La Influencia de La Industria 4.0 y Otros Factores Determinantes en La Implementación Lean

LA INFLUENCIA DE LA INDUSTRIA 4.
0 Y
OTROS FACTORES DETERMINANTES EN
LA IMPLANTACIÓN LEAN
THE INFLUENCE OF INDUSTRY 4.0 AND

OTHER DRIVERS ON LEAN
IMPLEMENTATION
Programa de Doctorado en Ciencias Económicas,

Empresariales y Jurídicas
Alumno: Francisco Javier Alfonso Ruiz

Directores: Dra. Eva Martínez Caro y Dr. Juan Gabriel Cegarra
2020
ii
iv
vi
AGRADECIMIENTOS
Una tesis es un largo camino que suele conllevar cambios en la persona que la realiza, y
que requiere del apoyo de muchas personas para seguir en la senda correcta. En mi caso,
estos tres años han vislumbrado mi boda y el nacimiento de mis dos hijas, por lo que
podríamos decir que soy una persona totalmente diferente cuando empecé, que ahora que
estoy acabando.
El agradecimiento más especial es a mi mujer, Lorena, que siempre me ha apoyado y me
ha echado un cable cuando era necesario. Somos una extraña pareja, a la cual le gusta
estudiar, y lo tenemos como hobby. Esto sin duda hace que todo sea más sencillo. Ahora
es momento de entregarle el testigo y que sea ella la que inicie su camino de la tesis
doctoral.
A mis dos hijas, Rocío y Sofía, me gustaría nombrarlas para que cuando lean esto en el
futuro encuentren la motivación necesaria y que se apasionen estudiando. El estudio nos
moldea como personas y nos hace mejores, y lo más importante, nos aporta conocimiento,
que tal vez sea el mayor de los tesoros que se puedan encontrar. El estudio nos da armas
para tener un espíritu crítico, y poder disponer de nuestros propios argumentos, no
asimilando todo lo que se nos dice sin ponerlo en duda. Os animo hijas a que estudiéis lo
máximo que podáis, que no creáis ciegamente lo que oigáis y leáis, y que apliquéis vuestro
criterio, que seáis exigentes con vosotras mismas y con el mundo, que no os conforméis.
A mis tutores de tesis, Eva y JuanGa, por ser unos grandes profesionales, y por empujarme
cuando era el momento para poder terminar. Perfiles como el de ellos hacen mejor a la
UPCT, la hacen diferente, velando porque la Universidad mantenga un alto nivel de
excelencia. Ha sido una bonita aventura la que he pasado con ellos, y es un orgullo tener
mi nombre puesto junto al de ellos en tres artículos publicados.
No me gustaría despedirme sin tener un recuerdo hacia la empresa Saint-Gobain Weber,
que tan amablemente accedió a colaborar en el estudio. Especialmente a David Crespi,
Director Industrial internacional, por haberme puesto en contacto con toda la
organización multinacional de la empresa, lo cual sin duda fue de gran ayuda para obtener
las respuestas y participación que buscábamos.
– There is always something you can improve –
vii
viii
RESUMEN / ABSTRACT
En la empresa actual, y en un entorno globalizado como en el que nos encontramos,
resulta de vital importancia tener unos procesos eficientes y eficaces, capaces de
suministrar el producto o servicio en el plazo adecuado, en la cantidad adecuada, y con el
mínimo coste posible. Desde hace varias décadas, la metodología Lean aporta a las
empresas herramientas enfocadas a la mejora gradual y continua de su cadena de valor,
haciéndolas más competitivas. Pese a esto, no resulta difícil encontrar implantaciones
Lean fracasadas, aún con el esfuerzo e inversión iniciales, lo cual conlleva una gran
pérdida de tiempo y dinero.
Por otro lado, la Industria 4.0 se está erigiendo como la nueva revolución industrial, la de
los sistemas ciber-físicos, encaminada a la digitalización e interconectividad de los
sistemas productivos a través de la aplicación industrial de las tecnologías de la
información. Será crítico en las empresas del futuro adaptar de forma adecuada sus
procesos/servicios a esta nueva era digital.
El propósito de esta tesis es, por un lado, determinar cuáles son las barreras de
implantación de la filosofía Lean más habituales, y por otro, analizar las herramientas de
la Industria 4.0 más utilizadas para, posteriormente, centrarse en la interacción entre
ambos mundos, el de mejora continua y el digital. Se pretende hacer especial hincapié en
la digitalización de los sistemas orientados hacia un Lean digital y adaptados a la realidad
futura de los entornos industriales, de manera que no sólo se eviten las fricciones entre
ambos enfoques, sino que se aproveche la Industria 4.0 para atenuar las históricas barreras
de implementación del Lean Manufacturing, potenciando y mejorando estos sistemas.
Pese a ser un tema de gran interés para las empresas, actualmente no se disponen de
estudios científicos que demuestren que la digitalización de las empresas a través de la
Industria 4.0 puede atenuar las barreras de implantación de sistemas Lean y mejorar, por
tanto, el impacto de estos sistemas de mejora continua en los resultados de las empresas.
A través de un estudio en profundidad realizado dentro de la empresa multinacional Saint-
Gobain, mediante el análisis cuantitativo en 93 fábricas distribuidas en más de 10 países,
se ha conseguido demostrar estadísticamente la relación positiva que las herramientas
digitales tienen en la implantación Lean y, por ende, en los resultados de la empresa.
Los resultados obtenidos son de gran ayuda para aquellas empresas inmersas en proyectos
Lean de mejora continua, así como en otras cuyos sistemas hayan perdido relevancia con
el paso del tiempo. Además, se suple en parte la falta de conocimiento en esta área, ya
que como se ha señalado anteriormente apenas hay artículos científicos que demuestren
esta relación positiva. Por último, pero no por eso menos importante, el haber hecho el
estudio desde dentro de uno de los grupos industriales mayores a nivel mundial, otorga a
esta investigación un grado de aplicabilidad elevado por su estrecha cercanía al mundo
de las empresas.
[Palabras Clave]. Lean Manufacturing, Industria 4.0, barreras implantación lean,
digitalización, mejora continua, resultados empresariales.
ix
x
SUMMARY / ABSTRACT
In today's company, and in a globalized environment such as the one we find ourselves
in, it is vitally important to have efficient and effective processes, capable of supplying
the product or service in the right time, in the right quantity, and at the lowest possible
cost. For several decades, the Lean methodology has provided companies with tools
focused on the gradual and progressive improvement of their value chain, making them
more competitive. Despite this, it is not difficult to find failed Lean implementations,
even with the initial effort and investment, which leads to a great loss of time and money.
On the other hand, Industry 4.0 is emerging as the new industrial revolution, the one of
the cyber-physical systems, aimed at the digitalization and interconnectivity of
production systems through the industrial application of information technologies. It will
be critical in the companies of the future adequately adapt their processes/services to this
new digital era.
The purpose of this thesis is, on one hand, to determine which are the most common
barriers for the implementation of the Lean philosophy, and on the other hand, to analyze
the tools of Industry 4.0 most used. Finally, it will be focused on the interaction between
both worlds, digital and continuous improvement, with special emphasis on the
digitalization of these systems towards a digital Lean and adapted to the future reality of
industrial environments, so that not only friction between both approaches is avoided, but
also Industry 4.0 is used to mitigate the historical barriers to the implementation of Lean
Manufacturing, enhancing and improving these systems.
Despite being a topic of great interest for companies, currently there are no scientific
studies showing that the digitalization of companies through Industry 4.0 can mitigate the
barriers to Lean implementation, and therefore improve the impact of these systems of
continuous improvement in the results of companies.
Through an in-depth study carried out within the multinational company Saint-Gobain,
by means of the quantitative analysis in 93 factories distributed in more than 10 countries,
it has been possible to statistically demonstrate the positive relationship that digital tools
have in the implementation of Lean, and therefore in the results of the company.
The results obtained are of great help for those companies immersed in Lean projects of
continuous improvement, as well as in others whose systems have lost relevance over
time. In addition, the lack of knowledge in this area is partly solved, since as we said there
are hardly any scientific articles that demonstrate this positive relationship. Last, but not
least, having made the study from within one of the largest industrial groups worldwide,
gives this research a high degree of applicability due to its close proximity to the business
world.
[Keywords]. Lean Manufacturing, Industry 4.0, barriers to lean implementation,

digitalization, continuous improvement, business results.
xi
xii
ÍNDICES
xiii
xiv
ÍNDICE GENERAL
CAPITULO 1. INTRODUCCIÓN........................................................... 1
1.1 Introducción .......................................................................... 3
1.2 Objetivos de la investigación ................................................ 10
1.3 Descripción de contenidos .................................................... 12
CAPÍTULO SEGUNDO: FUNDAMENTOS TEÓRICOS....................... 10

