ANÁLISIS
CONECTANDO DATA MINING Y LEAN MANUFACTURING
PARA LA MEJORA CONTINUA
R E A L I D A D E M P R E S A R I A L
R E
ANÁLISIS
CONECTANDO DATA MINING Y LEAN
MANUFACTURING PARA LA MEJORA CONTINUA
Por: Ing. René Cortez, Ingenierio Industrial, UCA. Certi cado en el área de implementación de mejoras mediante la
metodología Lean Six Sigma.
00083515@uca.edu.sv
Ing. Roger Merlos, Ingeniero Industrial, UCA. Es certi cado en el área de mejoras mediante Lean Six Sigma.
Actualmente es administrador de un taller de reparación automotriz en Chinameca, San Miguel.
00023614@uca.edu.sv
Ing. Pablo Quijano, Ingeniero Industrial, UCA. Con experiencia y certi cación como Analista de Datos y Procesos
en el sector industria.
00151716@uca.edu.sv
Ing. Evita Álvarez, Académica adscrita al Departamento de Operaciones y Sistemas, UCA.
Ingeniería en Industrial, UES. Con experiencia en el sector de logística e ingeniería de métodos.
ealvarez@uca.edu.sv
RESUMEN
La presente investigación trata sobre el desarrollo
de un modelo de Data Mining adaptable al contexto
de la empresa donde se aplique, con el cual se
interpreta de una forma más profunda, comparada a
los métodos tradicionales, la realidad de diferentes
procesos en una imprenta de tecnología Offset. El
análisis de datos resultante del minado de datos
permite plantear la aplicación de tres herramientas
de Lean Manufacturing, además de retroalimentar
a los operadores de las máquinas intervenidas para
apoyarles en sus propósitos de mejora continua.
Palabras clave: Data mining, lean manufacturing,
árboles de decisión, SMED, mejora continua, El
Salvador.
Introducción
El desarrollo industrial en Centroamérica y El Salvador
presenta un crecimiento lento, puede ser causado por
la introducción de nuevos sistemas tecnológicos que
representan un alto coste para muchas empresas.
Por lo tanto, teniendo en cuenta estas limitaciones,
este artículo se enfoca en aplicar herramientas como
Minería de Datos y Lean Manufacturing, para optimizar
procesos con un toque humano.
La presente investigación se realizó en una imprenta
offset, dividida en cuatro secciones: guillotina,
impresión, tipografía y acabados. Las máquinas
analizadas fueron 19, cada una de ellas alojada en una
base de datos con información desde el 01/01/2018
hasta el presente, y encontrada en estado ocioso.
En este caso, encontrar una base de datos ociosa,
representó un potencial de mejora no aprovechado,
debido a la calidad de información y hallazgos que
pueden obtenerse desde la base, como: trabajador,
proceso (o reproceso), tiempo de la actividad,
desperdicios y comentarios del operador sobre la
actividad realizada.
Y debido a que la nalidad era aprovechar la
información, se utilizó la técnica de minería de datos,
la cual utiliza herramientas estadísticas para analizar
y explorar grandes volúmenes de información,
permitiendo interpretarlos en diferentes formas
(también conocidas como modelos). Por lo cual,
posteriormente, se podría presentar a instancias
gerenciales para facilitar el proceso de toma de
decisiones, mediante evidencia de estos procesos.
De tal manera que, el complemento de la
interpretación de datos, cuenta con la metodología
de Lean Manufacturing, es decir, un conjunto de
CONECTANDO DATA MINING Y LEAN MANUFACTURING
PARA LA MEJORA CONTINUA
9
ANÁLISIS
CONECTANDO DATA MINING Y LEAN MANUFACTURING
PARA LA MEJORA CONTINUA
R E A L I D A D E M P R E S A R I A L
R E
herramientas enfocadas en reducir los desperdicios
de dinero, tiempo, materias primas y movimientos,
entre otros. En otros términos, una gestión eciente
de los recursos de cualquier empresa.
Sin embargo, una de las limitantes de Lean
Manufacturing es la dependencia a recorridos visuales
y apreciación de las personas, señalan Rødseth y
Schjølberg (2014). Por su parte, la minería de datos
es una técnica que permite descubrir información
muy difícil de ver a simple vista, por lo que ambas
metodologías pueden trabajar hombro a hombro.
