0 Industria 4.

0 en la cadena de
suministro 0
Modelos de costeo para la optimización de la capacidad en la Industria 4.

El término 'Industria 4.

La visión
Industrya 4.0 enfatiza que el sistema ciberfísico global permite operar de manera autónoma. Por
ejemplo, la máquina conocerá las redes de máquinas inteligentes, configuradas de fábrica,
capaces, etc., controlando el proceso de cada producto en el que se necesita aplicar un producto,
qué variación intercambiando información para que el sistema permita operar de forma
autónoma.
Este documento de Ingeniería presenta y discute en la Conferencia Internacional un comité
matemático de modelo para la gestión de la capacidad basado en diferentes modelos de costeo.
Industria 4.

Introducción
Durante las últimas tres décadas, los sistemas de Tecnología de la Información han experimentado
un progreso revolucionario significativo que posteriormente ha impactado todos los aspectos de la
vida diaria. La implementación de este tipo de red dentro del entorno de producción y
operaciones se denomina Industria 4.0. La introducción de Industria 4.0 en la fabricación tiene
muchos impactos en toda la cadena de suministro. Este documento presenta un análisis preliminar
del impacto de la Industria 4.0 en SCM y tiene como objetivo proporcionar un pensamiento hacia
la Cadena de suministro 4.0.

Fundamentos de la Industria 4. La Industria 4.0 implica específicamente un cambio radical en la

forma en que operan actualmente los talleres de producción. Definidas por muchos como una
transformación global de la industria manufacturera por la introducción de la digitalización e
Internet, estas transformaciones consideran mejoras revolucionarias en los procesos, operaciones
y servicios de diseño y fabricación de productos y sistemas de fabricación. Aunque se acuñó en
Alemania, la noción de Industria 4.0, en gran medida, comparte puntos en común con los
desarrollos en otros países europeos donde se ha etiquetado de manera diferente, por ejemplo,
Fábricas inteligentes, Industria inteligente, Fabricación avanzada o Internet industrial de las cosas.
Se hace referencia a una fábrica inteligente como el uso de nuevos desarrollos innovadores en
tecnología digital que incluyen «robótica avanzada e inteligencia artificial, sensores de alta
tecnología, computación en la nube, Internet de las cosas, captura y análisis de datos, fabricación
digital, software como un -servicio y otros nuevos modelos de marketing, dispositivos móviles,
plataformas que usan algoritmos para dirigir vehículos de motor, y la integración de todos estos
elementos en una cadena de valor global interoperable, compartida por muchas empresas de
muchos países». En el contexto de la Industria 4.0, la fábrica del futuro permitirá la conexión entre
máquinas y seres humanos en Cyber-Physical-Systems. Estos nuevos sistemas centran sus recursos
en la introducción de productos y procesos industriales inteligentes que permitirán a la industria
hacer frente a los rápidos cambios en los patrones de compra. La Industria 4.0 también promueve
el uso de big data, IoT e Inteligencia Artificial como uno solo.

Esta revolución prevé un entorno en el que las máquinas inteligentes puedan comunicarse entre sí,
no solo para permitir la automatización de las líneas de producción, sino también para analizar y
comprender un cierto nivel de problemas de producción y, con una mínima participación humana,
para resolverlos. Porque el término Industria 4. Posibilita «no sólo la organización autónoma de la
gestión de la producción sino también la gestión del mantenimiento. Todas las etapas de
procesamiento en el proceso de producción se registran, y las discrepancias se registran
automáticamente» .

Integración horizontal a través de una nueva generación de redes globales de cadenas de valor: La
implementación de la transparencia dentro de la cadena de valor permite al fabricante identificar
cambios en los requisitos del cliente y reflejarlos en todos los pasos de producción, desde el
desarrollo hasta la distribución. Estos permiten la creación de nuevos productos y sistemas de
producción utilizando una gran cantidad de información. La Industria 4.0 involucra sistemas
automatizados que incluyen inteligencia artificial, robots, drones, nanotecnologías y una variedad
de insumos que permiten la personalización, la flexibilidad y la fabricación rápida. Esta perspectiva
del análisis se cree relevante ya que no existe un conocimiento completo o conciso de cómo
implementar la Industria 4.

Método de investigación

La investigación descrita en este documento se ha llevado a cabo en gran medida a través de un

estudio documental que utiliza varios tipos de literatura como fuentes de datos primarias, incluidos
documentos científicos, publicaciones periódicas, artículos, revistas, periódicos, informes
gubernamentales, informes de la UE, informes comerciales de empresas, informes de consultores,
blogs de Internet y videos de YouTube. El objetivo era centrarse en el análisis en estas áreas. Una
vez que se han enmarcado las áreas, se identificaron los KPI, también conocidos como variables
influyentes, utilizados para evaluar las implicaciones de diferentes tecnologías nuevas para estas
áreas. El siguiente análisis fue examinar los impactos de los cambios en la tecnología en cada KPI.

