Uso de Herramientas Avanzadas de Análisis de Datos para automatizar DMAIC: Revisión Sistemática y Esquema de Simulación en RStudio
Resumen
La literatura es extensa en cuanto a la integración de herramientas avanzadas de análisis de datos (HAAD) —como análisis de big data (ABD), minería de datos (MD), minería de procesos (MP) y aprendizaje automático (AA) — con la metodología de mejora continua “Definir, Medir, Analizar, Mejorar, Controlar” (DMAIC, por sus siglas en inglés). Este estudio buscó identificar patrones de vinculación entre HAAD y DMAIC para el desarrollo de un sistema de mejora continua autogestionados (SMCA). Se realizó una revisión sistemática de literatura (RSL) aplicando criterios de selección y análisis de estudios estandarizados en cinco bases de datos principales (IEEE Xplore, ScienceDirect, Springer, Taylor & Francis y Wiley), analizando 1,189 estudios para seleccionar 18 documentos clave. Los resultados revelaron que técnicas de AA — como red neuronal artificial (RNA) y red neuronal profunda (RNP) ambas con 30% de vinculación — predominaron en la fase de Analizar, siendo RNP utilizada además en la fase de Mejorar en un 66%, no obstante, con vacíos críticos en Definir y Medir. Por otro lado, en el área de MD se identificó un vacío de implementación en la fase de Controlar. Se desarrolló un esquema ilustrativo de simulación (EIS), que utiliza vinculaciones secuenciales en DMAIC: (1) Definir: descubrimiento de proceso, SIPOC (por sus siglas en inglés: Suppliers, Inputs, Process, Outputs, Customers); (2) Medir: MD, capacidad de proceso (Cp, Cpk); (3) Analizar: análisis predictivo, análisis de regresión; (4) Mejorar: RNP, metodología de superficie de respuesta (MSR); (5) Controlar: monitoreo en tiempo real, gráficos de control. RStudio fue plataforma central y librerías clave como “bupaR” (Minería de Procesos) y “caret” (Modelos Predictivos) fueron consideradas para el desarrollo metodológico del EIS. Este marco muestra la viabilidad teórica de sistemas SMCA que puede ser usado en futuras investigaciones para validar su funcionalidad en diferentes entornos.
Descargas
Citas
Abu Bakar, F. A., Subari, K. y Mohd Daril, M. A. (2015). Critical success factors of Lean Six Sigma deployment: a current review. International Journal of Lean Six Sigma, 6(4), 339-348. https://doi.org/10.1108/IJLSS-04-2015-0011
Addo-Tenkorang, R. y Helo, P. T. (2016). Big data applications in operations/supply-chain management: a literature review. Computers and Industrial Engineering, 101, 528-543. https://doi.org/10.1016/j.cie.2016.09.023
Antony, J., Sony, M., Dempsey, M., Brennan, A., Farrington, T. y Cudney, E. A. (2019). An evaluation into the limitations and emerging trends of Six Sigma: an empirical study. TQM Journal, 31(2), 205-221. https://doi.org/10.1108/TQM-12-2018-0191
Belhadi, A., Kamble, S. S., Gunasekaran, A., Zkik, K., Dileep Kumar, M. y Touriki, F. E. (2023). A Big Data Analytics-driven Lean Six Sigma framework for enhanced green performance: a case study of chemical company. Production Planning and Control, 34(9), 767-790. https://doi.org/10.1080/09537287.2021.1964868
Bhat, V. S., Bhat, S. y Gijo, E. V. (2021). Simulation-based lean six sigma for Industry 4.0: an action research in the process industry. International Journal of Quality and Reliability Management, 38(5), 1215-1245. https://doi.org/10.1108/IJQRM-05-2020-0167
Sekar R. C., Vimal K.E.K., Paranitharan K.P. y Anbumalar V. (2023). Intelligent VSM Model: a way to adopt Industry 4.0 Technologies in Manufacturing Industry. Preprint. https://doi.org/10.21203/rs.3.rs-2702005/v1
Chi, H. M., Ersoy, O. K., Moskowitz, H. y Altinkemer, K. (2007). Toward automated intelligent manufacturing systems (AIMS). INFORMS Journal on Computing, 19(2), 302-312. https://doi.org/10.1287/ijoc.1050.0171
Chiarini, A. y Kumar, M. (2021). Lean Six Sigma and Industry 4.0 integration for Operational Excellence: evidence from Italian manufacturing companies. Production Planning and Control, 32(13), 1084-1101. https://doi.org/10.1080/09537287.2020.1784485
Dogan, O. y Gurcan, O. F. (2018). Data Perspective of Lean Six Sigma in Industry 4.0 Era: a Guide To Improve Quality. Proceedings of the International Conference on Industrial Engineering and Operations Management (pp. 943-953). Paris, Francia: IEOM Society
Feng, Q. Q., Liu, L. y Zhou, X. (2020). Automated multi-objective optimization for thin-walled plastic products using Taguchi, ANOVA, and hybrid ANN-MOGA. International Journal of Advanced Manufacturing Technology, 106(1-2), 559-575. https://doi.org/10.1007/s00170-019-04488-2
Garza, R., Sánchez, G., González, R. y Asco, H. (2016). Aplicación de la metodología DMAIC de Seis Sigma con simulación discreta y técnicas multicriterio. Revista de Métodos Cuantitativos para la Economía y la Empresa, 22, 19-35.
