Reducción de kilogramos de desperdicios y sobrantes de ...
83
Reducción de kilogramos de desperdicios y sobrantes de rosquitas en el proceso de producción de Socaticas S.A.S. mediante la metodología Lean Six Sigma Sofía Magdalena Escobar Forero Asesor: Ciro Amaya Universidad de Los Andes Departamento de Ingeniería Industrial Bogotá, Colombia 2019
Transcript of Reducción de kilogramos de desperdicios y sobrantes de ...
Reducción de kilogramos de desperdicios y sobrantes de
rosquitas en el proceso de producción de Socaticas S.A.S.
mediante la metodología Lean Six Sigma
Sofía Magdalena Escobar Forero
Asesor:
Ciro Amaya
Universidad de Los Andes
Departamento de Ingeniería Industrial
Bogotá, Colombia
2019
2
Tabla de contenido
Resumen ............................................................................................................................................... 8
Introducción ......................................................................................................................................... 8
Revisión Bibliográfica ....................................................................................................................... 10
Fase Definir ........................................................................................................................................ 12
Caracterización de la situación actual ............................................................................................ 16
Estaciones del sistema de producción ........................................................................................ 17
Materias Primas del proceso ...................................................................................................... 19
Conversión de unidades de producción ..................................................................................... 19
Tiempos de ciclo por estación .................................................................................................... 19
Tasa de producción por estación ................................................................................................ 22
Costo de producción por bache .................................................................................................. 22
Problemáticas identificadas a través de la voz del cliente ............................................................. 24
Monetización de problemáticas identificadas ................................................................................ 24
Project Charter ............................................................................................................................... 28
Fase Medir.......................................................................................................................................... 29
Análisis de los datos de kilogramos sobrantes diarios de producto terminado .............................. 30
Estadísticas descriptivas de kilogramos sobrantes ..................................................................... 30
Histograma de kilogramos sobrantes ......................................................................................... 31
Boxplot de kilogramos sobrantes ............................................................................................... 32
QQ-Plot de kilogramos sobrantes .............................................................................................. 33
Prueba de normalidad de kilogramos sobrantes ......................................................................... 34
Gráficos de control 𝒙 − 𝑹 .......................................................................................................... 36
Capacidad del proceso (𝑪𝒑𝒌) .................................................................................................... 37
Nivel sigma ................................................................................................................................ 38
Medición de los datos de kilogramos defectuosos diarios de producto terminado ........................ 39
Estadísticas descriptivas de kilogramos de desperdicios de producto terminado ...................... 39
Histograma de kilogramos de desperdicios ............................................................................... 39
Boxplot de kilogramos de desperdicios ..................................................................................... 40
3
QQ-Plot de kilogramos de desperdicios diarios ......................................................................... 41
Prueba de normalidad de kilogramos de desperdicios ............................................................... 42
Gráficos de control 𝒙 − 𝑺 .......................................................................................................... 43
Capacidad del proceso (𝑪𝒑(𝒒)) ................................................................................................ 45
Nivel sigma ................................................................................................................................ 46
Fase Analizar...................................................................................................................................... 46
Análisis de la problemática de kilogramos sobrantes de producto terminado diario..................... 46
Lluvia de ideas ........................................................................................................................... 46
Diagrama de Pareto de kilogramos sobrantes por mes .............................................................. 47
Boxplots y análisis de varianza de kilogramos sobrantes por mes ............................................ 48
Los 5 ¿por qué? .......................................................................................................................... 50
Diagrama de espina de pescado ................................................................................................. 51
Análisis de la problemática de unidades defectuosas en las estaciones del proceso de producción
........................................................................................................................................................ 52
Diagrama de Pareto de kilogramos defectuosos por estación .................................................... 52
Lluvia de ideas ........................................................................................................................... 52
Diseño de experimentos en la inspección de unidades defectuosas por asignación del puesto de
trabajo y turno laboral ................................................................................................................ 53
Estudio de medición R&R en la inspección de unidades defectuosas ....................................... 55
Los 5 ¿por qué? .......................................................................................................................... 57
Diagrama de espina de pescado ................................................................................................. 58
Fase Mejorar ...................................................................................................................................... 59
Implementación para la reducción de kilogramos sobrantes diarios ............................................. 59
Planeación de la producción ...................................................................................................... 59
Planificación de requerimientos de material (MRP) .................................................................. 60
Implementación para la disminución de kilogramos recortados diarios ........................................ 70
Estandarización de la operación de inspección .......................................................................... 70
Fase Controlar .................................................................................................................................... 77
Simulación de las implementaciones ............................................................................................. 77
Análisis de estadísticas................................................................................................................... 78
Medición de kilogramos sobrantes diarios................................................................................. 78
Gráficos de control 𝒙 − 𝑹 .......................................................................................................... 78
4
Medición de kilogramos recortes diarios ................................................................................... 80
Gráficos de control 𝒙 − 𝑹 .......................................................................................................... 80
Recomendaciones Finales .................................................................................................................. 81
Bibliografía ........................................................................................................................................ 83
5
Índice de Ilustraciones
Ilustración 1. Organigrama de la empresa........................................................................................................ 12 Ilustración 2. Problemáticas identificadas ........................................................................................................ 14 Ilustración 3. Diagrama SIPOC ........................................................................................................................ 14 Ilustración 4. Diagrama de flujo del proceso de pruducción ............................................................................ 15 Ilustración 5. Demanda mensual histórica ........................................................................................................ 16 Ilustración 6. Estación de amasado ................................................................................................................... 17 Ilustración 7. Estación de corte ......................................................................................................................... 18 Ilustración 8. Estación de horneado .................................................................................................................. 18 Ilustración 9. Gantt del proceso por bache ....................................................................................................... 21 Ilustración 10. Costo histórico de recortes mensuales de producto terminado ................................................ 25 Ilustración 11. Evidencia de sobrantes en la planta de producción.................................................................. 26 Ilustración 12. Costo por sobrantes mensuales de producto terminado ........................................................... 27 Ilustración 13. Comparación de costos de kilogramos defectuosos vs kilogramos sobrantes .......................... 27 Ilustración 14. Project Charter.......................................................................................................................... 29 Ilustración 15. Gráfico de dispersión de sobrantes diarios ................................................................................ 31 Ilustración 16. . Histograma de kilogramos sobrantes diarios históricos .......................................................... 32 Ilustración 17. Boxplot de kilogramos sobrantes diarios históricos................................................................... 33 Ilustración 18. QQ-plot de kilogramos sobrantes diarios históricos .................................................................. 34 Ilustración 19. Transformación Box-Cox de kilogramos sobrantes.................................................................... 35 Ilustración 20. Gráfico de control x ̅ de muestras variables para datos transformados de sobrantes .............. 36 Ilustración 21. Gráfico de S con muestras variables para datos transformados de sobrantes ......................... 37 Ilustración 22. Análisis de capacidad del proceso para kilogramos sobrantes ................................................. 38 Ilustración 23. Histograma de kilogramos diarios de desperdicios ................................................................... 40 Ilustración 24. Boxplot de kilogramos diarios de desperdicios .......................................................................... 41 Ilustración 25. QQ-plot de kilogramos diarios de desperdicios ......................................................................... 42 Ilustración 26. Resultados de transformación Box Cox ...................................................................................... 43 Ilustración 27. Gráfico de individuales para datos transformados de kilogramos de desperdicios .................. 44 Ilustración 28. Gráfico de rangos móviles para datos transformados de kilogramos de desperdicios ............. 45 Ilustración 29. Resultado de focus group de kilogramos sobrantes .................................................................. 47 Ilustración 30. Diagrama de Pareto de sobrantes por mes ............................................................................... 48 Ilustración 31. Boxplot de sobrantes por mes .................................................................................................... 49 Ilustración 32. Prueba de Tukey de diferencia de medias.................................................................................. 50 Ilustración 33. Diagrama de espina de pescado de kilogramos sobrantes ....................................................... 51 Ilustración 34. Diagrama de Pareto de kilogramos defectuosos por estación .................................................. 52 Ilustración 35. Resultados de focus group de kilogramos defectuosos ............................................................. 53 Ilustración 36. Boxplot de rosquitas defectuosas .............................................................................................. 54 Ilustración 37. Interacción entre factor operario-turno ..................................................................................... 55 Ilustración 38. Estudio R&R por atributos de unidades defectuosas ................................................................. 56 Ilustración 39. Diagrama de espina de pescado de unidades defectuosas ....................................................... 58 Ilustración 40. Priorización de causas de kilogramos sobrantes ....................................................................... 59 Ilustración 41. MRP de materias primas ............................................................................................................ 61 Ilustración 42. Diagrama de dispersión de la demanda semanal histórica ....................................................... 62 Ilustración 43. análisis de la serie de tiempo de la demanda semanal ............................................................. 63 Ilustración 44. Ajuste de demanda semanal histórica ....................................................................................... 64 Ilustración 45. Autocorrelograma AR y AM ....................................................................................................... 64
6
Ilustración 46. Pronóstico de ARIMA (1,1,1) ...................................................................................................... 65 Ilustración 47. Pronóstico Holt-Winters de demanda semanal ......................................................................... 66 Ilustración 48. Interfaz de inicio ......................................................................................................................... 67 Ilustración 49. Instrucciones de la herramienta ................................................................................................. 68 Ilustración 50. Funciones de la herramienta ...................................................................................................... 68 Ilustración 51. Planeación de la producción ...................................................................................................... 69 Ilustración 52. Resultados de requerimiento de materia prima ........................................................................ 69 Ilustración 53. Pronóstico de almidón................................................................................................................ 70 Ilustración 54. Priorización de causas de kilogramos defectuosos .................................................................... 71 Ilustración 55. Herramienta Poka-Yoke ............................................................................................................. 72 Ilustración 56. Explicación de herramientas Poka-Yoke en manual .................................................................. 73 Ilustración 57. Manual de inspección de rosquitas ............................................................................................ 74 Ilustración 58. Atributos de calidad del producto .............................................................................................. 74 Ilustración 59. Curva de operación para inspección de rosquitas ..................................................................... 76 Ilustración 60. Desarrollo de campaña 5S ......................................................................................................... 77 Ilustración 61. Simulación del sistema de producción ....................................................................................... 78 Ilustración 62. Gráfico de individuales de kilogramos sobrantes ...................................................................... 79 Ilustración 63. Gráfico de rangos móviles de kilogramos sobrantes ................................................................. 79 Ilustración 64. Gráfico de individuales de kilogramos de desperdicios ............................................................. 80 Ilustración 65. Gráfico de rangos móviles de kilogramos de desperdicios ........................................................ 81
7
Índice de tablas
Tabla 1. Requerimientos del cliente (VOC) ....................................................................................... 13 Tabla 2. Precios de venta del producto terminado ............................................................................ 17 Tabla 3. Materias primas utilizadas en el proceso ............................................................................ 19 Tabla 4. Conversión de unidades de producción ............................................................................... 19 Tabla 5. Tiempo de ciclo por actividad ............................................................................................. 20 Tabla 6. Tiempos de producción ........................................................................................................ 22 Tabla 7. Tasa de producción por estación ......................................................................................... 22 Tabla 8. Estadísticas descriptivas de kilogramos sobrantes diarios .................................................. 31 Tabla 9. Estadísticas descriptivas de kilogramos de desperdicios diarios........................................ 39 Tabla 10. Análisis de varianza de sobrantes por mes........................................................................ 49 Tabla 11. Análisis de varianza de unidades defectuosas ................................................................... 54 Tabla 12. Asignación diaria de orden semanal .................................................................................. 60 Tabla 13. Resultados de ajuste de modelos ARIMA .......................................................................... 65 Tabla 14. Resultados de pronósticos Holt-Winters ........................................................................... 66
8
Resumen
Para el siguiente estudio se han cambiado nombres y algunas cifras. A continuación, se
presenta la implementación de la metodología Lean Six Sigma en la empresa Socaticas S.A.S.
en torno a diversas problemáticas identificadas. Esta compañía es una Pyme colombiana
ubicada en la ciudad de Bogotá dedicada a la producción y abastecimiento de rosquitas a la
empresa de pasabocas Antojos S.A.S. Actualmente, la empresa funciona como maquila de
su único producto (Rosquitas) y vende toda su producción a esta compañía. En este proyecto
se desarrolla la metodología DMAIC (Definir, Medir, Analizar, Mejorar y Controlar) con el
fin de generar la reducción de kilogramos sobrantes diarios de producto terminado y la
disminución de kilogramos de desperdicios del proceso de producción de Socaticas S.A.S.
Para ello, se utilizaron una serie de herramientas estadísticas y soluciones relacionadas con
la planeación de la producción y la planeación de requerimiento de materiales con el objetivo
de mejorar las condiciones actuales de la empresa en torno a la existencia de sobrantes. Así
mismo, se creó un plan de estandarización de la actividad de inspección de rosquitas
defectuosas, con el fin de reducir los costos asociados a las problemáticas de interés.
Palabras Claves: sobrantes, planeación de la producción, planificación de requerimientos
de material (MRP), estudio R&R, Lean Six Sigma, DMAIC.
Introducción
Socaticas S.A.S. inicia su proceso de manufactura en la industria de alimentos con la
elaboración de productos horneados. En la actualidad su su producción se mantiene, sin
embargo, ha reducido la cantidad de productos ofrecidos a solo Rosquitas. El desarrollo de
este proyecto se basa en la relación existente entre las iniciativas de Lean Manufacturing y
la metodología Six Sigma.
El concepto de Lean es reconocido por su capacidad de especificar las actividades que
agregan valor al proceso productivo y ejecutarlas con el menor número de interrupciones
posibles, eliminando desperdicios (Costa, Godinho Filho, Fredendall, & Gómez Paredes,
2018). Por otro lado, Six Sigma es una metodología de implementación altamente efectiva
basada en la utilización de un conjunto de conceptos y métodos de calidad verificados. Su
9
filosofía se centra en la reducción de la variabilidad de los procesos de manufactura y
servicio, disminuyendo el número de errores producidos. Su nombre hace alusión a la letra
griega sigma (σ) a causa de su relación con la variabilidad en la teoría estadística. Debido a
que esta metodología tiene como objetivo la mejoría del rendimiento de los procesos, el nivel
sigma es un factor determinante para lograrlo. El término anterior hace referencia a cuántas
desviaciones estándar se pueden ubicar dentro de los límites de especificación del proceso o
cliente. Por ello, a un mayor nivel sigma del proceso el número de errores se verá reducido.
Anteriormente, las empresas aprobaban tres o cuatro niveles sigma, asociados a defectos
entre 6.200 y 67.000 con respecto a 1.000.000 de oportunidades. Sin embargo, a causa de la
exigencia de los clientes por productos de calidad y a la competencia creciente, las empresas
aspiran por seis niveles sigma, ligado a únicamente 3,4 defectos por un millón de
oportunidades, es a partir de esto que nace la necesidad de su estudio y aplicación (Pyzdek,
2014).
La metodología Six Sigma basa sus esfuerzos en la utilización de métodos comprobados,
algunos altamente avanzados y que requieren la utilización de tecnologías computacionales
actuales. Sin embargo, todos estos métodos se desarrollan bajo una metodología simple, el
ciclo DMAIC. Su nombre se debe a los pasos que deben ser seguidos para efectuar la
metodología. Inicia su ciclo con la etapa de definición de los objetivos, las características de
la organización y el equipo de trabajo. Continúa con las mediciones asociadas al sistema, es
decir, el levantamiento de datos. Analizar la información es la siguiente etapa, lo que
posteriormente permite implementar mejoras en el proceso de estudio, haciendo alusión a la
letra (M). Finalmente, se debe controlar el nuevo sistema creado a partir de la intervención
del proceso (Pyzdek, 2014).
