Introducción

El sistema de producción en una industria es parte del éxito o fracaso de ella (¹), y cuenta con variables de entrada, de proceso y de salida, alineadas con la estrategia global empresarial (²). Este se enfoca en las necesidades de los clientes y en los pedidos para la programación de la producción a corto, mediano y largo plazo (³).

La complejidad de los sistemas de producción se ha venido acrecentando en la medida en que el mercado se ha vuelto más exigente, como consecuencia de la evolución de la fabricación en masa a la fabricación de productos más individualizados (⁴). Los mercados actuales definen los requerimientos de la industria; estos requerimientos reflejan un alto sentido de personalización, puesto que, en la última década, el rápido cambio de los productos se está convirtiendo en un estilo de vida. Los clientes esperan mejor calidad, mayor variedad y mejor rendimiento de los productos (⁵). En estas circunstancias, aspectos como la flexibilidad, la adaptabilidad y la rapidez de respuesta han pasado de ser deseables a convertirse en la clave del éxito en muchas empresas (⁶) y en elementos que considerar en la planificación de la producción. La metodología que se asuma para alcanzar tales fines debe conducir a la obtención de resultados útiles (⁷).

La secuenciación de operaciones forma parte del nivel de planificación a corto plazo (³, ⁸). Es una rama de la optimización matemática que ha desarrollado su propia metodología utilizando herramientas matemáticas y computacionales variadas (⁹). Su objetivo es la asignación de tareas con un conjunto limitado de recursos disponibles en un intervalo fijado, en las que se aplican determinados criterios para su optimización (¹⁰). En las últimas décadas, debido a los avances en el área de la informática, las nuevas formas de producción (tecnología 3D) y la elaboración de materiales alternativos, la toma de decisiones en el diseño de productos y procesos ha avanzado notablemente (¹¹). En este sentido, la simulación de estos sistemas a partir del desarrollo de lenguajes de programación y software comerciales constituye una de las técnicas más empleadas en la Investigación de Operaciones y Ciencias de la Administración (¹²).

Para una correcta secuenciación, el criterio de determinación de las reglas de prioridad es de fundamental relevancia a la hora de minimizar costos y tiempos de procesamiento. La simulación constituye una herramienta importante que se puede utilizar para cotejar distintas reglas de secuenciación (¹³). Además, permite el estudio de sistemas donde intervienen una gran cantidad de variables (muchas de índole aleatorio), sin la necesidad de modificar el proceso real, logrando obtener un mejor entendimiento de su comportamiento y poder experimentar en la búsqueda de mejoras y soluciones a la problemática que se defina (¹⁴). Con este entorno se relaciona el planteamiento del estudio de caso que aquí se trata, caso perteneciente al sector textil de la provincia Imbabura en el Ecuador.

La fábrica Puntadas, S.G., ubicada en Imbabura, Ecuador, se dedica a la producción de ocho tipos de camisetas en un proceso productivo job-shop que funciona bajo pedidos, es decir, en un sistema make to order. Dichas características lo hacen un proceso productivo difícil de planificar en el corto plazo.

Los pedidos de los clientes son receptados por el Gerente y se les establece una fecha de entrega que es convenida entre las partes. El Gerente define la fecha de entrega sobre la base de su experiencia. La secuenciación de estos pedidos se realiza mediante la regla de prioridad first-come, first-served (FCFS), considerando la fecha de recepción del pedido, es decir que se comienza a trabajar en los pedidos en el mismo orden en el que son receptados por el Gerente.

Durante el desarrollo del trabajo se manifestó que existen incumplimientos en la fecha de entrega de los pedidos a los clientes, lo que se traduce en afectación de la fiabilidad de las operaciones. A lo anterior se añade que no se han desarrollado investigaciones que permitan detectar si otras reglas de prioridad pudieran mejorar el desempeño de las operaciones en el corto plazo.

Ante tal situación, el objetivo principal del trabajo que aquí se resume se determinó como el de diseñar un modelo de simulación en FlexSim para medir el desempeño de las operaciones en la empresa''Puntadas S.G.'', secuenciando la producción por medio de diferentes reglas de prioridad.

Aplicaciones de la simulación a los problemas de secuenciación de la producción

La simulación permite a los gerentes evaluar el desempeño de todos los aspectos relacionados con los procesos y las operaciones, considerando todos los parámetros que puedan afectar su desempeño (¹⁵, ¹⁶). Disímiles autores han contextualizado su empleo a los problemas de secuenciación de pedidos. Ejemplo de ello son sus aplicaciones:

Metodología

Para la realización del estudio de simulación es necesario definir una metodología lógica y sistémica que garantice que el modelo funcione, lo cual se hizo con base en el estudio descrito por Hermoso-Ayala (²⁹). La figura 1 muestra la naturaleza iterativa del proceso para realizar un trabajo de simulación.

