Documente Academic
Documente Profesional
Documente Cultură
CALIDAD Y LA TECNOLOGIA
Joel Ross
y Michael Kami
Objetivos
1. Identificar las variables críticas para mejorar la
productividad.
2do trimestre:
3er trimestre:
Introducción
1. Operaciones y Productividad.
2. Estrategia de Operaciones.
3. Administración de Proyectos.
Introducción: Operaciones y Productividad
1. Logística y comercialización.
2. Producción y operaciones.
3. Finanzas y contabilidad.
1. Definición de servicio.
2. Crecimiento de los servicios.
3. Diferencias entre servicio y bienes.
Característica de los bienes
Producto tangible
Definición
consistente con el
producto
Usualmente la
producción se
separa del consumo
Se puede inventariar
Baja interacción con
el cliente
Característica de los servicios
Producto intangible
Se produce y consume al
mismo tiempo
A menudo único
Alta interacción con el
cliente
Definición de producto
inconsistente
Basado en conocimiento
Introducción: Operaciones y Productividad
El reto de la productividad
Definición: . . . . . . . . . . . .
Mejorar la productividad significa mejorar la eficiencia.
Medición
Un sólo factor A/B
Múltiples factores A/(B+C+D)
Introducción: Operaciones y Productividad
Ejemplo
A continuación se muestra resumen de rendimiento
agrícola (TCH) antes y después de la puesta en marcha de
un proyecto de inversión en riego por parte de TICSA en
2011. Identificar si se incremento la rentabilidad al incurrir
en $ 367 adicionales en operación de riego con un
incremento en rendimiento de 14 TCH cuyo precio es de
29.00 $/TM.
Introducción: Operaciones y Productividad
Variables de la productividad
Mano de obra: afectado por educación básica, alimentación y
gasto social, impacta en 10 a 20%.
Capital: la inversión de capital proporciona herramientas,
contribuye en un 38%, pensamiento determinista a largo plazo.
Administración: responsable del uso efectivo de la mano de obra
y capital para aumentar productividad, contribuye en un 52%
basado en tecnología y conocimiento.
Introducción: Estrategia de Operaciones
Proveedores Sustitutos
EMPRESA
Firmas rivales Compradores
Nuevos
participantes
INDUSTRIA INMEDIATA Y
ENTORNO COMPETITIVO
Modelo de cinco fuerzas de la competencia
Productos sustitutos
(de empresas en
otros sectores)
Proveedore Rivalidad
s de entre
Compradores
insumos vendedores
estratégicos competidores
Nuevos
participantes
potenciales
Introducción: Estrategia de Operaciones
Conflictos
Más capacidad
Variedad de productos
Costos
Metas inflexibles e inalcanzables
Mejores pronósticos de ventas
Operaciones eficientes en costo
Mejora de la calidad
Introducción: Estrategia de Operaciones
Rol de la estrategia
Ventas
R&D
Finzanzas
Plan Estratégico
Administración Operaciones
(Tecnología y Calidad)
Introducción: Estrategia de Operaciones
Estrategia
Plan de acción para lograr misión y metas
(FODA).
Mecanismo conceptual: diferenciación, costo
y respuesta.
Introducción: Estrategia de Operaciones
Ventaja competitiva mediante las operaciones
Diferenciación
Unicidad en valor agregado y experimentación
del cliente con el producto o servicio.
Costo
Obtención del máximo valor según lo percibe el
cliente.
Respuesta
Valores relacionados con el desempeño flexible,
confiable y rápida.
Introducción: Estrategia de Operaciones
10 Decisiones operativas que contribuyen a la
Estrategia
Enfoque repetitive
Linea de ensamblaje
Moderate
Producto enfocado
Conitnuo
Low
Utilidad neta
compañia
Flujo
Costos
de CD-ROMs
Motor de búsqueda -
efectivo
d ela
efectivo Pérdida
Estrategia
negativo
Venta iPods
s
Introducción Crecimiento Madurez Declinación
Xbox 360 Figure 5.1
Introducción: Estrategia de Operaciones
Análisis FODA
MISIÓN
Fortalezas Oportunidades
Internas Externas
Análisis
Debilidades Amenazas
Internas Externas
Estrategia
Introducción: Estrategia de Operaciones
Mapa de Actividades
Ventaja competitiva:
1.
2.
3.