2.1 Herramientas Lean ............................................................... 13
2.2 Barreras Lean......................................................................... 16
2.3 Industria 4.0 .......................................................................... 20
2.4 Herramientas digitales de la Industria 4.0 ............................ 23
2.5 Interacción Lean / Industria 4.0 ............................................ 30
2.5.1 Factores Externos ...................................................... 31
2.5.2 Factores Internos ....................................................... 35
2.6 Atenuación de las barreas Lean a través de la Industria 4.0 45
2.7 Conclusiones ......................................................................... 53
CAPITULO 3. MARCO CONCEPTUAL: PLANTEAMIENTO

DE HIPÓTESIS....................................................................................... 55
3.1 Introducción ......................................................................... 57

3.2 Marco conceptual ................................................................. 57
3.2.1 Relación entre mejora continua y resultados
empresariales ………….............................................. 57
3.2.2 Papel mediador de la digitalización en la relación entre
mejora continua y resultados empresariales ...…........ 60
xv
CAPÍTULO 4: DISEÑO Y METODOLOGÍA DE LA
INVESTIGACIÓN.................................................................................... 71
4.1 Toma de datos ...................................................................... 73
4.2 Medidas ................................................................................ 75
4.3 Análisis ................................................................................. 77
4.3.1 Valoración del modelo de medida ............................ 78
4.3.2 Valoración del modelo estructural ........................... 87
CAPITULO 5. ANÁLISIS DE LOS RESULTADOS................................. 91

5.1 Análisis descriptivo ............................................................ 93
5.1.1 Análisis descriptivo de ítems relacionados con el
perfil de la muestra ............................................................ 93
5.1.2 Análisis descriptivo de la variable “Mejora Continua” 95
5.1.3 Análisis descriptivo de la variable “Digitalización” 96
5.1.2 Análisis descriptivo de la variable “Resultados
Empresariales” …................................................................ 96
5.2 Análisis de los resultados del modelo estructural .............. 97
CAPITULO 6. DISCUSIÓN, CONCLUSIONES, LIMITACIONES,

FUTURAS LÍNEAS DE INVESTIGACIÓN Y APORTACIONES ......... 101
6.1 Discusión y conclusiones..................................................... 103

6.2 Implicaciones prácticas ....................................................... 108
6.3 Limitaciones y líneas futuras de investigación.................... 111
6.4 Aportaciones derivadas de la tesis....................................... 112
REFERENCIAS BIBLIOGRÁFICAS....................................................... 113
ANEXO.................................................................................................... 127
xvi
xvii
ÍNDICE DE TABLAS
Tabla 1.1. Principales plataformas de difusión digital en la Industria 4.0 ……………… 4

Tabla 2.1. Principales herramientas y/o actividades LEAN, y su digitalización a través
del uso de la Industria 4.0 ………………………………………………………………46
Tabla 2.2. Ventajas obtenidas por la aplicación de la Industria 4.0 en la atenuación de las
barreras Lean. …………………………………………………………………………. 55
Tabla 4.1. Listado de ítems de la variable Mejora Continua. ……………………….…. 75
Tabla 4.2. Listado de ítems de la variable Digitalización ……………………………... 76
Tabla 4.3. Listado de ítems de la variable Resultados Empresariales……………….…. 76
Tabla 4.4. Tabla 4.4. Análisis multicolinealidad inicial modo B. …………….………. 80
Tabla 4.5. Valoración de los pesos de los indicadores, modo B ………………….....… 80
Tabla 4.6. Criterios de evaluación modelos PLS-SEM. …………..…….……………. 81
Tabla 4.7. Análisis fiabilidad individual del ítem (Modo A) ………………………….. 82
Tabla 4.8. Análisis fiabilidad del constructo y validez convergente ……..……............. 84
Tabla 4.9. Análisis de la validez discriminante por el criterio de Fornell-Lacker …….. 85
Tabla 4.10. Análisis de la validez discriminante mediante el ratio HTMT ……….….…85
Tabla 4.11. Valoración del modelo de medida (saturado) …………………………...… 86
Tabla 4.12. Boostrap-based inference statistics of the SRMR. …………………………86
Tabla 4.13. The unweighted least squares discrepancy……. ……………………..…… 86
Tabla 4.14. The geodesic discrepancy. ……...……………………………………..….. 86
Tabla 4.15. Valoración colinealidad variables antecedentes…………...……………. 87
Tabla 4.16. Evaluación signo coeficiente Path ………………………………..……….. 88
Tabla 4.17. Varianza explicada. ………………………………………...……………. 89
Tabla 4.18. Tamaño del efecto ………………………………………………..……….. 90
Tabla 5.1. Magnitud coeficiente Path…………………………………………..……… 98
Tabla 5.2. Intervalos de confianza del coeficiente Path. ………………………………. 98
Tabla 5.3. Magnitud coeficiente Path efectos indirectos………………………..……… 99
Tabla 5.4. Intervalos de confianza del coeficiente Path efectos indirectos.……………. 99
Tabla 5.5 Aceptación final hipótesis…………………………………………………… 99
xviii
ÍNDICE DE FIGURAS
Figura 1.1. Principales plataformas de difusión de la I-4.0 …………………………… 4

Figura 2.1. Desperdicios en Lean …………………………………………………….. 15
Figura 2.2. Evolución hacia la Industria 4.0 ……..…………………………………… 21
Figura 2.3. El templo de las fases de la I-4.0 ………………………………………… 22
Figura 2.4. Listado de herramientas principales en I-4.0 …………………………... 25
Figura 2.5. Impacto de la Industria 4.0 en los factores externos ……………………... 31
Figura 2.6. Impacto de la Industria 4.0 en los factores Internos …………………... 35
Figura 2.7. Esquema de integración Lean/Industria 4.0 para la atenuación de las barreras
de implantación Lean. ………………………………………………………………... 45
Figura 3.1. Modelo teórico planteado. ……………………………………………….. 69
Figura 5.1. Distribución del ítem “Posición Actual”………………………………..… 93
Figura 5.2. Distribución del ítem “Antigüedad en la empresa” …...………………….. 93
Figura 5.3. Distribución del ítem “Personas a cargo” …...………………………….... 94
Figura 5.4. Distribución del ítem “Rango de edad” ……..…………………………... 94
Figura 5.5. Análisis descriptivo del constructo “Mejora Continua” ……..…………... 95
Figura 5.6. Análisis descriptivo del constructo “Digitalización ...…………………… 96
Figura 5.7. Análisis descriptivo del constructo “Resultados empresariales”…………. 97
Figura 5.8. Modelo resultante …...……………………………………………………100
xix
LISTADO DE SIGLAS
AVE: Average Variance Extracted
AGV: Auto Guided Vehicle
B2C: Business to Consumer
EBITDA: Earnings Before Interests, Taxes, Depreciations and Amortizations
ERP: Enterprise Resource Planning
GMAO: Gestión de Mntenimiento Asistido por Ordenador
HADA: Herramiena Audodiagnóstico Digital Avanzada
HCP: Hoja Control de la Producción
HMI: Human Machine Interface
HTMT: Heterotrait-Monotrait
I-4.0: Industria 4.0
IoT: Internet of Things
JIT: Just In Time
KPI: Key Performance Indicator
LM: Lean Management
MES: Manufacturing Execution System
MRP: Material Requirement Planning
MTBF: Mean Time Between Failure
MTTR: Mean Time To Repair
OEE: Overall Equipment Effectiveness
PLC: Programmable Logic Controller
PLS: Partial Least Squares
PROSA: Production and manufacturing system management
RFID: Radio Frequency Identification
RPA: Robot Process Automation
SMED: Single Minute Exchange of Die
TAKT: tiempo entre el inicio de la producción de una unidad y la siguiente
TPM: Total Productive Maintenance
TPS: Toyota Production System
xx
VSM: Value Stream Mapping
WCM: World Class Manufacturing
xxi
CAPÍTULO 1. INTRODUCCIÓN
Capítulo 1. Introducción
CAPÍTULO PRIMERO: INTRODUCCIÓN
1.1 INTRODUCCIÓN.
Los sistemas de fabricación Lean tienen su origen en Toyota allá por la década de 1950,
intentando dar respuesta a los acuciantes problemas de falta de calidad y sobrecostes de
producción que atravesaba la compañía (Ohno, 1988). Dicha metodología fue recogida
con posterioridad en diversas publicaciones (Sugimori et al, 1977; Krafcik, 1988;
Womack, Jone y Ross, 1991), dando forma a lo que hoy en día se conoce como Lean
Manufacturing. La metodología Lean tiene como objetivo fundamental la eliminación de
cualquier desperdicio (Womack, Jone y Ross, 1991), entendiendo como tal a todo aquello
que incurre en un gasto y no aporta ningún valor o beneficio desde el punto de vista del
cliente.
Desde que Toyota diera a conocer al mundo su sistema de producción (Toyota Production
System o Lean Manufacturing), muchas han sido las publicaciones y artículos referidos
al mismo tratando de explicar sus bondades y beneficios (por ejemplo, Shah y Ward,
2002; McKone et al., 2001; Womack y Jones 1996; Ohno 1988;).
Pese a que la bibliografía es abundante y es relativamente sencillo encontrar consultores

de mejora continua, muchas de las empresas que se embarcan en proyectos para adoptar
los conceptos Lean fracasan en su intento (Lucey, Bateman y Hines, 2005; Pay, 2008).
Es por esto fundamental una correcta adaptación de dicha metodología a las necesidades
reales de la empresa.
Por otra parte, la digitalización de los procesos industriales y la interconexión entre los
mismos, está dando lugar a un nuevo paradigma productivo que está llamado a ser la
nueva revolución industrial (Rüβmann et al, 2016). A toda esta digitalización
tecnológico-industrial se le conoce como Industria 4.0 (I-4.0), y constantemente
aumentan las empresas interesadas en invertir sus activos en modernizarse e implementar
los sistemas necesarios para alcanzar un nivel digital satisfactorio.
1
En el ámbito de la I-4.0, cada vez son más los países que desarrollan movimientos
para fomentar y financiar su implantación. A modo de ejemplo, en la tabla 1.1,
destacamos las principales plataformas de difusión digital.
País Plataforma Web