Por otro lado, los fundamentos Lean hacen parte indispensable en la ejecución de la
metodología Six Sigma. Estos aparecen en el panorama productivo como estratégias de
manufactura desarrollados por primera vez por la compañía Toyota. Se centran
principalmente en la identificación y eliminación de desperdicios que no agregan valor al
proucto terminado. Si bien, estos principios fueron creados con un enfoque hacia la
producción, pueden ser fácilmente adaptados a otros escenarios que requieran mejorar la
10
eficiencia de sus procesos. Los fundamentos Lean permiten obtener buenas soluciones a
problemas que no pueden ser resueltos a través de métodos estadísticos. Sin embargo, la
metodología Six Sigma utiliza ampliamente estos conceptos, razón por la que la fusión de
estos dos métodos resulta provechosa. A partir de la integración de la metodología Six Sigma
y los fundatos Lean nace el concepto de Lean Six Sigma a principios del año 2000 (Salah,
Rahim, & Carretero, 2010).
Revisión Bibliográfica
La metodología Six Sigma es desarrollada a partir del año de 1980 por el ingeniero Bill
Smith, quien laboraba en la empresa Motorola. Tras el auge del concepto de la calidad total,
aparece esta metodología como un conjunto de prácticas comprobadas y eficientes para el
mejoramiento continuo de procesos. Motorola se encontraba trabajando en la instalación de
un elevado número de transistores en los dispositivos electrónicos que producía. El proceso
necesitaba una gran precisión y eficiencia en el proceso ya que era necesario que no existieran
fallas en ningunos de los transistores para que la unidad de producto funcionara
correctamente. A partir de esta situación la compañía decidió establecer criterios de calidad
más estrictos para sus procesos. Es pues, que nace el concepto de defectos por millón (PPM),
en lugar de la tradicional medición de número de defectos por cada mil oportunidades
(Brussee, 2010).
Posteriormente, en los años noventa, el CEO de General Electric, Jack Welch, popularizó la
metodología Six Sigma, imponiéndola en la compañía como una práctica para la mejoría de
procesos productivos. A partir de esta implementación se obtuvieron ganancias
representativas y la calidad de los productos y procesos mejoró lo cual ocasionó un efecto
dominó en varias compañías de la época, aumentando el reconocimiento de esta nueva
metodología en auge. Más adelante, en Japón, se desarrolla una variación de Six Sigma en la
compañía Toyota, Lean Six Sigma. En esta nueva metodología se tiene en cuenta objetivos
relacionados al costo de manufactura como la reducción de lead times, la disminución del
número de trabajos en proceso (WIP), la economía de movimientos y la optimización del
flujo de materiales (Brussee, 2010).
11
En la actualidad la metodología Lean Six Sigma es ampliamente reconocida, no solo en
compañías dedicadas a manufactura, sino también en empresas que requieren un
mejoramiento continuo de sus procesos. A partir de tal necesidad han sido desarrolladas
certificaciones según el nivel de conocimientos en la temática y las prácticas utilizadas en
Six Sigma (Pyzdek, 2014).
A continuación, se expone un caso de estudio recientemente desarrollado en una PyME
ubicada en Bélgica perteneciente a la industria de alimentos a través de la metodología Lean
Six Sigma. Se resalta este proyecto con la finalidad de proveer algunas características
indispensables para el éxito de un proyecto de esta tipología y resaltar algunas restricciones
asociadas a la industria de alimentos.
El propósito de este estudio fue reducir el sobrellenado y el número de reprocesos del pan de
jengibre. En primer lugar, el estudio resalta la importancia de constituir un grupo de trabajo
comprometido y con poder de acción dentro de la empresa. Por otro lado, señala la
trascendencia de poseer una comprensión absoluta de los procesos internos y externos de la
compañía, así como de su situación actual. La definición del problema se llevó a cabo a través
de herramientas como la voz del cliente (VOC) y de datos cuantitativos que permitieron
calcular el impacto sobre el ahorro de la empresa en caso de ser eliminada la problemática
seleccionada. Posteriormente, se ejecutó la metodología DMAIC de forma detallada
haciendo énfasis en la revisión periódica de los avances del proyecto por parte del equipo de
trabajo. El resultado de este caso de estudio condujo a ahorros por concepto de sobrellenado
y reprocesos del 50%. Por otro lado, promovió el desenvolvimiento de un equipo de trabajo
robusto para futuros proyectos en la empresa.
Con respecto a las restricciones asociadas a la industria de alimentos se resalta principalmente
la característica de los productos como perecederos, siendo el tiempo un limitante esencial.
Por otro lado, el caso de estudio plantea obstáculos en torno a las normas de sanidad, la alta
incertidumbre de la demanda, los altos tiempos de limpieza y la variación de los proveedores
(Dora & Gellynck, 2015).
12
Fase Definir
Durante esta etapa del proyecto se llevó a cabo el primer acercamiento a la empresa. Fue
indispensable, para asegurar un buen desempeño de los resultados del proyecto, identificar
los miembros del equipo que lo constituirían. Uno de los miembros que conforma el equipo
de este proyecto es el gerente de Socaticas S.A.S., lo que permitió acceso a información y a
la toma de datos en los próximos pasos de la metodología DMAIC. Los operarios también
fueron incluidos como parte del equipo de trabajo dada su experiencia y alto grado de
conocimiento en los procesos críticos del sistema productivo.
Ilustración 1. Organigrama de la empresa
Posterior a la explicación de la metodología Lean Six Sigma al equipo de trabajo y de la
asignación de responsabilidades, se utilizó la voz del cliente (VOC) para conocer de forma
detallada la situación actual de la empresa. Para ello, se visitó la planta de producción en
varias ocasiones y se generaron discusiones directas con el gerente de la compañía, así como
focus groups sobre temas específicos del proceso de manufactura con todos los operarios.
13
A partir de esta información se tradujeron los deseos en necesidades reales de la compañía.
Posteriormente, se determinó el requerimiento asociado a cada una de dichas necesidades
con el fin de determinar aquellos que tuvieran un comportamiento repetitivo. Fue posible
identificar a partir de la herramienta de la voz del cliente que, en su mayoría, las peticiones
de los entrevistados de la empresa apuntaban a la eliminación de desperdicios y a la reducción
de sobrantes de producto terminado.
En adición, se determinaron ciertas necesidades direccionadas a la estrategia organizacional
de la compañía, es el caso del posicionamiento en el mercado y el aumento del portafolio de
clientes. Es importante reconocer que, si bien algunas necesidades señaladas en la Tabla 1 se
encuentran repetidas, los requerimientos varían probablemente a causa de que son múltiples
las causas que inducen su efecto.
Deseo Necesidad Requerimiento
"Quiero que las rosquitas salgan en buen estado" Eliminar desperdicios Desperdicios
"Quiero que las máquinas funcionen adecuadamente" Hacer revisión continua de la
maquinaria Utilización
"Quiero que las materias primas sean de calidad" Eliminar desperdicios Proveedores
"Quiero que la planta sea más limpia y organizada" Reducir inventario Sobrantes
“Quiero aumentar el volumen de ventas” Eliminar desperdicios Salubridad
"Quiero aumentar el volumen de ventas" Aumentar el portafolio de clientes Utilidad/Ganancias
"Quiero que nuestra marca sea reconocida en el
mercado "
Identificar el valor agregado de la
marca Posicionamiento
"Quiero que la empresa sea certificada por ISO 9000" Cumplir requisitos de ISO 9000 Normas de calidad
"Quiero que el proceso de inspección sea consistente" Estandarización de procesos Repetibilidad
"Quiero evitar que las rosquitas se añejen" Reducir inventario Sobrantes
Tabla 1. Requerimientos del cliente (VOC)
14
Ilustración 2. Problemáticas identificadas
Una vez fueron reconocidas las necesidades principales de la empresa se inició un estudio
detallado de los procesos internos de la compañía. Para ello se construyó el diagrama SIPOC
haciendo alusión a la información de manufactura relevante sobre los proveedores, entradas
del sistema, procesos, salidas del sistema y clientes. Con respecto al proceso de producción
de la compañía se creó un diagrama de flujos de procesos que explicará de forma concisa y
completa la consecución de pasos para la obtención del producto terminado (Ilustración 4).
Ilustración 3. Diagrama SIPOC
S I P- Único cliente externo:
Super Ricas S.A.S.
C
Diagrama SIPOC
Diagrama de flujos del
proceso:- Proveedor Queso
Huila molido:
Inversiones Peniel.
- Proveedor almidón
de yuca: Almidones
Granda.
- Queso Huila molido.
- Almidón de yuca
artesanal extra o
corriente.
- Agua.
- Colorante.
- Mantequilla.
O- Rosquitas por
unidades. (Riquilla)
- Rosquitas defectuosas
para postventa.Preparar mezcla
Amasar mezcla
Cortar
Hornear
Inspeccionar
Almacenar
Inicio
Fin
Antojos S.A.S.
15
Con respecto a los proveedores se puede observar que, si bien el producto terminado requiere
otras materias primas además del queso Huila y el almidón de yuca, los porcentajes de estos
son mínimos, razón por la cual son adquiridos semestralmente. Los proveedores fueron
reconocidos como uno de los factores críticos que afectan directamente el problema asociado
a los desperdicios generados en el proceso. Lo anterior debido a que la empresa ha cambiado
consecutivamente el proveedor de queso Huila lo cual ha impactado los atributos de calidad
del producto final. Sin embargo, Socaticas S.A.S. se encuentra satisfecho con el nivel de
calidad y los precios de las materias primas de sus proveedores actuales.
Ahora bien, las entradas del proceso de manufactura identificadas en la empresa se resumen
en las materias primas utilizadas en el proceso. Con respecto a otro tipo de entradas, como la
de los servicios públicos utilizados en la operación, cabe aclarar que el costo de energía es
un costo asumido por Antojos S.A.S, razón por la cual la empresa solo es responsable por los
costos asociados al gas. El proceso de manufactura de Socaticas S.A.S. es observable en la
Ilustración 4, la cual muestra en detalle las actividades ejecutadas para la producción diaria
de rosquitas. Las salidas del sistema son, claramente, el producto final obtenido tras el
proceso de horneado (rosquitas) y las unidades no conformes que son revendidas, las cuales
se consideran excluidas al finalizar el proceso.
Ilustración 4. Diagrama de flujo del proceso de pruducción
16
Caracterización de la situación actual
Con el propósito de tener una comprensión absoluta del proceso de manufactura de Socaticas
S.A.S., se hizo una recolección de datos de los tiempos de ciclo y tasas de producción de las
operaciones realizadas. Inicialmente se evaluó la demanda histórica de la empresa
observando un comportamiento decreciente que es causado a raíz de la disminución de
rosquitas en el portafolio de productos de Antojos S.A.S., su único cliente. Es importante
mencionar que el sistema de producción de la empresa es pull, teniendo en cuenta que reciben
la cantidad de kilogramos requeridos de forma semanal.
Ilustración 5. Demanda mensual histórica
Se pudo observar el comportamiento de la demanda histórica y determinar que desde el mes
de noviembre de 2017 se presenta una disminución progresiva (tendencia negativa) de los
kilogramos de producto demandados. Lo mencionado es relevante para determinar la
situación actual de la compañía en cuanto a la disminución de la demanda de su único
producto. El nivel de ventas más bajo se obtuvo en el mes de diciembre de 2018 con una
demanda de 1.305,30 kilogramos de producto terminado. Actualmente Socaticas S.A.S.
obtiene ingresos de dos fuentes principales mostradas en la Tabla 2, producto que cumple
con las especificaciones y producto no conforme.
3,383.00
1,305.30
0.00
500.00
1,000.00
1,500.00
2,000.00
2,500.00
3,000.00
3,500.00
4,000.00
Jan
-15
Ap
r-1
5
Jul-
15
Oct
-15
Jan
-16
Ap
r-1
6
Jul-
16
Oct
-16
Jan
-17
Ap
r-1
7
Jul-
17
Oct
-17
Jan
-18
Ap
r-1
8
Jul-
18
Oct
-18
Jan
-19
Kilo
gram
os
Meses
Demanda Mensual Histórica de Rosquitas
17
Producto [kilogramos] Precio de Venta [$]
Producto terminado [1] $17.500
Producto no conforme [0,2] $2.000
Tabla 2. Precios de venta del producto terminado
Estaciones del sistema de producción
Estación de amasado
La estación de amasado es el siguiente paso una vez la masa ha sido preparada por el operario
encargado. Este proceso tiene un tiempo de ciclo medio de ocho minutos. La merma
producida en esta operación es mínima a causa de que se reutiliza la materia prima sobrante
en nuevas corridas de producción. La máquina de amasado requiere una cantidad mínima de
cinco kilogramos de masa para funcionar.
Ilustración 6. Estación de amasado
Estación de corte
A partir de la estación de amasado la máquina de corte recibe cuatro entradas de masa (sub
baches) para dar lugar a lo que serán las rosquitas discriminadas individualmente. Cabe
aclarar que cada bandeja puede contener como máximo 104 unidades. En la Ilustración 7. se
puede observar un desperdicio debido a la inconformidad de una de las unidades. Dado que
la masa no ha perdido sus características fisicoquímicas en esta etapa del proceso, el operario
encargado de la estación reincorpora la masa rápidamente en la tolva de la máquina de corte.
18
Ilustración 7. Estación de corte
Estación de horneado
En cuanto a la estación de horneado Socaticas S.A.S. cuenta actualmente con un horno en
funcionamiento para llevar a cabo la producción. Esta máquina se caracteriza por ser semi
automática, ya que los operarios deben permitir la liberación de vapor en tiempos específicos
de su actividad. Una vez pasa el tiempo de ciclo de un horno (10 minutos), el operario
encargado debe llevar a cabo una inspección minuciosa de las unidades con el fin de
determinar si cumplen o no con las especificaciones que se observan en la Ilustración 8. Un
bache de producción permite llenar cuatro estantes móviles de producto terminado, donde
cada estante puede contener máximo 56 bandejas, estas conversiones se encuentran
resumidas en la tabla 4.
Ilustración 8. Estación de horneado
19
Materias Primas del proceso
Con respecto a la producción de rosquitas es indispensable conocer la elaboración de la masa
utilizada en el proceso de producción. A continuación, se presenta la Tabla 3, donde se
especifican las materias primas utilizadas para la elaboración de un bache de rosquitas y las
cantidades asociadas. Con respecto al engrudo es importante tener en cuenta que su cantidad
en la receta varía dependiendo de la calidad de queso Huila, mientras este sea más graso la
cantidad de almidón aumenta, de lo contrario, el agua utilizada es incrementada. Las
siguientes cantidades corresponden a la elaboración de un bache de producción (39
kilogramos de materia prima), conocido en la empresa como un bache de producción. Con
respecto a los requerimientos de materia prima, el queso se pide diariamente para ser utilizado
al día siguiente debido a su caracterización como un ingrediente perecedero. El almidón de
pide en cantidades suficientes para producir por seis meses.