El objetivo de esta investigación es describir la
aplicación de técnicas de Minería de Datos y Lean
Manufacturing para la mejora de las actividades de
producción, especícamente, en una imprenta Offset.
Contexto
La empresa analizada durante la investigación es
de larga trayectoria en el ramo de las artes grácas,
con 45 años de experiencia, se ha caracterizado por
ser administrada de forma visionaria, adoptando
tecnologías superiores a su competencia. Según
Porras y Calva (2021), en el afán de adaptarse al
contexto de la cuarta revolución industrial, los datos
juegan un rol importante, es así que la empresa toma
con entusiasmo una propuesta para poder brindar
utilidad a la base de datos existente desde 2018,
con la nalidad de hacer un análisis de fortalezas
y debilidades de la planta de producción, con el
propósito de brindar propuestas de mejora a la
misma.
Minería de datos
La minería de datos conocida también como Data
Mining (en inglés) implica una serie de técnicas de
descripción y predicción de datos que tienen su base
en conceptos estadísticos (Porras, et al., 2021). Estas
permiten a los usuarios observar, con mayor facilidad,
características particulares en grandes conjuntos de
datos. Entre algunas de las herramientas de minería
de datos, podemos encontrar: árboles de decisión
(para nes de clasicación), redes neuronales (para
facilitar la extracción de información de datos en
grandes volúmenes), entre otras.
Además, se pueden entender como técnicas
auxiliares las consultas (queries) de las bases de
datos; aunque esto último depende en gran medida
del autor referenciado. Lo anterior, se debe a que el
concepto de la misma es algo amplio y varía según
distintos autores.
Árboles de decisión
Los árboles de decisión son herramientas de análisis
de datos cuya nalidad es la clasicación de la
información en categorías que compartan rasgos
similares. El principio bajo el cual se construyen
los árboles es el de «entropía informativa», es
decir, homogeneidad en los grupos de información
extraídos de la base de datos.
En ese sentido, los árboles de decisión normalmente
generarán «ramas» (categorías) de información con
mucha semejanza entre sí, permitiendo segmentar
la información en una forma bastante marcada, por
ejemplo: se tienen dos canastos, en cada uno existen
diez frutas. En uno existen nueve naranjas y una pera.
Mientras que en el otro existen cuatro naranjas y seis
peras.
El método buscará dar como solución el sistema donde
exista una menor entropía (mayor homogeneidad), el
primer canasto cumple con lo dicho anteriormente;
ya que existe una gran cantidad de naranjas dentro
de él. Lo anterior, permite observar semejanzas
informativas bastante visibles.
Los árboles de decisión existen en diversos tipos, los
más relevantes son:
Information Gain: Tiende a escoger al atributo con la
mayor uniformidad posible.
Gain Ratio: Es un derivado de Information Gain, que
busca conjuntos de datos más uniformes y con menor
cantidad de datos para analizar con más detalle.
Accuracy: Se escoge un atributo (característica) para
partirlo en diferentes partes (mayor precisión).
10
ANÁLISIS
CONECTANDO DATA MINING Y LEAN MANUFACTURING
PARA LA MEJORA CONTINUA
R E A L I D A D E M P R E S A R I A L
R E
Índice Gini: Métrica que se encarga de medir el grado
de igualdad entre conjuntos de datos, utilizado
comúnmente como indicador de equidad en la
repartición de la riqueza en el mundo.
Tipos de árboles de decisión
Dependiendo de la cantidad de variables, los árboles
pueden ser univariados (una única variable involucrada
para análisis) o multivariados (dependiente de dos o
más variables para análisis).
En el caso de esta investigación, se utilizaron árboles
de decisión univariados, centrados en el análisis de
tiempo demorado en el cumplimiento de actividades
reportadas en la base de datos de la empresa. El
método utilizado involucró: Information gain, gain
ratio y accuracy.