Introducción: Estrategia de Operaciones
Consideracones de reducción de costos Alto
Estrategia Global Estrategia Transnacional
Texas Instruments Coca-Cola
Caterpillar Nestlé
Otis Elevator
Bajo
Bajo Alto
Consideraciones de respuesta local
Asignación en clases
Tiene 45 minutos.
Introducción: Administración de proyectos
Definiendo proyecto.
Conjunto de actividades planificadas para alcanzar un objetivo
definido por presupuesto, especificaciones y horizonte de tiempo.
Características
Trabajo único
Muchas actividades relacionadas
Temporal pero crucial
Tareas complejas que requieren habilidades especiales.
Introducción: Administración de proyectos
1. Definir idea.
2. Establecer objetivos.
3. Crear estructura de trabajo.
4. Determinar recursos.
5. Definir organización de
personas.
Introducción: Administración de proyectos
1. Identificar actividades.
2. Identificar tiempos y costos por
actividad.
3. Estimar requerimientos de personal y
materiales.
4. Implementar las actividades según
avance de las fases de proyecto y
predecesores ejecutados.
Introducción: Administración de proyectos
1. Identificar indicadores de
evaluación.
2. Seleccionar tipos y
herramientas de
evaluación.
3. Crear mapa o registro de
evaluación.
Introducción: Administración de proyectos
1. Gráficas Gantt.
2. PERT – Program Evaluation and Review Technique.
3. CPM – Critical Path Method
Bibliografía
George, Michael. 2005. The lean six sigma pocket
toolbook. McGraw-Hill.
Suplemento de Pronósticos:
Series de tiempo y regresión
Objetivos
1. Aplicar y entender el uso de MT en situaciones reales.
Conceptos
Análisis cuantitativo
Es una aproximación científica para la toma de decisiones basado en datos
con información significativa.
Factores cualitativos
Datos e Información complicada en cuantificar, pero que puede afectar el
proceso de toma de decisiones, animo laboral, paradigmas, etc.
Análisis Información
Datos Cuantitativo Significativa
Introducción al análisis cuantitativo
Definir
el problema
Desarrollar
un modelo
Recolectar
datos (X,Y)
Desarrollar
una solución
Probar
la solución
Analizar
los resultados
Implementar
Introducción al análisis cuantitativo
Definir el problema
Claro y conciso enunciado que facilite dirección y enfoque a las
etapas del MT, así como el desarrollo de objetivos específicos y
medibles.
Desarrollo del modelo
Enunciado matemático solido y entendible que muestre la
relación entre variables.
Introducción al análisis cuantitativo
Recolección de datos
Calidad y claridad de datos permitirán hacer los
correctos análisis. Verificar los sistemas de
medición por la amplia fuente de origen de datos.
Garbage In = Garbage Out
Propuesta de solución
Realizada mediante el estudio de las variables,
determinación de su impacto sobre la variabilidad
asignable e inherente.
Desarrollo de enunciados, algoritmos y enfoques
(prueba y error).
Introducción al análisis cuantitativo
Probando modelos
Validación de los datos multifuentes y modelo
para determinar consistencia y sensibilidad.
Análisis de resultados
Entender las acciones que implica la propuesta
de solución así como su sensibilidad ante el
cambio de las variables.
El análisis de sensibilidad permite responder los
posibles eventos.
Introducción al análisis cuantitativo
Implementación
Incorporación de la propuesta y su plan de acción
con el consistente monitoreo y seguimiento para
ajustar y cumplir los objetivos planeados.
Pronósticos
Modelo Cualitativo: Métodos Serie tiempo: Métodos Causal :
incluye factores incluye data histórica en incluye una variedad
subjetivos el tiempo de factores
Proyecciones
Fuerza de de tendencia
ventas
Descomposición
Encuestas al
consumidor
Pronósticos
¿Qué es pronóstico?
(errors)
2
= Mean Squared Error (MSE)
n
error
= actual
100% Mean Absolute Percent Error (MAPE)
n
Series de Tiempo
Componentes de una serie de tiempo
250
Ciclico
150
50 Aleatorio
-50
-150
0 1 2 3 4 5
Time (Years)
Análisis de Tendencia
Se utilizada para:
1. Detectar tendencias de los datos en el tiempo.
2. Detectar estacionalidad de los datos.
3. Comparar tendencias a través de grupos.
3.B
2.B
5.B
4.B
Análisis de Tendencia
Data Equipment
Length 60
NMissing 0
Accuracy Measures
MAPE 2.0252
MAD 7.0948
MSD 79.6361
Forecasts
Period Forecast
61 389.967
62 391.748
63 393.552
Descomposición
Se utiliza para separar las series de tiempo en los
componentes de tendencia lineal y estacional, así como de
error y proveer pronósticos.