Ingrediente Cantidad [Bache]
Almidón de yuca 20 kilogramos
Queso Huila molido 10 ± 1 kilogramos
Colorante 12.5 gramos
Agua 8 ± 1 litros
Tabla 3. Materias primas utilizadas en el proceso
Conversión de unidades de producción
Los tiempos de ciclo por estación fueron tomados teniendo como unidad de producción un
bache (39 kilogramos de mezcla). Es importante aclarar las unidades que fueron tenidas en
cuenta para realizar la toma de tiempos en la empresa.
Unidades Conversión (capacidad máxima)
Bache 4 estantes móviles
Estante móvil 52 bandejas
Bandeja 104 rosquitas
Tabla 4. Conversión de unidades de producción
Tiempos de ciclo por estación
Una vez especificadas las unidades fue posible determinar el tiempo de ciclo de cada
estación. Los tiempos fueron tomados treinta veces ( 𝑛 = 30 ) para cada actividad y
20
posteriormente promediados, de forma que aumentara la confiabilidad en el dato medio
obtenido y fuera posible calcular el intervalo de confianza para el tiempo de cada operación.
Además, se llevó a cabo una entrevista a los operarios encargados de cada operación para
determinar si los tiempos tomados realmente representaban los tiempos de operación
regulares, las esperas y los transportes entre las estaciones. Las actividades de inspección
evidenciadas en la Tabla 5 se realizan en paralelo con otras actividades presentadas en la
tabla por lo cual no es exhibido su tiempo de ciclo. Los tiempos de ciclo señalados (*) son
los asociados al tiempo necesario para llevar a cabo la actividad por sub bache, que
corresponde a un 25% de la masa original que conforma un bache.
Actividades Descripción TC [minutos]
A Preparar masa 6,85 ± 0,44
B Amasar la masa 8,09 ± 0,47
C Transportar masa a corte 2,35 ± 0,21*
D Cortar rosquitas individuales 9,30 ± 0,42*
E Inspeccionar / Ubicar bandejas en estante móvil 8,32 ± 0,29*
F Transportar estantes móviles a horno 1,07 ± 0,09*
G Hornear rosquitas 9,51 ± 0,18*
H Sacar estantes móviles de horno 0,59 ± 0,11*
I Esperar enfriamiento 5,58 ± 0,42*
J Inspeccionar rosquitas / Desmoldar rosquitas 5,64 ± 0,44*
K Esperar enfriamiento 3,49 ± 0,31*
L Llenar bolsas de empaque 1,27 ± 0,10*
M Pesar bolsas 1,38 ± 0,08*
N Almacenar bolsas 1,20 ± 0,15*
Tabla 5. Tiempo de ciclo por actividad
Para la construcción de los intervalos de confianza se verificó el supuesto de normalidad de
los datos considerando una significancia del 5% de forma que fuera posible generarlos con
la distribución t de Student.
21
Por otro lado, fue posible definir el tiempo de ciclo de un bache de producción mediante la
programación de la producción de un bache (Ilustración 9). Se utilizó la nomenclatura Bc
para hacer referencia a que la actividad es realizada para todo el bache. De igual forma Sb
está asociado a cada uno de los sub baches que se obtienen de un bache de producción.
𝑻𝒊𝒆𝒎𝒑𝒐 𝒅𝒆 𝒄𝒊𝒄𝒍𝒐 𝒑𝒐𝒓 𝒃𝒂𝒄𝒉𝒆 = 91,28 𝑚𝑖𝑛𝑢𝑡𝑜𝑠
Teniendo en cuenta que el horario laboral es de 6: 00 𝑎. 𝑚. a 5: 00 𝑝. 𝑚. de lunes a jueves y
considerando los tiempos de ocio (1 hora de almuerzo, 15 minutos de desayuno y 30
minutos de aseo general de la planta), el número promedio de baches diarios producidos son
seis. Los viernes el horario laboral es de 6: 00 𝑎. 𝑚. a 2: 00 𝑝. 𝑚. se reduce a 5 ℎ𝑜𝑟𝑎𝑠 y
45 𝑚𝑖𝑛𝑢𝑡𝑜𝑠 a causa del tiempo de ocio de (15 minutos de desayuno y 2 horas de aseo
general de la planta). Cada bache se traduce en 24 ± 4 kilogramos de producto terminado a
causa de procesos fisicoquímicos del proceso que eliminan material. Los días laborales se
obtuvieron a partir del promedio de los datos de días trabajados desde octubre de 2017 hasta
marzo de 2019.
Actividad Gantt de tiempo de ciclo por bache de producción
A Bc
B Bc
C Sb1 Sb2 Sb3 Sb3
D Sb1 Sb2 Sb3 Sb4
E Sb1 Sb2 Sb3 Sb4
F Sb1 Sb2 Sb3 Sb4
G Sb1 Sb2 Sb3 Sb4
H Sb1 Sb2 Sb3 Sb4
I Sb1 Sb2 Sb3 Sb4
J Sb1 Sb2 Sb3 Sb4
K Sb1 Sb2 Sb3 Sb4
L Sb1 Sb2 Sb3 Sb4
M Sb1 Sb2 Sb3 Sb4
N Sb1 Sb2 Sb3 Sb4
Ilustración 9. Gantt del proceso por bache
22
𝑫í𝒂𝒔 𝒍𝒂𝒃𝒐𝒓𝒂𝒍𝒆𝒔 𝒑𝒓𝒐𝒎𝒆𝒅𝒊𝒐 𝒑𝒐𝒓 𝒎𝒆𝒔 = 19 ± 1,2 𝑑í𝑎𝑠
Días laborales Tiempo de producción [horas]
Lunes a jueves 9,25
Viernes 5,75
Tabla 6. Tiempos de producción
Tasa de producción por estación
Las tasas de producción por estación fueron calculadas a partir de los tiempos de ciclo por
estación obtenidos. Teniendo en cuenta que la tasa de producción es el recíproco del tiempo
de ciclo se obtuvieron los siguientes resultados. Cabe notar que el cuello de botella se
determinó como la estación cuya tasa de producción fuera la menor. Por otro lado, se recalca
que la tasa de producción fue calculada por bache.
Estaciones Th [baches/minuto]
Preparación masa 0,146 ± 0,0088
Máquina amasadora 0,124 ± 0,0067
Máquina de corte 0,027 ± 0,0012
Horneado 0,026 ± 0,0005
Tabla 7. Tasa de producción por estación
Se obtuvo que la estación cuello de botella del proceso es la de horneado debido a que su
tiempo de ciclo es el más elevado y solo uno de los hornos tiene características adecuadas
para la producción, siendo la única máquina utilizada en esta actividad.
Costo de producción por bache
Para el cálculo del costo de producción por bache fue necesario identificar todos los factores
que influyen en la producción. Se concluyó que debían ser considerados los servicios
públicos, el arriendo, la mano de obra y el costo por materias primas. A continuación, se
muestra el cálculo utilizado para obtener el costo de producción de un bache.
𝑪𝒐𝒔𝒕𝒐 𝑻𝒐𝒕𝒂𝒍 = 𝑀𝑂 + 𝑀𝑃 + 𝑆𝑃 + 𝐴
𝑴𝑶 = 𝐶𝑜𝑠𝑡𝑜 𝑑𝑒 𝑚𝑎𝑛𝑜 𝑑𝑒 𝑜𝑏𝑟𝑎 𝑝𝑜𝑟 𝑏𝑎𝑐ℎ𝑒.
𝑴𝑷 = 𝐶𝑜𝑠𝑡𝑜 𝑑𝑒 𝑚𝑎𝑡𝑒𝑟𝑖𝑎𝑠 𝑝𝑟𝑖𝑚𝑎𝑠 𝑝𝑜𝑟 𝑏𝑎𝑐ℎ𝑒.
23
𝑺𝑷 = 𝐶𝑜𝑠𝑡𝑜 𝑑𝑒 𝑠𝑒𝑟𝑣𝑖𝑐𝑖𝑜𝑠 𝑝ú𝑏𝑙𝑖𝑐𝑜𝑠 (𝑔𝑎𝑠) 𝑝𝑜𝑟 𝑏𝑎𝑐ℎ𝑒.
𝑨 = 𝐶𝑜𝑠𝑡𝑜 𝑑𝑒 𝑎𝑟𝑟𝑖𝑒𝑛𝑑𝑜 𝑝𝑜𝑟 𝑏𝑎𝑐ℎ𝑒.
Dicho costo se reduce al costo de mano de obra, de materias primas y de gasto del servicio
público de gas. Lo anterior a causa de que Antojos S.A.S. es la empresa responsable del pago
del servicio de energía y la planta de producción es de su propiedad, lo que elimina el costo
fijo de arrendamiento.
𝑪𝒐𝒔𝒕𝒐𝑻𝒐𝒕𝒂𝒍 = 𝑀𝑂 + 𝑀𝑃 + 𝑆𝑒𝑟𝑣𝑖𝑐𝑖𝑜𝑠𝑃ú𝑏𝑙𝑖𝑐𝑜𝑠(𝑔𝑎𝑠)
A continuación, se calcula el costo mensual por concepto de mano de obra de la empresa.
Para ello, se tiene en cuenta que el salario mensual de un trabajador es $1′966.000 por mes
y que actualmente Socaticas S.A.S. posee tres operarios. Se considera el tiempo de ciclo de
un bache para la obtención del costo de mano de obra por bache producido.
𝑴𝑶 = $1.966.000/(𝑚𝑖𝑛𝑢𝑡𝑜𝑠 𝑙𝑎𝑏𝑜𝑟𝑎𝑙𝑒𝑠) ∗ (91,28) = $17.496/𝑏𝑎𝑐ℎ𝑒
El costo de materias primas de un bache tiene en consideración los costos de los principales
ingredientes de la receta, dado que las cantidades de los otros son mínimas. Para este cálculo
se tuvo en cuenta las cantidades de materia prima utilizada en la receta de la empresa (Tabla
3).
𝑴𝑷 = 𝑐𝑜𝑠𝑡𝑜 𝑞𝑢𝑒𝑠𝑜 𝐻𝑢𝑖𝑙𝑎 + 𝑐𝑜𝑠𝑡𝑜 𝑎𝑙𝑚𝑖𝑑ó𝑛 + 𝑐𝑜𝑠𝑡𝑜 𝑐𝑜𝑙𝑜𝑟
𝑴𝑷 = $9600/𝑘𝑔 ∗ 10 𝑘𝑔/𝑏𝑎𝑐ℎ𝑒 + $4733/𝑘𝑔 ∗ 20 𝑘𝑔/𝑏𝑎𝑐ℎ𝑒 + $48,49/𝑔
∗ 12,5 𝑔/𝑏𝑎𝑐ℎ𝑒 = $191.266/𝑏𝑎𝑐ℎ𝑒
Finalmente, para el costo por concepto de servicios públicos, solo se consideró el gas
utilizado en la producción de un bache.
𝑺𝒆𝒓𝒗𝒊𝒄𝒊𝒐𝒔(𝒈𝒂𝒔) = (𝑔𝑎𝑠𝑡𝑜 𝑚𝑒𝑛𝑠𝑢𝑎𝑙 𝑑𝑒 𝑔𝑎𝑠/𝑏𝑎𝑐ℎ𝑒𝑠 𝑚𝑒𝑛𝑠𝑢𝑎𝑙𝑒𝑠) ∗ $627,09/𝑚3
𝑺𝒆𝒓𝒗𝒊𝒄𝒊𝒐𝒔(𝒈𝒂𝒔) = 66.721 $/𝑏𝑎𝑐ℎ𝑒
A partir de esto, se obtiene que el costo total de producción de un bache de rosquitas sumando
los costos previamente obtenidos.
24
𝑪𝒐𝒔𝒕𝒐 𝑻𝒐𝒕𝒂𝒍 = $17.401/𝑏𝑎𝑐ℎ𝑒 + $191.266/𝑏𝑎𝑐ℎ𝑒 + $66.721/𝑏𝑎𝑐ℎ𝑒
𝑪𝒐𝒔𝒕𝒐 𝒕𝒐𝒕𝒂𝒍 = 275.484 $/𝑏𝑎𝑐ℎ𝑒
Finalmente, se obtiene el costo de producción asociado a un bache. A partir de esta
información es posible evidenciar impactos económicos asociados a varias de las
problemáticas identificadas a través de la voz del cliente.
Problemáticas identificadas a través de la voz del cliente
A partir de la voz del cliente (VOC) fue posible identificar las principales problemáticas de
la empresa. Teniendo en cuenta la limitación temporal del proyecto se determinó que el
desarrollo del proyecto Six Sigma concentrado en las necesidades asociadas a
posicionamiento estratégico como la identificación del valor agregado de la marca y el
aumento del portafolio de productos exceden el horizonte de tiempo establecido. Por otro
lado, la necesidad asociada a la implementación de las normas ISO 9000 en la empresa se
enfrentan a la misma restricción. Lo anterior limita los problemas identificados a la reducción
de desperdicios del proceso de producción y la disminución de kilogramos sobrantes. El
primero a petición de la empresa, la cual desea reducir el porcentaje de desperdicios del
proceso y el segundo justificado con los costos que representa actualmente para la empresa.
Con respecto a los desperdicios del proceso de producción, se siguió detalladamente el flujo
de materias primas en el sistema de producción concluyendo que la cantidad de desperdicios
de materia prima en la estación de amasado es mínima a causa de que se reutiliza la merma
que queda adherida a la máquina para la producción de baches posteriores. Sin embargo, en
la estación de corte, en caso de presentarse defectos, la masa debe ser adherida nuevamente
a la masa que está siendo procesada en la máquina de corte. Lo anterior genera costos a causa
del tiempo de reproceso requerido. Finalmente, una vez horneadas las unidades, se lleva a
cabo la inspección de las unidades terminadas y se excluyen aquellas que no son conformes
a criterio del operario de turno.
Monetización de problemáticas identificadas
Las unidades no conformes se revenden a un precio inferior, como se explicó previamente,
lo que puede representar un costo significativo. La actividad de inspección de producto
25
terminado es determinada por la empresa como aquella en la que se obtiene una mayor
cantidad de desperdicios lo cual se podría relacionar con la falta de estandarización de los
criterios de los operadores para la selección. Cabe aclarar que los costos mostrados en la
Ilustración 10 son asociados a esta última actividad pues la empresa no tiene registros de
desperdicios en otras estaciones.
Ilustración 10. Costo histórico de recortes mensuales de producto terminado
Para el cálculo del costo histórico mensual por recortes de producto terminado se tuvo en
cuenta el precio de venta de un kilogramo de producto terminado conforme y el precio de
reventa de producto no conforme.
𝒚𝒕 = 𝑥𝑡 ∗ 𝑃𝑉 −𝑥𝑡
0,2∗ 𝑅
𝒚𝒕 = 𝐶𝑜𝑠𝑡𝑜 𝑝𝑜𝑟 𝑟𝑒𝑐𝑜𝑟𝑡𝑒𝑠 𝑑𝑒 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜 𝑡𝑒𝑟𝑚𝑖𝑛𝑎𝑑𝑜 𝑒𝑛 𝑒𝑙 𝑝𝑒𝑟𝑖𝑜𝑑𝑜 𝑡.
