Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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.
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.
Palabras clave Gestión pesquera, Confinamiento, Mercado geográfico, EOQ, Gestión de inventario,
Costo total óptimo
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.
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.
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
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
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
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].
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)
Programación estocástica
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
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
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
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
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.
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] ).
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.
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
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
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
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].
Al comparar los costos totales de los planes óptimos obtenidos y los ya ejecutados, la importancia
de aplicar la propuesta
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
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
variación en el personal de la fuerza laboral total mediante el uso de trabajadores a tiempo parcial,
trans- 204
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.
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
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,
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
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.
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
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).
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).
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:
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.
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).
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).
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).
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.
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.
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 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.
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
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 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.
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.
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.
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
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.
. Voluntad organizacional. Esto se refiere a la apertura que muestran los diferentes miembros de la
organización hacia la tecnología y su aplicación.
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
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
Metodología de investigación
Muestra
El diseño de investigación empleado en este estudio fue una encuesta postal. Los datos fueron
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
. 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.
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).
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;
. 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;
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).
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.
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.
Conclusión
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.
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.
Resumen:
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
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
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.
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
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
Año 2016
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
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.
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
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
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:
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),
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
POC: precisión de completar el plan de producción, reducción del tiempo de configuración y costo
de operaciones.
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.
Chi-Cuadrado 502.252
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.
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.
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
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,
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.
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.
En general, la evidencia de un buen ajuste del modelo, confiabilidad y validez convergente indica
que el modelo de medición
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:
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
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.
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:
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.
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.
1. Introducción
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.
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.
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.
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
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.
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.
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
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.
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
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.
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
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.
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.
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.
5. Conclusión
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.
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.
Introducción
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
• 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);
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.
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
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).
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):
(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”.
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
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
Revisión de literatura
(1) conceptual, incluidos los estudios que describen las definiciones y la naturaleza de los sistemas
de información en apoyo de la movilidad;
(3) organizacionales, incluidos estudios sobre movilidad empresarial y desafíos asociados para
contextos de fabricación.
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
• los requisitos del usuario, incluido el contexto social, de tareas, personal, ambiental, informativo
y espaciotemporal (Göker y Myrhaug, 2008; Krogstie,
• las aplicaciones móviles de apoyo (Unhelkar y Murugesan, 2010) y los dispositivos de apoyo.
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.
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.
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.
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.
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
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
(1) modelar la estrategia de movilidad para lograr fluidez de equipo, fluidez de tareas y fluidez de
control (Chatterjee et al., 2017);
(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).
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.
• 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:
• 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.
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).
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;
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.
las intenciones estratégicas de la organización en los modelos. No basta con evaluar el móvil
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
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.
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.
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
para cada dimensión de fluidez, como lo sugieren Chatterjee et al. (2017): equipo; tarea; y control.
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.