España Industria Conectada http://www.industriaconectada40.gob.es/Paginas/index.aspx#inicio
http://www.plattform-
Alemania Plattform Industrie 4.0 i40.de/I40/Navigation/EN/Industrie40/WhatIsIndustrie40/what-is-
industrie40 html
Clean Energy Smart
USA Manufacturing https://www.cesmii.org/
Innovation Institue
Industrial Internet
USA http://www.iiconsortium.org/iiot-world-tour/index htm
Consortium
Piano Nazionale
Italia http://www.mise.gov.it/index.php/it/industria40
Industria 4.0
Francia Industrie du Futur http://www.industrie-dufutur.org/
Tabla 1.1. Principales plataformas de difusión digital en la Industria 4.0
En la figura 1.1, se presenta un mapa donde podemos ver con mayor detalle las principales
plataformas de difusión de la Industria 4.0 en Europa.
Figura 1.1. Principales plataformas de difusión de la I-4.0. Fuente: Industria conectada.
Parece claro que la revolución digital industrial está tomando forma y que, sin duda, el
impacto en la economía mundial será de gran calado. Por ejemplo, se estima que, en
2
Alemania, el impacto de la I-4.0 en la productividad industrial estará en torno al 40% en

2025 (Müller, 2020), lo que supondrá un aumento más del 2% de PIB germano.
En el caso de España, pese a no encontrarnos todavía al mismo nivel industrial que otros
países europeos, se está trabajando en buena línea. En el portal Industria conectada, del
Ministerio de Industria, Comercio y Turismo, comentado con anterioridad, podemos
encontrar información diversa en la materia, así como también convocatorias de
financiación para abordar proyectos de digitalización, programas de asesoramiento para
empresas, incluso una herramienta de autodiagnóstico, HADA, enfocada a la evaluación
del nivel de implementación de la I-4.0 en las empresas españolas.
Cabe destacar la importancia de la colaboración entre empresas, e incluso entre países,

para el intercambio de buenas prácticas en la materia que posibiliten sinergias y aceleren
la transformación digital de los procesos industriales. En este sentido destacan las
plataformas de difusión que han desarrollado países como USA y Alemania, a través de
las cuales es posible ver de forma ágil y sencilla los proyectos relacionados con la
Industria 4.0 que se están llevando a cabo en diversas empresas de dichos países,
posibilitando la exportación de dichos proyectos a empresas de otros sectores,
aumentando de esta forma la productividad y competitividad industrial nacional.
Enfoque clásico: incompatibilidades entre LEAN e Industria 4.0.
Si analizamos la bibliografía existente, nos encontramos con ciertas alusiones a la

problemática, al menos a nivel teórico, en la implementación de Lean Management y la
Industria 4.0 (Piszczalski, 2000; Rüttimann y Stöckli, 2016). Y es verdad que, bajo cierto
punto de vista las fricciones existen y pueden llegar a generar un fracaso en la
implementación de estos sistemas si no se manejan adecuadamente.
Para empezar, ambas requieren de muchos recursos para su implantación (Moyano

Fuentes et al, 2012), por lo que en muchas ocasiones es necesario optar por implementar
Lean Management o Industria 4.0, de cara a evitar el colapso de los equipos, y la inversión
excesiva de tiempo y dinero.
3
Nos encontramos también con una confrontación de base, a nivel puramente conceptual,
ya que Lean establece la simplicidad como forma de vida, buscando disponer de la
información justa, en el momento justo, y de la motivación y participación del equipo
humano en la mejora continua, haciendo que los desperdicios sean visibles para todo el
mundo (Womack, 2004; Ohno, 1988). En Lean menos, es más.
En este sentido la digitalización pude generar falta de visibilidad, ya que la información

se gestiona y almacena de forma centralizada, (Houy, 2005; Drew, McCallum y
Roggenhofer, 2004), pudiendo generase situaciones en las que los usuarios no dispongan
de la misma. Otro problema asociado a la digitalización puede venir del alejamiento de
los gestores de la línea de fabricación (Houy, 2005; Sharma y Pankaj, 2016), y es que la
disposición de información de forma remota hace que pueda resultar apetecible establecer
un control de los indicadores desde el despacho, alejándose de la realidad cotidiana del
proceso productivo.
Además, hay que tener en cuenta los denominados fenómenos “Gold Plating” y “Silver-
bullet Syndrome” (Brass et al, 2016). En primero de ellos hace referencia a que durante
la implementación de un proyecto de digitalización, usuarios y desarrolladores
implementan funciones adicionales a las originalmente previstas, muchas de las cuales
son innecesarias y que acaban generando retrasos en la implementación. Es fundamental
establecer bien los objetivos desde el inicio y dejar las posibles mejoras para versiones
posteriores, una vez se haya lanzado y probado el proyecto. En cuanto al “Silver-bullet
Syndrome”, se da de forma generalizada en casi todas las implementaciones, y es aquel
en el que los usuarios esperan que las nuevas tecnologías resuelvan todos sus problemas,
quedando evidentemente defraudados al comprobar la realidad. Es muy importante
formar adecuadamente a los usuarios y que estos conozcan las posibilidades reales de los
sistemas, así como sus limitaciones. La tecnología ayuda y simplifica el trabajo, pero no
es una varita mágica que elimina todos los problemas.
En ocasiones la digitalización provoca que se dificulte la visualización de los procesos,

al llevarse a cabo en ordenadores, lo cual genera un factor limitante (Sharma y Pankaj,
4
2016). Por el contrario, bien aplicado, puede dar lugar a un mayor control al tener una
visión global del sistema desde cualquier punto de la línea.
Se ha de tener en cuenta también, que la implementación de las herramientas digitales

industriales lleva aparejado un inicio difícil de predecir (Brass et al, 2016), ya que hasta
que no se ponen en marcha no se saben cómo van a funcionar al 100%. La fase de testeo
es compleja y los cambios difíciles de ver a priori. Los cambios en los entornos digitales
y programados son más complejos y a menudo requieren de mano de obra externa, lo que
puede ralentizar en exceso las modificaciones y mejoras que se propongan. Son entornos
más rígidos en cuanto al cambio y se requiere de una buena definición inicial, la cual es
compleja debido a que no se sabe a ciencia cierta el funcionamiento hasta que se ejecuta
(Brass et al, 2016). Se sigue un procedimiento de prueba y error, ya que es difícil tener
en cuenta todos los factores cuando se está programando.
Enfoque moderno: Industria 4.0 como elemento habilitador en Lean Management.
Frente al enfoque clásico, actualmente se propone una visión más actualizada en la cual
las herramientas de digitalización que generan la I-4.0 no sólo no dificultan, sino que, si
son bien enfocadas, pueden convertirse en elementos habilitadores en la implementación
de la metodología Lean. La idea fundamental radica en focalizar la I-4.0 para contrarrestar
las barreras de implementación existentes en Lean.
Las barreras a la hora de implementar Lean Management son variadas, pudiendo destacar,
por encima de todas, la falta de compromiso de la dirección, y la falta de implicación y
formación de los trabajadores como las más críticas (Upadhye, Deshmukh y Garg, 2016).
Como se ha anticipado antes, si la digitalización de los procesos industriales está bien

enfocada las barreras de implementación del Lean Management pueden verse atenuadas.
Para empezar, las herramientas digitales facilitan la toma de datos mejorando la capacidad
de análisis y toma de decisiones. De esta forma se ofrece un entorno más dinámico en la
detección temprana de problemas, y se consigue una mayor velocidad de reacción y
eliminación de fuentes de pérdida de eficiencias.
5
Lo anterior puede generar mayor compromiso de la dirección en la implementación Lean,