𝒙𝒕 = 𝑘𝑖𝑙𝑜𝑔𝑟𝑎𝑚𝑜𝑠 𝑑𝑒 𝑟𝑒𝑐𝑜𝑟𝑡𝑒𝑠 𝑒𝑛 𝑒𝑙 𝑝𝑒𝑟𝑖𝑜𝑑𝑜 𝑡.
𝑹 = 𝑝𝑟𝑒𝑐𝑖𝑜 𝑑𝑒 𝑟𝑒𝑣𝑒𝑛𝑡𝑎 𝑑𝑒 200 𝑔𝑟𝑎𝑚𝑜𝑠 𝑑𝑒 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜 𝑛𝑜 𝑐𝑜𝑛𝑓𝑜𝑟𝑚𝑒.
$1,033,500
$-
$200,000
$400,000
$600,000
$800,000
$1,000,000
$1,200,000
No
v-1
7
Dec
-17
Jan
-18
Feb
-18
Mar
-18
Ap
r-1
8
May
-18
Jun
-18
Jul-
18
Au
g-1
8
Sep
-18
Oct
-18
No
v-1
8
Dec
-18
Jan
-19
Co
sto
Meses
Costo de desperdicios Mensuales de Producto Terminado
26
Ahora, la reducción de exceso de inventario fue una problemática de la empresa ampliamente
recalcada por los operarios, principalmente porque limita la movilidad dentro de la planta y
desfavorece el ambiente de trabajo.
Ilustración 11. Evidencia de sobrantes en la planta de producción
Socaticas S.A.S. tiene un registro histórico del inventario obtenido tras finalizar cada mes
desde el mes de octubre del año 2017 hasta el mes de marzo de 2019. Para calcular el impacto
económico que tiene esta problemática se tuvo en cuenta la suma de kilogramos que
estuvieron en inventario a final de cada día del mes y el costo de producción de un bache.
Costo de sobrantes
𝒚𝒕 = 𝐶𝑏𝑎𝑐ℎ𝑒 ∗𝑥𝑡
24 𝑘𝑔
𝒚𝒕 = 𝑐𝑜𝑠𝑡𝑜 𝑝𝑜𝑟 𝑠𝑜𝑏𝑟𝑎𝑛𝑡𝑒𝑠 𝑑𝑒 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜 𝑡𝑒𝑟𝑚𝑖𝑛𝑎𝑑𝑜 𝑒𝑛 𝑒𝑙 𝑚𝑒𝑠 𝑡.
𝒙𝒕 = 𝑘𝑖𝑙𝑜𝑔𝑟𝑎𝑚𝑜𝑠 𝑑𝑒 𝑠𝑜𝑏𝑟𝑎𝑛𝑡𝑒𝑠 𝑒𝑛 𝑒𝑙 𝑚𝑒𝑠 𝑡.
𝑪𝒃𝒂𝒄𝒉𝒆 = 𝑐𝑜𝑠𝑡𝑜 𝑑𝑒 𝑝𝑟𝑜𝑑𝑢𝑐𝑐𝑖ó𝑛 𝑑𝑒 𝑢𝑛 𝑏𝑎𝑐ℎ𝑒 𝑑𝑒 𝑟𝑜𝑠𝑞𝑢𝑖𝑡𝑎𝑠.
27
Ilustración 12. Costo por sobrantes mensuales de producto terminado
Finalmente, se construyó un gráfico de comparación de los costos que podrían disminuir en
la empresa en caso de mejorar las problemáticas mencionadas. Se observa, de forma
constante, que el costo en el que incurre la compañía por concepto de kilogramos sobrantes
de producto terminado es superior que el costo por kilogramos defectuosos. La siguiente
gráfica hace una comparación entre los costos de las problemáticas.
Ilustración 13. Comparación de costos de kilogramos defectuosos vs kilogramos sobrantes
$142,264,724
$-
$20,000,000
$40,000,000
$60,000,000
$80,000,000
$100,000,000
$120,000,000
$140,000,000
$160,000,000
Oct
-17
No
v-17
Dec
-17
Jan
-18
Feb
-18
Mar
-18
Ap
r-1
8
May
-18
Jun
-18
Jul-
18
Au
g-18
Sep
-18
Oct
-18
No
v-18
Dec
-18
Jan
-19
Feb
-19
Mar
-19
Co
sto
Meses
Costo de Sobrantes Mensuales Históricos de Producto Terminado
$1,033,500
$54,365,694
$(5,000,000)
$5,000,000
$15,000,000
$25,000,000
$35,000,000
$45,000,000
$55,000,000
No
v-17
Dec
-17
Jan
-18
Feb
-18
Mar
-18
Ap
r-1
8
May
-18
Jun
-18
Jul-
18
Au
g-1
8
Sep
-18
Oct
-18
No
v-18
Dec
-18
Co
sto
Meses
Comparación de Costos por Sobrantes vs Costos por Recortes
Defectuosos
Sobrantes
28
Project Charter
Finalmente, tras desarrollar la fase definir, constituir el grupo de trabajo del proyecto e
identificar los problemas relevantes de la compañía, se construyó el Project Charter. Esta
herramienta permite resumir la información recolectada en la fase definir del ciclo DMAIC.
En este documento se encuentra la declaración formal de los problemas identificados. Las
problemáticas críticas seleccionadas están asociadas a los kilogramos sobrantes de producto
terminado y a los kilogramos de desperdicios en el proceso de producción.
Estas situaciones deberán ser analizadas y mejoradas con el fin de disminuir los indicadores
que se definen en el Project Charter de Socaticas S.A.S. en torno a las problemáticas.
También es declarado el objetivo del proyecto, las fechas tentativas de terminación de cada
fase el ciclo DMAIC, los miembros del equipo y el alcance del proyecto, así como sus
limitaciones.
29
Ilustración 14. Project Charter
Fase Medir
La siguiente fase de la metodología DMAIC es la fase de medición donde es posible
determinar el estado actual de los indicadores asociados a las problemáticas definidas en la
fase definir, declarados en el Project Charter. A partir de las siguientes mediciones se llevó
Unidad de Negocio Socaticas S.A.S Asesor del proyecto Ciro Amaya
Ubicación -
Tipo de Proyecto Green Belt
Cronograma
Equipo de Trabajo
Riesgos y Restricciones
Lídel del equipo: Sofía Escobar Forero
Gerente de planta
Miembros del equipos (operarios)
1. No incurrir en costos adicionales por concepto de mantenimiento ni compra de maquinaria.
2. No será considerada la decisión de finalizar la contratación de los empleados.
3. Restricción en el desarrollo de algunos proyectos debido al horizonte de tiempo limitado para
finalización del proyecto.
4. Limitación de datos históricos proporcionados por la empresa.
Reunión preliminar: Febrero 1, 2019
Fase definir: Febrero 15, 2019
Fase medir: Marzo 5, 2019
Fase analizar: Marzo 27, 2019
Fase implementar: Junio 10, 2019
Fase controlar: Julio 5, 2019
Verificación final: Julio 20, 2019
Alcance del proyecto
Dentro del alcance: se tendrá en cuenta en el proceso de producción las operaciones desde la
preparación de la mezcla hasta el almacenamiento de producto terminado (rosquitas).
Fuera del alcance: el proceso de empaque del producto final (Rosquitas) no será tenido en cuenta en el
sistema a evaluar.
Nombre del proyecto
Líder del proyecto Sofía Escobar
Reducción de kilogramos de desperdicios y sobrantes de rosquitas en el proceso de
producción de Socaticas S.A.S. mediante la metodología Lean Six Sigma
A causa de la disminución de la demanda y la falta de planificación de la producción, Socaticas S.A.S..
produce una alta cantidad de sobrantes de producto terminado, excediendo la orden de producción
diaria. Por otro lado, la empresa genera desperdidios significativos de producto terminado que
impactan directamente su utilidad. A través de este proyecto se pretende implementar soluciones a estas
problemáticas para evitar costos extra por cuenta de mantenimiento de inventario y desperdicios.
Impacto del Negocio
Planteamiento del
Problema
Socaticas S.A.S. presenta una cantidad alta de sobrantes, en el mes de enero de 2019 la cantidad de
sobrantes de producto terminado alcanzó su valor máximo equivalente a 12.394 kilogramos. Lo
anterior se encuentra ligado a un costo económico de $142'264.724 pesos. Así mismo, a causa de los
kilogramos desperdiciados de producto terminado, la empresa incurrió en costos de $4.732.500 pesos
en el 2018. esto afecta aún más el estado económico actual de la empresa y en el ambiente laboral de la
planta de producción.
Meta
Reducir costos generados a causa de los kilogramos sobrantes diarios de producto terminado.
Disminuir los kilogramos de desperdicios de producto terminado diarios en el proceso de producción
de Socaticas S.A.S.
Métrica 1: kilogramos sobrantes de producto terminado diarios.
Métrica 2: kilogramos de desperdicios de producto terminado diarios.
30
a cabo un diagnóstico del sistema y de datos relacionados las problemáticas atacadas en el
proyecto.
A partir de los problemas seleccionados en la fase previa, se llevó a cabo la medición histórica
de los indicadores asociados. Para ello, se tuvo en cuenta los kilogramos sobrantes diarios
históricos de producto terminado y los kilogramos desperdiciados diarios de producto
terminado obtenido a partir de los datos mensuales históricos. En primer lugar, se hará una
medición en torno al primer indicador, kilogramos sobrantes de producto terminado diario.
Posteriormente, se abarcará el segundo indicador, kilogramos recortados de producto
terminado diarios.
Análisis de los datos de kilogramos sobrantes diarios de producto
terminado
La muestra utilizada para la obtención del valor histórico del indicador fue suministrada por
Socaticas S.A.S. a través de hojas de verificación que datan del mes de octubre de 2017 hasta
el mes de marzo de 2019. Dicha información contenida en las hojas de verificación fue
transcrita en una base de datos donde se obtuvo una totalidad de 337 datos diarios de
kilogramos sobrantes. Cabe aclarar que fueron eliminados los outliers de la base de datos,
considerados como aquellos atípicos o que exhibían un valor asociado a sobrantes de cero.
Estadísticas descriptivas de kilogramos sobrantes
A continuación, se muestran las estadísticas descriptivas asociadas a los kilogramos de
sobrantes diarios históricos de producto terminado. En la Tabla 8 se obtuvo la media de los
datos 250,16 kilogramos. Dicho valor medio se encuentra desviado en 199,76 kilogramos
evidenciado la alta dispersión presente en los datos. Por otro lado, el valor que más se repite
en la base de datos es 128,30 kilogramos, impactando los costos por sobrantes en
$1’472.694 pesos. Teniendo en cuenta la mediana de los datos, es posible afirmar que la
mitad de los datos se encuentra por encima de 208,50 kilogramos de sobrantes diarios. De
los 337 datos el máximo valor obtenido es 909,10 kilogramos en el mes de febrero de 2019,
asociados a un costo de $10’435.119 pesos y el mínimo valor encontrado es 8,40
kilogramos en el mes de marzo de 2017, relacionados con un costo de $96.420 pesos.
31
Estadísticas Descriptivas
Media 250,16
Mediana 208,50
Moda 128,30
Desviación estándar 199,76
Varianza de la muestra 39904,18
Rango 900,70
Mínimo 8,40
Máximo 909,10
Cuenta 337,00 Tabla 8. Estadísticas descriptivas de kilogramos sobrantes diarios
A continuación, se observa el gráfico de dispersión de kilogramos sobrantes diarios. Es
posible identificar una concentración de datos entre el rango de 0 a 300 de sobrantes. Por otro
lado, se encuentran menos concentrados los valores superiores a los 400 kilogramos de
producto terminado sobrante diario.
Ilustración 15. Gráfico de dispersión de sobrantes diarios
Histograma de kilogramos sobrantes
El histograma de los datos presentado en la Ilustración 16 se caracteriza por mostrar picos
en los valores bajos asociados a los kilogramos de sobrantes de producto final. El pico de
mayor frecuencia se obtuvo en valores de kilogramos sobrantes en un rango entre 0 y 100.
Consecutivamente, el segundo pico más alto está asociado a valores entre 200 y 300
32
kilogramos. Lo anterior hace referencia un comportamiento multimodal causado por la
agregación de la variable de interés en varios meses. Los datos se encuentran dispersos desde
valores cercanos a cero kilogramos hasta 1000 kilogramos. Dado que la muestra de los datos
utilizados para generar el histograma es de 337 la confianza en la forma de la distribución
que muestra esta herramienta es significativa. Se observa un comportamiento asimétrico
hacia la izquierda lo que es causado por la intención de la empresa de mantener inventarios
bajos.
Ilustración 16. . Histograma de kilogramos sobrantes diarios históricos
Boxplot de kilogramos sobrantes
El Boxplot presentado señala que la mediana de los datos se encuentra en un valor
aproximado a los 200 kilogramos de producto terminado, por lo que la mitad de los datos se
encuentran por debajo de esta cifra. El 25% de los datos superiores se encuentran en un rango
entre 350 y 600 kilogramos de sobrantes. Por otro lado, se observan valores superiores
atípicos que adquieren valores desde 600 a 1000 kilogramos.
33
Ilustración 17. Boxplot de kilogramos sobrantes diarios históricos
QQ-Plot de kilogramos sobrantes
Este gráfico permite identificar la variable de interés como continua. Los cuantiles
observados entre valores de 100 a 300 que se observan, siguen la línea de referencia de la
diagonal. Gráficamente se puede suponer que los datos no se distribuyen normales. La
pendiente de los datos en valores concentrados entre 0 y 100 kilogramos es pequeña lo que
evidencia una concentración de datos pertenecientes a este rango. De igual forma, la
pendiente de la línea aproximada de los datos aumenta a medida que los kilogramos sobrantes
lo hacen, evidenciando una disminución en datos acumulados para valores cada vez mayores.
Por otro lado, se observa que los datos que se encuentran por fuera de la línea de referencia
no están compensados en los extremos, reiterando la no normalidad de la muestra.
34
Ilustración 18. QQ-plot de kilogramos sobrantes diarios históricos
Prueba de normalidad de kilogramos sobrantes
Al realizar la prueba de normalidad Kolmogorov Smirnov sobre los datos de kilogramos so
brantes diarios de producto terminado se obtuvo un p-valor menor a la significancia (𝛼 = 5
%), lo mismo sucedió al utilizar la prueba Lilliefors. Por ello, se recurrió a diferentes transf
ormaciones de datos. Inicialmente, se calculó el valor del parámetro lambda para determina
r el tipo de transformación que debería llevarse a cabo. Aunque el valor obtenido indicaba q
ue debía utilizarse la transformación Box Cox, se transformaron los datos con logaritmo nat
ural. A partir de esto se determinó que los datos no se distribuían normales. Posteriormente,
se utilizó la transformación Box Cox como un método para normalizar los datos exitosame
nte. Lo anterior, garantizó que se obtuvieran herramientas útiles que tienen supuestos de nor
malidad de los datos en las siguientes fases.
Transformación Box Cox de los datos
Los datos de sobrantes diarios se sometieron a la transformación Box Cox con el fin de
corregir estadísticamente los sesgos asociados a la distribución de los errores, la
heterocedasticidad y la no linealidad. Para ello, se selecciona un rango de posibles valores
35
del parámetro lambda. Luego, se selecciona aquel que permite que una vez generada la
transformación y calculados los residuales estadísticos en las diferentes funciones, se
minimice la suma de los residuales. En este caso, se obtuvieron los resultados mostrados a
continuación.
