![\"\"](\"https:\/\/lssq-consulting.com\/wp-content\/uploads\/001-1-1024x543.jpg\")
<\/p>\nUna de las ense\u00f1anzas m\u00e1s importantes de Six Sigma es la necesidad de identificar los factores cr\u00edticos que intervienen en un proceso. A trav\u00e9s de su control puede lograrse\u00a0 cualquier objetivo que nos propongamos.\u00a0En este caso real, trabajamos con una empresa de distribuci\u00f3n de f\u00e1rmacos, cuya vida \u00fatil puede resultar corta. De ah\u00ed la necesidad imperiosa que ten\u00eda esta empresa en elegir siempre la ruta \u00f3ptima a la hora de efectuar la distribuci\u00f3n de los productos. Fue este el problema identificado por los responsables que se eligi\u00f3 abordar con Six Sigma: alcance bien definido,\u00a0\u00a0vinculado a un proceso cr\u00f3nico y con enorme impacto en la satisfacci\u00f3n del cliente.<\/p>\n
La elecci\u00f3n de ruta se efectuaba con t\u00e9cnicas de investigaci\u00f3n de operaciones, eligiendo la m\u00e1s corta y m\u00e1s r\u00e1pida
\nmediante un conocido algoritmo matem\u00e1tico. Sin embargo, esto supon\u00eda considerar que los tiempos son fijos, lo cual sabido es que no es correcto depender de m\u00faltiples factores.<\/p>\n
Con la metodolog\u00eda Seis Sigma se pretend\u00eda analizar las causas que generan variabilidad en los tiempos de entrega.<\/p>\n
El tiempo de entrega era la clave del negocio de esta empresa. Se daba la condici\u00f3n de que los f\u00e1rmacos distribuidos perd\u00edan sus propiedades de forma exponencial con el tiempo. El proyecto se defini\u00f3 para disminuir los costes de no calidad generados por las sanciones de los clientes tanto en el caso de retraso en la entrega como en el caso de adelanto, puesto que los servicios hospitalarios requer\u00edan pr\u00e1cticamente un just-in-time en este tipo de productos dados de estocaje m\u00ednimo.<\/p>\n
La ruta decidida hasta aquel momento ten\u00eda en cuenta dos par\u00e1metros: distancia y velocidad m\u00e1xima permitida por tipo de v\u00eda (Autov\u00eda, Urbana, Suburbana). El diagrama de rutas era el siguiente:<\/p>\n
<\/p>\n
Calculando todas las rutas posibles seg\u00fan los par\u00e1metros ideales, se obten\u00edan los siguientes tiempos:<\/p>\n
La representaci\u00f3n de los datos hist\u00f3ricos permit\u00eda observar un proceso centrado (recordemos que los tiempos ern en s\u00ed mismos promedios, luego se distribuyen normalmente) en un tiempo medio de 26,52 min. con desviaci\u00f3n est\u00e1ndar de 8,22 min.<\/p>\n El an\u00e1lisis de capacidad revelaba que,en un 23% de las ocasiones, no se respetaban las especificaciones de viaje de cliente.<\/p>\n Con un diagrama causa-efecto Ishikawa se identificaron las posibles causas no conocidas de variaci\u00f3n en los tiempos de entrega. Se organizaron las ideas en cuadro grupos: climatolog\u00eda, v\u00eda, fechas y estaciones.<\/p>\n Se segmentaron los distintos factores en controlables<\/em> y no controlables<\/em> seg\u00fan par\u00e1metros de constancia (condici\u00f3n de la v\u00eda, velocidad m\u00e1xima permitida, sem\u00e1foros, vacaciones escolares, v\u00edsperas de festivos, etc.) e imprevisibilidad (accidentes, manifestaciones, etc.). Finalmente se obtuvieron los siguientes niveles de causas identificadas, que representamos a continuaci\u00f3n de manera visual:<\/p>\n Puede observarse que el viento era el factor con menor influencia en la variaci\u00f3n del tiempo de trayecto.