Manufactura Esbelta (Lean Manufacturing)
La denición estándar más utilizada es referente a la
mejora continua en la industria. Se enfoca en identicar
y eliminar desperdicios visibles en las plantas de
producción, como: La sobreproducción (producción
excesiva), tiempo de espera (de materiales), trasporte
(retrasos en entrega), exceso de procesamiento (no
añaden valor a la vista del cliente), reprocesamiento
(defectos), movimientos innecesarios y reducir todo
lo que no genera valor percibido por el cliente (Matías,
Idoipe indicaron (2013).
Por ello, el objetivo nal de Lean Manufacturing, es la
adopción de una nueva cultura de trabajo basada en
la comunicación y apoyo entre el equipo de trabajo,
buscando la manera más fácil y económica de hacer
las cosas.
Para el desarrollo de un proyecto de Lean
Manufacturing, de acuerdo a Gromov y Kazantsev
(2016) «la técnica más común es el ciclo DMAIC» que
signica Denir, Medir, Analizar, Mejorar y Controlar,
respectivamente. Para aplicar esta técnica lean
Manufacturing cuenta con diversas herramientas
que se enfocan en la mejora continua. Entre ellas,
podemos mencionar: 5S como herramienta que se
enfoca en la limpieza y Orden, SMED que se utiliza
para reducir el tiempo de preparación y Jidoka
para poder dotar a los trabajadores con criterios de
calidad, al punto de darles capacidades para ser sus
propios inspectores de calidad.
Las 5’S:
Es una herramienta de Lean Manufacturing que, de
acuerdo a Piñero, Esperanza y Kaviria (2018) «hace
énfasis en el orden y la limpieza del área de trabajo,
se basa en cinco principios conocidos como: Seiri,
Seiton, Seiso, Seiketsu Y Shitsuke», que signican:
eliminar lo innecesario, ordenar y limpiar el sitio de
trabajo; inspeccionar, estandarizar y crear hábito de
producir con calidad y cuidado del entorno.
SMED (Single Minute Exchange Die):
Es una herramienta enfocada en la reducción del
tiempo demorado en arreglos manuales de una
máquina (preparaciones, ajustes de color, montaje de
materia prima, etc.) esto se realiza mediante diversas
técnicas de recolección informativa; esto implica que
deben eliminar movimientos que sean innecesarios y
estandarizar procesos, como Nguyen y Huynh (2019)
plantearon.
Su aplicación consta de cuatro fases que son: Análisis
preliminar, diferencia entre tarea interna y externa,
Disminuir y transformar tareas internas en externas
y por último mejorar tanto las tareas internas y
externas restantes.
Jidoka:
Según Lubnina, et al. (2018), el Jidoka es una
metodología para la automatización con un toque
humano, capaz de proponer que el operario sea su
propio inspector de calidad, creando criterio propio
para determinar si el proceso se encuentra bajo
control. El objetivo es minimizar desperdicios por
reprocesos, sobreproducción y fallas de producción.
Metodología
Para desarrollar la investigación, se creó una
adaptación a partir de estándares del manejo y minado
de datos, además de considerar parte del ciclo DMAIC,
11
ANÁLISIS
CONECTANDO DATA MINING Y LEAN MANUFACTURING
PARA LA MEJORA CONTINUA
R E A L I D A D E M P R E S A R I A L
R E
ya que la mejora (I) y control de procesos (C) es algo
que, por limitantes de tiempo de la investigación, no
podrá realizarse. A continuación se detalla la forma
en la que se realizó la investigación:
1. Comprensión del negocio
En esta etapa se buscó describir algunos aspectos
generales de la empresa. Con el objetivo de entender
el trasfondo y de esta forma evaluar la situación en
la que se encuentra actualmente. Lo anterior incluye
aspectos clave como: recursos con los que se contó,
supuestos, restricciones y terminología.
Para, posteriormente, desarrollar los objetivos de la
investigación y elaborar un plan del proyecto que se
adapte mejor a la situación.
2. Comprensión de los datos
Se empezó a discriminar los datos, enfocándose
en los que se tenía un especial interés. Lo anterior
se desarrolló tomando en cuenta los objetivos de
investigación y como fuente la base de datos interna
de la empresa sujeta a investigación, esta base
fue estudiada con el objetivo de determinar en qué
maquinas era viable ocupar la técnica de árboles de
decisión.