𝑳𝒂𝒎𝒃𝒅𝒂 = 𝝀 = 0,23
𝒙𝑻 =𝑥𝜆 − 1
𝜆
𝒙𝑻 = 𝑑𝑎𝑡𝑜𝑠 𝑑𝑒 𝑠𝑜𝑏𝑟𝑎𝑛𝑡𝑒𝑠 𝑡𝑟𝑎𝑛𝑠𝑓𝑜𝑟𝑚𝑎𝑑𝑜𝑠 𝑚𝑒𝑑𝑖𝑎𝑛𝑡𝑒 𝐵𝑜𝑥 𝐶𝑜𝑥.
En la Ilustración 19 es posible observar el cambio producido en un histograma y un gráfico
de normalidad (QQ-plot). Los datos de los kilogramos de sobrantes diarios muestran un
comportamiento normal.
Ilustración 19. Transformación Box-Cox de kilogramos sobrantes
Prueba Lilliefors:
𝑯𝑶 = 𝐿𝑜𝑠 𝑑𝑎𝑡𝑜𝑠 𝑠𝑖𝑔𝑢𝑒𝑛 𝑢𝑛𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝑛𝑜𝑟𝑚𝑎𝑙.
36
𝑯𝑨 = 𝐿𝑜𝑠 𝑑𝑎𝑡𝑜𝑠 𝑛𝑜 𝑠𝑖𝑔𝑢𝑒𝑛 𝑢𝑛𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝑛𝑜𝑟𝑚𝑎𝑙.
𝒑 𝒗𝒂𝒍𝒐𝒓 = 0,106
𝒑 𝒗𝒂𝒍𝒐𝒓 > 𝛼
Gráficos de control 𝒙 − 𝑹
Teniendo en cuenta que el histograma presenta un comportamiento no tan alejado de una
normal sería posible utilizar gráficos de control que arrojen resultados confiables. Se utilizan
subgrupos donde se fusionan los sobrantes de cada mes para elevar la confianza de las cartas
de control. Lo anterior basado en el teorema del límite central (TLC). Sin embargo, serán
utilizados los datos transformados agrupados por mes dado que esto garantiza que se cumpla
el supuesto de normalidad de los datos que requieren los gráficos de control.
Ilustración 20. Gráfico de control x ̅ de muestras variables para datos transformados de sobrantes
.
37
Ilustración 21. Gráfico de S con muestras variables para datos transformados de sobrantes
Capacidad del proceso (𝑪𝒑𝒌)
Para el cálculo de la capacidad del proceso de la variable de kilogramos sobrantes de producto
terminado por día, se establecieron las especificaciones superiores e inferiores por parte de
la empresa Socaticas S.A.S. Se decidió que como máximo se espera tener 50 kilogramos de
inventario de producto terminado diario, asociados a un porcentaje promedio del 50% de la
producción diaria de los meses de enero a marzo de 2019. Como especificación inferior se
estipuló no tener sobrantes.
𝑬𝑺 = 50 𝑘𝑖𝑙𝑜𝑔𝑟𝑎𝑚𝑜𝑠
𝑬𝑰 = 0 𝑘𝑖𝑙𝑜𝑔𝑟𝑎𝑚𝑜𝑠
Para la obtención del indicador de capacidad del proceso se tuvo en cuenta la distribución de
la original de los datos para garantizar que el valor obtenido sea confiable. Este indicador se
conoce como 𝐶𝑝(𝑞) . Par ello se mantuvo la lógica del indicador de capacidad proceso
tradicional y se calcularon los cuantiles asociados a la distribución de los datos.
𝐶𝑝(𝑞) =𝐸𝑆 − 𝐸𝐼
𝑥0,99865 − 𝑥0,00135
38
Para determinar la distribución de los datos se utilizó el software Minitab, obteniendo que
los datos asociados a los kilogramos sobrantes de producto terminado diario se ajustan a una
distribución Gamma con los siguientes parámetros:
𝑭𝒐𝒓𝒎𝒂 = 1,62 𝑬𝒔𝒄𝒂𝒍𝒂 = 154,71.
𝑪𝒑(𝒒) =𝐸𝑆 − 𝐸𝐼
𝑥0,99865 − 𝑥0,00135= 0,04
El índice de capacidad muestra que el proceso no es capaz de cumplir con las especificaciones
del cliente (50 𝑘𝑔) y debe ser mejorado. Se evidencia, a través del gráfico de capacidad de
proceso de los datos transformados, un corrimiento hacia la derecha de la media del proceso,
superando la especificación superior. Se determina que el proceso no es capaz de cumplir la
especificación superior.
Ilustración 22. Análisis de capacidad del proceso para kilogramos sobrantes
Nivel sigma
El nivel sigma determina el número de veces que la desviación del proceso se puede ubicar
dentro del valor nominal y alguno de los límites de especificación establecidos por la
empresa. En este caso se calcula con respecto al 𝐶𝑝(𝑞), el cual evalúa la capacidad del
39
proceso con respecto al cumplimiento de las especificaciones teniendo en cuenta la
distribución real de los datos.
𝑵𝒊𝒗𝒆𝒍 𝑺𝒊𝒈𝒎𝒂(𝒁) = 3 ∗ 𝐶𝑝(𝑞) = 0,12
Medición de los datos de kilogramos defectuosos diarios de producto
terminado
Estadísticas descriptivas de kilogramos de desperdicios de producto terminado
De igual forma, se obtuvieron las estadísticas descriptivas asociadas a los kilogramos de
desperdicios diarios históricos de producto terminado. En la Tabla 9 se obtuvo la media de
los datos, 3,19 kilogramos. Dicho valor medio se encuentra desviado en 2,15 kilogramos.
Por otro lado, el valor que se más se repite en los datos históricos de kilogramos recortados
de producto final es 0,63 kilogramos. Teniendo en cuenta la mediana de los datos, es posible
afirmar que la mitad de los datos se encuentra por encima de 3,12 kilogramos de desperdicios
diarios. De los 33 valores, el máximo valor obtenido es 11,39 kilogramos recortados diarios
en el mes de noviembre de 2016 y el mínimo valor encontrado es 8,40 kilogramos en el mes
de diciembre de 2017.
Estadísticas Descriptivas
Media 3,19
Mediana 3,12
Moda 0,63
Desviación estándar 2,15
Varianza de la muestra 4,64
Rango 10,76
Mínimo 0,63
Máximo 11,39
Cuenta 33,00 Tabla 9. Estadísticas descriptivas de kilogramos de desperdicios diarios
Histograma de kilogramos de desperdicios
El histograma de los datos presentado en la Ilustración 14 muestra picos en los valores
inferiores asociados a los kilogramos de recortes de producto final diarios. El pico de mayor
40
frecuencia se obtuvo en valores de kilogramos sobrantes en un rango entre 2 y 3.
Consecutivamente, el segundo pico más alto está asociado a valores entre 0 y 2 kilogramos.
Los datos se encuentran dispersos desde valores cercanos a cero kilogramos hasta 12
kilogramos, donde los kilogramos de desperdicios asociados a valores entre 10 y 12
kilogramos son valores extremos con poca frecuencia. Dado que la muestra de los datos
utilizados para generar el histograma es de 33 la confianza en la forma de la distribución que
muestra esta herramienta es baja, es posible que al aumentar el número de muestras la
distribución se encuentre más ajustada. Se observa un comportamiento asimétrico hacia la
izquierda lo que es causado por la intención de la empresa de mantener los desperdicios en
cantidades bajas.
Ilustración 23. Histograma de kilogramos diarios de desperdicios
Boxplot de kilogramos de desperdicios
El Boxplot presentado señala que la mediana de los datos se encuentra en un valor
aproximado a los 3 kilogramos de producto terminado, por lo que a mitad de los datos se
encuentran por debajo de esta cifra. El 25% de los datos superiores se encuentran en un rango
entre 4 y 7 kilogramos de desperdicios. Por otro lado, se observa un valor superior atípico
que adquieren un valor de 11,4 kilogramos.
41
Ilustración 24. Boxplot de kilogramos diarios de desperdicios
QQ-Plot de kilogramos de desperdicios diarios
Los valores observados en este gráfico que se encuentran entre valores de 2 a 4 siguen la
línea de referencia de la diagonal. Gráficamente se puede suponer que los datos no se
distribuyen normal. La pendiente de los datos en valores concentrados entre 0 y 100
kilogramos es pequeña lo que evidencia una concentración de datos pertenecientes a este
rango. De igual forma, la pendiente de la línea aproximada de los datos aumenta a medida
que los kilogramos sobrantes lo hacen, evidenciando una disminución en datos acumulados
para valores cada vez mayores. Por otro lado, se observa que los datos que se encuentran por
fuera de la línea de referencia no están compensados en los extremos, reiterando la no
normalidad de la muestra.
42
Ilustración 25. QQ-plot de kilogramos diarios de desperdicios
Prueba de normalidad de kilogramos de desperdicios
Al realizar la prueba de normalidad de Shapiro sobre los datos de kilogramos recortados dia
rios de producto terminado se obtuvo un p-valor menor a la significancia (𝛼 = 5%). Se esco
gió esta prueba debido a que el tamaño de la muestra es pequeño. Por ello, se recurrió a la t
ransformación Box Cox como un método para normalizar los datos garantizando que se obt
uvieran herramientas útiles que tienen supuestos de normalidad de los datos en las siguiente
s fases.
Transformación Box Cox de los kilogramos de desperdicios
Los datos de sobrantes diarios se sometieron a la transformación Box Cox con el fin de
corregir estadísticamente los sesgos asociados a la distribución de los errores, la
heterocedasticidad y la no linealidad. Para ello, se selecciona un rango de posibles valores
del parámetro lambda. Luego, se selecciona aquel que permite que una vez generada la
transformación y calculados los residuales estadísticos en las diferentes funciones, se
minimice la suma de los residuales. En este caso, se obtuvieron los resultados mostrados a
continuación.
𝜆 = 0,29
43
En la Ilustración 16 es posible observar el cambio producido en un histograma y un gráfico
de normalidad (QQ-plot). Los datos de los kilogramos de sobrantes diarios muestran un
comportamiento normal. Se realizó una prueba de normalidad Shapiro que permitió
comprobar este supuesto.
Prueba Shapiro:
𝐻𝑂 = 𝐿𝑜𝑠 𝑑𝑎𝑡𝑜𝑠 𝑠𝑖𝑔𝑢𝑒𝑛 𝑢𝑛𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝑛𝑜𝑟𝑚𝑎𝑙.
𝐻𝐴 = 𝐿𝑜𝑠 𝑑𝑎𝑡𝑜𝑠 𝑛𝑜 𝑠𝑖𝑔𝑢𝑒𝑛 𝑢𝑛𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝑛𝑜𝑟𝑚𝑎𝑙.
𝒑 − 𝒗𝒂𝒍𝒐𝒓 = 0,27
𝒑 − 𝒗𝒂𝒍𝒐𝒓 > 𝛼
Ilustración 26. Resultados de transformación Box Cox
Gráficos de control 𝒙 − 𝑺
El gráfico de control �̅� de individuales mostrado a continuación, evidencia que el proceso se
encuentra bajo control estadístico con respecto a la media de la muestra. Los gráficos de
control se generaron a partir de los datos transformados con Box Cox. Es importante aclarar
44
que, si bien las muestras se encuentran dentro de los límites de control, la empresa desea
disminuir el valor asociado a los recortes, lo que podría asociarse a generar unos límites de
control más estrictos.
Ilustración 27. Gráfico de individuales para datos transformados de kilogramos de desperdicios
Con respecto al gráfico de control 𝑆, se observa que el proceso no se encuentra bajo control
estadístico. Esta carta permite evaluar la variabilidad del proceso, en este caso se observa una
alerta en la muestra 11 lo que indica que el proceso está generando recortes con una
variabilidad que supera los límites de control. De igual forma se presentan alertas en las
muestras 7 y 8. Dado lo anterior debería llevarse a cabo un diagnóstico que determine las
causas por las cuales se están generando las alertas y corregirlas.
45
Ilustración 28. Gráfico de rangos móviles para datos transformados de kilogramos de desperdicios
Capacidad del proceso (𝑪𝒑(𝒒))
Para el cálculo de la capacidad del proceso de la variable de kilogramos recortados de
producto terminado por día, se establecieron las especificaciones superiores e inferiores por
parte de la empresa Socaticas S.A.S. Se decidió que como máximo se espera tener 1% de
kilogramos de recortes de producto terminado de la producción total mensual, teniendo en
cuenta que el promedio actual mensual es de 2,22%. Como especificación inferior se estipuló
no tener recortes. Obteniendo un promedio de demandas históricas y el porcentaje deseado
mensual de recortes sobre la producción se calculó la ES en compañía de los miembros del
equipo como la multiplicación entre estos valores.
𝑬𝑺 = 1,38 𝑘𝑖𝑙𝑜𝑔𝑟𝑎𝑚𝑜𝑠
𝑬𝑰 = 0 𝑘𝑖𝑙𝑜𝑔𝑟𝑎𝑚𝑜𝑠
Para la obtención del indicador de capacidad del proceso se tuvo en cuenta la distribución de
la original de los datos para garantizar que el valor obtenido sea confiable. Este indicador se
conoce como 𝐶𝑝(𝑞) . Par ello se mantuvo la lógica del indicador de capacidad proceso
tradicional y se calcularon los cuantiles asociados a la distribución de los datos.
46
𝐶𝑝(𝑞) =𝐸𝑆 − 𝐸𝐼
𝑥0,99865 − 𝑥0,00135
Para determinar la distribución de los datos se utilizó el software Minitab, obteniendo que
los datos asociados a los kilogramos sobrantes de producto terminado diario se ajustan a una
distribución Gamma con los siguientes parámetros:
𝑭𝒐𝒓𝒎𝒂 = 2,44 𝑬𝒔𝒄𝒂𝒍𝒂 = 1,31.
𝑪𝒑(𝒒) =𝐸𝑆 − 𝐸𝐼
𝑥0,99865 − 𝑥0,00135= 0,11
Nivel sigma
El nivel sigma determina el número de veces que la desviación del proceso se puede ubicar
dentro del valor nominal (la media de las especificaciones) y alguno de los límites de
especificación establecidos por la empresa. En este caso se calcula con respecto al 𝐶𝑝(𝑞), el
cual evalúa la capacidad del proceso con respecto al cumplimiento de las especificaciones
teniendo en cuenta la distribución real de los datos.
𝑵𝒊𝒗𝒆𝒍 𝑺𝒊𝒈𝒎𝒂(𝒁) = 3 ∗ 𝐶𝑝(𝑞) = 0,32
Fase Analizar
Una vez analizados los datos históricos asociados a las problemáticas de interés, se prosiguió
con el análisis de las posibles causas que las generan. Para ello, se llevaron a cabo múltiples
reuniones con el equipo de trabajo y se utilizaron herramientas estadísticas sobre los datos
históricos de forma que dieran soporte a los argumentos presentados.
Análisis de la problemática de kilogramos sobrantes de producto
terminado diario
Lluvia de ideas
Para iniciar la fase analizar, se llevó a cabo una lluvia de ideas donde se debatieron las causas
principales que podrían estar influyendo en la producción de sobrantes de producto terminado
en gran cantidad. Una vez se determinaron las causas, se realizó la jerarquización (1-5) de
47
estas entre todos los operarios de la planta con el fin de atacarlas impactando en mayor
medida la problemática de kilogramos sobrantes diarios de producto terminado.
