aprendidas, denominado posteriormente "Ir a la movilidad de fabricación
(Go2M)".

toma de acción

La primera etapa del plan fue “definir la estrategia de movilidad de fabricación”, que implicaba la
creación de cuadrículas estratégicas para la fluidez del equipo, la tarea y el control (ver Figura 2).
Según McFarlan (1984), las soluciones estratégicas (en la parte superior izquierda de cada matriz)
son importantes para el futuro de la empresa, los críticos (abajo a la izquierda) son importantes en
el presente, y los de alto potencial (arriba a la derecha) pueden ser importantes en el futuro. Los
sistemas de apoyo proporcionan contribución marginal a la estrategia de la empresa.

Se crean tres matrices para la fluidez del equipo, la tarea y el control. Como lo explica Chatterjee et
al. (2017, p. 3), “la fluidez del equipo captura el fenómeno de la fluidez compositiva”, donde Los
equipos existen durante la duración de un proyecto específico. La fluidez de la tarea representa la
variación de acciones requeridas, las entradas, secuencia de tareas y salidas. Finalmente, la fluidez
del control “captura el fenómeno del "libre control" donde los agentes humanos son flexibles,
autónomos y móviles, pero vinculado a la organización al ser parte de una red de información, que
implementa normas organizacionales que son cocreadas por los agentes humanos en primer lugar”
(Chatterjee et al., 2017, p. 3).

Los participantes en este proyecto CAR incluyeron investigadores, personal de la empresa y un

equipo de desarrollo móvil que adoptó prácticas ágiles de desarrollo de software. Al empezar a
construir las matrices estratégicas para la movilidad, los autores complementaron la TI con aspectos
estratégicos, incluidas las políticas y los requisitos de la empresa y las visiones para futuras
aplicaciones de I4.0 (p. RFID y códigos QR), invitando a la reflexión en torno a dos aspectos
principales: información para proporcionar (por ejemplo, qué datos de producción deben
registrarse en cada sección y qué herramienta podría ser se utiliza para ayudar a los usuarios en la
clasificación adecuada de los problemas de calidad para minimizar la calidad de los datos
problemas); e información a obtener. La primera perspectiva desafía a los diseñadores a pensar
sobre los servicios que los elementos ciberfísicos (empleado o máquina) deben prestar a cada otros
(por ejemplo, detalles de mantenimiento proporcionados a producción), mientras que este último
promueve el pensamiento sobre los conocimientos necesarios para empoderar a los trabajadores
móviles. En este punto de la investigación, los autores estaban en posición de identificar la clave
estrategias para la movilidad y las prioridades para el desarrollo de SI. La decisión fue centrarse en
las necesidades críticas y estratégicas representadas en las columnas más a la izquierda de la Figura
2. El información incluida en la matriz estratégica apuntaba claramente a los procesos de producción
y la empleados en las líneas de producción. También se consideró necesario incluir el
mantenimiento y interfaces de calidad.

Luego, los autores procedieron al nivel de análisis del proceso comercial, adoptando un enfoque
cualitativo para este propósito, en forma de talleres que involucraron a gerentes y staff de
producción. Los autores consideraron desarrollar criterios y pesos para respaldar las decisiones,
pero los gerentes de la empresa querían probar una selección de prioridades más flexible e informal.
La Figura 3 presenta uno de los resultados resultantes con respecto a estos dos enfoques, que
involucra producción, mantenimiento, calidad y el CFO.

La Figura 3 utiliza un modelo de proceso simplificado para identificar los procesos y tareas móviles
más estratégicos (cuadros sombreados más oscuros) y un ícono inalámbrico para representar el
potencial móvil (considerando tres niveles de movilidad: baja, media y alta). El punto de partida
fueron los populares mapas de procesos descritos por la certificación ISO 9001 de PC para identificar
puntos de contacto en diferentes procesos y dentro de cada proceso.