Análisis

La Figura 1 muestra las cuatro palancas de la cadena de suministro consideradas en esta

investigación. Cada una de las palancas está representada por un área del SCM, y para cada una
de estas áreas se definen KPIs con el fin de obtener medidas cuantificables para comparar si hay
cambios en el tiempo. Sin embargo, la identificación de estos KPI es bastante complicada porque
no hay límites claros entre las palancas.
El término «hacer» significa la producción de bienes o la creación de servicios. Las entradas son
las materias primas, los recursos, las tecnologías y la información necesaria, y las salidas son lo
que los clientes reciben de la empresa. No obstante, dentro del alcance de este artículo, se ha
omitido la función de producción. Las funciones de tienda u operaciones de almacén,
particularmente la gestión de inventario, han avanzado en las últimas décadas debido a los cortos
ciclos de vida de los productos y a una mayor fluctuación de la demanda.
El término «mover» se refiere a la logística de transporte que se encarga de entregar y transportar
los inventarios de un lugar a otro en el momento adecuado. Esta función de la cadena de
suministro generalmente marca una diferencia significativa entre las empresas, dependiendo de su
confiabilidad y entregas a tiempo. La correcta gestión del cumplimiento de pedidos permite ganar
cuota de mercado y mantener los clientes actuales.

Resultados

Primero se realizó un análisis de cómo cada KPI se ve afectado por cada tecnología. Con base en
los resultados obtenidos, la investigación establece las oportunidades para cada función en SCM.
Para vincular cada tecnología con cada KPI, se construyó una plantilla inicial. Una plantilla para
enumerar las tecnologías que pueden tener un impacto en los KPI.Con el objetivo principal de
evaluar si hubo «cambios» o no, se agregaron sustantivos a la mayoría de los KPI para hacerlos
más descriptivos. De esta forma, se agregó ‘SÍ’ en caso de que la introducción de la nueva
tecnología afectara el KPI. KPI afectado por la tecnología – Almacén. La Tabla 5 ilustra las
oportunidades y amenazas que una tecnología puede tener en cada KPI, siendo + oportunidades y
– amenazas.