Se tomaron en cuenta criterios como la cantidad de
datos presentes por máquina, la calidad inherente a
los mismos, representatividad (que al menos 70 % de
los datos correspondan a empleados que trabajen en
la empresa mientras se desarrolla la investigación).
En esta etapa fue crítico entender la composición
de la base de datos y el aporte de los atributos
contemplados en ella.
3. Preparación de los datos
Posteriormente, se seleccionaron los datos sobre los
cuales se harían los árboles de decisión, no sin antes
pasarlos por procesos de limpieza, desechando
campos que no fueron relevantes (mínimo 50
reportes por campo, asegurando que los empleados
analizados aparezcan en proporciones similares
en los registros). También se realizaron procesos
de cambio de formato, en los cuales se reorganizó
la base con el objetivo de que el software aceptara
dicho formato de entrada.
En este apartado, es importante mencionar que
el software (base de datos) no contaba con un
mecanismo de consulta de reprocesos, por lo cual
se tuvieron que desarrollar trabajos en Microsoft
Excel con el objetivo de extraer esta información y
determinar cuál máquina tenía mayor cantidad de
reprocesos.
Esto fue crítico para determinar en qué maquinas
había una cantidad de problemas signicativa y
centrar el análisis de árboles de decisión en los datos
de dichas maquinas.
4. Modelado
En esta etapa se desarrollaron los modelos de árboles
de decisión, ocupando los datos y un software
especializado para poder realizar la clasicación
de los mismos. Con la nalidad de asegurar datos
precisos, se realizaron diseños de prueba donde se
probaron diversos tipos de árboles como: Gain Ratio,
Information Gain, entre otros.
También fue necesario hacer una revisión que
conrmase que la depuración de la base de datos
había sido realizada de forma correcta, dejando así
únicamente cuatro (4) atributos en consideración
de un total de 26 atributos, siendo esos: Operador,
proceso, máquina y tiempo en cada reporte. Se
agregó un análisis de estadísticos descriptivos
con el n de mostrar de mejor forma el rendimiento
de los trabajadores en diferentes procesos en sus
máquinas.
5. Evaluación
En esta etapa nal del desarrollo del análisis de
minería, se procedió a vericar si los resultados
cumplían con los objetivos y crear una lista de
posibles acciones a tomar en cuenta por parte de la
empresa.
12
ANÁLISIS
CONECTANDO DATA MINING Y LEAN MANUFACTURING
PARA LA MEJORA CONTINUA
R E A L I D A D E M P R E S A R I A L
R E
Dichas decisiones fueron realizadas a partir
del análisis de fortalezas y debilidades de los
trabajadores, con la nalidad de poder reforzar a
los trabajadores con menor rendimiento a partir de
técnicas de trabajadores con un mejor rendimiento.
Esto garantiza que las mejoras puedan ser aplicadas
fácilmente, ya que corresponde a ideas ya aplicadas
en el contexto de investigación.
6. Elaboración de manual (Lean Manufacturing):
Una vez nalizado el proceso de minería de datos se
procedió a especicar las formas con las cuales se
les daría resolución a las problemáticas, mediante la
técnica de observación directa a los procesos.
Se desarrollaron diagramas en los cuales se recolectó
información y se denió, de manera esquemática,
el proceso analizado. Además, se creó un plan de
implementación (manual), junto con una matriz
donde se evalúan los riesgos de ejecución.
Resultados
Reprocesos:
De la preparación de los datos en Microsoft Excel,
durante el análisis de reprocesos, se pasó de recortar
la lista desde un total de 19 máquinas iniciales a cuatro,
a través de la priorización de máquinas que contaron
con la mayor cantidad de órdenes reprocesadas entre
el 2018 e inicios de 2021. Las dos con más reprocesos
se incluyeron, además de añadirse las ubicadas en
el puesto quinto y sexto del ranking, esto a causa de
que el tercer y cuarto puesto no contaban con datos
que aseguraran representatividad ni facilitaron la
posibilidad de realizar observaciones en planta.
En las cuatro máquinas, solo fueron cuatro (4)
atributos los escogidos, se mencionan a continuación:
empleado, proceso, tiempo y máquina. Estos fueron
sometidos a una depuración para eliminar anomalías
estadísticas (outliers); además, de descartar a
todos aquellos procesos con menos de cincuenta
(50) registros, con la intención de poder realizar un
análisis able con datos más homogéneos.
Figura 1. Ejemplo de un árbol de decisiones.
Árboles de Decisión:
Después de introducir los datos al software de
análisis de datos para la acción de minería de datos,
se obtuvieron resultados como el siguiente:
Fuente: Autoría Propia
Dependiendo de la homogeneidad de la información
presentada, el árbol de decisiones creará un conjunto
de “n” ramas a partir de “n” grupos que comparten
rasgos similares en los datos minados.
En el ejemplo, al asomar el cursor de la computadora,
se obtuvo el conjunto de datos pertenecientes a cada
operador, resaltando como título del grupo el operario
con la mayor cantidad de datos. El mostrar la cantidad
de actividades por grupo posibilitó utilizar un método
que permitió cuanticar, mediante porcentajes, la
cantidad de actividades que cada operario tiene en
los segmentos de tiempo mostrados, esto se detalla
en la Tabla 1.
Tabla 1. Cuadro resumen del rendimiento
Empleado 1
29.03% 56.45% 14.52%
Empleado 2
75.61% 24.39% 0.00%
Empleado 3
41.23% 57.89% 0.88%
Intérvalo (h) 0 a 1.092 1.092 a 2.933 2.933 a 3.5
Ajuste de Color
Fuente: Autoría Propia
Para construir el recuadro fue necesario totalizar los
reportes de cada trabajador y considerar cuántos
reportes cumplían con los intérvalos de tiempo que
cada árbol de decisión creaba durante el minado de
datos.
Esta actividad tuvo que ser replicada por cada uno de
los procesos considerados como «signicativos» en
la etapa de depuración de los datos, en las máquinas
con más reprocesos realizados en la planta.
Para propósitos de simplicación, se mostrarán
resultados del proceso de preparación en las cuatro
13
ANÁLISIS
CONECTANDO DATA MINING Y LEAN MANUFACTURING
PARA LA MEJORA CONTINUA
R E A L I D A D E M P R E S A R I A L
R E
máquinas intervenidas en el formato mostrado en la
Tabla 1.
Tabla 2. Preparación de orden en tipografía 1
Preparar Orden - Tipografía 1
Empleado 1 57.04% 42.96%
Empleado 2 43.23% 56.77%
Intérvalo (h) 0 a 1.20 1.20 a 3.15
Fuente: Autoría Propia
En la máquina «Tipografía 1» se tuvo un total de 1,819
reportes de preparación. El empleado 1 tiene 852
reportes mientras que el segundo empleado reportó
967 veces.
Tabla 3. Preparación de orden en tipografía 2
Preparación - Tipografía 2
Empleado 1 57.43% 38.97% 3.59%
Empleado 2 46.06% 50.88% 3.06%
Intérvalo (h) 0 a 1.258
1.258 a
3.158
3.158 a
4.05
Fuente: Autoría Propia
Para la máquina «Tipografía 2» se tuvo un total de
2,561 reportes, siendo 1,419 de parte del empleado
1 y el segundo con 1,142 actividades de preparación
reportadas.
Tabla 4. Preparación de orden en impresora 1
Preparación - Impresora 1
Empleado 1 1.84% 95.15% 3.01%
Empleado 2 1.09% 93.44% 5.46%
Empleado 3 1.62% 98.38% 0.00%
Intérvalo (h) 0 a 0.125
0.125 a
2.008
2.008 a
2.43
Fuente: Autoría Propia
Con la máquina «Impresora 1», se tienen tres (3)
empleados, el primero reportó 598 veces; el segundo
915, y el tercero 493.
Empleado 1 tiene 598, 2 tiene 915 y 3 tiene 493.
Tabla 5. Preparación de orden en impresora 2
Preparación - Impresora 2
Empleado 1 85.48% 14.52%
Empleado 2 73.35% 26.65%
Intérvalo (h) 0 a 1.525 1.525 a 3.85
Fuente: Autoría Propia
Respecto a la «Impresora 2», se tiene un total de
3,921 reportes, de los cuales 2,052 corresponden al
primer empleado y 1,869 al segundo.