Definir objetivos, alcance y requerimientos

En estrecha relación con el planteamiento de los objetivos, es necesario identificar con claridad el sistema que modelar, es decir, contar con la información suficiente para establecer el modelo conceptual para el caso de estudio (²⁴, ²⁵). Los objetivos deben ser planteados de forma tal que guarden especial relación con las variables de respuesta y de decisión del modelo. Las primeras se definen a partir de un análisis de sensibilidad; mientras que las segundas, por medio de un análisis de la mejor configuración para alcanzar los objetivos de rendimiento deseados en la optimización (²³).

Recolectar y analizar los datos del sistema

En este paso se procede a dividir los datos en tres categorías: estructurales, operacionales y numéricos. En la primera se consideran la cantidad de locación de recursos, así como las redes de abastecimiento a los puestos de trabajo. El análisis de los datos operacionales permite explicar cómo opera el sistema, es decir, cuándo, dónde y cómo se realizan las actividades (²⁶).

Los datos numéricos representan la información útil para la determinación de las distribuciones de probabilidad asociadas a cada una de las variables aleatorias necesarias para la simulación (²⁷), lo que significa que, si no se cuenta con la información requerida o se desconfía de ella, es necesario realizar un estudio estadístico del comportamiento de dichas variables, para luego proceder a incluirlas en el modelo (²⁵).

Construir el modelo

La construcción del modelo consiste en realizar una representación simplificada de la realidad. Es importante tomar en cuenta que una actividad debe considerarse siempre en términos de su efecto sobre otros elementos del sistema, en lugar de la forma detallada en la que se lleva a cabo (²⁸). Tales mecanismos detallados son intrascendentes para las entidades globales del flujo y utilización de los recursos.

El modelo se construye con base en elementos estructurales, tales como máquinas, personas, elementos de trabajo y áreas de trabajo, ya antes definidos. Es necesario precisar el comportamiento de los diferentes elementos físicos en el sistema y cómo interactúan. Estos incluyen hojas de ruta, operaciones, las llegadas, el movimiento de recursos, reglas de selección de tareas, horarios de recursos y los tiempos de parada y reparaciones (²³).

Validar el modelo

El proceso de validación se garantiza, principalmente, desde la misma programación de los modelos (²⁹, ³⁰). Posteriormente, es necesaria la realización de una serie de pruebas simultáneas con información de entrada real para observar su comportamiento y analizar sus resultados. El propósito en este paso corresponde a obtener un comportamiento similar al que se presenta en el proceso real si es que este existe; de no ser el caso, la validación consiste en introducir algunos escenarios sugeridos por el cliente y demostrar su congruencia (²⁵, ³¹).

Conducir el experimento de optimización

Este paso comienza realizando un análisis de sensibilidad como parte del estudio de optimización, lo cual implica la realización de corridas o réplicas experimentales que permitan hacer comparaciones con el comportamiento histórico del sistema (²³, ³²). A partir de estas corridas pilotos, se detectan los momentos en que las variables de respuesta alcanzan la estabilidad y se determina la cantidad definitiva de réplicas que ejecutar, asumiendo un nivel de confianza y los niveles de exactitud arrojados por las desviaciones típicas determinadas en las variables de respuesta. Dunna y autores (²⁵) hacen énfasis en generar escenarios pesimistas, intermedios y optimistas, que permitan determinar la influencia de variables independientes en las principales variables de respuesta consideradas (variables dependientes).

Resultados y discusión

Definir objetivos, alcance y requerimientos

El alcance del modelo de simulación comprendió el proceso de producción de camisetas en su totalidad. Se consideraron 8 tipos de camisetas como los más representativos en cantidad y frecuencia de producción. Además, se programó la producción de las cuatro semanas pertenecientes al mes de noviembre de 2019, por ser un mes pico en demanda; el Plan Maestro de Producción (MPS) de ese mes se muestra en el cuadro 1.

La empresa procesa los pedidos de los clientes bajo la regla FCFS y posee como uno de sus objetivos estratégicos el de''cumplir los pedidos de los clientes dentro del plazo convenido con ellos''. De lo anterior se dedujo que la fiabilidad de la respuesta constituye una de sus principales prioridades.

El objetivo general de la simulación fue el de crear un modelo en FlexSim que permitiera medir el desempeño del sistema productivo de la Empresa Puntadas S.G., secuenciando la producción por medio de diferentes reglas de prioridad.

Objetivos específicos de la simulación:

Se definió como variable independiente del modelo la asociada a las reglas de prioridad. Se consideraron las reglas siguientes: FCFS, con código 1; EDD, con código 2; SPT, con código 3, y la regla critical ratio (CR), con código 8.

Se definieron como variables de respuesta o dependientes las que se detallan en el cuadro 2.

Recolectar y analizar los datos del sistema

La recolección de los datos se dividió en dos categorías: estructurales y numéricos. Los primeros se definieron como los elementos del sistema: máquinas, producción en proceso, los trabajadores y la distribución en planta de la fábrica. Los segundos se obtuvieron de la toma de datos y el análisis estadístico mediante el empleo de la herramienta Expertfit (Módulo de ajuste de curvas de FlexSim). Dichos datos numéricos se centraron en los tiempos de las operaciones relacionadas para cada uno de los tipos de camisetas y todos se ajustaron a la distribución normal.