Diagrama de Pareto de kilogramos sobrantes por mes
A continuación, se evidencia el diagrama de Pareto de kilogramos sobrantes mensuales
estratificado por los meses del año de 2018. Se evidencia que, en general, existe un
comportamiento decreciente gradual, por lo cual no se observan frecuencias altamente
pronunciadas para meses en particular. Por otro lado, es posible observar que el mes de enero
y febrero son aquellos en los cuales se produjeron más kilogramos de sobrantes de producto
terminado. Lo anterior, se debió a un aumento en la producción de diciembre de 2017, mes
en el cual la demanda fue relativamente baja generando altos inventarios iniciales en los dos
primeros meses del año siguiente. Los meses de noviembre, octubre, marzo y septiembre
representan el menor valor de kilogramos sobrantes en este mes.
Ilustración 29. Resultado de focus group de kilogramos sobrantes
Antojos S.A.S.
48
Ilustración 30. Diagrama de Pareto de sobrantes por mes
Boxplots y análisis de varianza de kilogramos sobrantes por mes
Los Boxplots de los datos de kilogramos sobrantes por mes muestran la gran variabilidad
existentes entre las varianzas de los meses del año 2017. En el mes de octubre se encuentran
datos atípicos superiores. En septiembre se presentó la menor varianza de los datos, al igual
que la menor mediana entre los meses, lo que coincide con la participación mínima de este
mes en el diagrama de Pareto. Con respecto a diciembre, se identifica una alta variabilidad
en la cantidad de sobrantes obtenidos. El mayor valor asociado a la mediana se relaciona con
el mes de enero, razón por la que genera la suma de sobrantes mensuales más alta. La alta
variabilidad de meses como diciembre, julio, mayo y noviembre puede encontrarse asociada
a que Antojos S.A.S. no llevó a cabo el proceso de empaque del producto final, razón por la
que en algunos días se tenía un inventario bajo y el próximo día este alcanzaba valores altos.
49
Ilustración 31. Boxplot de sobrantes por mes
A través del análisis de varianza de los kilogramos sobrantes diarios de producto terminado
se obtuvo que el factor del mes es significativo, es decir, que la variable de interés se ve
afectada por el mes en el que labore la empresa. Para ello, fue necesario comprobar los
supuestos de esta herramienta estadística. En primer lugar, se encontraron problemas de
heterocedasticidad a través de la prueba de Brown Forsythe, que fueron corregidos a través
de la transformación de los datos (√𝑥). Posteriormente se comprobó que los errores se
distribuyeran normales. Las pruebas realizadas se concluyeron con base en un 𝛼 del 5%.
gl Suma de Cuadrados Cuadrados Medios Estadístico F P - valor
Mes 11 1580 143,66 9,44 9 × 10-14
Residuos 211 3211 15,22
Tabla 10. Análisis de varianza de sobrantes por mes
Prueba de Tukey
Al realizar la prueba de comparación de medias se obtuvo el siguiente gráfico donde se
discriminaron aquellas parejas de meses que tuvieran medias estadísticamente diferentes. Por
50
otro lado, es posible determinar para cada una de estas parejas el mes que genera un mayor
número de kilogramos sobrantes diarios.
Ilustración 32. Prueba de Tukey de diferencia de medias
Los 5 ¿por qué?
La técnica de los cinco ¿por qué? Permite determinar las causas específicas por las cuales
ocurre cierta problemática. En este sentido se generaron cinco preguntas que permitieron
determinar posibles causas del problema de kilogramos sobrantes de producto terminado
diarios.
¿Por qué se producen sobrantes de producto terminado en Socaticas S.A.S.?
51
Se producen sobrantes de rosquitas al finalizar el día laboral porque la producción de
rosquitas supera la demanda diaria de producto terminado.
¿Por qué se producen más roquitas que las demandadas por el cliente?
Se producen más rosquitas que las demandadas por el cliente porque no se lleva a cabo la
planeación de la producción diaria teniendo en cuenta la demanda semanal.
¿Por qué no se realiza la planeación de la producción de producto terminado en la
empresa?
No se realiza la planeación de la producción de rosquitas porque la empresa no prioriza en la
asignación de recursos para llevar a cabo esta actividad.
Diagrama de espina de pescado
Para concluir con el análisis en torno a los kilogramos de sobrantes de producto terminado
obtenidos en el proceso de manufactura, se construyó un diagrama de espina de pescado que
resume las discusiones que tomaron parte en el desarrollo del proyecto con los miembros de
este. Se especificaron cuadro segmentaciones principales: métodos, mediciones, materiales
y operarios.
Ilustración 33. Diagrama de espina de pescado de kilogramos sobrantes
Exceso de materias primas
perecederas
Horas laborales
innecesariasAuscencia de equipos para
la preservación de MP
Desconocimiento de los
tiempos de ciclo
Desconocimiento de la
demanda diaria
Conocimiento limitado del
proceso de producción
Falata de concentración
durante jornada laboral
Cancelación de pedidos
sobre marcha
Falta de planeación de la
producción
Inexistencia de un plan de
requerimiento de material
Carencia de sistema de apoyo a la
decisión para la producción
Falta de capacitación en
preparación de la masa
Exceso de cantidades para
la preparación de la masa
Error en documentación de
reportes de sobrantes
Registro erroneo de
demanda semanal
Falta de comunnicación
efectiva con gerencia
Sobrantes de producto
terminado
52
Análisis de la problemática de unidades defectuosas en las estaciones del
proceso de producción
Diagrama de Pareto de kilogramos defectuosos por estación
El diagrama de Pareto mostrado en la Ilustración 34 exhibe el porcentaje de kilogramos
defectuosos que se generan en cada una de las estaciones del proceso de producción de
rosquitas. Para su construcción se tuvieron en cuenta las principales estaciones del proceso:
amasado, corte, horneado y empaque.
Ilustración 34. Diagrama de Pareto de kilogramos defectuosos por estación
Se evidencia que es en la estación de horneado, específicamente en la inspección que se
realiza una vez el producto terminado sale del horno, donde se genera la mayor proporción
de defectuosos en el sistema. Por ello, el análisis que se hará a continuación en torno a los
kilogramos de defectuosos diarios se centrará en esta actividad.
Lluvia de ideas
De igual forma, se realizó una lluvia de ideas donde se debatieron las causas principales que
podrían estar influyendo en la generación de recortes de producto terminado diario. Una vez
se determinaron las causas, se realizó la jerarquización de estas (1-5) entre todos los operarios
de la planta con el fin de atacarlas impactando en mayor medida la problemática de
kilogramos defectuosos diarios de producto terminado. Cabe aclarar, que la problemática se
0.00%
20.00%
40.00%
60.00%
80.00%
100.00%
0.00
0.10
0.20
0.30
0.40
0.50
0.60
0.70
Horneado Corte Amasado
Diagrama de Pareto de Kilogramos defectuosos por Estación
Kilogramos Defectuosos % Acumulado
53
centró en la inspección después del proceso de horneado dados los resultados obtenidos
anteriormente.
Ilustración 35. Resultados de focus group de kilogramos defectuosos
Diseño de experimentos en la inspección de unidades defectuosas por asignación del
puesto de trabajo y turno laboral
El siguiente diseño factorial se diseñó con el propósito de identificar posibles factores que
afectaran de forma significativa la variable de interés (kilogramos defectuosos) obtenidos en
la actividad de inspección después de horneado. Los diagramas de cajas indican que el
operario F identifica la mayor cantidad de unidades defectuosas en comparación con los otros
trabajadores. Específicamente el operario F durante la mañana tiene un criterio más exigente
de conformidad del producto. Por el contrario, el trabajador O, quien es considerado el
experto que conoce con claridad el sistema productivo y las características de calidad del
producto, es quien selecciona una menor cantidad de unidades defectuosas. Lo anterior se
asocia a la carencia en la estandarización del proceso de inspección.
54
Ilustración 36. Boxplot de rosquitas defectuosas
Con el propósito de comprar estadísticamente las conclusiones obtenidas en la ilustración
anterior, se hizo un análisis de varianza por operario y turno en el mismo proceso.
Congruentemente, se obtuvo que ambos factores afectan el número de unidades no conformes
seleccionadas.
gl Suma de Cuadrados Cuadrados Medios Estadístico F P - valor
Operario 2 26,60 13,30 7,46 0,003
Turno 1 16,13 16,13 9,05 0,006
Op*Tur 2 1,67 0,83 0,47 0,63
Residuos 24 42,80 1,78
Tabla 11. Análisis de varianza de unidades defectuosas
A continuación, se observan de forma gráfica las interacciones posibles entre los factores
mencionados. Al no ser encontrada una intersección entre las líneas que se asocian al turno
de trabajo, se determina que para todos los operarios en el turno de la mañana se selecciona
una mayor cantidad de unidades defectuosas que en la tarde. Esto es causado por la fatiga del
trabajo continuo al que se exponen los operarios, lo que disminuye su efectividad para
seleccionar con una confiabilidad aceptable a lo largo del día.
55
Ilustración 37. Interacción entre factor operario-turno
Estudio de medición R&R en la inspección de unidades defectuosas
Una vez identificado que la actividad de inspección no se encuentra estandarizada, se
prosiguió a llevar a cabo un estudio de medición R&R con el fin de determinar los valores
asociados a los índices de repetibilidad y reproducibilidad. Para ello, se seleccionó una
muestra de 24 rosquitas, donde el 50% fueron identificadas previamente por el experto
(operario O) como no conformes y la otra mitad como conforme. Una vez hecha la selección
de la muestra para la experimentación, se numeraron de forma aleatoria las unidades y se
pidió a cada operario que en dos ocasiones clasificara cada unidad como conforme o no
conforme.
56
Ilustración 38. Estudio R&R por atributos de unidades defectuosas
Los resultados obtenidos en la Ilustración 38 se encuentran resumidos a continuación. Se
observa que la variabilidad del instrumento de medición, que en este caso puede considerarse
como el criterio de escogencia del operario, asociada a la repetibilidad es de 50,00% para el
operario J y de 45,83% para el operario F. Lo anterior evidencia que F es quien en menos
consistente consigo mismo en la actividad de inspección.
𝑹𝒆𝒑𝒆𝒕𝒊𝒃𝒊𝒍𝒊𝒅𝒂𝒅:
𝑹𝒆𝒑𝒆𝒕𝒊𝒃𝒊𝒍𝒊𝒅𝒂𝒅 𝒊𝒏𝒅𝒊𝒗𝒊𝒅𝒖𝒂𝒍 𝑱 = 50,00%
𝑹𝒆𝒑𝒆𝒕𝒊𝒃𝒊𝒍𝒊𝒅𝒂𝒅 𝒊𝒏𝒅𝒊𝒗𝒊𝒅𝒖𝒂𝒍 𝑭 = 45,83%
Con respecto a la reproducibilidad, se determinó que la variabilidad en el sistema causada
por los operarios es significativa. Nuevamente, el operario F es quien posee el menor índice,
concluyéndose que Freddy no tiene claridad sobre la categorización de las características de
calidad que deben ser inspeccionadas. Sin embargo, el índice de eficacia individual de J
también es considerablemente bajo. Lo anterior indica que los operarios no tienen
consistencia entre su criterio y la del experto, considerada la correcta. Finalmente, la eficacia
57
global es de 29,17%, es decir, que solo ese porcentaje de veces todos los trabajadores
seleccionan una misma unidad como conforme o no conforme. Esto refuerza la inconsistencia
entre los criterios de selección de los operarios utilizados en la actividad de inspección.
𝑹𝒆𝒑𝒓𝒐𝒅𝒖𝒄𝒊𝒃𝒊𝒍𝒊𝒅𝒂𝒅:
𝑬𝒇𝒊𝒄𝒂𝒄𝒊𝒂 𝒊𝒏𝒅𝒊𝒗𝒊𝒅𝒖𝒂𝒍 𝑱 = 66,66%
𝑬𝒇𝒊𝒄𝒂𝒄𝒊𝒂 𝒊𝒏𝒅𝒊𝒗𝒊𝒅𝒖𝒂𝒍 𝑭 = 54,17%
𝑬𝒇𝒊𝒄𝒂𝒄𝒊𝒂 𝒈𝒍𝒐𝒃𝒂𝒍 = 29,17%
Los 5 ¿por qué?
Nuevamente se utilizó el método de los 5 ¿por qué? Esta vez para determinar la causa
generadora del problema de kilogramos de desperdicios en la actividad de inspección del
proceso de producción.
¿Por qué se encuentran kilogramos de desperdicios en la actividad de inspección del
proceso productivo de Socaticas S.A.S.?
Se encuentran rosquitas no conformes en la actividad de inspección porque los operarios
determinan que el producto no cumple con las especificaciones del cliente.
¿Por qué los operarios determinan que las rosquitas no cumplen con las especificaciones
del cliente?
Los operarios determinan que las rosquitas no cumplen las especificaciones del cliente
porque de acuerdo con el criterio de cada uno las variables y atributos del producto no se
encuentran dentro de los límites de especificación respectivos.
¿Por qué se determina si el producto es conforme de acuerdo con el criterio de cada
operario?
Se determina si una unidad es conforme de acuerdo con el criterio de cada operario porque
las reglas de selección de producto no conforme no se encuentran estandarizadas.
¿Por qué no se encuentra estandarizado el proceso de inspección de rosquitas?
58
El proceso de inspección no se encuentra estandarizado porque la empresa conserva prácticas
de manufactura antiguas basadas en la experiencia del operario en la realización de las
actividades.
Diagrama de espina de pescado
Para concluir con el análisis en torno a los kilogramos de producto defectuoso obtenidos en
el proceso, se construyó un diagrama de espina de pescado que resume las discusiones que
tomaron parte en el desarrollo del proyecto con los miembros de este. Así mismo se
identifican posibles causas que se asocian a la selección inconsistente de unidades
defectuosas en la actividad de inspección que afectan finalmente los indicadores de
reproducibilidad y repetibilidad. Se especificaron cuadro segmentaciones principales:
métodos, mediciones, materiales, operarios, ambiente, máquinas.
Ilustración 39. Diagrama de espina de pescado de unidades defectuosas
Tiempos estrictos en
horneadoInformación de hojas de
verificación poco específicas
Pocas inspecciones
No hay revisión del control
estadístico del proceso
Inspecciones no
estandarizadasPocas herramientas de
medición
Transportes innecesarios
del producto terminadoCarencia de máquinas de
refrigeración de MP
Medidas irregulares de
ingredientes para mezcla
Espacio desordenado
Apilamiento de bolsas
Diferencias en criterio de
selección
variabilidad de resultado de
los hornos
Actividades repetitivas
Ambiente poco iluminado Falta de capacitación Mantenimiento irregular
Mediciones no
estandarizadas
Materias primas de baja
calidad
Desconcentración al usar
los hornos
Almacenamiento de
materias primas
inapropiado
Índice bajo de repetibilidad Máquinas semi manuales
Descalibración de máquina
de corte
Índice bajo de
reproducibilidadPlanta sucia durante
producción
Producto terminado de
defectuoso
59
Fase Mejorar
Implementación para la reducción de kilogramos sobrantes diarios
Planeación de la producción
A partir de la información recolectada y analizada anteriormente con los miembros del equipo
fue posible determinar las causas principales por las cuales se obtenían sobrantes al finalizar
el día. Para esto fue útil priorizar las causas encontradas mediante la herramienta de espina
de pescado. A continuación, se presentan las causas que obtuvieron un mayor peso siendo 1
la de menor impacto sobre la variable de interés y 3 la de mayor.