Lean Manufacturing:
El principal resultado de este apartado fue la
elaboración de un plan de implementación de las
herramientas Lean en las maquinas que más lo
necesitan. El plan consta de tres etapas, cada una
tomando en cuenta una herramienta propuesta,
siendo estas: 5´S, SMED y Jidoka. Además, de la
redacción de descripciones más detalladas de los
procesos y del desarrollo de diagramas de flujo para
los mismos, los cuales quedaron como registro para
futuros proyectos, y sirven como herramientas para
facilitar la comprensión del mismo.
Dicho plan de implementación fue planteado en forma
de cronograma, con cada una de las actividades a
seguir y dejando algunas holguras para una mayor
flexibilidad de implementación. Siendo este un
desglose de las otras etapas de la metodología
DMAIC, las cuales serían: medir, analizar, mejorar y
controlar.
La creación de este plan tomó en cuenta la necesidad
de socializar las propuestas con los trabajadores, con
la nalidad de tenerlos en cuenta en las mejoras hacia
su entorno. Para evitar la sobrecarga de contenidos,
se dividió el programa en tres capacitaciones, una
por cada herramienta, en cada una de las máquinas
para así facilitar su contextualización.
Análisis
Con los resultados obtenidos, es posible vericar los
patrones de rendimiento de los trabajadores por cada
máquina, siendo importante enfocarse en la persona
14
ANÁLISIS
CONECTANDO DATA MINING Y LEAN MANUFACTURING
PARA LA MEJORA CONTINUA
R E A L I D A D E M P R E S A R I A L
R E
con la mayor cantidad de reportes concentrados en
el primer o segundo intervalo de tiempo que el árbol
de decisión haya creado debido a la rapidez en sus
procesos. Este análisis no dejó a un lado el aspecto
de calidad ya que consideró el volumen de órdenes
totales y los reprocesos hechos durante un período
de tres (3) años (2018-2021).
La empresa, a través de esta metodología logró pasar
de tener una base de datos ociosa hacia una con
utilidad, ya que consiguió determinar los estilos de
trabajo de los empleados. A partir de la frecuencia
de reportes en los intérvalos de tiempo determinados
por el árbol de decisión, a lo largo de los últimos tres
años.
La mayoría de las preparaciones en las máquinas
impresoras demoran menos de dos horas, aún
así, algunos empleados tienen oportunidades de
mejora si se les compara entre ellos. Ejemplo, el
empleado tres en la máquina impresora 1 tiene,
aproximadamente, tiempos un 5 % más rápidos que el
resto de sus compañeros; incluso, si se les compara
con compañeros de la máquina impresora 2 que, cabe
destacar, es una máquina gemela de la impresora 1.
Esas técnicas pueden ayudar a mejorar los tiempos
máximos en la máquina impresora 2, ya que si se
observa el árbol de decisiones en las labores de
preparación, el tiempo máximo alcanza las 3.85 horas,
mientras que en la máquina impresora 1 solamente
se alcanza 2.43 horas. Las técnicas de mejora del
orden en el entorno de la máquina, realizar algunos
preparativos mientras la máquina se encuentre en
funcionamiento y, también, dotar de mejores criterios
de calidad, podrá ayudar a la reducción de esos
tiempos elevados en la máquina impresora 2.
La reducción de tiempos y la mejora en los criterios
de calidad podrá ser de gran utilidad para la empresa,
ya que se habilita tiempo para poder procesar más
órdenes. Además de evitar fallas al detectarlas
a tiempo, pudiéndolas corregir sin que requiera
reproceso total del producto ni usando tiempo
adicional que pudiese ser utilizado en la generación
de valor.
En las máquinas de tipografía, las condiciones
cambian, pues no se están analizando máquinas
gemelas como era el caso anteriormente. Para la
máquina 1, las diferencias de rendimiento entre el
empleado 1 y el 2 en preparación son signicativas,
siendo de 11.37 %, en otras palabras, si se colocan
a los dos trabajadores en paralelo en condiciones
similares a producir 100 órdenes iguales, el empleado
1 producirá 11 órdenes más que el segundo.