https://doi.org/10.46661/revmetodoscuanteconempresa.2337
Gaudard, M., Ramsey, P. y Stephens, M. (2009). Interactive Data Mining Informs Designed Experiments. Quality and Reliability Engineering International, 25(3), 299-315. https://doi.org/10.1002/qre.971
George, M. L., Rowlands, D. y Kastle, B. (2005). What is Lean Six Sigma? McGraw-Hill.
Gupta, S., Modgil, S. y Gunasekaran, A. (2020). Big data in lean six sigma: a review and further research directions. International Journal of Production Research, 58(3), 947-969. https://doi.org/10.1080/00207543.2019.1598599
Harry, M. J. y Schroeder, R. (2006). Six Sigma: the breakthrough management strategy revolutionizing the world’s top corporations (2nd ed.). Currency Doubleday.
Horsthofer-Rauch, J., Guesken, S. R., Weich, J., Rauch, A., Bittner, M., Schulz, J. y Zaeh, M. F. (2024). Sustainability-integrated value stream mapping with process mining. Production and Manufacturing Research, 12(1), 2334294. https://doi.org/10.1080/21693277.2024.2334294
Kitchenham, B. y Charters, S. (2007). Guidelines for performing systematic literature reviews in software engineering. EBSE Technical Report EBSE-2007-01; Keele University & University of Durham. https://www.researchgate.net/publication/302924724
Koppel, S. y Chang, S. (2021). MDAIC - a Six Sigma implementation strategy in big data environments. International Journal of Lean Six Sigma, 12(2), 432-449. https://doi.org/10.1108/IJLSS-12-2019-0123
Kregel, I., Stemann, D., Koch, J. y Coners, A. (2021). Process Mining for Six Sigma: utilising Digital Traces. Computers and Industrial Engineering, 153. https://doi.org/10.1016/j.cie.2020.107083
Kumar, N., Kumar, G. y Singh, R. K. (2021). Big data analytics application for sustainable manufacturing operations: analysis of strategic factors. Clean Technologies and Environmental Policy, 23(3), 965-989. https://doi.org/10.1007/s10098-020-02008-5
Laux, C., Li, N., Seliger, C. y Springer, J. (2017). Impacting Big Data analytics in higher education through Six Sigma techniques. International Journal of Productivity and Performance Management, 66(5), 662-679. https://doi.org/10.1108/IJPPM-09-2016-0194
Macias-Aguayo, J., Garcia-Castro, L., Barcia, K. F., McFarlane, D. y Abad-Moran, J. (2022). Industry 4.0 and Lean Six Sigma Integration: A Systematic Review of Barriers and Enablers. Applied Sciences, 12(22), 11321. https://doi.org/10.3390/app122211321
Maged, A., Haridy, S., Awad, M. y Shamsuzzaman, M. (2024). Machine Learning Aided Six Sigma: Perspective and Practical Implementation. IEEE Transactions on Engineering Management, 71, 1519-1530. https://doi.org/10.1109/TEM.2023.3335237
Manimuthu, A., Venkatesh, V. G., Raja Sreedharan, V. y Mani, V. (2022). Modelling and analysis of artificial intelligence for commercial vehicle assembly process in VUCA world: a case study. International Journal of Production Research, 60(14), 4529-4547. https://doi.org/10.1080/00207543.2021.1910361
Montgomery, D. C. (2005). Introduction to statistical quality control (5th ed.). John Wiley & Sons.
Narkhede, G., Mahajan, S., Narkhede, R. y Chaudhari, T. (2024). Significance of Industry 4.0 technologies in major work functions of manufacturing for sustainable development of small and medium-sized enterprises. Business Strategy and Development, 7(1), e325. https://doi.org/10.1002/bsd2.325
Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D., Shamseer, L., Tetzlaff, J. M., Akl, E. A., Brennan, S. E., Chou, R., Glanville, J., Grimshaw, J. M., Hróbjartsson, A., Lalu, M. M., Li, T., Loder, E. W., Mayo-Wilson, E., McDonald, S., … Moher, D. (2021). The PRISMA 2020 statement: An updated guideline for reporting systematic reviews. The BMJ, 372(71). https://doi.org/10.1136/bmj.n71
Palací-López, D., Borràs-Ferrís, J., da Silva de Oliveria, L. T. y Ferrer, A. (2020). Multivariate six sigma: a case study in industry 4.0. Processes, 8(9), 1119. https://doi.org/10.3390/PR8091119
Petersen, K., Vakkalanka, S. y Kuzniarz, L. (2015). Guidelines for conducting systematic mapping studies in software engineering: an update. Information and Software Technology, 64, 1-18. https://doi.org/10.1016/j.infsof.2015.03.007
Pongboonchai-Empl, T., Antony, J., Garza-Reyes, J. A., Komkowski, T. y Tortorella, G. L. (2023). Integration of Industry 4.0 technologies into Lean Six Sigma DMAIC: a systematic review. Production Planning and Control, 35(12), 1403-1428. https://doi.org/10.1080/09537287.2023.2188496
Pyzdek, T. (2003). The Six Sigma Handbook: A complete guide for green belts, black belts, and managers at all levels (2nd ed.). McGraw-Hill.