Discusiones y conclusiones
En cuanto al almacén, el 66,6% pueden ser oportunidades y el 33,3% pueden ser oportunidades o
amenazas. Finalmente, dentro de la función de compras, la Industria 4.0 presenta un 71,43% de
oportunidades, siendo el resto oportunidades o amenazas. Del análisis realizado, se puede ver que
la implementación de ciertas tecnologías, como la realidad virtual y aumentada, la impresión 3D y
la simulación, darán como resultado oportunidades. Por otro lado, el análisis de big data, la
tecnología en la nube, la ciberseguridad, el IoT, la miniaturización de la electrónica, AIDC, RFID,
robótica, drones y nanotecnología, M2M y BI pueden ser oportunidades o amenazas para las
organizaciones.El hecho de que algunas tecnologías puedan resultar tanto en oportunidades como
en amenazas se debe a que todas las diferentes áreas están interconectadas, sin límites claros
entre ellas, dependiendo de dónde se analice, podría tener una connotación positiva o
negativa.Luego se discutieron las oportunidades y amenazas exhibidas en cada una de las
tecnologías para cada uno de los KPI vinculándolos con cada área del SCM en estudio.
 1El uso del big data
en el mundo real1
IBM Global Business Services de proporcionar análisis y puntos de vista que ayuden a
las empresas a conseguir valor de negocio.
Además de proporcionar soluciones a antiguos retos empresariales, big data inspira
nuevas formas de transformar procesos, empresas, sectores enteros e incluso la
propia sociedad.
Hoy en día el término «big data» es una constante y, aun así, la mera noción sigue
generando confusión. Esta palabra se ha utilizado para trasladar al público todo tipo de
conceptos entre los que se incluyen grandes cantidades de datos, analítica de redes
sociales, herramientas de última generación para gestionar los datos, datos en tiempo
real y mucho más.
Independientemente de la etiqueta que le colguemos, las empresas comienzan a
comprender y explorar cómo procesar y analizar de nuevas formas una amplia
variedad de información.
Como un segmento cada vez más importante del amplio mercado de la información y
la analítica, big data está teniendo un gran impacto. » Entre los encuestados, aquellos
cuyas empresas habían implementado proyectos o despliegues piloto de big data
tenían un 15% más de probabilidades de afirmar que obtenían una ventaja importante
de la información y la analítica que aquellos que seguían confiando únicamente en la
analítica tradicional. »
Una de las conclusiones más sorprendentes del estudio es el impacto relativamente
pequeño de los datos procedentes de las redes sociales en el mercado actual de big
data. » Dada la amplia cobertura mediática que recibe el efecto de los datos sociales
en las experiencias de los clientes, resultaría fácil deducir que big data es sinónimo de
datos procedentes de redes sociales, pero solo el 7% de los encuestados definió el
concepto de esta forma
Las tecnologías y técnicas de análisis avanzado de hoy en día permiten a las
empresas extraer conocimientos de los datos con un nivel de sofisticación, velocidad y
precisión nunca antes visto. »
Nuestro estudio ha revelado que, independientemente del sector o la ubicación
geográfica, las empresas adoptan un enfoque pragmático de big data. » Las
soluciones de big data más eficaces identifican primero los requisitos de negocio y, a
continuación, adaptan la infraestructura, las fuentes de datos y la analítica a fin de
respaldar la oportunidad de negocio. »
Estas empresas obtienen nuevos conocimientos de fuentes de información
internas, tanto de las que ya existían como de las que están disponibles desde hace
poco, definen la estrategia tecnológica de big data y, posteriormente, actualizan
progresivamente sus infraestructuras a lo largo del tiempo.
 La variedad tiene que ver con gestionar la complejidad de múltiples tipos de
datos, incluidos los datos estructurados, semiestructurados y no estructurados. » Las
organizaciones necesitan integrar y analizar datos de un complejo abanico de fuentes
de información tanto tradicional como no tradicional procedentes tanto de dentro como