ya que las herramientas digitales ponen a su servicio información en tiempo real (Houy,
2005), pudiendo focalizar su esfuerzo en los aspectos que consideren más importantes, y
encontrando una ventaja para mejorar la eficiencia de sus equipos. No olvidemos que,
principalmente, la falta de compromiso de la dirección a la hora de implementar Lean
viene dada por no ver éstos un mayor beneficio en dedicar su escaso tiempo a las
herramientas implementadas en vez de a su rutina habitual de trabajo. Si somos capaces
de aprovechar los entornos digitales para darle un mayor valor añadido a los métodos
Lean, conseguiremos un mayor compromiso por parte de la dirección.
Otra de las ventajas es que se conseguirá una mayor interacción de los directivos con el
proceso productivo (Houy, 2005), ya que, al disponer de más información y
conocimiento, aumentará su implicación en los problemas de la línea, pudiendo
emprender acciones de mejora más y mejor relacionadas con los problemas reales de las
líneas de fabricación.
La implicación de los trabajadores es fundamental para garantizar el éxito en la

implementación Lean (Adler, 1993; Wickens 1987; Parker 2003; Shadur et al. 1995;
Vidal 2007). Con la Industria 4.0, el operario puede interactuar más con el sistema (Ward
y Zhou, 2006), analizando datos y configurando máquinas sobre la marcha, reduciendo
tiempos de ajuste gracias a la automatización. En otras palabras, podemos pasar de
simples ejecutores de tareas rutinarias a mano de obra de alto valor añadido.
El uso masivo de pizarras en Lean es sin duda una de las mayores oportunidades de mejora
que ofrecen los sistemas digitales. La cantidad de información impresa usada genera un
desperdicio en sí misma, que es justo lo que los sistemas Lean tratan de eliminar.
La digitalización también puede mejorar la gestión del conocimiento. Las empresas Lean
por norma general tienen un mayor aprovechamiento del conocimiento de los empleados
(Sharma y Pankaj, 2016). Además, mediante la digitalización se consigue que las
plataformas digitales potencien este factor, facilitando el acceso a la formación.
6
Si hablamos de factores externos, la relación con los proveedores pasa por ser un elemento
de vital importancia para el éxito de la implementación Lean y su filosofía de entregas
justo a tiempo, Just in Time (JIT). La interconectividad que ofrecen las herramientas
digitales ayuda sin duda a que esta relación mejore notablemente.
La digitalización del Lean a través de la Industria 4.0
Tras lo comentado anteriormente, parece claro que la aportación de la Industria 4.0 hará
que los métodos tradicionales del Lean cambien hacia otros más digitales buscando, por
un lado, adaptarse a la futura revolución industrial digital y, por otro, aprovechando estas
tecnologías para mejorar y pulir sus herramientas. Se ha de ser capaz de transformar en
ventaja lo que a priori era un punto de fricción. Además, es fundamental aplicar de forma
correcta la digitalización, ya que una misma herramienta puede tener resultados
completamente distintos en función de cómo se implemente. Las herramientas Lean
clásicas están avanzando hacia el terreno digital y tal vez sea éste un modelo que se adapte
mejor al carácter occidental que el importado de Toyota.
En conclusión, la metodología Lean Manufacturing forma parte de la cultura general de

mejora continua en infinidad de empresas en todo el mundo. En Lean, menos es más,
menos defectos, menos movimientos, menos variabilidad, menos inventario, en
definitiva, menos desperdicios, persiguiendo en todo momento la reducción de los
mismos para aumentar la eficiencia global de la empresa. Por otro lado, las tecnologías
de la información, y su aplicación industrial a través de la Industria 4.0 (I-4.0), han
permitido a las empresas organizar mejor sus recursos, contribuyendo a una mejora en la
gestión de su información, una mayor flexibilidad y aumento de su capacidad funcional.
A priori parece evidente que las herramientas digitales ubicadas dentro de la I-4.0 pueden
ayudar a las empresas a mejorar sus resultados, sin embargo, las fricciones entre el mundo
Lean y el digital son a menudo frecuentes, ya que, pese a que en ambos casos las mejoras
en su aplicación son evidentes, una mala puesta en práctica puede ocasionar resultados
indeseados. En la actualidad, no se disponen de estudios rigurosos y contrastados
empíricamente que demuestren que la digitalización de las empresas a través de la I-4.0
puede atenuar las barreras de implantación Lean.
7
Por tanto, la finalidad de esta tesis es, por un lado, determinar cuáles son las barreras de
implantación de la filosofía Lean más habituales, y por otro, analizar las herramientas de
la I-4.0 más utilizadas. Posteriormente nos centraremos en la interacción entre ambos
mundos, el de mejora continua y el digital, haciendo especial hincapié en la digitalización
de los sistemas hacia un Lean digital y adaptado a la realidad futura de los entornos
industriales, de manera que no sólo se eviten las fricciones entre ambos enfoques, sino
que se aproveche la I-4.0 para atenuar las históricas barreras de implementación del Lean
Manufacturing, potenciando y mejorando estos sistemas. Para ello, relacionaremos las
principales herramientas de mejora continua con herramientas digitales para establecer
una posible relación entre ambas que será contrastada posteriormente de manera empírica.
1.2 OBJETIVOS DE LA INVESTIGACIÓN
El objetivo general de esta tesis radica en poder aportar más información en este campo
de conocimiento ya que apenas se han encontrado artículos científicos que demuestren
empíricamente la influencia de la I-4.0 en la implementación Lean. Para ello,
determinaremos los elementos clave en la implementación del Lean Management para
establecer una guía de buenas prácticas y, por consiguiente, contribuir a aumentar el
porcentaje de éxito en su puesta en marcha. Además, profundizaremos en la contribución
del factor I-4.0 como elemento habilitador del Lean, siendo la I-4.0 el principal aspecto
diferenciador respecto a otros estudios previos realizados en este ámbito.
Desde el primer momento, se ha pretendido desarrollar una tesis muy vinculada a la

actividad industrial, obteniendo información de primera mano de un grupo industrial
multinacional. intentando reducir el “gap” que en muchas ocasiones existe entre el mundo
académico y el empresarial.
De manera específica, se enumeran los siguientes objetivos:

 Evaluar el impacto de los diferentes factores que influyen en la implantación
Lean.
 Identificar aspectos clave que garanticen el éxito en la implantación Lean.
 Analizar la influencia de las barreras de entrada en la implantación Lean.
8
 Relacionar la implantación Lean con las nuevas metodologías englobadas en

la corriente de la I-4.0 señalando en qué modo éstas influyen en el proceso.
 Plantear un modelo Lean que evite los factores limitantes, y que consiga una
mayor efectividad en su implantación.
 Testar el modelo teórico desarrollado en un entorno multinacional para dotar

a la investigación de un grado de aplicabilidad en la industria elevado.
 Aportar nuevo conocimiento científico en esta área, ya que apenas hay

estudios científicos que demuestren empíricamente la relación entre la
Industria 4.0 y la implantación Lean.
 Servir de guía para empresas que vayan a emprender o se encuentren

inmersas en proyectos Lean, de manera que éstas se beneficien de las
implicaciones prácticas que se desprendan de esta tesis.
1.3 DESCRIPCIÓN DE CONTENIDOS
La presente tesis se ha estructurado en seis capítulos convenientemente diferenciados, los

cuales pasamos a detallar a continuación.
En el primer capítulo se realiza una introducción a los sistemas tradicionales de mejora

continua, así como también a la nueva corriente de digitalización industrial llamada
Industria 4.0, dejando patente la importancia de ambos para garantizar el futuro de las
empresas en un mercado tan competitivo y globalizado como el actual, y justificando
haber elegido este tema para el estudio. Se expone la necesidad de analizar cómo
interaccionan ambos mundos y los distintos enfoques que a día de hoy existen,
introduciendo el planteamiento de que la Industria 4.0 puede atenuar las históricas
barreras de implantación Lean.
9
En el segundo capítulo se analizan en profundidad los distintos conceptos relacionados

con la Industria 4.0 y la implantación Lean, así como la interacción entre ellos, haciendo
una exhaustiva revisión de la literatura. Se constata que no hay apenas artículos en la
actualidad que hablen de la interacción entre ambos conceptos, y menos aún con carácter
científico. En este capítulo, se exponen las principales barreas de implantación Lean, así
como las herramientas que actualmente más se están desarrollando en la Industria 4.0.
Finalmente se relacionan las barreras Lean y las herramientas digitales que pueden ayudar
a eliminarlas, y se exponen los beneficios teóricos de la digitalización en la implantación
de los sistemas Lean.
En el tercer capítulo se expone el marco conceptual para el desarrollo de nuestro modelo

