GEO Tutoriales, Autor en Gestión de Operaciones

Estrategias de Procesos

En términos simples un proceso productivo consiste en una parte de una organización que toma insumos y los transforma en productos. Por cierto se espera que el valor de dichos productos sea mayor en comparación al valor de los insumos originales. En nuestro sitio en la categoría de Procesos, hemos dedicado un importante número de artículos que abordan el estudio de estos procesos de transformación desde una perspectiva tanto cuantitativa como cualitativa.

En esta oportunidad discutiremos las características principales de las estrategias de procesos y las clasificaciones frecuentemente aceptadas en la bibliografía de la Gestión de Operaciones que permite orientar el análisis estratégico de una empresa.

En primer lugar es importante destacar que las estrategias de procesos siguen un continuo y es perfectamente posible encontrar dentro de una compañía varias estrategias aplicadas de forma simultanea. Luego, las estrategias de procesos se clasifican básicamente en:

Estrategia Orientada al Proceso

Esta corresponde a la configuración típica de talleres de trabajo conocidos también como Job Shop. Los distintos departamentos se organizan por proceso, agrupando aquellos que son similares. Se caracterizan por un volumen de producción relativamente bajo, no obstante tienen la flexibilidad para ofrecer una gran variedad de productos.

El siguiente diagrama representa un caso típico de la organización de un sistema productivo orientado al proceso, donde los productos siguen distintas rutas.

Ventajas

– Mayor flexibilidad de productos
– Equipamiento de propósito más general
– Baja inversión inicial

Desventajas

– Personal altamente entrenado
– Planificación y control de la producción mas complicado
– Baja utilización de equipamiento (en términos empíricos en un rango entre el 5% y el 25%)

Estrategia de Enfoque Repetitivo

En este caso la planta de producción se organiza como una línea de producción. Una representación esquemática de lo anterior se detalla en el siguiente diagrama donde el producto va desde la estación A hasta la estación C pasando por una secuencia de tareas determinadas por los requerimientos de ensamble del producto.

El proceso de ensamblaje de una moto como el que se muestra en la siguiente imagen corresponde a un esquema de producción que utiliza la estrategia de enfoque repetitivo. Esto se conoce alternativamente como un proceso tipo Flow Shop.

Estrategia Orientada al Producto

En este caso se observa un flujo continuo donde la planta de producción es organizada por producto. Se caracteriza adicionalmente por ser altamente automatizado y suele operar las 24 horas del día para evitar cierres y costos de arranque (setup) costosos.

Ventajas

– Bajo costo variable unitario
– Personal no tan competente, más especializado
– Fácil planificación y control de la producción
– Alta utilización de equipamiento (empíricamente entre el 70% y el 90%)

Desventajas

– Baja flexibilidad de productos
– Equipamiento más especializado
– Generalmente altas inversiones

Ejemplos típicos asociados a un proceso con un flujo continuo son aquellos vinculados a las actividades productivas del sector minero:

Las principales características de los enfoques de procesos presentados se pueden consolidar a modo de resumen en una tabla, lo cual facilita el análisis comparativo.

En este mismo contexto se puede construir una Matriz de Proceso que en un eje de coordenadas que representa volúmenes de producción y variedad de productos, ayuda a identificar distintas estrategias.

Por ejemplo, una estrategia que se caracterice por un bajo volumen de producción y baja variedad de producto esta condenada al fracaso al enfrentar costos variables altos que no resultan ser competitivos.

En contraste alcanzar de forma simultanea volúmenes altos de producción y variedad de producto (conocido como personalización en masa o masiva “mass customization“) resulta difícil de alcanzar y promete importantes ventajas para aquellas empresas que las logran alcanzar. Un ejemplo emblemático de este caso ampliamente cubierto en la literatura es Dell Computer que le ha permitido compatibilizar productos a la medida de las necesidades de sus clientes mediante un ensamblaje a pedido sin sacrificar los beneficios de un alto volumen de producción.

