INTRODUCCIÓN

Una de las principales fuentes de empleo en el Perú es el sector textil y confección que representa el 8.9 % del total de la población económicamente activa (PEA). Gran parte de este empleo es generado por micro, pequeñas y medianas empresas (MIPYMEs) que contratan cerca de 302 mil trabajadores solamente en el rubro confecciones [1].

En [2] presenta cómo la contribución al valor agregado manufacturero es mayor en sectores productivos donde el índice de adopción-uso de tecnologías de información y comunicación (TICs) es alto. El sector textil y confección poseen índices de 0.69 y 0.52. Incrementar este índice generará que la productividad de las MIPYMES peruanas aumente.

Las TICs realizan la tarea de procesar información de manera rápida y confiable para la toma óptima de decisiones [3]. Dentro de las TICs se encuentra a la Simulación de Eventos Discretos (SED). Esta técnica es reconocida en [4] como la herramienta de investigación de operaciones más frecuentemente utilizada en industrias de manufactura, finanzas, salud, entre otras. Una encuesta realizada muestra en [5] que el modelado de simulación es usado en todos los niveles gerenciales de las 500 corporaciones más grandes en Estados Unidos. Además, donde la simulación se utilizó, se ahorró entre 5 % y 10 % del costo de capital.

La SED representa cuantitativamente sistemas del mundo real, simula sus dinámicas sobre una base de evento por evento y genera información detallada sobre su desempeño. Utilizándola se busca mejorar la productividad a través de rendimientos más altos, leads times más cortos, trabajos en proceso bajos y alta utilización de recursos. La SED evalúa, sin experimentar con el sistema real, el comportamiento de un proceso de manufactura bajo diferentes grupos de condiciones; analiza escenarios para identificar mejores condiciones físicas y políticas operacionales [5].

A partir de esta introducción, el artículo se basa en el estudio de SED desarrollado en la línea de confección de prendas de una pequeña empresa textil de Arequipa-Perú. Este trabajo tiene 4 secciones. La siguiente sección presenta el resumen de la metodología utilizada. La tercera sección presenta los resultados y discusión del estudio. Finalmente, la cuarta sección presenta las conclusiones.

MATERIALES Y MÉTODOS O METODOLOGÍA COMPUTACIONAL

El estudio de SED se desarrolló bajo la metodología propuesta en [6] que consta de 8 pasos presentados en la Figura 1.

Figura 1.
Pasos en un estudio de simulación

Mediante entrevistas al gerente, supervisor y visitas al proceso se evidenció el bajo nivel de utilización de recursos (operarios), cuellos de botella, tiempos de ciclo y tiempos totales de producción fuera del límite teórico establecido. Estos factores ocasionan la baja productividad en la línea y retrasos en la entrega de pedidos. El problema formulado nació por la necesidad del gerente de saber: ¿Cuánto va afectar a los factores de productividad el realizar cambios en la asignación de tareas y distribución física del personal? El objetivo es medir el impacto que tendrán los cambios propuestos en la productividad de la línea.

El modelo conceptual de la Figura 2 se diseñó recopilando información de la lógica y secuencia de operaciones del proceso para confeccionar un pedido de 120 polos cuello camisa. Este modelo establece que la línea trabaja con 13 operarios (cada letra de la Figura 2 representa un operario) distribuidos en 17 estaciones, algunos operarios trabajan en más de una estación. Se recolectó la información mediante un estudio de tiempos don- de se tomaron 100 muestras de tiempos por cada operación para generar con el analizador de datos Input Analyser distribuciones de probabilidad por cada operación. Cada distribución pasó la prueba Chi-cuadrado y Kolmogorov-Smirnov (K-S) con un p-value mayor a 0.05 (5 %) que indica un buen ajuste de los datos con la distribución [7]. La Tabla 2 muestra las distribuciones de probabilidad por cada operación.

El modelo de simulación se programó en el Software Arena versión libre. La verificación busca que el modelo se comporte como se planeó y la validación es asegurar que se comporta de la misma forma que el sistema real [8]. Ejecutando una réplica donde una sola entidad fluye por el modelo se comprobó que la lógica y datos son correctos. Para Validar el modelo se utilizó una prueba de hipótesis que comparó datos reales contra datos generados por el modelo [9]. La variable de comparación fue el número de polos cuello camisa producidos en un turno (8 horas). Se ejecutaron 10 réplicas del modelo y se comparó con los datos reales. Hechas las pruebas se concluyó que el modelo es válido. Con un modelo verificado y validado se planteó experimentar el escenario de mejora de la Figura 2 que mantiene la misma cantidad de recursos (13 operarios) pero se modifica el ordenamiento físico y la asignación de ciertas operaciones.

Figura 2.
Distribución y flujo en la línea de confección

RESULTADOS Y DISCUSIÓN

Se realizó 35 réplicas independientes del modelo de simulación del sistema actual y modificado (escenario de mejora) para evaluar el desempeño de la línea en producir un pedido de 120 polos cuello camisa. Variables como tiempo de ciclo promedio, tiempo en el sistema promedio y tiempo total de producción promedio y sus intervalos de confianza (IC) al 95 % se muestran en la Tabla 1, además del valor mínimo, máximo y % de reducción entre escenarios. El Escenario propuesto de mejora reduce en 12 %, 19 % y 10 % el tiempo promedio de ciclo, en el sistema y total de producción respectivamente.

Tabla 2.

Distribuciones de probabilidad por cada operación.

CONCLUSIONES

A través del modelo de simulación generado esta pequeña empresa textil podrá experimentar otras configuraciones de trabajo, medir el impacto productivo de adquirir nuevos activos (maquinaria), de contratar nuevo personal o de experimentar con la fabricación de nuevos productos, entre otras situaciones con el fin de evaluar que escenarios son los más adecuados para incrementar la productividad.

REFERENCIAS

[1] J. M. G. Carpio, “Estudio de investigación del sector textil y confecciones,” 2015-12.

[2] P. PRODUCE, “Boletín de producción manufacturera, marzo 2017,” 2017.

[3] P. E. de la Situación Actual, “de las empresas peruanas [en línea] ministerio de la producción: Perú. recuperado de (2015).”

[4] B. W. Hollocks, “Forty years of discrete-event simulation a personal reflection,” Journal of the Operational Research Society, vol. 57, no. 12, pp. 1383–1399, 2006.

[5] E. Ing, E. Babulak, and M. Wang, “Trends in discrete event simulation.”

[6] P. Sharma, “Simulación de evento discreto,” Revista internacional de investigación científica y tecnológica, vol. 4, no. 4, pp. 136–140, 2015.

[7] P. J. T. Vega, Simulación de Sistemas con el software Arena. Fondo editorial Universidad de Lima, 2017.

[8] W. D. Kelton, Simulation with ARENA. McGraw-hill, 2002.

[9] A. Goti, Discrete Event Simulations. BoD–Books on Demand, 2010.

Notas de autor

aqpmjinnova@gmail.com

Información adicional

Tipo de artículo: Artículos cortos

Temática: Tecnologías de la información y las comunicaciones

Enlace alternativo

https://revistas.ulasalle.edu.pe/innosoft/article/view/9 (html)

https://revistas.ulasalle.edu.pe/innosoft/article/view/9/4 (pdf)

https://revistas.ulasalle.edu.pe/innosoft/article/view/9/5 (html)

https://purl.org/42411/s1/a9 (html)

https://n2t.net/ark:/42411/s1/a9 (html)