3
Descomposición
Promedio Móvil
Suaviza los datos en una serie de tiempo y provee
pronósticos a corto plazo.
22 –
20 –
18 –
16 –
14 –
12 –
10 –
| | | | | | | | | | | |
E F M A M J J A S O N D
Promedio Móvil
2
4
3
Promedio móvil
Promedio Móvil Ponderado
Introduce el uso de pesos para dar mayor énfasis a los periodos recientes.
January 10
February 12
March 13
April 16 [(3 x 13) + (2 x 12) + (10)]/6 = 121/6
May 19 [(3 x 16) + (2 x 13) + (12)]/6 = 141/3
June 23 [(3 x 19) + (2 x 16) + (13)]/6 = 17
July 26 [(3 x 23) + (2 x 19) + (16)]/6 = 201/2
Promedio Móvil y Ponderado
Problemas potenciales
9 ? 179= 178.22+0.10(182-178.22)
Suavización Exponencial Simple
225 –
Comportamiento = .5
Se escogen valores de
Actualaltos
200 –
Ton / viaje
2
1
Suavización Exponencial Doble
Double Exponential Smoothing for Equipment
Data Equipment
Length 60
Smoothing Constants
Alpha (level) 0.941450
Gamma (trend) 0.043964
Accuracy Measures
MAPE 2.169
MAD 7.543
MSD 110.998
Forecasts
Period Forecast Lower Upper
61 398.564 380.084 417.045
62 400.393 373.237 427.549
63 402.221 365.894 438.549
Modelos de Regresión y Pronóstico
Modelo Cualitativo: Métodos Serie tiempo: Métodos Causal :
incluye factores incluye data histórica en incluye una variedad
subjetivos el tiempo de factores
Proyecciones
Fuerza de de tendencia
ventas
Descomposición
Encuestas al
consumidor
Modelos de Regresión y Pronóstico
Error de predicción
1. Mean Absolute Deviation (MAD)
∑ |forecast error |/n
2. Mean Square Error (MSE)
∑ |forecast error ^2|/n
3. Mean Absolute Percent Error (MAPE)
∑ |forecast error / real obs |/n
Modelos de Regresión y Pronóstico
Y = f(X)
Modelos de Regresión y Pronóstico
1. Plan de recolección de datos
Definición de variables (respuesta y predictivas).
2. Desarrollar modelo para eliminar “trivials many”
Eliminar variables con bajo efecto en la respuesta (gráficos y
estadísticos).
Combinación de factores.
3. Seleccionar y refinar modelo
“Vitals few”; 2 ó 3 factores que aportan el 80/20.
4. Validar modelo
Residuales y datos actuales.
Observaciones
1. Medición de relaciones lineales
2. Inapropiado concluir relación causal, se amerita DOE.
3. Alta sensibilidad a valores extremos.
Modelos de Regresión y Pronóstico
Valor de P,
a) P > α; Afirmación que no existe relación lineal.
b) P < α; Afirmación que existe relación lineal.
c) Niveles; 0.05 y 0.10
Resultado,
Relaciones lineales positivas y negativas.
Relaciones no lineales.
Hipótesis nula
Decisión Verdadera Falsa
No rechazar Ho Decisión correcta Error tipo 1
Rechazar Ho Error tipo 2 Decisión correcta
Modelos de Regresión y Pronóstico
Modelos de Regresión y Pronóstico
Uso de gráficas de dispersión:
Examinar la relación entre dos
variables.
Verificar si hay valores
atípicos.
Crear una gráfica de serie de
tiempo con datos irregulares
que dependen del tiempo.
Gráfica X,Y
X es la variable independiente,
factor o predictiva.
Y es la variable dependiente,
estudio o respuesta.
Modelos de Regresión y Pronóstico
2. George, Michael. 2005. The lean six sigma pocket toolbook. McGraw-Hill.
5. T.P. Ryan.1989. Statistical Methods for Quality Improvement. John Wiley & Sons.