La producción es un proceso con un potencial móvil bajo, pero debe evaluarse ya que incluye tres
actividades sombreadas más oscuras (la mayoría de los procesos y tareas móviles estratégicos)
debido a problemas de calidad de la información y la necesidad del uso de tabletas y teléfonos
inteligentes por empleados en lugar de hardware no móvil. El potencial móvil se midió por consenso
entre los participantes del proyecto considerando un análisis multidimensional que incluyó la
condiciones del sistema, movilidad y capacitación de los empleados, necesidades de
empoderamiento y sensores (Basole, 2005; Basole y Rouse, 2007; Emmanouilidis et al., 2013). El
resultado fue un representación gráfica de tareas interrelacionadas que pueden ser realizadas por
uno o más actores y que se pueda automatizar con tecnologías móviles.

La organización no quería comprar TI nueva ni cambiar los sistemas empresariales existentes.

durante esta investigación; por lo tanto, los autores desarrollaron prototipos móviles internamente,
lo que permitió una evaluación de las diferentes etapas de mejora de la movilidad. La fase posterior
de la enfoque era representar el paisaje móvil; una representación completa de los principales
procesos y actividades (cada uno con un potencial móvil específico), actores (humanos y máquinas)
y sus interacciones (según los procesos en los que participan) y los servicios móviles que necesitaban
ser desarrollados por el equipo de desarrollo de software (ver Figura 4).
La figura 4 es un modelo integral que representa:

• equipo (actores ciberfísicos y su relación con los procesos y TI);

• tarea (incluida la relevancia estratégica y el potencial móvil de cada proceso/actividad);

• fluidez de control, apoyado por una red de información de servicios móviles (Chatterjee et al.,
2017).

línea que conecta al actor de moldeo de pulpa con el "Servicio móvil n.º 1", donde el Servicio móvil
n.º 1 representa una aplicación móvil. Con base en las líneas de conexión, es posible identificar qué
actores utilizan los servicios móviles o la fuente de conocimiento.

Hay dos formas de TI representadas en este modelo: servicio móvil, que representa datos insertados
por el actor (puede tener entradas de dispositivos como sensores o cámara de tableta); y fuente de
conocimiento, que representa la información necesaria para empoderar al actor y permitir la fluidez
del control (en este ejemplo, se representa como un procedimiento producido por el gerente de
calidad que debe ser seguido por el actor (máquina) de termoformado). Los autores no querían
crear un modelo demasiado detallado o demasiado técnico y, por tanto, no útil como herramienta
de comunicación para fomentar la mejora participativa de la movilidad en la fabricación.

El potencial móvil (bajo, medio o alto) de cada elemento del paisaje (que consta de personas,
procesos y tecnología) es el resultado de la estrategia de fabricación y las tecnologías de soporte, es
decir, los servicios móviles (por ejemplo, aplicaciones móviles que soportan inspecciones de calidad)
y fuentes de conocimiento. (por ejemplo, manuales electrónicos) que apoyen la integración de cada
elemento. El modelo de paisaje puede ser útil para identificar los requisitos de información digital
para elementos ciberfísicos y el trabajo cooperativo o el impacto de cada función y equipo en el
sistema general. El modelo de paisaje es dinámico a medida que la organización invierte en nuevos
recursos sociotécnicos o cambia la configuración del proceso (que están alineados con los modos
de proceso ISO 9001 en este caso). Una ISO interna

La auditoría de calidad 9001 permitió a los autores confirmar que la herramienta desarrollada era:

• accesible a expertos con diferentes antecedentes;

• potencialmente útil en auditorías de calidad para identificar las entradas, salidas, participantes y
recursos necesarios para cada proceso;

• representante de las iniciativas de mejora (por ejemplo, nuevos servicios móviles implementados);
y• útil para implementar el pensamiento basado en riesgos, particularmente en la identificación de
riesgos que surgen de la integración de procesos (por ejemplo, problemas de calidad de datos).
El enfoque Go2M incorpora las etapas de Tuckman y Jensen (1977) para ayudar a la participación
de los usuarios en la movilidad adaptada a las características de las industrias de procesos,
fomentando una cultura de innovación en la fabricación. La Figura 5 ilustra los pasos para incorporar
la movilidad en las industrias de procesos.