de fuera de la empresa. »
Con la profusión de sensores, dispositivos inteligentes y tecnologías de colaboración
social, los datos que se generan presentan innumerables formas entre las que se
incluyen texto, datos web, tuits, datos de sensores, audio, vídeo, secuencias de
clic, archivos de registro y mucho más
La veracidad hace referencia al nivel de fiabilidad asociado a ciertos tipos de
datos. » Esforzarse por conseguir unos datos de alta calidad es un requisito importante
y un reto fundamental de big data, pero incluso los mejores métodos de limpieza de
datos no pueden eliminar la imprevisibilidad inherente de algunos datos, como el
tiempo, la economía o las futuras decisiones de compra de un cliente
En definitiva, big data es una combinación de estas características que crea una
oportunidad para que las empresas puedan obtener una ventaja competitiva en el
actual mercado digitalizado. Permite a las empresas transformar la forma en la que
interactúan con sus clientes y les prestan servicio, y posibilita la transformación de las
mismas e incluso de sectores enteros.
Estas tecnologías también son capaces de gestionar la creciente velocidad de los
datos que llegan, y se almacenan, al hacer posible un movimiento coherente y
automatizado de los datos en toda la empresa a medida que más personas necesitan
tener acceso a tipos de información adicionales y diferentes. Tecnologías emergentes
como la jerarquización y compresión de datos y los sistemas de archivos
escalables, junto con bases de datos en memoria, hacen posible la gestión de cargas
de trabajo mucho más grandes que los warehouses convencionales.
Hoy en día, la mayor parte de las empresas centran la atención de sus primeras
iniciativas de big data en analizar datos estructurados. » Sin embargo, big data
también genera la necesidad de analizar múltiples tipos de datos, incluida una gran
variedad de datos que pueden ser completamente nuevos para muchas
organizaciones

6 BIG DATA6
En definitiva, lo que realmente se necesita es la información relevante, en el tiempo
preciso y con el nivel de precisión requerido.
Como comentábamos anteriormente, cada día se generan 2,5 quintillones de bytes de
datos. Estos datos vienen de fuentes diversas como fotografía digital, videos, posts en
redes sociales, sensores inteligentes, transacciones comerciales, señales GPS de
teléfonos móvies y otros dispositivos, etc. En definitiva, Big Data son datos
desorganizados.
La veracidad tiene que ver con lo incierto o imprecisión de los datos.
Muy posiblemente podremos utilizar estos datos para realizar análisis de sentimiento o
identificar cambios de tendencias, pero no podremos sacar conclusiones para la toma de
decisiones críticas.
capacidad de limpieza de datos antes de su análisis. Si los datos contienen errores, la
información que se puede generar de ellos no es fiable y los usuarios pierden la confianza
de sus resultados y nunca la usarán para la toma de decisiones. Para abordar los
desafíos de rendimiento y capacidad que se desprenden de la falta de veracidad en los
datos, es importante definir estrategias y herramientas de calidad de datos como parte de
la infraestructura Big Data Dos de las Vs que caracterizan al Big Data van de alguna
manera en contra de la Veracidad de los datos.
La seguridad también juega un papel importante, ya que debe asegurar que los datos
falsos, fraudulentos o no autorizados no se introducen en el Big Data. Los datos deben
ser protegidos adecuadamente y no distribuidos a destinatarios no autorizados.
Por otro lado Gartner señala que debemos conocer de quién es la propiedad de las
fuentes de datos que estamos utilizando para nuestros casos de uso, y el uso que
podemos hacer de esta información de acuerdo a las licencias de uso. Entender bien las
limitaciones, realizar un uso correcto de las fuentes de datos e informar de su origen
proporcionará mayor transparencia a nuestra Smart City y por tanto mayor credibilidad y
Veracidad a nuestras soluciones.
la calidad de los datos y análisis de los que disponen como para utilizarlos en sus
procesos de toma de decisiones cotidianos.