Raut, T. D. (2020). The Improvement of Manufacturing Process by Using Quality Tools. International Journal of Engineering Research & Science (IJOER), 5(3), 1-6. https://easychair.org/publications/preprint/9RLZ/open
Razi A., Anwer I. B. y Muhammad F. (2019). Process Mining in Data Science: a Literature Review. In 13th International Conference on Mathematics, Actuarial Science, Computer Science and Statistics (MACS), Karachi, Pakistan, 1-9. IEEE. https://doi.org/10.1109/MACS48846.2019.9024806
Sanchez-Marquez, R. y Jabaloyes Vivas, J. (2020). Multivariate SPC methods for controlling manufacturing processes using predictive models - A case study in the automotive sector. Computers in Industry, 123, 103307. https://doi.org/10.1016/j.compind.2020.103307
Schafer, F., Schwulera, E., Otten, H. y Franke, J. (2019). From descriptive to predictive six sigma: Machine learning for predictive maintenance. Proceedings - 2019 2nd International Conference on Artificial Intelligence for Industries, USA, AI4I 2019, 35-38. IEEE. https://doi.org/10.1109/AI4I46381.2019.00017
Tissir, S., Cherrafi, A., Chiarini, A., Elfezazi, S. y Bag, S. (2023). Lean Six Sigma and Industry 4.0 combination: scoping review and perspectives. Total Quality Management and Business Excellence, 34(3-4), 261-290. https://doi.org/10.1080/14783363.2022.2043740
Weichert, D., Link, P., Stoll, A., Rüping, S., Ihlenfeldt, S. y Wrobel, S. (2019). A review of machine learning for the optimization of production processes. International Journal of Advanced Manufacturing Technology, 104(5-8), 1889-1902. https://doi.org/10.1007/s00170-019-03988-5
Yamamoto, Y., Muñoz, A. A. y Sandström, K. (2024). Practical Aspects of Designing a Human-centred AI System in Manufacturing. Procedia Computer Science, 232, 2626-2638. https://doi.org/10.1016/j.procs.2024.02.081
Yang, H., Rao, P., Simpson, T., Lu, Y., Witherell, P., Nassar, A. R., Reutzel, E. y Kumara, S. (2021). Six-Sigma Quality Management of Additive Manufacturing. En Proceedings of the IEEE (Vol. 109, Número 4, pp. 347-376). Institute of Electrical and Electronics Engineers Inc. https://doi.org/10.1109/JPROC.2020.3034519
Esta obra está bajo licencia internacional Creative Commons Reconocimiento 4.0.
Con el propósito de promover el desarrollo y divulgación de la investigación en educación en América Latina, en La Revista Iberoamericana para la Investigación y el Desarrollo Educativo (RIDE) se adhirió a la Iniciativa de Acceso Abierto de Budapest, por lo que se identifica como una publicación de acceso abierto. Esto significa que cualquier usuario puede leer el texto completo de los artículos, imprimirlos, descargarlos, copiarlos, enlazarlos, distribuirlos y usar los contenidos para otros fines. Las licencias Creative Cummons, permiten especificar los derechos de uso de una revista de acceso abierto disponible en Internet de tal manera que los usuarios conocen las reglas de publicación.
Los autores/as que publiquen en esta revista aceptan las siguientes condiciones:
Los autores/as conservan los derechos de autor y ceden a la revista el derecho de la primera publicación, con el trabajo registrado con la licencia de atribución de Creative Commons, que permite a terceros utilizar lo publicado siempre que mencionen la autoría del trabajo y a la primera publicación en esta revista.
Los autores/as pueden realizar otros acuerdos contractuales independientes y adicionales para la distribución no exclusiva de la versión del artículo publicado en esta revista (p. ej., incluirlo en un repositorio institucional o publicarlo en un libro) siempre que indiquen claramente que el trabajo se publicó por primera vez en esta revista.
Se permite y recomienda a los autores/as a publicar su trabajo en Internet (por ejemplo en páginas institucionales o personales) antes y durante el proceso de revisión y publicación, ya que puede conducir a intercambios productivos y a una mayor y más rápida difusión del trabajo publicado