Construir el modelo

Para la construcción del modelo se añadieron un source, processors, queues, separator, racks, task executers y dispatchers6, que resultaron en la vista superior del modelo que se muestra en la figura 2.

Se añadieron cuatro Global Tables y cinco Global Lists (ver figura 3).

Se programaron funcionalidades del modelo, específicamente en el Open Model y en el Reset Model, las cuales fueron las responsables de reescribir los valores aleatorios del tiempo de las operaciones en la Global Table''Tiempos'', a partir de lo cual se derivaron el resto de los cálculos en las Global Tables restantes.

Se colocaron dos labels en el source del modelo: una para contar la cantidad de pedidos de la semana y la otra para contar cuántos de estos pedidos se entregan atrasados respecto a la fecha programada. Ambas labels fueron necesarias para el cálculo de la fiabilidad.

Una Global Variable''Regla'' definió la regla de prioridad con la que se corrió el modelo. Las variables de respuesta de la tabla 2 fueron programadas en el Performance Measures del Experimenter.

Validar el modelo

El proceso de validación se garantizó, primeramente, a partir de la propia programación del modelo. En tal sentido, se emplearon algunas declaraciones propias de FlexSim, que unidas a informaciones de entrada real, permitieron observar el comportamiento de las variables respuesta y que este fuera congruente con el desempeño real del sistema.

Se creó un dashboard para la inclusión de los operarios y para el cálculo de la productividad del sistema, en aras de visualizar si el comportamiento del modelo se asemejaba a la realidad del proceso (ver figura 4).

Se corrieron cincuenta réplicas iniciales para determinar la cantidad de réplicas necesarias que permitieran validar el modelo y estimar las variables de respuesta (ver cuadro 3). Así se demostró que las cincuenta réplicas desarrolladas fueron suficientes para validar el modelo y para estimar las variables de respuesta.

Además, se comparó la productividad real del proceso con la productividad arrojada por el modelo. Para ello se tomaron veinte datos históricos de productividad semanal (aproximadamente 5 meses) y se compararon con una corrida del modelo (50 réplicas) bajo la regla de prioridad FCFS (ver cuadro 4).

Dicha comparación se realizó en el Statistical Package for the Social Sciences (SPSS) por medio de la prueba T para muestras independientes, probando como hipótesis nula que las productividades observadas en el proceso eran iguales a las productividades obtenidas con el modelo de simulación (ver figura 5).

A partir de esta prueba se dedujo que no existía evidencia suficiente como para rechazar la hipótesis nula, a un 5% de nivel de significación, por lo que pudo afirmarse que el modelo de simulación tuvo un comportamiento similar al proceso de producción real, quedando así validado el modelo.

Presentación de los resultados

Posteriormente a la corrida del modelo para las cuatro semanas y bajo las reglas de prioridad analizadas, se obtuvieron los resultados para las variables de respuesta, que se resumen en el cuadro 5.

A partir de estos resultados se pudo observar que las reglas de prioridad arrojaron desempeños diferentes según la estructura, la cantidad de los pedidos y las fechas de recepción y de entrega. En el cuadro 6 se promediaron los superíndices para las cuatro semanas, el total indicó que la regla SPT fue la que mejor desempeño proporcionó de forma general, por lo que en el orden quedó en el primer lugar con el menor de todos los promedios (valor de 2,00).

La regla de prioridad SPT permitió que el modelo obtuviera un incremento de la fiabilidad en un 4,49% respecto a la regla FCFS (ver cuadro 7), lo que implicaría una mejora en el cumplimiento de los pedidos dentro del plazo convenido con los clientes.

No obstante, aplicando esta regla el modelo obtuvo una disminución de la productividad con una implicación de pérdida de 19,50 dólares a la semana.

Implementarla no es más que ordenar los pedidos de modo acorde al grado de complejidad tecnológica de su elaboración, dándoles prioridad a aquellos que consumen menor tiempo de procesamiento en cada una de las operaciones.

Conclusiones

El modelo de simulación desarrollado permite medir el desempeño del proceso de producción al aplicar diferentes reglas de prioridad. En el caso estudiado, ratificó la baja fiabilidad del sistema, con un promedio de 30,67%, lo cual apuntó a la necesidad de analizar los plazos de entrega que se habían venido pactando con los clientes y que no estaban ajustados a las condiciones reales del proceso de producción. Además, identificó la regla de prioridad SPT como aquella que mejor impactaría sobre el desempeño general de las operaciones. Este resultado coincide con la literatura, que considera la regla SPT como el concepto más importante en el ámbito de la secuenciación (³, ⁸). De decidirse cambiar la secuenciación de los pedidos, de la regla de prioridad FCFS a la regla SPT, la fiabilidad del sistema podría mejorar en un 4,49%, consiguiéndose con la mejora uno de los objetivos estratégicos de la empresa.