<\/p>\n Se procedi\u00f3 entonces a efectuar un an\u00e1lisis de varianza sobre cada factor en cada tramo de la Ruta ACDF, teniendo como hip\u00f3tesis estad\u00edstica que las anteriores causas incid\u00edan de manera predominante en la variabilidad de los tiempos de entrega.<\/p>\n De este primer an\u00e1lisis an\u00e1lisis se desprend\u00edan algunas conclusiones. La primera, que la influencia de las condiciones de luz, viento y periodo escolar no resultaba significativa. De hecho, pod\u00eda descartarse la variable viento por su valor-p tan alto (0,890). Adem\u00e1s, su Rq era 0,65%, lo que puede interpretarse como que la variaci\u00f3n de los tiempos promedio de entrega solo se justificaba en ese porcentaje a causa del viento.<\/p>\n En la gr\u00e1fica visual era visible que la ausencia de luz influ\u00eda negativamente en el tiempo de viaje, pero no demasiado. Esto se comprueba en el an\u00e1lisis Anova al observar su valor-p (0,093), superior a 0,05, por lo que no se puede colegir que las medias son diferentes (se acepta la hip\u00f3tesis de partida). Adem\u00e1s, solo un 2,85% de la variaci\u00f3n era justificada por esta variable. No obstante, en el trayecto DF casi<\/em> es significativo.<\/p>\n La temporada escolar influ\u00eda especialmente en el tramo DF, justamente el urbano. La prueba de Anova no permit\u00eda descartar esta causa pese a que su variaci\u00f3n total era de 3,75%. En el gr\u00e1fico BoxPlot pod\u00eda observarse perfectamente esta consideraci\u00f3n:<\/p>\n <\/p>\n Si se transforma el tiempo de viaje en tiempo por kil\u00f3metro se elimina la variable distancia. Si bien pod\u00eda intuirse que el tipo de v\u00eda ejerc\u00eda influencia, en este caso concreto la ruta no atravesaba ninguna autov\u00eda, por lo que era necesario recopilar m\u00e1s datos. Sin embargo, s\u00ed pod\u00eda observarse que las dos v\u00edas secundarias se comportaban de manera muy parecido ante los distintos factores:<\/p>\n Como los datos hist\u00f3ricos no proporcionaban suficiente informaci\u00f3n de todas las v\u00edas, se dise\u00f1\u00f3 una recogida de datos sobre los factores que realmente afectaban (lluvia, d\u00eda, hora, estaci\u00f3n y tipo de v\u00eda) para la ruta ABEF, rechazada en su momento porque su tiempo promedio de 32,2 min. era superior en 10 min. a la ruta ACDF.\u00a0 La matriz generada requer\u00eda 240 viajes, pero uno de ellos, la lluvia, no era controlable y solo pudieron obtenerse 142 viajes con las combinaciones requeridas por la matriz.<\/p>\n Los resultados fueron los siguientes:<\/p>\n Y de id\u00e9ntica forma se efectu\u00f3 a un an\u00e1lisis Anova:<\/p>\n En esta ocasi\u00f3n, aunque la variable d\u00eda de la semana no afectaba significativamente a los tramos BE y EF, no se pod\u00eda descartar porque en otros tramos demostr\u00f3 su influencia. Adem\u00e1s, se observaba que los dos tramos de autov\u00eda se comportaban de similar manera ante los mismos factores, y el tipo de v\u00eda explicaba un 49% de la variaci\u00f3n.