La técnica de Jidoka permite que se observen las
actividades de los operarios de mejor forma, con la
nalidad de vericar cuáles conductas o actividades
facilitan al empleado 1 para obtener dicha diferencia
sobre el empleado 2, de esta manera, se puede
sugerir al empleado 2 a adoptarlas o moldear dichas
prácticas a manera que puedan ser compatibles con
su estilo de trabajo.
Una diferencia de producir 11 órdenes más, implica
que pueden presentarse atrasos por parte de uno de
los trabajadores que, a la larga, pueden perjudicar
a quien trabaje más rápido, ya que pudiese cumplir
con los requisitos de producción de una forma más
anticipada.
En el caso de la máquina de Tipografía 2, se puede
ayudar a que el empleado 2, que acumula el 50.88
% de sus actividades de preparación entre las 1.258
y 3.158 horas, pueda equiparar el mejor ritmo de
producción del empleado 1, que concentra el 57.04
% de sus preparativos entre 1 minuto y 1.20 horas.
La medición de estos patrones que, usualmente,
requieren muestreo de tiempos, fueron obtenidos
mediante el aprovechamiento de la base de datos de
la empresa que, previamente, se tenía en estado de
ociosidad.
15
ANÁLISIS
CONECTANDO DATA MINING Y LEAN MANUFACTURING
PARA LA MEJORA CONTINUA
R E A L I D A D E M P R E S A R I A L
R E
Referencias consultadas
Rødseth, H., Schjølberg, P. (2014). The Importance of Asset Management and Hidden Factory for Integrated
Planning. (En inglés), Universidad Nacional Técnica de Noruega; Oslo, Noruega. https://www.researchgate.
net/publication/286498629_The_Importance_of_Asset_Management_and_Hidden_Factory_for_Integrated_
Planning.
Porras, H., Lescano, J. y Calva, K. (2021). Entendiendo los cantones del Ecuador a través del análisis de
sentimientos y su contexto socioeconómico. ECU Analytics; Quito, Ecuador.
Matías, J. C. H. e Idoipe, A. V. (2013). Lean Manufacturing. Concepto, técnicas e implantación. Escuela
de Organización Industrial; Madrid España. https://www.eoi.es/es/savia/publicaciones/20730/lean-
manufacturing-concepto-tecnicas-e-implantacion.
Gromov, A., y Kazantsev, N. (2016). Applying Extended DMAIC Methodology to Optimize Weakly Structured
Business Processes. Universidad Nacional de Investigación, Escuela Superior de Economía; Moscú,
Federación Rusa. https://www.researchgate.net/publication/311004423_Applying_Extended_DMAIC_
methodology_to_optimize_weakly_structured_business_processes.
Carvajal, H. (2016). Una Visión Humanizada y Eciente en el Ciclo de la Automatización Automotriz Basada
en la Metodología Jidoka. Instituto Tecnológico de Costa Rica; San José, Costa Rica. https://www.academia.
edu/37757068/Metodologia_Jidoka_Lean_Manufacturing.
Piñero, E., Esperanza, F. y Kaviria, L. (2018). Programa 5S para el Mejoramiento Continuo de la Calidad y
Productividad en los Puestos de Trabajo. Universidad de Carabobo; Valencia, Venezuela. https://www.redalyc.
org/jatsRepo/2150/215057003009/215057003009.pdf.
Nguyen, H.N, y Huynh, N.H. (2019). Optimizing Equipment Efciency: An application of SMED methodology
for SMEs. Universidad Nong Lam; Ciudad Ho Chi Minh, Vietnam. https://jad.hcmuaf.edu.vn/index.php/jadvn/
article/view/25/25.
Lubinina, A., Gaidamashko, I., Savderova, A. y Komissarova, M. (2018). Innovative Strategy for Improving the
Efciency of Industrial Enterprises Management. Universidad Tecnológica y de Investigación de Tartaristán;
Kazán, Federación Rusa. https://www.revistaespacios.com/a18v39n09/a18v39n09p25.pdf.
16