Regla de la Razón Crítica

La Regla de la Razón Crítica (conocido en inglés por CR o Critical Ratio) es una heurística que permite la secuenciación de trabajos en una máquina. El criterio que establece la Regla de la Razón Crítica es que los trabajos se deban procesar en orden creciente de acuerdo al cuociente ente el tiempo que falta a la entrega y el tiempo de proceso (recomendamos al lector revisar el artículo Reglas de Prioridad para la Programación de n Trabajos en una Máquina donde se detalla a través de un ejercicio resuelto la aplicación de otras heurísticas típicas de la programación de operaciones).

En este contexto la fórmula para el cálculo del ratio crítico es:

Ejemplo Regla de la Razón Crítica (Ratio Crítico)

Hoy es el día 22 en un centro de trabajos y 4 trabajos están esperando ser atendidos en una máquina. La máquina puede procesar sólo un trabajo a la vez. Determine el ratio crítico para cada trabajo y establezca un ranking de prioridad para su procesamiento.

Por ejemplo, el trabajo A tiene como fecha de entrega el día 28 y requiere 8 días de proceso en la máquina.

Utilizando la Regla de la Razón Crítica los trabajos deben ser asignados en la siguiente secuencia: D, A, C, B. Se puede observar que sólo el trabajo B tiene holgura (esto debido a que su CR es mayor a 1). Por otra parte los trabajos A y D tienen ratios críticos menores a 1, lo cual significa que dichos trabajos no serán terminados a tiempo a menos que sean apurados. Finalmente el trabajo C tiene un ratio crítico igual a 1 que implica que podría ser terminado a tiempo en la medida que sea el primer trabajo en ser considerado en la secuencia (situación que no es la que ocurre en este caso).

Cabe recordar que los resultados propuestos al utilizar distintas reglas de prioridad deben ser analizados en virtud de su desempeño y en lo general no existe una regla que garantice el mejor desempeño en todos los aspectos.

Tasa de Falla y Tiempo Medio entre Fallas (MTBF)

Una falla es un evento que cambia el estado de un producto de operacional a no operacional. En este sentido la Tasa de Falla (TF) puede ser expresada tanto como un porcentaje de fallas sobre el total de productos examinados o en servicio (en términos relativos), o también como un número de fallas observadas en un tiempo de operación (en este caso en términos nominales). Dado lo anterior se dispone de las siguientes fórmulas para el cálculo de la Tasa de Fallas.

Donde F representa el número de fallas, TT el tiempo total y NOT el tiempo no operacional.

Ejemplo Cálculo Tasa de Falla y Tiempo Medio entre Fallas (MTBF)

50 válvulas de corazones artificiales fueron probadas durante un período de 10.000 horas en un centro de investigación médica, periodo durante el cual fallaron 3 de ellas. Cuál es la Tasa de Fallas en términos de:

Porcentaje de Fallas

Número de Fallas por unidad al año

Se debe considerar que el tiempo operacional se ve reducido por aquellas unidades que fallaron. Debido a que no se dispone de mayores detalles asumiremos que las fallas se presentaron, en promedio, a la mitad del período de evaluación, esto es, una vez transcurridas 5.000 horas de prueba. De esta forma se estima que el tiempo no operativo es de 15.000 horas y se obtiene de esta forma la Tasa de Fallas en términos nominales según se muestra a continuación:

De esta forma se espera que la Tasa de Falla en términos de un año sea:

¿Cuántas fallas se deberían esperar durante un año asumiendo la instalación de éstas válvulas a 100 pacientes?

Un indicador de gestión frecuentemente considerado para evaluar el desempeño de las políticas de mantenimiento y confiabilidad es el Tiempo Medio entre Fallas conocido comúnmente por MTBF (Mean Time Between Failure). El cálculo del MTBF es sencillo dado que corresponde al recíproco de la Tasa de Falla (nominal) y corresponde a la esperanza en tiempo de buen funcionamiento.