La línea superior de la Figura 5 presenta el propósito que una organización debe perseguir para
mejorar la movilidad. La segunda línea representa las conocidas etapas del desarrollo del grupo.
Según Tuckman y Jensen (1977), la madurez de los grupos evoluciona a través de estas etapas de
formación (orientación), tormenta (confrontar opciones), normalización (compartir un objetivo
común) y desempeño (proceso de toma de decisiones). La tercera línea incluye los resultados
propuestos asociados con los artefactos en las Figuras 2–4. En la parte inferior se incluyen
referencias clave que inspiraron la propuesta del autor y el trabajo de campo con los practicantes.

Discusión

Hubo una reflexión conjunta entre los autores y PC para asegurar que los resultados serían relevante
para el cuerpo científico de conocimiento y también ayuda a mejorar la movilidad del cliente
estrategia. Los autores conocieron las dificultades de incorporar la movilidad en el proceso industria,
los beneficios de un enfoque Go2M y los desafíos planteados en este proceso. Los autores recibieron
comentarios entusiastas de los gerentes de la empresa y de los usuarios finales del solución
desarrollada. Según ellos, fue útil para identificar mejoras y procesos. cambios que evitaron
“convertir la burocracia de papel en burocracia tecnológica”. Los equipo de desarrollo de software
consideró los modelos lo suficientemente simples para ser utilizados en el contexto de prácticas
ágiles (ciclos iterativos de desarrollo), manteniendo una visión holística del todo el sistema,
particularmente en la identificación de los ciclos de desarrollo y potencial evolución de acuerdo a
las prioridades estratégicas.

En esta empresa, cada elemento de TI presentado en la Figura 4 (servicios móviles y conocimiento

fuentes) se integró en ciclos de desarrollo separados. Por lo tanto, los autores El enfoque para la
movilidad de fabricación admite un proceso iterativo que involucra a las partes interesadas
interacción en todo momento para desarrollar un producto que satisfaga al clienteEl sistema
resultante ayuda al usuario en sus tareas actuales y le permite realizar otras tareas (por ejemplo,
validación de datos, campos obligatorios y control de calidad en el sitio). Curiosamente, la parte de
la fábrica menos equipada con TI se convirtió en la más digitalizada, utilizando dispositivos pequeños
y de bajo costo como las tabletas.

Los autores se beneficiaron al considerar las tres dimensiones de la fluidez organizacional

recomendadas por Chatterjee et al. (2017) para enfocar el análisis estratégico. La contribución de
esta investigación mitiga los riesgos de reducir la discusión sobre movilidad en torno a las
tecnologías móviles y los beneficios de la comunicación inalámbrica. Aunque los autores coinciden
en que es necesario llegar al nivel de proceso de análisis como lo presentan Graham et al. (2005),
se encontraron riesgos en la evaluación de procesos durante las etapas iniciales. Existen riesgos
potenciales al estrechar la reflexión sobre “lo que se hace” cuando deberíamos preguntar primero
“por qué se hace”. En la evaluación estratégica propuesta, algunos procesos pueden desaparecer,
otros pueden cambiar y se espera que surjan nuevos procesos móviles.

I4.0 requiere una nueva visión de la fluidez en las industrias móviles. Por ejemplo, durante este ciclo,
los autores fusionaron tareas de producción, calidad y mantenimiento que antes eran incluidos en
los diferentes procesos de negocio. El proceso móvil resultante también es multidimensional,
porque no es simplemente un “proceso de producción”; se trata de equipo fluidez (empleados de
varios departamentos, así como proveedores de equipos), fluidez de tareas (tareas compuestas
apoyadas por tecnologías móviles que sirven a diferentes procesos) y controle la fluidez,
descentralizando la recopilación de datos dentro de las líneas de productos y empoderando a los
usuarios con información para ayudar a la toma de decisiones relacionadas con problemas de
calidad que necesitan inmediata medidas correctivas.