Los líderes adoptan un enfoque estructurado para el gobierno y la seguridad de los datos
y a esta vigilancia se debe en buena parte el mayor grado de confianza que la mayoría
deposita en los datos y en la analítica dentro de sus organizaciones.
Valor. En la figura 10 , IDC identifica la arquitectura de valor de la Smart City que se
construye con tecnologías como el Intenet de las cosas y los cuatro pilares tecnológicos
para IDC - Big Data, tecnologías móviles, cloud computing y social business .
Confianza en los datos. Los responsables de tomar decisiones deben confiar en los datos
para dejarse guiar por ellos. Según el estudio de IBM, en las organizaciones que obtienen
más valor de la analítica, el gobierno y la seguridad son suficientes para proporcionar a la
mayoría de los usuarios un grado de confianza confortable, pero también son lo bastante
flexibles como para que los usuarios de negocio cumplan un conjunto de requisitos
diverso. Además, este estudio indica que las organizaciones que gestionan sus datos de
manera deficiente encuentran dificultades para generar valor a partir de estos y de su
análisis.

Los líderes confían en los datos de sus organizaciones.

En el contexto del Big Data, valor se refiere tanto al coste de la tecnología como al valor
obtenido de su uso.
Actualmente, por la falta de conocimiento de las necesidades o interés personal de los
diferentes tipos de usuarios, las aplicaciones Smart Cities inundan con información sobre
la ciudad, cuando realmente solo están interesados por información contextualizada
relevante para sus necesidades.

Cada ciudad es diferente y sus objetivos estratégicos varían para cada una de ellas. Sin
embargo, la mayoría comparte problemas y retos similares, siendo los principales focos
de atención el tráfico y transporte público, la seguridad ciudadana y reducción de índices
de criminalidad, la gestión energética, el ciclo integral del agua y la gestión de residuos
urbanos
Smart City es una solución que con el apoyo de la tecnología, abarca la transformación de
la ciudad de forma sostenible y escalable, con apertura a los ciudadanos y negocios y con
transparencia en la gestión.Una de las principales palancas del crecimiento sostenible es
implantar una cultura de la innovación y fomentar la colaboración e involucración de los
ciudadanos y empresas en los problemas diarios de la ciudad y en la búsqueda e
implantación de soluciones. Los ciudadanos, con el nivel actual de acceso a la tecnología
de la sociedad, son los principales «sensores» que tienen actualmente a su disposición
los gestores municipales.
IBM ha realizado un estudio muy interesante y revelador, que concluye que las empresas
de mayor éxito aplican de manera sistematizada iniciativas de analítica de datos en toda
su organización para tomar decisiones más informadas e inteligentes, actuar con mayor
rapidez y optimizar los resultados.

Las restricciones políticas o limitaciones ejecutivas son el principal factor limitante para la
obtención de mayor valor de las iniciativas de analítica de datos.

El 62% de las organizaciones indica estas limitaciones como el principal obstáculo para la
puesta en valor de los datos;
Los casos de uso de la Smart City que aportan mayor valor con aquellos que se
construyen con datos e información de fuentes muy diversas, que proporcionan la visión
global y completa que podremos convertir en conocimiento para mejorar la actuación y
servicios municipales. Las ciudades no siempre tienen a su disposición toda la
información necesaria.
Sin la colaboración del ecosistema completo de ciudadanos y empresas, organismos y
empresas municipales, etc. los casos de uso de la Smart City verán limitado su
generación de valor.
Con colaboración transparente me refiero a que los datos e información estén disponibles
para todo el ecosistema municipal, en un modelo de Datos Abiertos.
Por otro lado, muchos servicios municipales son realizados por empresas privadas que
disponen de mucha información que no se proporciona a la corporación municipal, más
allá de los indicadores de gestión, los datos operativos que permitan medir los acuerdos
de nivel de servicios y la información exigida en los pliegos correspondientes.
Actualmente se está reconociendo el valor de disponer de toda la información para tener
mayor control y conocimiento de los procesos, y de esta forma poder realizar mejoras y
elaborar mejores pliegos en futuras licitaciones. La tendencia actual es incluir en los
pliegos la obligatoriedad de proporcionar toda la información disponible, que pasa a ser
propiedad de la ciudad.
Esta situación hace que desarrollar casos de uso de valor o iniciativas innovadoras que
impliquen a diferentes áreas o empresas, o necesiten información de diferentes fuentes
requiera mucho esfuerzo y desgaste que no aporta ningún valor, consume muchos
recursos y ralentiza su progreso.
Tanto la información histórica como la generada y capturada diariamente en los procesos
y servicios municipales pertenecen o son gestionados por la ciudad. Debe Fuente de
valor. Pero solo tienen sentido si se enfocan en la creación de valor para la ciudad. Por
tanto, antes de acometer cualquier iniciativa, es fundamental entender los objetivos
estratégicos de la ciudad e identificar el valor que aporta el Big Data para su consecución.
Las organizaciones que obtengan más valor del Big Data serán aquellas que entiendan
claramente cuál es la fuente de ese valor y dirijan sus esfuerzos en consecuencia. Casi la
mitad de las empresas líderes que los datos y su análisis influyen significativamente en
las estrategias de negocio y los resultados operativos de sus organizaciones. La quinta
parte más destacada de estos líderes basa sus decisiones de negocio en información
proporcionada por la analítica de datos. 6 meses en el 40% de las empresas líderes.
. Actualmente existe un déficit importante a nivel global de profesionales formados y con
experiencia en estas tecnologías, que puede ser uno de los principales obstáculos para la
implantación de analítica de datos Big Data en la Smart City.
IBM destaca que una tercera parte de las organizaciones citaron la falta de competencias
para analizar y convertir los datos en acciones significativas como el escollo más
importante para mejorar el uso de técnicas analíticas en sus organizaciones Según
Gartner, en 2015 la demanda de perfiles analíticos y de datos ascenderá a 4,4 millones de
empleos en todo el mundo, de los cuales solamente se cubrirá una tercera parte.
Puede ser muy interesante para las ciudades y organizaciones promover iniciativas de
educación, atracción de talento y creación de proyectos empresariales en esta área de la
analítica de datos y Smart City.