de investigación mediante el planteamiento de las hipótesis de este estudio, cuyas
variables principales son: Mejora continua, Digitalización, y Resultados Empresariales.
En el capítulo cuarto se detalla la metodología de investigación que hemos utilizado,

detallando la muestra y los instrumentos de medida. Además, se selecciona la técnica de
análisis, que en nuestro caso está fundamentada en los modelos de ecuaciones
estructurales basados en la varianza (PLS).
En el capítulo quinto se analizan los resultados y se valida el modelo, contrastando las

hipótesis propuestas en los capítulos anteriores, y constatando que la teoría propuesta
tiene validez científica.
En el capítulo sexto y último, se muestran las conclusiones finales de la tesis y se aborda

un debate de los resultados obtenidos. Para cerrar este capítulo nos focalizamos en las
implicaciones desde el punto de vista empresarial, haciendo especial hincapié en dar un
enfoque práctico que sirva de ayuda a las empresas a la hora de implantar sus sistemas de
mejora continua. No olvidamos las posibles líneas futuras de investigación, así como las
limitaciones del estudio que pudieran ser subsanadas en otras investigaciones.
10
CAPÍTULO 2. FUNDAMENTOS TEÓRICOS
Capítulo 2. Fundamentos teóricos
CAPÍTULO SEGUNDO: FUNDAMENTOS TEÓRICOS
2.1. HERRAMIENTAS LEAN
Lean Manufacturing, en líneas generales, puede ser descrito como un enfoque, una forma
de ver la gestión productiva de una empresa, a través de la cual se identifican los procesos
de valor añadido desde el punto de vista del cliente (Womack, 1990) para ser transferidos
y optimizados a través de herramientas concretas de mejora continua (Sha y Ward, 2007).
En su origen, Lean Manufacturing procede del sistema de producción originalmente
establecido por Toyota (Ohno, 1988), y que fue bautizado como Toyota Production
System (TPS) y conceptualizado por su precursor Taichii Ohno. El concepto central
proviene de suministrar productos y/o servicios al ritmo que demanda el cliente
eliminando progresivamente todo tipo de desperdicio (Womack, 1990). Desde su origen,
el Lean Manufacturing cambia para siempre la forma trabajar de la gente, generando
ambientes de trabajo retadores y participativos, con un mayor reparto de proyectos y
responsabilidades, y posibilitando mayores y más rápidos ascensos y crecimientos de
carrera profesional (Womack, 1990).
En la metodología Lean existe una base metodológica basada en el modelo Genba kanri
(Handyside, 1997), mediante el cual se establecen las 3 bases (llamadas 3s), que generan
todas las acciones: control de conocimientos, procedimientos estándares y grupos de
mejora (Kaizen). Otro de los elementos fundamentales es la parte de gestión, que puede
generalizarse en 5 áreas (Upadhye et al, 2016): liderazgo sólido, cultura basada en el
trabajo en equipo, sistemas de comunicación, desarrollos de mejoras simultáneos y
aplicación concisa y exhaustiva de la mejora continua.
Basándonos en la escala dimensional establecida por Sha y Ward (2007), podemos

establecer una cuantificación conceptual del Lean Manufacturing mediante el uso de diez
factores:
1. Retroalimentación de los proveedores: todas las reclamaciones de los productos y

servicios recibidos de los clientes para ser comunicados periódicamente a los
proveedores, para una transferencia efectiva de información.
13
2. Entrega "justo a tiempo" (JIT) por parte de los proveedores: Sólo se requiere la
cantidad de productos que deben ser entregados por los proveedores a la hora
especificada cuando los clientes los requieren.
3. Desarrollo de proveedores: Los proveedores se desarrollarán (crecerán en su
negocio) junto con el fabricante, para evitar inconsistencias o desajuste en los
niveles de competencia.
4. Implicación del cliente: Los clientes son los principales impulsores de un negocio,
sus necesidades y expectativas debe tener una alta prioridad (enfoque al cliente).
5. Tirar de la producción: Establecer un sistema “pull” en que el proceso que sucede
al anterior, tira de él en función al sistema Kanban. Es la base de la producción
JIT.
6. Flujo continuo: Se debe establecer un flujo racionalizado de productos sin grandes
paradas a través de la fábrica.
7. Reducción del tiempo de preparación: El tiempo necesario para adaptar los
recursos a las variaciones de los productos debe ser mantenida lo menos posible.
8. Mantenimiento productivo/preventivo total: El fallo de las máquinas y equipos
debe evitarse mediante procedimientos eficaces de mantenimiento periódico. En
caso de fallo, el tiempo de reparación se habrá de reducir al máximo.
9. Control estadístico del proceso: La calidad de los productos a la primera es
fundamental, se ha de detectar y filtrarse, anticipándonos al error.
10. Participación de los empleados: Con la motivación y el foro participativo
adecuados, los empleados deben estar facultados para una contribución general a
la empresa.
Una vez comentados los diez factores que pueden definir al Lean Manufacturing,
consideramos de vital importancia hablar del concepto de “Muda” o desperdicio. Hemos
comentado anteriormente que el enfoque Lean radica en la detección y eliminación
progresiva de los desperdicios detectados, los cuales se pueden clasificar en 7 grandes
bloques (Womack, 1996):
1. Exceso de inventario. El cual se da por tener más cantidad de material en stock

que la que realmente solicita la demanda. Es un claro indicador de que el flujo no
es continuo.
14
2. Sobreproducción. Generado por fabricar más cantidad que la que se necesita,

motivado generalmente por sobrecapacidad de los equipos instalados.
3. Tiempo de espera. Son aquellos tiempos muertos que se generan en los procesos
mal diseñados, y con cadencias distintas, contribuyendo en ocasiones a ver
operarios sin carga y otros saturados de trabajo.
4. Movimientos innecesarios. En líneas generales todo movimiento es un
desperdicio, ya que no aporta valor desde el prisma del cliente, por lo que
habremos de reducir al máximo las distancias a cubrir en nuestros procesos.
5. Defectos. Que es el producido por problemas e incidencias en la calidad del
producto, que acaba generando rechazos y/o retrabajos.
6. Transporte. Similar al de movimientos innecesarios, pero asociado a los
movimientos que realizan con los productos o materias primas.
7. Sobre procesado. Desperdicio generado cuando se realiza más trabajo en una
pieza que lo requerido por nuestro cliente.
Figura 2.1. Desperdicios en Lean. Fuente: Giralt, 2016.
A todos estos desperdicios, se le suele añadir un octavo (Liker y Meier, 2006), que
proviene del no aprovechamiento del talento y capacidad de las personas. Es fundamental
generar ambientes y dinámicas de trabajo en las que los equipos puedan participar y
aportar sus conocimientos.
Los sistemas de producción Lean contribuyen a una mayor y más rápida respuesta a los
cambios del entorno (Ohno, 1988), y ayuda a configurar sistemas más competitivos en
15
entornos cambiantes (Womack et al, 2007) si los comparamos con las tradicionales
producciones en masa. Si bien es cierto que, en los últimos años, debido a los entornos
de mercados customizados a clientes, de lotes pequeños y gran flexibilidad, surgen
fricciones entre el Lean Manufacturing clásico y la necesidad de rápida adaptación a los
clientes, debido sobre todo a que ciertas herramientas Lean requieren de ajustes continuos
para no generar desperdicios, como los sistemas de tarjetas Kanban (Dickmann, 2007).
Se empieza a desprender que pese a que Lean Manufacturing es claramente una
herramienta que aporta valor a las empresas, en los últimos tiempos se requiere de una
actualización de la misma, para adaptarse a los entornos de fabricaciones customizadas y
digitales.
2.2 BARRERAS LEAN
Nadie pone en duda la capacidad de las herramientas de Lean Manufacturing para la

obtención de excelentes resultados en el rendimiento de las empresas mediante la
eliminación progresiva de las fuentes de desperdicio, si bien es cierto que en incontables
ocasiones se observan proyectos de implantación que acaban fracasando (Lodgaard et al,
2016).
Estos fracasos se deben a multitud de factores de diversa índole, y están englobados

dentro de lo que se conoce como barreras Lean. Dichas barreras se pueden atribuir a
factores internos y externos, entendiendo como internos a todos aquellos en los cuales la
empresa puede controlar de forma directa con sus propios recursos, y los externos como
aquellos que no dependen de forma directa de la gestión de sus recursos (Lodgaard et al,
2016)
De todas las barreras Lean analizadas, vamos a señalar las principales y con mayor
impacto en el desarrollo de los programas de mejora continua, acorde a los estudios más
recientes. Tras una revisión exhaustiva de la bibliografía existente, y basándonos en los
artículos de autores como Lodgaard et al. (2016), Alhuraish y Robledo (2017), Antony &
Banuelas Coronado (2002), Brun (2011) o Naslund (2008), hemos resumido las barreras
principales en la implantación Lean Manufacturing en las diez siguientes:
1. Falta de compromiso de la dirección.