Las representaciones de Go2M ayudan a los gerentes a identificar prioridades para la tecnología
móvil desarrollos La prioridad en esta organización se dio a las actividades con alto movilidad (verde
oscuro) y potencial (por ejemplo, actividades de inspección en mantenimiento y calidad).

Evaluación del rigor y la validez

Las siguientes subsecciones brindan más detalles sobre los cinco principios sugeridos por Davison
et al. (2004) sigue para evaluar el proyecto CAR. Acuerdo investigador-cliente. Tanto los
investigadores como los profesionales acordaron adoptar CAR y estudiar el desarrollo de la
movilidad de fabricación holística dentro de una situación real, compatible con tecnologías de
núcleo I4.0. La empresa llegó a un acuerdo formal para implementar el proyecto por su compromiso
de implementar tecnologías I4.0 y nivel de prioridad adjunto a este compromiso. La recolección de
datos incluyó entrevistas, observaciones de campo y colección de documentos.

Modelo de proceso cíclico. La investigación siguió las cinco etapas de CAR según lo descrito por
Susman y Evered (1978). El marco de referencia para CAR fue creado con exploratoria contactos y
una revisión sistemática de la literatura. A continuación, los autores realizaron un diagnóstico de la
situación actual. Las fuentes de datos y las perspectivas de los usuarios se contrastaron
constantemente con minimizar las amenazas a la validez. El ciclo CAR inicial se consideró suficiente
para esbozar el enfoque para incorporar estrategias de movilidad en las industrias de procesos; sin
embargo, los autores También encontraron oportunidades para futuras investigaciones. Teoría. El
marco teórico de referencia se creó con una literatura sistemática revisión. También se encontró
inspiración en modelos importantes para la estrategia de SI (McFarlan, 1984),

Literatura sobre movilidad empresarial y fluidez organizacional. Este enfoque puede apoyar fluidez
por:
• fomentar las bases del cambio cultural necesario para la movilidad de la fabricación y el
empoderamiento de los usuarios;

• promover la fluidez de tareas con sistemas móviles, considerando holísticamente el mapa de

procesos; y integrando la fluidez del control en los datos obtenidos por el sistema sociotécnico en
la industria de procesos.

Cambiar a través de la acción. El cambio se produjo en una serie de situaciones. Primero, los autores
crearon una nueva forma de modelar la movilidad en industrias de proceso continuo. Se crearon
varios artefactos y se promovieron rutinas (Pentland y Feldman, 2008) para guiar al equipo. La
situación organizacional y el contexto fueron evaluados antes, durante y después de la intervención,
asegurando que los cambios en curso fueran analizados y documentados. Este enfoque ayudó a los
gerentes a identificar desarrollos potenciales y también a establecer prioridades de acuerdo con la
estrategia de la empresa y el potencial móvil de su entorno.

Aprendizaje a través de la reflexión. Se proporcionaron informes del proyecto a la empresa de

fabricación de papel. El aprendizaje ocurrió como una actividad conjunta entre investigadores y
profesionales en diferentes etapas del CAR. Los investigadores aprendieron que la movilidad en la
fabricación debe considerar

las intenciones estratégicas de la organización en los modelos. No basta con evaluar el móvil

disponibilidad y funcionalidades móviles potenciales a nivel de proceso de análisis. De acuerdo a

gerentes de empresas, los modelos propuestos por los autores proporcionaron una valiosa
herramienta para

comunicarse con los proveedores de TI y establecer prioridades para las fases de desarrollo de

ir móvil. Además, estos modelos cambiaron el análisis móvil de la mera adopción de TI a

las necesidades globales de fluidez de equipo, tarea y control en la producción. Los autores
argumentan que

estas tres perspectivas son necesarias para incluir la movilidad en la agenda de la producción en

industrias de proceso.