Si aplicamos dicha fórmula al ejemplo de las válvulas descrito anteriormente obtenemos:

El valor 18,46 unidad-año por falla representa el tiempo medio de servicio entre fallas que se espera para un grupo de unidades durante sus años de servicio. Notar que esto no necesariamente representa un tiempo de vida esperado para un producto individual.

Adicionalmente el Tiempo Medio entre Fallas (MTBF) puede ser utilizado para expresar la confiabilidad de un componente o sistema si la tasa de falla es constante. Sea R la confiabilidad de un sistema y t un período de tiempo en evaluación, se tiene:

Confiabilidad de un elemento es la probabilidad de que dicho elemento funcione sin fallas durante un tiempo t determinado bajo condiciones ambientales dadas.

Ejemplo Confiabilidad de un Sistema

Ejemplo 1: Las válvulas de seguridad utilizadas en una refinería tienen una tasa de falla constante con un Tiempo Medio entre Fallas (MTBF) de 16 años. ¿Cuál es la probabilidad de que una nueva válvula instalada funcione sin fallas por los próximos 8 años?.

Se concluye que la probabilidad que se una nueva válvula instalada funcione sin fallas durante un período de 8 años es de un 60,65%.

Ejemplo 2: Se sabe que las válvulas reguladoras de presión en una planta química han presentado un MTBF de 30 años. Asumiendo que la tasa de falla es constante, ¿qué tan probable es que una válvula funcione sin fallas por un período de 10 años?.

La probabilidad de que una válvula reguladora de presión funcione sin fallas por un período de 10 años es de un 71,65%.

Preguntas Frecuentes de Cadenas de Markov

Una Cadena de Markov en tiempo discreto consiste en una clase particular de un proceso estocástico donde se verifica el cumplimiento de la propiedad markoviana (en términos simples establece que el futuro es independiente del pasado dado el presente) y la propiedad estacionaria (la probabilidad de transición de un estado i a un estado j al cabo de una etapa no depende de la etapa n). En este contexto a continuación presentamos 3 preguntas de selección múltiple que permite reforzar algunos conceptos básicos sobre las Cadenas de Markov.

Pregunta N°1: En la matriz de probabilidades de transición:

a) La suma de cada columna debe ser igual a 1
b) La suma de cada columna y cada fila debe ser igual a 1
c) Por lo menos debe haber un 0 en cada fila
d) La suma de cada fila debe ser igual a 1
e) Por lo menos debe haber un 0 en cada columna

Respuesta: Alternativa d). La matriz de probabilidades de transición o matriz P resume las probabilidad de transición en una etapa de un estado i a un estado j. La matriz P tiene la misma cantidad de filas y columnas. Por ejemplo a continuación de presenta la matriz de transición que corresponde a uno de los casos discutidos en el artículo Cadenas de Markov (Ejercicios Resueltos) donde se corrobora que la sumatoria de los valores de cada fila corresponde a un 100%.

Pregunta N°2: Si la distribución de probabilidad de la variable $X_{n}$ no cambia de una etapa a otra:

a) Cada probabilidad debe ser igual a 1
b) Debe haber al menos una probabilidad igual a 0
c) La probabilidad debe ser la misma para cada estado
d) Dicha distribución coincide con la distribución estacionaria
e) Debe haber al menos una probabilidad igual a 1

Respuesta: Alternativa d). En este caso estamos frente a la distribución estacionaria o de largo plazo la cual como hemos discutido previamente es independiente de la distribución inicial para la variable aleatoria. Antecedentes adicionales y un ejemplo con el detalle del cálculo se puede consultar en Distribución Límite de una Cadena de Markov en Tiempo Discreto.