Smart City y Big Data de gran valor añadido.

Industria 4.0 caso de estudio manufacturero

Presentamos una aplicación de las tecnologías habilitadoras de Industry 4.0 a Bottega

Veneta, una casa italiana de artículos de lujo reconocida en el mundo por sus artículos de
cuero . En particular, abordamos el proceso de producción a lo largo de la cadena de
suministro . El marco propuesto introduce un modelo de datos uniforme, utilizado por
todos los actores involucrados en el proceso de producción para recopilar y representar la
gran cantidad de datos involucrados en el proceso de producción. Un DSS permite al
planificador de producción enfocarse en diferentes escenarios para tomar mejores
decisiones .

Introducción

El "Piano Nazionale Industria 4.0", el plan italiano para la adopción del paradigma
Industria 4.0 por parte del sistema de fabricación italiano, indica un conjunto de
tecnologías habilitadoras que deben utilizarse para poder alcanzar las recompensas que
tal paradigma promete

Presentamos una aplicación de estas tecnologías habilitadoras al mundialmente conocido

productor de artículos de cuero de lujo

Bottega Veneta. En particular, abordamos el proceso de producción, que se distribuye en

varios elementos de la cadena de suministro y los problemas de gestión relacionados .
Mostramos cómo la integración entre las diferentes entidades en la cadena de suministro
y la interoperabilidad de los sistemas dentro de cada entidad conduce a la disponibilidad
de un gran conjunto de datos e información, que se puede utilizar de manera efectiva para
alimentar los sistemas de análisis de datos, como los sistemas de soporte de
decisiones .Por lo tanto, estos datos se procesan con herramientas avanzadas para
generar información significativa .
La cadena de suministro de Bottega Veneta incluye: la empresa principal, fábricas
controladas y varios productores independientes, que brindan la capacidad de realizar
partes específicas del proceso de producción. La gestión de la producción "tal como está"
se lleva a cabo utilizando diferentes sistemas: un sistema ERP para la empresa principal,
una solución ERP vertical adaptada a las empresas de moda en las fábricas, una
herramienta APS para proporcionar planes para las fábricas. La integración entre los
sistemas se logra a través de herramientas tradicionales de intercambio de datos . El ERP
tradicional procesa los datos de los pedidos de los clientes para alimentar al APS, que
entrega sus resultados procesados en términos de fechas de vencimiento y órdenes de
producción a los ERP verticales de las fábricas.. Los productores independientes se
gestionan individualmente fuera de estos sistemas.
Proponemos un marco inspirado en la Industria 4.0 como evolución de la situación actual,
introduciendo un modelo de datos uniforme, utilizado por todos los actores involucrados
en el proceso productivo . Este modelo se utiliza para recopilar y representar la gran
cantidad de datos que intervienen en el proceso de producción, incluida la información
logística, como las fechas de vencimiento y los datos de los clientes, los detalles de
producción, como los ciclos de producción, las restricciones tecnológicas y los datos de
retroalimentación del taller.
Los datos recopilados continuamente se utilizan para coordinar de manera efectiva a los
diferentes actores en la cadena de suministro, así como dentro de cada fábrica, y para
alimentar un sistema de análisis complejo que incluye, entre otros, representaciones
visuales de los datos que son significativos para el usuario adecuado. y un DSS que
permite al planificador de producción en diferentes niveles enfocarse en diferentes
escenarios generados automáticamente y optimizados localmente para ayudarlos a tomar
mejores decisiones.
También se presenta DSS.
Hacia la Industria 4.
Industria 4.0 es el siguiente paso en un largo proceso de desarrollo . El término Industria
4.0 se introdujo por primera vez durante el evento de la Feria de Hannover en
2011. Proviene de una iniciativa lanzada por el gobierno federal alemán como parte de su
estrategia integral de alta tecnología. Describe tanto la cuarta etapa en el proceso de
industrialización. Puede encontrar una introducción a los conceptos de Industria 4.0
en . En el trabajo reciente se presenta una posible arquitectura para sistemas de
fabricación basados en Industria 4.0 .
Uno de los objetivos clave de la Industria 4.0 es combinar dos principios que en realidad
son opuestos, estrictamente hablando, la fabricación en línea de producción y la
fabricación personalizada, en un entorno inteligente denominado fábrica
inteligente; contribuciones a este tema fueron proporcionadas recientemente por los
autores en . El concepto de fábrica inteligente facilita la idea bastante abstracta de la
Industria 4.0. Aquí es donde entra en juego el Internet de las cosas, es decir, partes no
humanas que se comunican entre sí. Eso podría ser una planta que envía una señal de
que necesita material nuevo y la fábrica inteligente que envía esta información de forma
automática e independiente. La comunicación entre estas "cosas" se realiza a través de
Internet de forma inteligente. Este es el punto central de la Industria 4.0: la
automatización del conocimiento de procesos. La Automatización del Conocimiento de
Procesos resuelve y habilita el problema de que las piezas de trabajo no tienen las
capacidades técnicas para comunicarse por sí mismas, transformando los sistemas
físicos en "sistemas ciberfísicos", donde la pieza de trabajo es el elemento físico y la
Automatización del Conocimiento es el elemento digital. elemento. El papel de los
humanos en el SDPC, sin embargo, no debe ser ignorado,
En este artículo, se describe un método para apoyar el proceso de decisión a lo largo de
la cadena de suministro, centrándose en la coordinación de la cadena de suministro de un
caso de fabricación real. El sistema de apoyo al conocimiento ha sido el resultado al final
de un proceso de desarrollo. El primer paso fue la captura de conocimiento. En esta
primera fase se realizó un profundo conocimiento del flujo de producción y las reglas de
producción en estricta sinergia con los ingenieros de producción dueños del proceso de
decisión.. El segundo paso fue la formalización de tales estructuras de conocimiento
según el estándar ISA95. Finalmente, en el tercer paso, se desarrolló un modelo
matemático para resolver el problema entre todos los actores dentro de la cadena de
suministro. La innovación aquí propuesta no solo se limita a la formulación matemática de
un modelo original, sino que también incluye la formalización de un enfoque para capturar
y codificar conocimiento no estructurado.
El problema de planificación de la producción se puede modelar utilizando técnicas de
optimización discreta, en particular MIP y CP .

El problema de planificación de la producción

MIP, pero planeamos aprovechar también las técnicas de CP en versiones futuras.

Se deben tomar dos decisiones principales para cada tarea de cada orden de producción:
quién la realizará y cuándo.Sin embargo, para tomar estas decisiones, se deben
considerar restricciones múltiples y complejas, algunas que representan restricciones
tecnológicas y otras relacionadas con aspectos de la cadena de suministro . Finalmente,
se deben perseguir múltiples objetivos, principalmente: minimizar los retrasos en las
entregas y optimizar el uso de los recursos disponibles. . Restricciones tecnológicas
Debe definirse una serie de restricciones para tener en cuenta aspectos estrictamente
relacionados con cuestiones relacionadas con la producción, a saber: la posibilidad o no
de que un determinado recurso procese una tarea, la necesidad de respetar un ciclo de
producción y la saturación máxima de la capacidad de cada recurso. . Matriz de
habilidades
Para permitir que la herramienta proporcione planes de producción realmente utilizables y,
sin embargo, permitir que el usuario realice actividades mínimas de ingreso de datos,
utilizamos dos fuentes de datos: los datos de producción históricos y un conjunto de
reglas de excepción editable por el usuario.

de lo contrario, verifica si el usuario ha especificado una regla para permitir que el recurso
procese tareas con el conjunto de características dadas, incluso si nunca las ha
procesado en el pasado .
El resultado del procesamiento anterior es una matriz de habilidades que se utiliza para
definir restricciones que indican qué tareas se pueden o no asignar a cada
recurso. . Restricciones de precedencia
Cada pedido se caracteriza por un ciclo de producción, como se detalla en la sección
4.1. Cada tarea de una orden, por lo tanto, puede incluir un conjunto de una o más tareas
que dependen de ella. El modelo de decisión permite planificar una tarea para que
comience solo después de que se hayan completado todas las tareas que la
preceden. . Saturación
Los talleres internos y los subcontratados son tratados genéricamente como recursos de
capacidad finita . Cada recurso se caracteriza por su FTE, es decir . el equivalente al
número de empleados que trabajan a tiempo completo.
El usuario puede tanto definir un FTE predeterminado diferente para cada recurso,
utilizado para definir su capacidad diaria estándar en términos de horas disponibles, como
posibles excepciones para un recurso en fechas específicas, para poder modelar posibles
desviaciones de los valores predeterminados .
La planificación considera la saturación de cada recurso tanto como una restricción dura
como un objetivo . Como restricción estricta, no se puede planificar un recurso para que
exceda su capacidad más una tolerancia especificada por el usuario: por ejemplo, el
usuario puede configurar la herramienta para permitir un máximo de 120% de saturación
de algunos recursos, cuando sabe que dicho recurso puede contar con apoyo externo
cuando sea necesario. . Restricciones de la cadena de suministro
Las siguientes restricciones se utilizan para permitir modelar aspectos que se derivan de
la estructura de la cadena de suministro, a saber: tiempos de tránsito entre dos tareas de
un mismo pedido, dependencias entre decisiones de asignación tomadas dentro de dos o
más tareas del mismo pedido y demoras intermedias. fechas especificadas para ciertas
tareas. . Tiempos de tránsito
Los tiempos de tránsito son necesarios cuando los artículos de un pedido deben
transferirse físicamente de un componente de la cadena de suministro a otro, por
ejemplo, cuando un subcontratista debe procesar una tarea de un pedido inmediatamente
después de una fase de producción interna o viceversa .
La herramienta permite al usuario definir tiempos de tránsito entre cada posible pareja de
componentes de la cadena de suministro y luego los utiliza como restricciones de demora
entre el final de una tarea y el inicio de la siguiente. . dependencias
La asignación de tareas a los recursos no depende solo de las restricciones de
tareas/recursos definidas en la sección 3.1.1, sino que también deben considerar las
restricciones relacionadas con la cadena de suministro expresadas en la forma "si la tarea
1 de un pedido se asigna al recurso A, entonces también las tareas 2, 3 y 4 del mismo
pedido deben asignarse al mismo recurso" o "si la tarea 1 de un pedido se asigna al
recurso A, entonces las tareas 2, 3 y 4 del mismo pedido deben asignarse al recurso B
". . Liberación intermedia/fechas de vencimiento
Algunas tareas dentro de un pedido se pueden caracterizar por fechas de vencimiento
específicas o fechas de liberación que dependen de la llegada de materias primas o de la
necesidad de proporcionar artículos semielaborados dentro de fechas específicas. Estos
casos se tratan a través de restricciones de tiempo absolutas dentro del modelo de
decisión. . Objetivos
El problema de la planificación requiere la consecución de dos objetivos: la minimización
de los pedidos entregados con posterioridad a su fecha de vencimiento y la minimización
de los casos en los que un recurso se satura por encima de su capacidad.
En .
En .
La búsqueda de múltiples objetivos se puede lograr de varias maneras. Para la
herramienta propuesta, se optó por permitir al usuario definir un ranking entre los objetivos
y, para el indicado como el primero, especificar un deterioro permitido para perseguir el
otro objetivo. . Minimización de la tardanza
Cada pedido tiene una fecha de vencimiento para la última tarea de su ciclo de
producción y por un nivel de prioridad del cliente que lo requiere . Se minimiza la suma de
las tardanzas acumuladas por cada pedido, ponderadas por el nivel de prioridad del
cliente del pedido. . Minimización de la sobresaturación
Cada recurso tiene una capacidad máxima y una tolerancia permitida, como se detalla en
la sección 3.1.3 . Uno de los objetivos del modelo de decisión es minimizar la suma de
todos los excedentes de capacidad requeridos por el plan propuesto.

El DSS propuesto

La herramienta propuesta es un Sistema de Apoyo a la Decisión diseñado para ayudar al

usuario a tomar mejores decisiones con respecto a la organización de las actividades a lo
largo de la cadena de suministro del complejo Bottega Veneta, que involucra: proveedores
externos de materias primas, talleres de producción internos y subcontratistas locales.
La herramienta proporciona varios puntos de vista sobre los datos analizados y sobre las
soluciones propuestas en los escenarios seleccionados. Específicamente, el DSS
proporciona: una representación gráfica de cada orden de producción, enfocada en los
vínculos complejos entre las diferentes tareas requeridas por cada orden; informes
centrados en todos los recursos que fueron objeto de análisis y planificación, con especial
atención a su uso; informes que permiten conocer la capacidad del plan para cumplir o no
con los plazos requeridos. . El punto de vista de las órdenes de producción
El ciclo de trabajo típico para la producción de un artículo terminado incluye varias
actividades, cada una de las cuales posiblemente requiera un elemento diferente de la
cadena de suministro.