Implicaciones para la teoría

En su trabajo reciente, Hofmann y Rüsch (2017, p. 23) afirmaron que “el concepto de [I4.0] aún
carece de una comprensión clara y aún no está completamente establecido en la práctica” y
concluyeron que es necesario crear marcos que guíen a las empresas “en su camino hacia [I4.0]”. El
presente trabajo contribuye a este propósito, sugiriendo que es necesario evaluar la movilidad para
el equipo, tarea y control. Los autores siguieron la sugerencia de Hofmann y Rüsch (2017) de que
cada empresa debe definir una estrategia personalizada para I4.0.

Los autores sugieren adoptar un enfoque integral para la movilidad de fabricación en I4.0. Las
razones son las siguientes: la creciente adopción de tecnologías móviles en negocios; la adopción
de traer su propio dispositivo y elegir su propio dispositivo para uso profesional y privado; y mejorar
la comunicación de la estrategia móvil en el organización. I4.0 es un proceso de transformación
complejo que debe incluir la organización socios para mejorar la integración y diferentes
proveedores tecnológicos. En consecuencia, El concepto de "ir móvil" en I4.0 no se limita a la
transportabilidad tradicional de equipo de fabricación, ni es el resultado de la adopción de
tecnologías móviles como PDA y aplicaciones móviles. La movilidad de fabricación en I4.0 debería
ser el resultado de una profunda cambios socio-técnicos que se dan a nivel estratégico, táctico y
operativo.

Implicaciones para la Practica

Los sistemas móviles están en el centro de la transformación industrial. Para los gerentes, el
presente trabajo brinda herramientas para definir una estrategia de movilidad y modelar un
panorama móvil para sus procesos. y servicios. El panorama móvil se puede utilizar para
comunicarse con los proveedores de I4.0 al implementar transformaciones tecnológicas. Un análisis
multidimensional es necesario para mejoras en la tecnología de procesos. Ese es el caso de
“minerales y metales, pulpa y papel, alimentos y bebidas, productos químicos y petroquímicos y
productos farmacéuticos constituyen una gran parte de toda la industria manufacturera” (Lager y
Frishammar, 2010, p. 699), pero el equipo no es necesariamente móvil en todas las fases del
proceso. Go2M puede ayudar directivos en la creación de estrategias I4.0 a medida que se ajusten
a las particularidades de su sector y contexto competitivo; se encontró útil en el contexto regulatorio
de calidad y certificación ambiental, que sugiere un enfoque de gestión orientado a procesos y
evidencia de acciones de mejora.

La interacción entre humanos y máquinas será uno de los principales desafíos para la fabricación en
los próximos años. La digitalización es clave en este esfuerzo de transformación, ya que

“combina el conocimiento, datos y procesos de diversas máquinas físicas que antes estaban
desconectadas” (Yoo et al., 2012, p. 1401). Por lo tanto, las estrategias de movilidad son cruciales.

explorar a fondo la descentralización de la fabricación. Sin embargo, faltan métodos para que las
empresas manufactureras exploren todo el potencial de I4.0 (Xu et al., 2018). El presente

La investigación contribuye a llenar este vacío al mostrar cómo crear estrategias de digitalización
que superen la paradoja en I4.0 para interconectar humanos y máquinas en cada vez más.
entornos descentralizados. Los autores destacan un aspecto particular planteado por un elemento
de equipo que es fundamental para I4.0: “los artefactos nos obligan a pensar en la integración de
datos

oportunidades durante todo el proceso de diseño del sistema e identificar oportunidades para
comunicarse en tiempo real entre humanos y máquinas, dondequiera que estén”.