Pregunta N°3: Cuál de las siguientes alternativas no es un supuesto de las cadenas de Markov:

a) Existe un número finito de estados
b) Existe un número finito de etapas
c) Las probabilidades de la variable de estado $X_{n}$ se pueden calcular usando únicamente la matriz de probabilidades de transición
d) La distribución de probabilidades de una etapa no cambia de una etapa a la otra
e) Todas la anteriores no son supuestos del análisis

Respuesta: Alternativa e). Se descarta a) y b) debido a que puede existir un número infinito de estados y etapas. En cuanto a las probabilidades de la variable de estado $X_{n}$ , se requiere conocer una distribución de estado actual o inicial para que luego, haciendo uso de las ecuaciones matriciales se pueda estimar las probabilidades de estado.

Función de Pérdida de Taguchi

La Función de Pérdida de Taguchi propuesta por el experto en calidad japones Genichi Taguchi establece que cualquier desviación con respecto al valor meta o especificación deseada produce una pérdida monetaria para la sociedad. En este contexto el método de Taguchi se basa en la hipótesis de que mientras menor sea la variación con respecto a dicho valor objetivo (meta) mejor será la calidad del producto. Notar que el valor meta o especificación deseada es equidistante del Límite de Especificación Inferior (LEI) y el Límite de Especificación Superior (LES).

El aporte de Taguchi radica en incorporar en el análisis la perspectiva del cliente, dado que en general no existe prácticamente mayor diferencia entre un producto que esta justo dentro de los límites de especificación y un producto que está justo fuera de éstas. Por el contrario, la diferencia resulta ser mucho mayor en términos de la calidad, al comparar un producto que tiene la especificación meta (objetivo) en relación a un producto que se encuentra cerca de uno de los límites de especificación (pero en el intervalo [LEI,LES]).

Para comprender de mejor forma la propuesta de Taguchi es conveniente contrastar su visión en relación a la Perspectiva Tradicional. Según el concepto tradicional, las pérdidas ocurren sólo cuando un producto excede los límites de especificación tal como se muestra en la gráfica. De esta forma se asume que cualquier producto que se encuentre contenido entre los límites de especificación no genera una pérdida en términos de la calidad para el cliente y para la sociedad.

Si bien dicho enfoque es simplificador y en algunos casos se podría encontrar razonable, en la actualidad existe un consenso es considerar que es obsoleto, al no representar de forma adecuada la valoración del cliente.

Por el contrario, la Función de Pérdida de Taguchi establece que existe una degradación de la calidad desde la perspectiva del cliente cuando el producto se aleja de la especificación deseada aun cuando se encuentre entre los límites de especificación. Más aún como se puede observar en la representación gráfica el costo incremental de la variabilidad para la sociedad crece (de forma no lineal) en la medida que el producto se aleja de la especificación deseada.

De esta forma Taguchi postula que esta visión (su propuesta) es más cercana a cómo los clientes ven la función de pérdida en comparación a la perspectiva tradicional.

En relación a lo anterior, por lo general la Función de Pérdida de Taguchi se representa en su expresión cuadrática de modo que las mayores desviaciones respecto al valor objetivo (especificación deseada o meta) provoquen pérdidas cada vez mayores para la sociedad. La fórmula es:

Donde:

$X$ : Valor de la característica de calidad
$T$ : Valor meta u objetivo
$c$ : Pérdida por una unidad producida en el límite de especificación
$d$ : Límite de Especificación Superior (LES) – $T$

Ejemplo Función de Pérdida de Taguchi

Suponga que tenemos una característica de calidad que tiene una especificación de 0.500 +- 0.020, y que si el valor de la característica de calidad difiere 0.02 del valor deseado de 0.500, es probable que el producto falle durante el período de garantía, y su reparación cuesta 50 dólares. Estos valores se pueden calcular analizando los registros de la compañía. Entonces:

Luego, si la desviación resultará ser sólo 0.010, la pérdida estimada al utilizar la Función de Pérdida de Taguchi sería: