Curso de Eficacia Operacional

Bienvenidos a la
clase presencial 2
Profesor: Jorge Vera

Tutor Jefe: Katterine Estelle

Prof. Jorge Vera A. ©2023 La Clase Ejecutiva

 La visión analítica en Eficacia Operacional (2):
Cómo la visión analítica apoya la mejora
continua

Jorge Vera A.
Departamento de Ingeniería Industrial y de
Sistemas, Escuela de Ingeniería.
Pontificia Universidad Católica de Chile

Prof. Jorge Vera A. ©2023 La Clase Ejecutiva

Contexto
• En nuestra sesión anterior mostramos el valor de los
enfoques analíticos, en particular, la Optimización
• Lo ilustramos con un problema de Planificación de
Producción, abordado en Excel.

• Ya están estudiando temas relacionados a calidad,

variabilidad, y pronto estudiarán, en detalle, enfoques
Lean.

• Y se ve, cada vez de forma más evidente, cómo las

malas decisiones son fuente de “desperdicio”.

Prof. Jorge Vera A. ©2023 La Clase Ejecutiva

Lo que haremos hoy
• Mostraremos hoy algunos casos exitosos de uso de técnicas
analíticas y que logran aumentos muy importantes en
eficiencia.

• Brevemente mostraremos algunos otros enfoques analíticos

que existen y su potencial en la “era de los datos”

• Discutiremos, entonces, cómo las metodologías analíticas

apoyan la “mejora continua”, que es muy importante en los
enfoques “Lean” de las próximas clases.

Prof. Jorge Vera A. ©2023 La Clase Ejecutiva

Zara: operación de excelencia
• Basado en: Caro et al., Zara Uses Operations Research to Reengineer Its Global Distribution
Process, Interfaces 40 pp 71-84, 2010.

• Ícono del “Fast Fashion”:

➢ Cadena de Abastecimientos muy ágil.
➢ Lotes pequeños e integración con políticas comerciales inteligentes.
➢ Gran eficiencia manufacturera
➢ Manejo “JIT” de los pedidos a partir de la experiencia de los gerentes de
tiendas.

• Zara implementa, de este modo, un exitoso esquema “Lean”

• Esto funcionó “perfecto” hasta mediados de los años 2000…
➢ Pero el crecimiento de la compañía trajo complicaciones…

Prof. Jorge Vera A. ©2023 La Clase Ejecutiva

Zara recurre a los modelos
• La mayor complejidad en el manejo de pedidos desde las
tiendas y de los inventarios de productos para reponer,
comenzó a generar problemas en la reposición de stock.

• Soluciones desarrolladas:
➢ Modelos para pronosticar de mejor forma las ventas en
plazos de pocas semanas.

➢ Sistema de optimización que distribuye mejor los inventarios

entre las distintas tiendas, tomando en cuenta la demanda y
las políticas comerciales.

Prof. Jorge Vera A. ©2023 La Clase Ejecutiva

Zara recurre a los modelos
• El desarrollo de Zara permitió:

• Mejora en el “fill rate” de los productos correctos con el

consiguiente impacto en ventas, estimado en +US$200
millones anuales desde 2007.
➢ Fill Rate: nivel de cumplimiento de la compañía en la entrega de pedidos
completos al cliente.

• Nota de epílogo: el “Fast Fashion” está teniendo externalidades

negativas y también se está trabajando, con enfoques
analíticos, para revertir eso.

Prof. Jorge Vera A. ©2023 La Clase Ejecutiva

La visión analítica se complementa a la visión “Lean”
• El ejemplo ilustra que:

• Los modelos y soluciones analíticas ayudan a reducir grasa:

➢ Mejores decisiones posibilitan un mejor uso de recursos
➢ Se puede cumplir mejor con los clientes
➢ Ordenan el proceso y permiten una mejor gestión

• Pero no sólo los modelos de optimización ayudan aquí

• Hoy hay gran abundancia de datos y su consideración apoya la
mejora continua.

Prof. Jorge Vera A. ©2023 La Clase Ejecutiva

La era de los datos
• Se dice que vivimos en una 4ª. revolución industrial…

• Hoy se habla de “Big Data”, “Inteligencia Artificial”, “Machine

Learning” y otros…
➢ Todos estás “locos” con los chats de IA

• Algunos son temas antiguos, la teoría existe desde hace

décadas…

• Pero la potencia computacional de hoy permite abordar

problemas que antes no podíamos.

Prof. Jorge Vera A. ©2023 La Clase Ejecutiva

Para todo se necesitan datos
• Un modelo de optimización de producción necesita datos:
➢ Demanda, inventarios, costos, etc.

• Un sistema de control de calidad necesita datos

➢ Estado de los procesos
➢ Resultados de mediciones

• Un sistema de control logístico necesita datos:

➢ Estimaciones de tiempos de viaje
➢ Posición de los vehículos en tiempo real

• La demanda es un dato externo, de “mercado”

• El estado de los procesos es interno

Prof. Jorge Vera A. ©2023 La Clase Ejecutiva

La era de los datos
• Algunos elementos que abren nuevas oportunidades:

• Disponibilidad de cantidades cada vez más grandes de datos, y

de los que se quiere obtener información.

• La rápida dinámica impuesta por la internet a través de

servicios on-line, aplicaciones móviles y otros…

• La interconexión de dispositivos de todo tipo, avanzando hacia

IoT (“Internet of things”)

Prof. Jorge Vera A. ©2023 La Clase Ejecutiva

Mejores predicciones
• Para tomar muchas decisiones se necesita una estimación del
futuro.

• ¿Cómo predecir demanda (por ejemplo)?

• Tradicionalmente se han usado métodos estadísticos: de series
de tiempo o econométricos.

• Pero hoy, muchas empresas disponen de enormes cantidades

de datos con los cuales aspiran a “deducir” patrones de
comportamiento.

Prof. Jorge Vera A. ©2023 La Clase Ejecutiva

Mejores predicciones
• Algunos problemas y métodos que se usan hoy:

• Según las actividades de las personas, y su satisfacción con

productos anteriores, recomendarles productos nuevos
➢ Sistemas de recomendación.

• Clasificar y analizar patrones para poder predecir qué tipo de

cliente o usuario es el que viene (o está visitando un sitio web)
y su disposición a comprar.
➢ Clasificación y “clustering”

Prof. Jorge Vera A. ©2023 La Clase Ejecutiva

Mejores predicciones
• Clusters: agrupaciones de datos que reflejen características
similares.

Prof. Jorge Vera A. ©2023 La Clase Ejecutiva

Mejores predicciones
• Los métodos anteriores pertenecen al ámbito de lo que se
conoce como “Machine Learning”

• Entrega herramientas analíticas avanzadas para poder analizar

grandes cantidades de datos y “aprender” de ellos.

• En la discusión anterior, lo relacionamos con analizar datos de

consumidores para entender mejor sus demandas.

• Pero hay muchas otras “fuentes de datos”

Prof. Jorge Vera A. ©2023 La Clase Ejecutiva

Mejores análisis del sistema productivo
• Las operaciones modernas dejan una enorme cantidad de
datos.
➢ Seguimiento de los procesos (internos, logísticos, etc.)
➢ Identificación detallada de recursos usados
➢ Trazabilidad de productos, materias primas, etc.
➢ Mediciones de diversas variables

• La IoT (Internet of Things) es un tema que está siendo

abordado fuertemente a nivel de sistemas productivos.
• La diferencia con las redes internas tradicionales:
➢ Cobertura, ancho de banda

Prof. Jorge Vera A. ©2023 La Clase Ejecutiva

Mejores análisis del sistema productivo
• Por ejemplo, datos para Control de Calidad hoy pueden ser
capturados en tiempo real en forma más eficiente y analizados
de forma mucho más sofisticada.
• Esto permite mejores implementaciones de Control Estadístico
de Procesos.

• Las técnicas de Machine Learning permiten, también, buscar

correlaciones altamente no lineales entre algunas variables y
características del sistema productivo.
➢ Por ejemplo, usando redes neuronales

Prof. Jorge Vera A. ©2023 La Clase Ejecutiva

Ejemplo: El aeropuerto de Londres
• Fuente: Xiaojia Guo, Yael Grushka-Cockayne, Bert De Reyck (2020) London Heathrow
Airport Uses Real-Time Analytics for Improving Operations. INFORMS Journal on Applied
Analytics 50(5):325-339.

• London Heathrow (LHR) es uno de los aeropuertos más grandes del

mundo.
➢ 80 millones de pasajeros al año (2018, pre-pandemia)
➢ Vuelos a 203 destinos en 84 países
➢ +6.500 empleados

• Muchas organizaciones que deben ser coordinadas:

➢ Migración, aduanas
➢ Restaurantes
➢ Aseo
➢ Servicio aeronáutico
➢ Etc.. Etc..
Prof. Jorge Vera A. ©2023 La Clase Ejecutiva
Ejemplo: El aeropuerto de Londres
• El corazón del aeropuerto es el Airport Operations Center (APOC)

Prof. Jorge Vera A. ©2023 La Clase Ejecutiva

Ejemplo: El aeropuerto de Londres
• Había problemas diversos:
➢ Descoordinaciones
➢ Atrasos en atención de pasajeros
➢ Problemas de seguridad
➢ Etc.
• Esto generaba quejas, pérdidas de vuelos, etc.

• En 2015-2016 LHR inició un proyecto para usar datos en

tiempo real para mejorar su gestión.

• Realizaron un piloto y después un programa de mejora en

diversas áreas.

Prof. Jorge Vera A. ©2023 La Clase Ejecutiva

Ejemplo: El aeropuerto de Londres
• Por ejemplo:
• Esperas largas en migración y transferencias desde vuelos
internacionales a nacionales: los pasajeros esperaban en largas colas

• Implementaron captura en tiempo real de los datos de registro de los

pasajeros y los instantes de tiempo.
• Midieron cuál era el impacto de la espera en el retraso a los vuelos,
siguiendo pasajeros “de muestra” mediante cámaras con
reconocimiento facial.
Prof. Jorge Vera A. ©2023 La Clase Ejecutiva
Ejemplo: El aeropuerto de Londres

• Se usaron modelos de Machine Learning para estimar, en

tiempo real, cuánto va a ser la congestión en distintas partes
del aeropuerto.

• Esto llevó a mejorar la coordinación con las líneas aéreas para

realmente anticiparse al arribo de vuelos y a los tipos de
pasajeros y reducir significativamente las colas y pérdidas de
conexiones (costo alto)

• Se abordaron también otros problemas usando los datos en

tiempo real…

Prof. Jorge Vera A. ©2023 La Clase Ejecutiva

Mejores análisis del sistema productivo
• Hay metodologías desarrolladas que combinan técnicas de
Machine Learning, con análisis de procesos

• Esto es lo que se conoce como “Process Mining” o minería de

procesos.

• Los análisis de esta metodología permiten “descubrir”

relaciones entre los procesos que no son evidentes de la
observación “simple”.

Prof. Jorge Vera A. ©2023 La Clase Ejecutiva

Mejores análisis del sistema productivo
• Por ejemplo, Podemos partir con datos de actividades en el
tiempo (solo se muestra una parte):
ID caso Nombre Actividad Inicio Fin Ejecutor
2001 Ingresar pedido 06-05-2013 9:10 06-05-2013 9:21 Lorena
2002 Ingresar pedido 06-05-2013 9:17 06-05-2013 9:32 Isabel
2001 Revisar correctitud pedido 06-05-2013 9:25 06-05-2013 9:32 Lorena
2003 Ingresar pedido 06-05-2013 9:32 06-05-2013 9:50 Lorena
2002 Revisar correctitud pedido 06-05-2013 9:36 06-05-2013 9:49 Isabel
2001 Verificar crédito 06-05-2013 9:37 06-05-2013 9:55 Pablo
2004 Ingresar pedido 06-05-2013 9:40 06-05-2013 9:53 Isabel
2002 Verificar crédito 06-05-2013 9:53 06-05-2013 10:06 Pablo
2003 Revisar correctitud pedido 06-05-2013 9:54 06-05-2013 10:08 Lorena
2004 Revisar correctitud pedido 06-05-2013 9:56 06-05-2013 10:02 Isabel
2005 Ingresar pedido 06-05-2013 9:59 06-05-2013 10:14 Isabel
2001 Verificar stock 06-05-2013 9:59 06-05-2013 10:11 Conni
2004 Contactar para corregir 06-05-2013 10:05 06-05-2013 10:25 Isabel
2002 Verificar stock 06-05-2013 10:13 06-05-2013 10:35 Catalina

Prof. Jorge Vera A. ©2023 La Clase Ejecutiva

Mejores análisis del sistema productivo
• Los sistemas de minería de
procesos parten con datos
como estos y construyen
relaciones entre las
actividades

• Muchas veces se obtiene

una representación gráfica
del flujo de procesos.

Prof. Jorge Vera A. ©2023 La Clase Ejecutiva

Mejores análisis del sistema productivo
• Lo anterior muestra estadísticas y análisis básicos.
• Pero es solo el primer paso, se pueden hacer muchas más
cosas, por ejemplo:
➢ Buscar patrones de comportamiento del flujo.
➢ Identificar procesos o recursos (personas) que tienden a impactar.
positiva o negativamente en el flujo.
➢ Identificar cuellos de botella y la dinámica de estos.
➢ Etc…

• Esto es el punto de partida para identificar fuentes de

“desperdicio” e iniciar acciones de mejora continua.

Prof. Jorge Vera A. ©2023 La Clase Ejecutiva

Un ejemplo real: Hospital Universitario en Galicia
• Fuente: D. Bileve, J. Fernández, Cancer diagnistic delay reducition, Case Study, IEEE
Task Force on Process Mining, 2018

• Hospital Universitario Lucus Augusti en Lugo, Galicia, España

• 900 camas y 2 hospitales menores de 150 camas
• +300.000 personas en la zona de atención.

• El hospital ha destacado por el uso de tecnologías de

información, digitalización de fichas clínicas, etc.

• Pero hay problemas: existe una “vía rápida” de atención para

pacientes con ciertos tipos de cáncer, pero hay quejas sobre la
atención.

Prof. Jorge Vera A. ©2023 La Clase Ejecutiva

Un ejemplo real: Hospital Universitario en Galicia
• Usando los datos reales del hospital, un equipo se propuso
analizar los procesos y ver qué pasaba.

• La información en las bases de datos permite construir un

“time log”:
➢ Dónde ha ido y a qué cada paciente.

• Analizaron un conjunto de pacientes de cáncer.

• Usaron el software DISCO para el análisis de Minería de

Procesos

Prof. Jorge Vera A. ©2023 La Clase Ejecutiva

Un ejemplo real: Hospital Universitario en Galicia

Prof. Jorge Vera A. ©2023 La Clase Ejecutiva

Un ejemplo real: Hospital Universitario en Galicia
• El análisis permitió “descubrir” que sólo 20% de los pacientes
seguían la “vía rápido” siendo que la necesitaban.
• ¿Por qué?

• El mismo estudio permitió identificar “reproceso” entre

distintas áreas del hospital.
• Entre médicos especialistas y el generalista que atendía
inicialmente al paciente, con larga demora…
• Y… sólo el generalista podía autorizar la vía rápida.

• Estos análisis están permitiendo al hospital mejorar sus

procesos administrativos para “mejorar el flujo”.

Prof. Jorge Vera A. ©2023 La Clase Ejecutiva

Los desafíos que se ven:
• Vemos que los principios fundamentales para buscar eficacia y
eficiencia operacional siguen igual de vigentes.
• Pero se ven muy favorecidos con el apoyo de métodos
analíticos potentes.

• Los modelos analíticos son, entonces, una herramienta muy

poderosa.
• Pero tenemos que tener claros sus alcances y limitaciones.

Prof. Jorge Vera A. ©2023 La Clase Ejecutiva

Los desafíos que se ven:
• La enorme disponibilidad de datos genera grandes oportunidades.
• Los algoritmos y el poder computacional de ahora están permitiendo
abordar problemas que antes no se podían abordar.
➢ Esto es la “Inteligencia Artificial” moderna

• Y hay que prestar atención a los impactos que esto tendrá en:
➢ Poder hacer mejor las cosas
➢ Los desafíos y oportunidades para las organizaciones productivas
➢ Nuestra capacidad para gestionar la complejidad
➢ Los cambios en la sociedad y su relación con las tecnologías

• Y todo está cambiando muy rápido a nuestro alrededor…

Prof. Jorge Vera A. ©2023 La Clase Ejecutiva