Conclusión

El presente documento presenta un enfoque para mejorar la movilidad en las industrias de

procesos. Eso

comienza con la definición de la estrategia de movilidad de fabricación utilizando las cuadrículas de

McFarlan (1984)

para cada dimensión de fluidez, como lo sugieren Chatterjee et al. (2017): equipo; tarea; y control.

Luego identifica prioridades a nivel de proceso y entrelaza elementos sociales y técnicos.

en un modelo coherente y simplificado que puede ayudar a los diseñadores y procesos de sistemas
móviles

usuarios en el desarrollo del contexto de fabricación móvil: el panorama móvil. I4.0 elimina

las barreras tradicionales de ubicación y ofrece una nueva visión para la movilidad de fabricación a
través de

integración ciberfísica.

El enfoque propuesto fue desarrollado y probado con éxito en una situación real, ayudar a las
inversiones de la empresa en tecnologías móviles y preparar sus estructura para la descentralización
I4.0 (Brettel y Friederichsen, 2014; Lasi et al., 2014).

Sin embargo, existen varias limitaciones que deben señalarse. Primero, este es un ciclo inicial de un
proyecto CAR y, a pesar de su representatividad de fabricación continua, es necesarios para refinar
los resultados en otras industrias de proceso. La fabricación de papel la empresa fue seleccionada
de los contactos previos de los autores con respecto al desarrollo de I4.0 proyectos, pero es sólo
uno entre muchos otros ejemplos de industrias manufactureras.

Además, es posible probar el enfoque en otro tipo de industrias, p. hacer el pedido producción o
nuevos procesos que incluyan fabricación aditiva, simplificando la movilidad de los sistemas físicos.
En segundo lugar, Go2M ayuda a la comunicación entre diferentes las partes interesadas, pero no
incluye detalles suficientes para ayudar a los desarrolladores tecnológicos (p. desarrolladores de
aplicaciones móviles) en la identificación de todos los requisitos operativos de

servicios móviles identificados (Nysveen et al., 2015). No obstante, la empresa consideró la enfoque
esencial para la definición de su nueva estrategia de movilidad y soporte de decisiones en rediseño
de procesos y requerimientos tecnológicos. En tercer lugar, los beneficios de la propuesta enfoque
fueron evaluados únicamente por los investigadores y los usuarios de la empresa, omitiendo, por
ahora, auditores de calidad externos, socios, proveedores y clientes. Finalmente, debido al enfoque
en el desarrollo de Go2M en una situación real, los autores no pudieron explorar completamente la
productividad mejoras (por ejemplo, disminución de defectos de calidad o disponibilidad de la
máquina debido al mantenimiento mejoras) utilizando este enfoque. Aunque los autores recogieron
comentarios positivos de gerentes y desarrolladores en este caso, la mayoría de los avances de
integración fueron internos a la organización, por lo que no fue posible explorar completamente las
oportunidades para integración horizontal organizacional. Un caso posible para explorar en el futuro
implica coproducción en diferentes ubicaciones de plantas, utilizando procesos de fabricación
similares (p. socios que producen el mismo producto) o procesos distintos (por ejemplo, un
producto compuesto que requieren diferentes procesos en paralelo).

Se revelan varias oportunidades para futuras investigaciones. Los estudios que investigan cómo las
estrategias móviles remodelarán los procesos de producción de las organizaciones para aumentar
la preparación I4.0 y crear ecosistemas digitales que exploren la movilidad en las industrias de
procesos son vías potenciales para futuras investigaciones. Se necesita investigación adicional para
mejorar la movilidad de las configuraciones ciberfísicas en I4.0 y abordar estos desafíos, p. temas
de seguridad, seguridad, desempeño operativo y las profundas implicaciones sociales y
organizacionales. Los autores esperan que estos resultados puedan inspirar a los investigadores a
proponer nuevas herramientas y métodos que ayuden a los gerentes y equipos de fabricación en la
movilidad emergente requerida por I4.0.