2. Falta de involucración y formación de los trabajadores.
16
3. Ausencia de proveedores implicados en la mejora continua.

4. Falta de rendimiento operacional (OEE).
5. Ausencia de un sistema de control de inventarios.
6. Elevada tasa de rechazos productivos.
7. Elevados tiempos de entrega (lead time).
8. Falta de información y estructura de datos.
9. Elevados tiempos de ajuste.
10. Ausencia de expertos internos (facilitador Lean)
Vamos a analizar en profundidad cada una de las barreras comentadas con anterioridad,
ya que será fundamental en la presente tesis su relación con las herramientas digitales
englobadas con la industria 4.0.
Tal vez sea la pieza angular que establece el devenir de cualquier proyecto que se inicia
en una empresa. Si no existe la implicación y participación de la dirección de la empresa,
toda iniciativa estará abocada al fracaso (Upadhye, Deshmukh y Garg, 2016). Hay que
tener en cuenta que la gestión de los recursos viene dada por sus decisiones, y en base a
esto se establecerá la secuencia de inversiones, planes de formación, seguimiento, análisis
y publicidad de los resultados, resultando con carácter general pieza clave para poner
garantizar la continuidad del proyecto. Dicho esto, no sólo basta con el compromiso de la
dirección, ya que son incontables las ocasiones en las que una dirección comprometida
se ha mostrado incapaz de desarrollar un proyecto Lean por otros motivos, los cuales
comentaremos a continuación.
Para la implantación de un sistema Lean hace falta generar una cultura de mejora continua
que se extienda por toda la organización y que garantice la sostenibilidad del sistema,
para ello es necesario que todos los miembros del equipo estén formados en las
herramientas Lean, y que además se involucren de forma activa en las acciones de mejora
emprendidas. En caso contrario, el sistema estará abocado al fracaso (Dhiman y Mohanty,
2010). Es necesario dar a los trabajadores el espacio para que puedan liderar proyectos de
17
análisis y resolución de problemas, que deriven en la gestión diaria de su trabajo bajo el

prisma de la mejora continua.
Lean Manufacturing requiere que los actores de la cadena de suministro tengan objetivos
alineados con los de la empresa (Narayanan y Raman, 2004), para lo cual es fundamental
que se creen relaciones a largo plazo y establecer con los proveedores objetivos comunes
basados en el trabajo diario y el análisis conjunto de incidencias. Es necesario involucrar
a los proveedores en la dinámica de mejora continua, de esta manera las empresas sean
capaces de reducir su lead time y mejorar su nivel de stocks, consiguiendo tener lo
necesario, en el momento adecuado y en la cantidad requerida (Drolet et al, 2008).
4. Falta de rendimiento operacional.
Uno de los indicadores principales de una planta es la eficiencia global de los equipos
(Overall Equipment Effectiveness, OEE). En caso de no disponer de un nivel aceptable
de OEE será complicado obtener capacidad suficiente para disponer de una predicción de
fabricación adecuada, por lo que la variabilidad de los resultados hará difícil gestionar las
herramientas de mejora (Díaz y Lozano, 2008). Es cierto que mediante el uso de Lean se
consigue una mejora progresiva de este indicador, pero hasta que no se tenga cierto nivel,
será complicado crear un entorno de trabajo adecuado para la implantación progresiva de
las herramientas de mejora continua.
Sin un sistema de control y gestión de inventarios adecuado será complicado poder

establecer objetivos y realizar un seguimiento de los mismos, siendo ésta una de las
principales fuentes de desperdicio que se puede tener en la empresa (Hua et al, 2008). El
exceso de inventario es sinónimo de capital inmovilizado, obsolescencias, falta de
previsión y de trabajo de mejora continua. En una implantación Lean, la ausencia de
sistemas de control de inventarios dificultará enormemente la posibilidad de gestionar y
optimizar el flujo productivo y equilibrar la demanda.
18
En un entorno de fabricación donde la ratio de rechazos sea elevada es muy complicado

establecer un sistema Lean, ya que los re-trabajos son constantes y la falta de previsión
de calidad del producto afectará finalmente a la relación con los clientes, haciendo muy
difícil la supervivencia de la empresa en un entorno competitivo (Diallo et al, 1995). Será
lógico entender que una fábrica con este índice fuera de control tendrá un gran obstáculo
para poder establecer un orden y seguimiento de las herramientas de mejora continua
asociadas al sistema Lean Manufacturing.
Entendiendo lead time como el tiempo que transcurre desde que la empresa recibe un
pedido hasta que éste está disponible para ser enviado al cliente, parece claro que, si una
empresa se mueve en tiempos de entrega elevados, tendrá dificultades para adaptarse a
entornos de mercado dinámicos y cambiantes (Cheng y Podolsky, 1993). Empresas con
lead times altos a menudo están relacionadas con una mala gestión de operaciones, falta
de capacidad de línea y lay-out inadecuados, dificultando estos factores enormemente la
implantación y consolidación de los sistemas Lean.
Una parte fundamental de todo sistema de mejora continua radica en la obtención rápida
y fiable de datos para poder ser reactivos y emprender acciones correctoras en caso de
desviaciones (Tarn et al., 2002). La mayoría de herramientas asociadas a las
implantaciones Lean, tales como el mantenimiento productivo total (TPM), los sistemas
de cambio rápido (SMED) o las entregas justo a tiempo (JIT), requieren de un volumen
de datos suficiente para poder establecer análisis y acciones de mejora; en caso de no
tener la estructura de datos adecuada, será muy complicado poder establecer sólidas
herramientas para la ejecución del Lean Manufacturing (Martínez y Bedia, 2004).
Un sistema de producción basado en máquinas con tiempos de ajuste elevados, dificultará

enormemente la posibilidad de tener un flujo continuo y, por tanto, lead time bajos,
acompañados de niveles de stocks adecuados (Shingo, 1989). Una empresa capaz de
19
convertir los tiempos de preparación interna en externos, haciendo que el proceso de

producción se vea menos penalizado (Funk, 1995) tendrá mayor capacidad de absorción
de herramientas de mejora continua y, por tanto, una mayor probabilidad de éxito en la
implantación de un sistema Lean Manufacturing.
10. Ausencia de expertos internos (facilitador Lean).
Todo sistema de implantación Lean requiere de expertos internos en la materia para dar
sostenibilidad al sistema y que la implantación no tenga altibajos (Poksinska et al, 2013),
sobre todo pasada la fase inicial de puesta en marcha que suele venir acompañada por el
trabajo externo de una consultoría. Son muchas las empresas que habiendo implantado
satisfactoriamente las herramientas Lean al inicio, transcurridos unos años vuelven al
estado inicial, generando al mismo tiempo una visión desmotivadora de los sistemas de
mejora continua en los operarios. La figura del experto interno (facilitador Lean) es
fundamental para dotar a la empresa de esa continuidad y evitar el fracaso del proyecto
en el medio plazo (Alukal, 2006).
2.3. INDUSTRIA 4.0
La industria 4.0 (I-4.0) es considerada como la cuarta revolución industrial, y se basa

fundamentalmente en la aplicación de los sistemas ciber-físicos, internet y sistemas
inteligentes en los entornos industriales y productivos. Supone un salto cualitativo en la
forma de producir, ya que habilita la interconectividad de todos los elementos y unidades
integradas en la cadena de valor de la empresa, posibilitando la gestión y recopilación de
información de cada unidad productiva (Lasi et al, 2014). El término I-4.0 se acuñó por
primera vez en Alemania, concretamente en la feria Hannover de 2011, considerándose a
este país pionero en la adaptación e integración de los sistemas digitales en los procesos
industriales. De acuerdo con los fabricantes alemanes, la industria 4.0 persigue la
optimización de la cadena de suministro mediante la implementación de sistema
productivos autónomos y dinámicos (Koberg y Zühlke, 2015).
La I-4.0 posibilita la creación de una red en la que todos los sistemas están
interconectados, creando un entorno inteligente y predictivo (Valdez et al, 2015). Este
entorno digital permite que las máquinas, los sistemas de almacenamiento y las
instalaciones de producción inteligentes desarrollados digitalmente tengan una
20
integración basada en sistemas de información y comunicación a lo largo de toda la

cadena de suministro, desde la logística de entrada hasta la producción, la
comercialización, la logística de salida y el servicio, facilitando además una mejor
cooperación entre empleados y resto de agentes del negocio (Kagermanm et al, 2013).
Figura 2.2. Evolución hacia la Industria 4.0. Fuente: Spectral Engines.
La nueva tendencia marcada por la I-4.0 influenciará de forma clara en los ambientes
productivos, generando un cambio radical en la forma de ser concebidos (Wan et al,
2015). Por ejemplo, si comparamos los sistemas tradicionales de gestión de
aprovisionamiento con los nuevos modelos inteligentes, podremos pasar de una
planificación basada en previsiones, y que se fundamentan en históricos, a una
planificación en tiempo real que genere planes de producción optimizados y
retroalimentados entre sí. En este sentido, la introducción de los sistemas de información
y comunicación en los entornos industriales también posibilita un paso más en el nivel de
automatización de las plantas, generando más autonomía y posibilidades en los robots y
tecnologías automatizadas (Spath et al, 2013). Mediante el equipamiento con micro-
controladores, actuadores, sensores e interfaces de comunicación, los sistemas ciber-
físicos pueden trabajar de forma autónoma e interactuar con su entorno productivo (Broy,
2010), generando como resultado la llamada fábrica “inteligente”.
El grado de implantación de la I-4.0 a través de la existencia de estrategias de desarrollo