1Munoz2
Por lo amplio del tema, es necesario acotar a qué aspectos de la Logística está orientado el
presente trabajo, ya que los cambios tecnológicos afectan a todo el proceso antes descrito.

la tecnología en los campos de la electrónica y la computación, iniciada en la década de los

años 70, permitiendo el desarrollo de sistemas más eficaces, de menor tamaño, menor
consumo de energía, mayor velocidad de respuesta y de gran confiabilidad. Tema
desarrollado y expuesto en la Exponaval del año 1998 y en el Seminario Tecnológico
organizado por la Dirección de Ingeniería y Sistemas Navales durante el año 2004. Para
entender en mejor forma la importancia de conocer la tecnología incorporada en estos
sistemas o equipos, para aprovechar al máximo sus capacidades, analicemos el caso de la
fotografía digital. Si hablamos de fotografía tradicional, todos conocemos el proceso a seguir
para obtener una fotografía.

Podemos visualizar, que toda tecnología nueva, requiere ser conocida y explicada
ampliamente, para que los usuarios, tanto operadores como mantenedores, puedan obtener el
máximo de beneficios de ese nuevo equipamiento, y por otro lado, los procesos de
Determinación de Necesidades y de Obtención del Ciclo Logístico, pongan a disposición de
los usuarios , el mejor equipamiento disponible. En el presente trabajo se presentarán algunos
de los muchos aspectos que influyen en el conocimiento de las tecnologías incorporadas en
los diferentes sistemas instalados a bordo de nuestros buques, partiendo de la problemática
internacional, que condiciona las adquisiciones en varios aspectos, y seguido de los aspectos
relacionados con el conocimiento de las tecnologías existentes. Estos pedidos se materializan
mediante contratos de adquisición y/o reparación entre los diferentes organismos que
participan de este proceso, producto de los cuales, se produce un traspaso importante de
información técnica entre ellos. La innovación es un proceso interactivo y de aprendizaje
continuo, que implica la introducción exitosa en el mercado, y en los procesos de producción o
en las propias organizaciones, de nuevos productos, tecnologías o servicios intensivos en
conocimiento, así como la subsecuente difusión en la sociedad.

También es un fenómeno evidente que las condiciones técnico económicas de los países
avanzados son las que determinan las características de diseño y de funcionamiento de sus
sistemas de defensa, los que deben satisfacer sus propias necesidades, y en los cuales se
incorporan todos los progresos técnicos de su industria. «Calidad» de la tecnología que se
trans-fiere.

Ahora bien, es en la fase de concepción técnica del proyecto donde se determina en buena
medida el aporte tecnológico en cuanto a ingeniería de diseño, proceso y fabricación, que esa
actividad aportará al posterior ciclo de vida del sistema. Tradicionalmente el proceso de
aprendizaje y de transferencia tecnológica en el área de la defensa se ha desarrollado en
etapas, en cada una de las cuales se va avanzando de acuerdo a las capacidades e
infraestructura industrial del país. Todo el equipamiento de tecnología avanzada, como los
sistemas de detección, sistemas de control de tiro, motores, comunicaciones y control
automático, entre otros, deben ser adquiridos a los fabricantes originales. Una vez que se han
vivido y experimentado las fases descritas, normalmente el país receptor es capaz de
intervenir los sistemas, obteniendo información de sus procesos internos.

En cada una de las etapas descritas, los cursos de entrenamiento en fábrica, deben estar
acompañados por la entrega de la documentación, del software y aplicaciones
específicas, para llevar a cabo el proceso de diagnóstico y ajustes en las instalaciones
propias. Para lograr los avances en cada una de las fases descritas anteriormente, los
especialistas y encargados de la administración de los procesos de mantenimiento y
operación, deben ser capacitados adecuadamente, para que conozcan y aprendan las nuevas
técnicas y procesos que se desarrollan en los diferentes equipos o sistemas que les
corresponde intervenir, considerando que los procesos de diagnóstico modernos, emplean
fundamentalmente herramientas automáticas y el uso masivo de computadores de diferentes
tipos y aplicaciones. Esta misma incorporación de tecnología, cada vez más avanzada en
sistemas de vigilancia y control, obligan a profundizar la capacitación en aspectos de
diagnóstico, por sobre los correctivos, con la correspondiente exigencia adicional para los
técnicos, que deben familiarizarse con el uso de instrumentos e interfases que lo comuniquen
con los equipos a diagnosticar.

Debido al alto nivel de integración que se observa en los sistemas de armas complejos y
modernos, las ciencias básicas aplicadas en un solo equipo son múltiples. Por este
motivo, actualmente es difícil establecer la especialización que requiere un técnico, bajo los
alcances actuales de las especialidades navales, para intervenir en estos sistemas.