<\/p>\n Con los datos hist\u00f3ricos tanto de la primera como de la segunda ruta, se gener\u00f3 un modelo lineal usando Anova y utilizando como respuesta el tiempo por kil\u00f3metro para cada v\u00eda, teniendo en cuenta todos los factores. Una vez determinados los\u00a0coeficientes y residuos del modelo, se pudo crear una ecuaci\u00f3n que permit\u00eda, para cada tipo de Con el nuevo modelo, se reduc\u00eda la desviaci\u00f3n est\u00e1ndar de 8,23 minutos a 3,1 minutos, mejor\u00e1ndose la capacidad del proceso hasta reducir casi al 0% los tiempos de entrega fuera de especificaci\u00f3n.<\/p>\n Para evaluar el buen funcionamiento del modelo obtenido, la empresa decidi\u00f3 que, una vez elegida la ruta \u00f3ptima, se llevar\u00eda un registro de los factores y del tiempo de viaje por tramo, que se habr\u00edan de comparar con los tiempos previstos en el modelo. De esta manera pod\u00eda crearse un gr\u00e1fico de control de los errores en la estimaci\u00f3n del tiempo, que se revisar\u00eda semanalmente\u00a0para observar tendencias y variaciones.<\/p>\n <\/p>\n","protected":false},"excerpt":{"rendered":" Una de las ense\u00f1anzas m\u00e1s importantes de Six Sigma es la necesidad de identificar los factores cr\u00edticos que intervienen en un proceso. A trav\u00e9s de su control puede lograrse\u00a0 cualquier objetivo que nos propongamos.\u00a0En este caso real, trabajamos con una empresa de distribuci\u00f3n de f\u00e1rmacos, cuya vida \u00fatil puede resultar corta. De ah\u00ed la necesidad…<\/p>\n![\"\"](\"https:\/\/lssq-consulting.com\/wp-content\/uploads\/002-1-183x300.jpg\")
\nEl tiempo m\u00ednimo lo ofrec\u00eda la ACDF<\/strong> con 16,13 min. Hist\u00f3ricamente era la que siempre se usaba por ser la m\u00e1s corta, tomando como referencia la duraci\u00f3n promedio entre viajes para decidir la hora a la que deb\u00eda efectuarse el reparto para llegar a tiempo, sin tomar consideraci\u00f3n de otros factores. De hecho, los tiempos variaban y la empresa deb\u00eda afrontar las sanciones monetarias del hospital. Tampoco se ten\u00eda en cuenta que hab\u00eda otras rutas que, bajo ciertas condiciones, resultaba m\u00e1s r\u00e1pida, pero se carec\u00eda de registros hist\u00f3ricos.<\/p>\n![\"\"](\"https:\/\/lssq-consulting.com\/wp-content\/uploads\/003-1.jpg\")
<\/p>\nEtapa An\u00e1lisis<\/h4>\n
![\"\"](\"https:\/\/lssq-consulting.com\/wp-content\/uploads\/004-2.jpg\")
<\/p>\n![\"\"](\"https:\/\/lssq-consulting.com\/wp-content\/uploads\/005-1.jpg\")
<\/p>\n![\"\"](\"https:\/\/lssq-consulting.com\/wp-content\/uploads\/006-1-1024x337.jpg\")
<\/p>\n![\"\"](\"https:\/\/lssq-consulting.com\/wp-content\/uploads\/007-1.jpg\")
<\/p>\n![\"\"](\"https:\/\/lssq-consulting.com\/wp-content\/uploads\/008-1.jpg\")
<\/p>\n![\"\"](\"https:\/\/lssq-consulting.com\/wp-content\/uploads\/001-2.jpg\")
<\/p>\n![\"\"](\"https:\/\/lssq-consulting.com\/wp-content\/uploads\/002-2-1024x264.jpg\")
<\/p>\nEtapa Implantaci\u00f3n de la Mejora<\/h4>\n
\nv\u00eda, predecir el tiempo de entrega de un pedido y as\u00ed poder elegir la ruta id\u00f3nea.<\/p>\n![\"\"](\"https:\/\/lssq-consulting.com\/wp-content\/uploads\/001-3.jpg\")
<\/p>\nEtapa de Control<\/h4>\n