Ilustración 40. Priorización de causas de kilogramos sobrantes
A partir de la priorización de causas generadoras de la problemática se obtuvo que la falta de
la planeación de la producción era la causante principal de la situación actual de la empresa.
Teniendo en cuenta que el sistema productivo de la empresa es Pull, no existe ninguna
incertidumbre en cuanto a los kilogramos que deben ser entregado a Antojos S.A.S. durante
la semana. Por ello, es posible determinar la producción requerida diaria. Por otro lado, la
existencia de excedentes de materia prima, específicamente queso Huila, es una causa directa
de la producción de sobrantes dado que, al ser un material perecedero, es necesario acabar
las existencias. Finalmente, la carencia de una herramienta digital para registrar los datos
relevantes en torno a esta problemática dificulta el seguimiento de la variable de interés de
60
forma clara y segura. Así mismo, es posible que se cometan errores de digitación y cálculo
que afectan la decisión de producción diaria.
Modelo planeación de la producción
Para iniciar con la planeación que debería realizar la empresa con el propósito de reducir la
cantidad de kilogramos sobrantes de producto terminado diario, se esclareció que el sistema
de producción de la empresa es Pull, por lo que se tenía una orden de pedido antes de iniciar
la producción. Consecuentemente, se definió que, a causa de que las horas laborales no son
las mismas todos los días, debía distribuirse la orden de producción teniendo en cuenta este
parámetro.
Día Laboral Horas Laborales Proporción Asignada
Lunes 9,25 0,216
Martes 9,25 0,216
Miércoles 9,25 0,216
Jueves 9,25 0,216
Viernes 5,75 0,135 Tabla 12. Asignación diaria de orden semanal
Posteriormente, se tuvo en cuenta el inventario inicial de producto terminado de forma que
se considerara en el cálculo de la orden real semanal, evitando sobreproducción.
𝑶𝑹𝒕 = 𝑂𝑡 + 𝐼𝑜𝑡
𝑶𝑹𝒕 = 𝑂𝑟𝑑𝑒𝑛 𝑟𝑒𝑎𝑙 𝑒𝑛 𝑙𝑎 𝑠𝑒𝑚𝑎𝑛𝑎 𝑡
𝑶𝒕 = 𝑂𝑟𝑑𝑒𝑛 𝑑𝑒 𝑝𝑟𝑜𝑑𝑢𝑐𝑐𝑖ó𝑛 𝑟𝑒𝑐𝑖𝑏𝑖𝑑𝑎 𝑒𝑛 𝑙𝑎 𝑠𝑒𝑚𝑎𝑛𝑎 𝑡
𝑰𝒐𝒕 = 𝐼𝑛𝑣𝑒𝑛𝑡𝑎𝑟𝑖𝑜 𝑖𝑛𝑖𝑐𝑖𝑎𝑙 𝑑𝑒 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜 𝑡𝑒𝑟𝑚𝑖𝑛𝑎𝑑𝑜 𝑒𝑛 𝑙𝑎 𝑠𝑒𝑚𝑎𝑛𝑎 𝑡
Planificación de requerimientos de material (MRP)
Modelo MRP
De igual forma, se determinó mediante la información recolectada previamente y el estudio
del proceso de manufactura que las cantidades de materias primas pedidas afectan de forma
directa la cantidad de kilogramos sobrantes de producto terminado diario. Para la planeación
de requerimiento de material se tuvieron en cuenta únicamente dos materias primas a causa
de que las cantidades requeridas de las otras son mínimas y se adquieren para utilizarse
61
durante periodos prolongados de tiempo. Dado que el queso Huila es una materia prima
perecedera con vida útil de un día, a causa de la limitación de recursos de refrigeración de la
empresa, se decidió hacer el pedido de forma diaria, teniendo en cuenta que el tiempo de
entrega de este es de dos horas (𝜆 = 2 ℎ𝑜𝑟𝑎𝑠).
Por otro lado, el almidón posee una vida útil prolongada que supera los seis meses, razón por
la que la empresa lo adquiría incluso para temporalidades de esta extensión, manteniendo en
inventario cantidades elevadas de esta materia prima. El tiempo de entrega del almidón de
yuca es de 15 días calendario (𝜆 = 15 𝑑í𝑎𝑠). Por lo anterior se decidió hacer el pedido de
este componente para satisfacer los requerimientos de dos semanas de producción de
rosquitas. En este caso sí es se presenta incertidumbre en las cantidades necesarias para
satisfacer las ordenes futuras. Por ello, se pronosticaron a través de diferentes métodos las
ordenes de producción futuras y se seleccionó aquella que arrojara un menor error cuadrático
medio con respecto al error del pronóstico.
Ilustración 41. MRP de materias primas
Los pronósticos de las ordenes de producción de Antojos S.A.S., se llevaron a cabo teniendo
en cuenta el comportamiento histórico de las órdenes semanales. A continuación, se muestra
el diagrama de dispersión de las órdenes históricas semanales. Se observa una tendencia
negativa en los datos, lo que se asociaría a un método de pronóstico de suavización
exponencial doble (Holt) o a una regresión lineal que se ajuste a los datos. Sin embargo, no
es posible identificar claramente si existe estacionalidad, caso en el cual sería apropiado
utilizar el método de suavización exponencial triple (winters). Por otro lado, calcular un
62
pronóstico con a partir de un modelo auto regresivo integrado de media móvil (ARIMA)
podría resultar confiable.
Ilustración 42. Diagrama de dispersión de la demanda semanal histórica
En primer lugar, se generaron los pronósticos con una regresión lineal de los datos históricos.
Se obtuvo el 𝑅2 de la regresión asociado a un valor de 0,10. La ecuación de la regresión lineal
y el error cuadrático medio calculado con este método es el siguiente.
𝒚 = −2,078𝑥 + 563,68
𝑴𝑺𝑬 = 18.324,90
Posteriormente, se evaluó el método de suavización exponencial doble (Holt) variando el
parámetro de suavización de nivel 𝛼 y el parámetro de suavización de tendencia 𝛽 . Para
inicializar el método el nivel de la serie de tiempo (𝑆0) se igualó a la intersección de la
regresión lineal y la tendencia de la serie de tiempo (𝐺0) a la pendiente. Los parámetros
seleccionados fueron aquellos asociados al error cuadrático medio de menor valor.
𝜶 = 0,1 𝜷 = 0,1
𝑴𝑺𝑬 = 20.860,22
0
100
200
300
400
500
600
700
800
900
0 10 20 30 40 50 60 70 80 90
Dem
and
a Se
man
al
Semana
Diagrama de Dispersión de La Demanda Semanal Histórica
63
Los siguientes métodos utilizados se relacionan a observaciones con o sin tendencia pero que
presenten estacionalidad (ARIMA y Holt-Winters). Dada la variabilidad de los datos no es
posible observar a simple vista si existen estaciones en la gráfica de dispersión de ordenes
históricas. Por esto, se comprobó la estacionalidad de los datos a través de estadísticas de
series de tiempo en el software R Studio obteniendo un comportamiento estacional cada
cuatro observaciones, dado que gráficamente se el comportamiento se estabiliza.
Ilustración 43. análisis de la serie de tiempo de la demanda semanal
Una vez comprobado el supuesto de estacionalidad, se prosiguió a determinar si los datos
eran estacionarios. A través de la prueba estadística Augmented Dickey-Fuller (ADF) se
obtuvo un P-valor superior a la significancia 𝛼 = 5%, por lo que se rechaza la hipótesis
alterna y se concluye que los datos semanales de la demanda no son estacionarios. Para
solucionar el problema sobre este supuesto es necesario transformar los datos centrándolos
alrededor del cero. Por otro lado, se podría agregar al segundo parámetro del modelo ARIMA
un valor que transforme los datos internamente.
64
Ilustración 44. Ajuste de demanda semanal histórica
A partir de los siguientes autocorrelogramas es posible determinar que los modelos que mejor
se podrían ajustar a la serie de tiempo son un Moving Average (MA) de primer orden y un
Autoregressive Model (AR) de primer, segundo o tercer grado.
Ilustración 45. Autocorrelograma AR y AM
Para los datos no transformados el mejor método obtenido es el siguiente teniendo en
cuenta que se desea que una función escogidas (BIC) minimice el 𝜀2:
ARIMA BIC
(1,1,1) 980,48
(1,1,2) 984,25
65
(1,1,3) 988,55
Tabla 13. Resultados de ajuste de modelos ARIMA
Por último, se pronostican tres datos de la orden semanal de producción a causa de que se
contó con una cantidad de observaciones pequeña (77 datos) lo que dificulta el pronóstico en
el largo plazo. Lo anterior genera que se obtengan datos cada vez más cercanos y menos
confiables.
Ilustración 46. Pronóstico de ARIMA (1,1,1)
𝑷(𝒕,𝒕+𝟏,𝒕+𝟐) = (446,09; 463,06; 458,46)
𝑷𝒕 = 𝑃𝑟𝑜𝑛ó𝑠𝑡𝑖𝑐𝑜 𝑑𝑒 𝑙𝑎 𝑜𝑟𝑑𝑒𝑛 𝑑𝑒 𝑝𝑟𝑜𝑑𝑢𝑐𝑐𝑖ó𝑛 𝑑𝑒 𝑙𝑎 𝑠𝑒𝑚𝑎𝑛𝑎 𝑡.
Finalmente, al realizar los pronósticos de las ordenes semanales a través de la metodología
de suavización exponencial triple con estacionalidad cada cuatro observaciones se obtiene
un error cuadrático medio superior a los calculados previamente.
𝜶 = 𝜷 = 𝜸 = 0,1
𝑭𝒓𝒆𝒄𝒖𝒆𝒏𝒄𝒊𝒂 = 𝑵 = 12
𝑴𝑺𝑬 = 20.601,92
66
Ilustración 47. Pronóstico Holt-Winters de demanda semanal
Pronóstico Semanal Cuantil Superior Cuantil Inferior
404,72 712,40 97,05
259,47 567,15 0
380,23 687,90 72,55
418,94 726,62 111,27
443,11 750,79 135,44
358,85 666,52 51,17
452,75 760,42 145,07
461,49 769,16 153,81
273,53 581,21 0
453,23 760,91 145,56
364,35 672,02 56,67
391,23 698,91 83,56 Tabla 14. Resultados de pronósticos Holt-Winters
67
Sistema de apoyo a la decisión para la planeación de la producción y de requerimiento de
material
A continuación, se presenta la interfaz del sistema de apoyo creado en conjunto con la
empresa para generar la planeación de la producción de Socaticas S.A.S. Dada una orden
semanal y la planeación de requerimiento de material dada una producción diaria. De igual
manera, la herramienta permite realizar el pronóstico del requerimiento de almidón de yuca
par dos semanas basado en las ordenes históricas recibidas en la empresa por parte de Antojos
S.A.S.
Ilustración 48. Interfaz de inicio
La herramienta posee instrucciones concisas de cómo el usuario debe utilizarla y cuál es su
funcionalidad. De igual forma, menciona brevemente los parámetros de entrada que requiere
la aplicación.
Socaticas S.A.S.
68
Ilustración 49. Instrucciones de la herramienta
Al presionar el botón de iniciar, la herramienta otorga la opción de pronosticar el
requerimiento de almidón o de generar la planeación de la producción semanal dada una
orden recibida en la empresa.
Ilustración 50. Funciones de la herramienta
Al seleccionar la opción de generar la planeación semanal, la herramienta pide al usuario una
serie de parámetros que le permitirán determinar la producción requerida en los días laborales
de la semana especificada. El usuario tiene la opción de ingresar un valor asociado al
inventario inicial de la semana anterior en caso de tener con el fin de evitar sobreproducción.
En caso de errar con un valor no numérico o evadir algún parámetro necesario la aplicación
dará aviso al usuario para corregir o completar la información.
Socaticas
69
Ilustración 51. Planeación de la producción
Ilustración 52. Resultados de requerimiento de materia prima
En caso de que el usuario escogiera pronosticar el requerimiento de almidón de yuca, la
siguiente ventana se desplegaría. Se solicita el pronóstico sumado de las ordenes de las dos
semanas para las cuales se requiere esta materia prima. Este valor se obtiene a partir de la
base de datos en la cual se llevó a cabo el cálculo del pronóstico de las ordenes de producción
con el método asociado a un menor error cuadrático medio (Winters).
70
Ilustración 53. Pronóstico de almidón
Una vez obtenida la orden, la herramienta hace el cálculo de la cantidad en kilogramos de
almidón de yuca requeridas para suplir la orden de las dos semanas. Cabe aclarar que el
pronóstico que se ingresa es la suma de los valores asociados a dos semanas posteriores a los
15 días de tiempo de entrega de la materia prima. Para todos los cálculos se adiciona un valor
de 0,94 kilogramos asociados a los desperdicios que se producen en el proceso por bache (24
kg de producto terminado).
Implementación para la disminución de kilogramos recortados diarios
Estandarización de la operación de inspección
A través de la información recolectada y el análisis realizado en torno a esta problemática en
conjunto con el equipo fue posible determinar las siguientes causas principales y priorizarlas
de acuerdo con el grado del impacto que tienen sobre la variable de interés. La priorización
hace referencia a la causa de mayor efecto con el menor número y la de menor efecto con el
mayor número. Es importante destacar que la implementación será llevada a cabo en la
estación de horneado e inspección dado que fue durante esta actividad donde se identificó,
mediante un diagrama de Pareto, que existe una mayor contribución de kilogramos
defectuosos por bache.
71
Ilustración 54. Priorización de causas de kilogramos defectuosos
Se determinó que el proceso de inspección no se encuentra estandarizado dado que los
operarios poseen criterios de selección diferentes, lo que produce una inconsistencia en el
porcentaje de kilogramos defectuosos que se producen en el proceso. Así mismo, se identificó
un acceso mínimo a herramientas de medición para evaluar las variables de calidad del
producto. Los tiempos estrictos de horneado fueron otra causa considerada importante. Lo
anterior basado en que durante la actividad de horneado deben tomarse acciones por parte
del operario de turno en momentos específicos, de no ser así se afecta la calidad del producto
terminado. Finalmente. El ambiente de trabajo no se considera propicio a causa de la
luminosidad de la planta, el orden y la clasificación de herramientas.
Herramienta Poka-Yoke para estandarización de inspección de características
cuantitativas del producto
Las herramientas Poka-Yoke son soluciones eficientes para prevenir errores en la ejecución
de actividades específicas. Al hacer el análisis de la problemática de kilogramos defectuosos
diarios se llegó a la conclusión de que es en el proceso de inspección donde se obtiene el
mayor número de unidades defectuosas en el proceso. Por ello, se estudiaron las
características de calidad que deben tener las rosquitas para ser consideradas producto
conforme. Entre estas variables y atributos se encuentran el color, la porosidad, el diámetro
interno y externo entro otros. Estas características son especificadas en la Ilustración #.
72
Haciendo énfasis en las variables de calidad del producto, se diseñó una herramienta que
facilitara la inspección de las unidades terminadas. Las variables medibles con la herramienta
hacen referencia al radio externo, interno y el grosor o altura de las rosquitas. Cabe aclarar
que la utilización de la herramienta debe ser mínima para evitar tiempos desperdiciados. Para
ello, es necesario crear un plan de muestreo que minimice tiempo y costos de inspección.
Esta herramienta permitirá estandarizar el criterio de selección de unidades conformes y no
conformes con respecto a las tres variables mencionadas. Sin embargo, es indispensable
estandarizar los criterios de selección para cada característica existente.
Ilustración 55. Herramienta Poka-Yoke
A continuación, será presentado un manual de inspección orientado a capacitar a los tres
operarios actuales de la empresa. La Ilustración # muestra las páginas asociadas a la
herramienta Poka-Yoke presentada. En estas se especifican los valores nominales de estas
tres variables.
𝑹𝒂𝒅𝒊𝒐 𝑰𝒏𝒕𝒆𝒓𝒏𝒐 = 1,8 𝑐𝑚
𝑹𝒂𝒅𝒊𝒐 𝑬𝒙𝒕𝒆𝒓𝒏𝒐 = 3,6 𝑐𝑚
𝑨𝒍𝒕𝒖𝒓𝒂 𝒐 𝑮𝒓𝒐𝒔𝒐𝒓 = 8 𝑚𝑚
73
Ilustración 56. Explicación de herramientas Poka-Yoke en manual
En adición, se presenta la necesidad de adquirir una alarma temporalizada que evite errores
con respecto a las acciones que deben ser tomadas en la actividad de horneado. Esta
herramienta Poka-Yoke lograría evitar errores en el producto como color no conforme,
porosidad, quebrantamientos, entre otros.
Manual de inspección de producto terminado conforme y no conforme
Como paso inicial para disminuir el número de kilogramos defectuosos en el proceso de
producción de Socaticas S.A.S., se consideró la creación de un manual detallado que
especificara los criterios adecuados para cada característica de calidad del producto
terminado. El manual contiene la información exhibida en la siguiente ilustración. Es
indispensable que todos los trabajadores de la empresa, no solo los operarios de la planta de
producción, tengas claro conocimiento de la información provista en este manual.
74
Ilustración 57. Manual de inspección de rosquitas
Para evaluar la efectividad del manual de inspección de rosquitas se requiere hacer un estudio
de medición constante que permita visibilizar los cambios de los indicadores de repetibilidad
y reproducibilidad (eficacia individual y global). Al obtener un porcentaje asociado para
todos los indicadores mayor o igual a 90% es correcto considerar que la variabilidad del
sistema otorgada por el instrumento es aceptable, pudiéndose considerar que el proceso de
inspección se encuentra estandarizado.
Ilustración 58. Atributos de calidad del producto
Socaticas S.A.S
75
Por otro lado, el manual de inspección define un plan de muestreo que debe llevarse a cabo
en conjunto con la herramienta Poka-Yoke. El plan de muestreo fue definido a partir de la
relación de ciertos valores específicos de proporción de defectuosos en una muestra
específica y las probabilidades de aceptación asociadas a esas proporciones. Actualmente, la
empresa lleva a cabo una inspección total del producto terminado. Esta metodología consume
un tiempo considerable que impacta los costos de producción y provoca fatiga al operario.
Lo anterior si se considera que en un caso ideal un estante móvil contiene 5.408 rosquitas a
ser inspeccionadas.
Teniendo lo anterior en consideración, se propuso un plan de muestreo en el que para cada
estante móvil horneado se selecciones una muestra 𝑛, equivalente a seleccionar tres bandejas
de 104 unidades. Es indispensable que esta selección se haga de una forma particular,
escogiendo la bandeja ubicada en la parte superior, inferior y en la mitad del estante móvil.
Esto, basado en las discusiones realizadas con los operarios, quienes expresaron su
preocupación con respecto al efecto del horno sobre las rosquitas que encontraban en los
extremos de los estantes móviles.
Para la creación del plan de muestreo se establecieron los valores asociados al nivel de
calidad límite (𝑁𝐶𝐿), el nivel de calidad aceptable (𝑁𝐶𝐴) y las probabilidades de aceptación
de cada sub-bache dada esas proporciones de unidades defectuosas en la muestra. El nivel de
calidad aceptable y límite fue discutido con los operarios, otorgando mayor relevancia a la
consideración del operario O, quien es considerado el experto dada su experiencia en la
empresa. El 𝑁𝐶𝐴 es la proporción de defectuosos máximo que el trabajador O aceptaría en
las tres bandejas para considerar el sub-bache como normal y/o aceptable. Así mismo, el 𝑁𝐶𝐿
se definió en conjunto, concluyendo que la obtención del 10% de unidades defectuosas con
respecto al total de rosquitas de la muestra debía tener una probabilidad de aceptación
relativamente baja, conduciendo posiblemente al rechazo del sub-bache en su totalidad. Es
importante resaltar que se probaron diversas combinaciones de proporción de defectuosos
cercanas a las establecidas con el propósito de obtener un tamaño de muestra aproximado a
un número entero de bandejas a inspeccionar.
76
𝑵𝑪𝑨 =6
104= 0,058
𝑵𝑪𝑳 =32
312= 0,103
Las probabilidades de aceptación para cada valor de 𝑁𝐶𝐴 y 𝑁𝐶𝐿 fueron definidas con base
en la teoría donde normalmente se utilizan los siguientes valores.
𝜶 = 5%
𝜷 = 10%
La curva de operación que cumple con las restricciones propuestas se evidencia en la
Ilustración #. Para ello, se debe cumplir que el tamaño de muestra que debe ser inspeccionado
es 𝑛 = 315 asociado a la revisión de tres bandejas de un estante móvil. Con respecto a la
cantidad de unidades máxima que puede ser encontrada en la muestra inspeccionada para
aceptar el lote, se obtuvo un valor de veinticinco. Considerando los datos registrados y
tomados en este proyecto, la probabilidad de exceder el valor máximo de unidades
defectuosas permitidas es mínimo, teniendo en cuenta que en promedio el operario experto
O encuentra tres rosquitas defectuosas por bandeja.
Ilustración 59. Curva de operación para inspección de rosquitas
77
Campaña 5S
Finalmente, se definieron de forma clara y concisa los pasos necesarios para desarrollar una
campaña 5S en la empresa. Factores como la ubicación eficiente de las hojas de verificación
impactan directamente la problemática de estudio. La iluminación de la planta es una de las
razones ambientales por las cuales puede cometerse errores en la selección de unidades no
conformes. Se propone la limpieza de las máquinas al cambiar de bache para evitar
desperdicios de merma en la amasadora y la máquina de corte. De igual forma, organizar las
bolsas de sobrantes eficientemente, evitando ubicar una sobre la otra podría evitar el
quebrantamiento de producto terminado que ya ha sido determinado como conforme.
Ilustración 60. Desarrollo de campaña 5S
Fase Controlar
Simulación de las implementaciones Con el fin de conocer el impacto que las mejoras tendrían sobre el sistema de producción de
Socaticas S.A.S. Se generó la simulación del estado actual de la empresa, así como la de un
escenario donde las mejoras hubieran sido implementadas. Para ello se consideraron los
tiempos de ciclo de cada actividad, el porcentaje de desperdicios por estación y el plan de
muestreo en la estación de inspección de producto terminado.
78
Ilustración 61. Simulación del sistema de producción
El modelo de simulación contiene las mediciones de las estadísticas de interés, kilogramos
sobrantes y defectuosos de rosquitas diarias, así como otros datos valiosos para medir el
desempeño del proceso. A partir de los datos recolectados con esta herramienta se generaron
gráficos de control para determinar si el proceso se encuentra bajo control estadístico y se
recalcularon las estadísticas descriptivas y valores de capacidad del proceso para ambos
indicadores. Para la especificación de los tiempos de ciclo en cada estación y recorrido fue
necesario ajustar las distribuciones de los tiempos de ciclo a una lognormal, evitando la
obtención de tiempos negativos. Para el análisis de los resultados de los indicadores de interés
se comprobó la normalidad de los datos de forma que se cumpliera este supuesto para
garantizar los resultados de las gráficas de control.
Análisis de estadísticas
Medición de kilogramos sobrantes diarios
Gráficos de control 𝒙 − 𝑹
El gráfico de control �̅� de individuales mostrado a continuación, evidencia que el proceso se
encuentra bajo control estadístico con respecto a la media de la muestra una vez
implementadas las mejoras. Las implementaciones de planeación de la producción y
79
planificación de requerimiento de material se simularon en el modelo a partir del supuesto
de que este se ejecutaba el modelo únicamente hasta que fuera satisfecha la producción diaria
obtenida a través del sistema de apoyo a la decisión mencionado anteriormente.
Ilustración 62. Gráfico de individuales de kilogramos sobrantes
Con respecto al gráfico de control 𝑅, se observa que el proceso se encuentra bajo control
estadístico. Esta carta permite evaluar la variabilidad del proceso, obteniendo que la
variabilidad de este se encuentra dentro de los límites de control del proceso, lo cual no
sucede en el proceso actual de la empresa.
Ilustración 63. Gráfico de rangos móviles de kilogramos sobrantes
80
Medición de kilogramos recortes diarios
Gráficos de control 𝒙 − 𝑹
El gráfico de control �̅� de individuales mostrado a continuación, evidencia que el proceso se
encuentra bajo control estadístico con respecto a la media del proceso. Nuevamente, se
obtienen mediciones dentro d ellos límites de control de la carta. Bajo esta esta simulación
en el sistema de producción se disminuye el valor asociado a los desperdicios, obteniendo
los requerimientos que especifica la empresa (𝐸𝑆 = 1,38 𝑘𝑖𝑙𝑜𝑔𝑟𝑎𝑚𝑜𝑠).
Ilustración 64. Gráfico de individuales de kilogramos de desperdicios
Con respecto al gráfico de control 𝑅, se observa que el proceso se encuentra bajo control
estadístico, la variabilidad del proceso no presenta alarmas. Este sucede a causa de que los
resultados obtenidos presentan una variabilidad que no supera los límites de control
establecidos.
81
Ilustración 65. Gráfico de rangos móviles de kilogramos de desperdicios
Recomendaciones Finales
La documentación detallada del sistema de apoyo a la decisión para la planeación de la
producción y la planeación de requerimiento de material (MRP) se encuentra en el manual
construido. Lo anterior con el fin de garantizar que la herramienta sea útil para impactar de
forma positiva sobre la problemática y permitir que su uso sea eficiente y posible por todos
los operarios de la planta, el gerente, entre otros. Así mismo, se facilitará la implementación
de mejoras a la herramienta si se lleva a cabo la documentación de su funcionalidad, errores
identificados y oportunidades de mejora reconocidas. Es indispensable que la empresa utilice
la herramienta de forma continua con el fin de impactar el indicador de sobrantes de producto
terminado. Por otro lado, deben hacerse ajustes a los pronósticos de almidón en caso de
cambiar el comportamiento de la demanda de rosquitas de forma significativa.
Con respecto a la herramienta Poka-Yoke es relevante resaltar que, es un primer prototipo de
inspección, razón por la que debe documentarse cualquier tipo de dificultad presentada con
su utilización. Lo anterior con el fin de experimentar con nuevos prototipos hasta coincidir
con uno que logre estandarizar los criterios de selección de conforme y/o no conforme entre
operarios y medir satisfactoriamente el cumplimiento de las especificaciones del cliente. Es
82
indispensable que las cartas de control sean utilizadas de forma frecuente, aumentando la
posibilidad de reconocer fallas en el control estadístico del proceso y la reacción para ejecutar
correcciones rápidamente. Por otro lado, es importante tener en cuenta que el Poka-Yoke
debe ser ergonómico para que su uso sea rápido y evite posibles errores e incluso que no sea
utilizado de forma continua por los operarios en la actividad de inspección. Basado en lo
anterior, es necesario que sean registrados posibles cambios que permitirían el mejoramiento
de la herramienta, así como detalles que dificultan su uso.
Una recomendación que debería ser estudiada por la empresa para la reducción de kilogramos
de desperdicios de producto terminado es determinar un espacio para la depositar el producto
terminado. Actualmente Socaticas S.A.S. cuenta con un espacio mayor al utilizado en pisos
inferiores donde se podría almacenar el producto conforme. Teniendo esto en consideración,
también es necesario detener el apilamiento de bolsas con rosquitas para prevenir posibles
quebramientos de este, que lo convertirían en desperdicios al no cumplir con las
especificaciones del cliente. Finalmente, se recomienda adquirir maquinaria de refrigeración
que permita mantener el queso Huila en condiciones aceptables de salubridad. Lo anterior,
para evitar sobreproducción por términos de materia prima perecedera excedente. Lo
mencionado se encuentra basado en el diseño e implementación de una campaña 5S que
impacte la cultura organizacional de la empresa de forma permanente.
Los gráficos de control �̅� barra – R deben ser utilizados de forma periódica para determinar
si el proceso se encuentra bajo control estadístico. Dicha medición debe ser tomada de forma
continua, diaria o semanalmente, para ambos indicadores. Por otro lado, el estudio R&R
llevado a cabo en la actividad de inspección, debe realizarse de forma frecuente con el fin de
evaluar la eficiencia del manual de inspección y de las capacitaciones realizadas.
Teóricamente es deseable obtener indicadores de repetibilidad y reproducibilidades
superiores al 90%.
Finalmente, se deben considerar planes de contingencia en caso de implementar la propuesta
de la planeación de la producción y de requerimientos de material. Lo anterior teniendo en
cuenta que esta mejora reduce el horario laboral requerido para satisfacer la orden semanal a
cuatro horas. Esto afecta directamente decisiones de contratación de personal y/o de
83
determinación de salarios de los operarios. Una posible consideración para proyectos futuros
es la creación de nuevos productos dada la capacidad del sistema productivo actual y el
aumento del tiempo de ocio asociado a la implementación de esta mejora. Las iniciativas
estratégicas mencionadas al inicio del proyecto son posibles proyectos que podrían llevarse
a cabo y que impactarían en el aumento de la utilización de la planta de producción.
Bibliografía
Brussee, W. (2010). SIX SIGMA ON A BUDGET Achieving More with Less Using the
Principles of Six Sigma. Estados Unidos: McGraw-HIll Companies, Inc.
Costa, L. B. M., Godinho Filho, M., Fredendall, L. D., & Gómez Paredes, F. J. (2018). Lean,
six sigma and lean six sigma in the food industry: A systematic literature review. Trends
in Food Science and Technology, 82, 122–133.
https://doi.org/10.1016/j.tifs.2018.10.002
Dora, M., & Gellynck, X. (2015). Lean Six Sigma Implementation in a Food Processing
SME: A Case Study. Quality and Reliability Engineering International, 31(7), 1151–
1159. https://doi.org/10.1002/qre.1852
Pilar Lambán, M., Colaborador, P., Royo, J., Titular, P., Valencia, J., Berges, L., & Galar, D.
(2013). Model for Calculating the Storage Cost of a Product: Study Case in a Logistics
Environment. 80, 23–32. Retrieved from
file:///C:/Users/lab.informatica12/Downloads/petroleum_2.html
Pyzdek, T. (2014). A Complete Guide for Green Belts, Black Belts, and Managers at All
Levels. Estados Unidos: McGraw-HIll Companies, Inc.
Salah, S., Rahim, A., & Carretero, J. A. (2010). The integration of Six Sigma and lean
management (Vol. 1). https://doi.org/10.1108/20401461011075035