concretas está aún a niveles bajos (Weiss et al, 2014). En general, las empresas necesitan
explorar las posibilidades y beneficios asociados en la integración de la digitalización en
las operaciones de planta, lo cual no sólo concierne a los aspectos técnicos sino también
a la forma de gestionar (Sanders y Wulfsberg, 2015).
21
relativo a interconectividad y explotación de información. Esta fase está más

relacionada con el cambio en la operativa, pasando de un entorno clásico a un entorno
digital.
 Fase de Implementación: En esta fase se inicia realmente la I-4.0 y es donde se

saca rendimiento a todo lo implementado en la etapa anterior. Es el momento de
extraer y explotar la información que nos ofrecen los sistemas de la infraestructura,
con el objeto de analizarla y establecer acciones de mejora, y de aumentar el control
automático de los procesos para reducir la mano de obra repetitiva y de bajo valor
añadido.
 Fase de Expansión: La parte final es aquella en la que tienen cabida las herramientas
tanto actuales como futuras, y que busca la generación de sistemas autónomos
capaces de interactuar con su entorno, predecir funcionamientos y actuar en
consecuencia.
2.4 HERRAMIENTAS DIGITALES DE LA INDUSTRIA 4.0
La I-4.0 se puede definir como la confluencia de 3 grandes ejes de digitalización - Smart

operator, Smart product y Smart machine (Kolberg y Zühlke, 2015), de manera que
podamos clasificar cada una de las herramientas de digitalización dentro cada uno de los
ejes comentados. En este apartado veremos una definición de cada eje de digitalización,
para dar luego paso a una breve exposición de las herramientas de la Industria 4.0 más
comúnmente utilizadas.
1) Smart Operator (trabajador conectado).
En las fábricas es fundamental que cuando se produce un error se notifique de forma

inmediata, reduciendo de esta forma al máximo el impacto del problema (Longo et al,
2017). En una empresa con I-4.0, los operadores de planta están interconectados en todo
momento, mediante aplicaciones móviles o relojes inteligentes, que posibilitan la rápida
notificación en caso de error o avería en el proceso.
23
Los operadores de planta pueden usar herramientas avanzadas de simulación de procesos,

como las gafas de realidad aumentada, mediante las cuales serán capaces de conocer en
tiempo real el estado del proceso, comparar el rendimiento con el estándar esperado, y en
definitiva tener información justo a tiempo de cómo se está ejecutando el proceso. Gracias
a estos dispositivos se puede formar y preparar a los empleados desde el punto de vista
práctico antes de abordar el trabajo real en planta, obteniendo una gran ventaja por la
proximidad al entorno real que luego encontrarán durante jornada de trabajo.
2) Smart Product (producto conectado)
En este contexto de conocimiento y aplicación del mismo para la mejora continua, los
productos inteligentes son capaces de recolectar información en tiempo real durante y
después de ser producidos (Dhungana et al, 2015). Esta información puede ser analizada
y utilizada para mejorar los procesos de fabricación y analizar los hábitos de consumo de
los clientes, lo cual permitirá un mayor grado de capacidad de reacción de los fabricantes.
Imaginamos también productos con sensores RFID capaces de comunicar en todo
momento su posición y grado de uso, estableciendo con los usuarios una red de
información que mejorará la eficiencia y utilización de dichos productos.
3) Smart Machine (máquina conectada)
Dentro de la era de la digitalización, las máquinas pueden ir equipadas con sensores y

sistema de comunicación capaces de reportar en tiempo real la información del proceso y
además reconfigurarse de forma adaptativa para mejorar su rendimiento (Radziwon et al,
2014).
Las estaciones de trabajo modulares e interconectadas permiten la rápida adaptación ante

cambios en las configuraciones de los productos, dotando a las plantas industriales de una
mayor flexibilidad y posibilidad de personalización de los productos fabricados problema
(Longo et al, 2017). Además, se pueden ejecutar cambios de versión en una menor
cantidad de tiempo debido a la simplificación de los procesos y estandarización de los
elementos.
Los responsables de gestión tendrán información en tiempo real del estado de la máquina,
reduciendo notablemente la inversión de recursos en la recopilación y análisis de los
resultados para emprender acciones de mejora (Kolberg y Zühlke, 2015).
24
A continuación, se plantea un listado de herramientas pertenecientes a la corriente de la

Industria 4.0, y con la que se pretende hacer un breve repaso al estado del arte en este
campo.
Figura 2.4. Listado de herramientas principales en I-4.0. Fuente: Digital Factories
Sistemas de integración y normalización
Antes de abordar un proceso de automatización es fundamental establecer una pauta

clara y bien definida en cuanto a la estandarización de los elementos a ser
implementados en las distintas fábricas, ya que de lo contrario luego será casi
imposible la integración de dichos sistemas (Lu, 2017). Esto pasa por la compra
centralizada y unificada de PLCs, sistemas de control y resto de componentes
electrónicos e informáticos (sensores, pantallas HMI, servidores, redes, etc).
En cuanto a la programación interna, la creación de nuevos programas electrónicos

que comanden las líneas de fabricación, facilita el poder acometer modificaciones en
el futuro (Lu, 2017). Éste es un punto clave en la I-4.0 ya que, si somos capaces de
dominar la programación de la maquinaria implementada, será más sencilla la
integración de las distintas herramientas que se adquieran en el futuro.
Visión artificial
La visión artificial consiste en un conjunto de herramientas enfocadas en la obtención

de imágenes de un proceso para su posterior procesado y análisis automático mediante
25
computador (Paelke, 2015). Es una herramienta muy potente, ya que permite

automatizar la detección y control de calidad de las piezas y la toma de decisiones
automáticas por parte de las máquinas mediante la comparación de la imagen tomada
con el patrón establecido.
En la actualidad el uso de las herramientas de visión artificial está muy extendido en

la industria, siendo complicado imaginar ciertos procesos sin esta tecnología. El
impacto en porcentaje de piezas rechazadas, y por tanto en costes de producción ha
sido muy elevado, habiéndose extendido su uso en prácticamente todos los sectores
industriales.
Simulación - Machine Learning
La técnica de Machine Learning se basa en la reconfiguración automática de los

parámetros de una máquina en base a los datos medidos en su entorno (Candanedo et
al, 2018). Se encuadra dentro del campo de la inteligencia artificial, siendo el sistema
capaz de variar su funcionamiento si observa fallos, o si predice que va a ver uno. En
resumidas cuentas, las máquinas “aprenden”, es decir, que son capaces de desarrollar
trabajos para los cuales no estaban programas en un inicio, mediante la aplicación de
algoritmos computacionales complejos que dan a la máquina la capacidad de adaptarse
a su entorno.
Simulación - Fabricación autónoma
En esta línea de la I-4.0, se persigue la automatización progresiva de las tareas

repetitivas y susceptibles de poder realizarse por máquinas (Cortés et al, 2017).
Incluiríamos en este apartado el uso de vehículos auto guiados (AGV) para la
manipulación y trasporte del producto acabado, o la inclusión de robots colaborativos
(Cobots) para la realización de tareas en entornos de trabajo compartidos con humanos,
sobre todo aquellas tareas de poco valor añadido y que no requieren de aplicación de
criterios lógicos.
Dispositivos de realidad aumentada.
La realidad aumentada es una tecnología que básicamente combina el entorno real con
un entorno digital, como imágenes, videos y textos, a través del uso de gafas de
26
realidad aumentada o Smart glasses (Masood y Egger, 2019). De esta manera se

consigue una superposición de imágenes que simulan entornos digitales de forma
precisa, y que permiten aumentar la información que tenemos de un proceso, pudiendo
la persona que las utiliza disponer de datos es tiempo real para facilitar su trabajo. Es
una práctica cada vez más extendida y que está consiguiendo reducir los tiempos de
ejecución, sobre todo en líneas de montaje como las que hay en las industrias de
automoción y aeronáutica (Masood y Egger, 2019).
Big Data
La tecnología basada en Big Data se aplica en sistemas que trabajan con un volumen
de datos masivo y no estructurados, siendo capaces de explotar la información para
obtener conocimientos que ayuden en la toma de decisiones estratégicas (Sahal,
Breslin y Ali, 2020). En la Industria 4.0, esta tecnología se aplica principalmente
debido al Internet de las cosas, que constituye una red de sensores que recogen
información en tiempo real de las diferentes partes de cada proceso. Estos datos son
tratados y generan una potente base de información en la que apoyarse para la toma de
decisiones. Otro rol fundamental es el poder analizar tendencias de procesos y
consumos, de manera que se pueda reorientar la fabricación y la personalización de
los productos hacia patrones más alineados con la tendencia actual del mercado, de
forma rápida y predictiva.
Automatización Robótica de Procesos (RPA)
Los robots de software son los encargados de asumir tareas repetitivas que siguen un
patrón común y que se realizan en un ordenador (Gao et al, 2020). Con estas
generalidades, existen una gran cantidad de trabajos administrativos y de reporting que
a día de hoy son realizados por personas, y que podrían ser perfectamente sustituidos
por robots. Se estima que entre un 40-50% de las tareas administrativas de una empresa
son susceptibles de hacerse mediante el uso de esta tecnología (Gao et al, 2020),
consiguiendo una mayor eficacia y rapidez, ya que los robots trabajan sin descanso
todos los días del año, reduciendo además la tasa de equivocaciones asociada al trabajo
con humanos.
27
Fabricación aditiva (Impresión 3D)
La fabricación aditiva es aquella basada en la fabricación de piezas mediante impresión

3D, superponiendo capas de material de forma sucesiva hasta conferir la forma final
de la pieza diseñada por ordenador. Esto permite una gran capacidad de
personalización de productos fabricados, así como una reducción considerable de los
tiempos de desarrollo necesarios desde la fase de diseño hasta la fase de ejecución final
(Fox y Subic, 2019). Aplicando esta tecnología, los fabricantes son capaces de reducir
notablemente su stock de producto acabado y ser extremadamente flexibles a la hora
de introducir cambios en los productos. Otra de las ventajas es que los entornos
productivos pueden reducir el espacio necesario para el desarrollo de sus operaciones.
Es un tipo de fabricación que acaba con el enfoque tradicional de producción en masa

y poco flexible, pudiendo fabricarse lotes muy pequeños, incluso unitarios, sin que
esto tenga un gran impacto en el coste final de la pieza (Shahrubudin et al, 2019).
Además, debido a su proceso de fabricación aditivo, permite la fabricación de piezas
complejas en una sola vez, eliminando la necesidad del ensamblado posterior.
Cloud computing y acceso remoto.
Otra de los aspectos fundamentales es la accesibilidad a los distintos elementos de las

líneas de producción de forma remota, pudiendo controlar, modificar y restaurar los
sistemas que lo requieran sin necesidad del desplazamiento in-situ de los técnicos
(O’Donovan et al, 2019). En una industria conectada, éste factor constituye un
elemento crítico para la mantenibilidad del sistema.
Internet de las cosas
El internet de las Cosas, o Internet of Things (IoT) en inglés, es un concepto referido

a miles de millones de objetos conectados digitalmente entre sí, permitiendo la
interconectividad y control de los mismos, así como la optimización de su
funcionamiento (Gregori et al, 2018). Podríamos concretizarlo como una ilimitada
secuencia de objetos permanentemente conectados en un escenario digital, con el
objetivo de que todo sea inteligente mediante la gestión de grandes cantidades de
información (Trappey et al, 2017).
28
Sin duda, la conexión hombre-máquina es uno de los campos con más capacidad de
desarrollo del IoT, creando ecosistemas interconectados que habiliten de forma más
clara y fructífera la inteligencia artificial. Éste sería su fin último, creando equipos
capaces de tomar decisiones de forma autónoma en base a los inputs que reciben de su
entorno (Colakovic et al, 2018).
El crecimiento de esta tecnología está siendo exponencial, y las previsiones es que en

2020 se superen los 30mil millones de objetos conectados en todo el mundo (Aheleroff
et al, 2020).
Ciberseguridad
El concepto de ciberseguridad se fundamenta en la defensa de ordenadores, servidores,

teléfonos móviles, redes y otros sistemas que manejan datos, de ataques cuya intención
sea la de poner en peligro la vulnerabilidad del sistema, dando lugar a que se vea
comprometida la información compartida y almacenada en estos dispositivos
electrónicos (Roldán-Molina et al, 2017).
En la actualidad, debido a la masiva cantidad de datos y dispositivos conectados, se

hace indispensable disponer de sistemas de defensa que puedan evitar la intrusión de
agentes maliciosos en estos dispositivos (Roldán-Molina et al, 2017).
Pese a que hay herramientas dentro de la I-4.0 que claramente aportan mejoras en la forma
de gestionar los procesos industriales, se echa en falta un marco de trabajo que integre a
todas las herramientas englobadas en esta corriente (Takeda, 2006). Actualmente la
mayoría de las empresas trabajan con herramientas de digitalización implementadas de
forma aislada, sin una integración común.
El potencial de los sistemas ciber-físicos no está todavía totalmente desarrollado. Las

primeras aproximaciones están basadas en arquitecturas orientadas al servicio y son
descritas de forma genérica (Hu et al, 2016). En el entorno de la fabricación y producción,
hace años que se generaron marcos de trabajos basados en arquitecturas como por ejemplo
PROSA (Van Brussel et al, 1998). Cabe destacar también el marco existente en el campo
del transporte de materiales (Lewandowski et al, 2013).
29
Sin embargo, no existe como tal una integración global que dé solución y describa cómo
pueden integrarse los sistemas ciber-físicos (Schlick et al, 2014), partiendo de la base de
considerar la parte tecnológica, humana y de organización (Deuse et al, 2015).
2.5 INTERACCIÓN LEAN - INDUSTRIA 4.0
Llegados a este punto, hemos podido analizar en profundidad el estado actual de las
herramientas Lean, para luego abordar la nueva corriente de digitalización promovida por
la I-4.0. Es turno ahora de evaluar la interacción entre ambos mundos.
Antes de avanzar en este bloque, donde se verán ejemplos concretos de herramientas Lean
digitalizadas mediante la implementación de la I-4.0, queremos reflexionar acerca de
ciertas cuestiones prácticas que se han de tener en cuenta previamente a abordar proyectos
de digitalización, ya que es de vital importancia que las TIC estén bien implementadas,
porque de lo contrario las ventajas comentadas anteriormente no se obtendrán.
Revisando la literatura previa, se deduce que las empresas que han implementado Lean
Manufacturing son más capaces de abordar la digitalización de la Industria 4.0 con
mayores garantías de éxito que las que no lo tienen (Ward y Zhou, 2006), debido sobre
todo a los hábitos adquiridos en cuanto a estandarización y trabajo en equipo, los cuales
actuarán como elementos potenciadores a la hora de abordar proyectos de digitalización.
Además, visto desde otro punto de vista, se puede deducir que empresas con Lean pueden
obtener beneficios pese a no tener I-4.0, pero en el caso de las empresas 4.0 sin las bases
de Lean, sobre todo a nivel de estandarización y metodología, es probable que no
obtengan los beneficios esperados (Ward y Zhou, 2006).
La flexibilidad a las modificaciones de los sistemas implementados es también

fundamental (Brass et al, 2016). Si cada pequeño cambio requiere de peticiones a personal
externo, y el operario no lo puede llevar a cabo, es sin duda una fuente potencial de
fracaso. Es por tanto básico que las herramientas I-4.0 puedan ser modificables (inter-
actuables) con los operarios para evitar esto.
La integración entre ambos mundos, Lean e I-4.0 es un importante campo de

investigación para ser ampliamente explorado. De hecho, el sistema de producción de
30
Toyota, TPS, que acuñó la metodología Lean, establece que los dos pilares en los que se
fundamente son: Just in time y la automatización (Ohno, 1988). Toyota estableció que la
automatización iría encaminada a eliminar la interacción humana durante el proceso
productivo de manera que, cuando un error sucede, el sistema se detiene
automáticamente. Tan solo cuando se detecta el error, aparece la interacción humana para
subsanarlo y ponerle solución. Es por este motivo que creemos que la aplicación de la
industria 4.0 a la metodología lean tiene bastante sentido, aunque aún a día de hoy hay
bastante gente que ponga en duda la interacción de ambos mundos (Kolberg y Zühlke,
2015).
Este apartado será por tanto el epicentro de la presente tesis, ya que en él buscaremos las
interacciones entre ambos mundos y plantearemos cómo la digitalización está
transformando las herramientas Lean de mejora continua.
Nuestro objetivo no es el de profundizar en el contenido teórico de cada herramienta, sino

más bien mostrar de qué manera la filosofía Lean está evolucionando en las empresas que
tienen una fuerte digitalización del proceso productivo.
Tomando como base el trabajo realizado por Sanders et al. (2016), dividiremos los
factores en externos, que son aquellos que interrelacionan a la fábrica con su entorno, e
internos, que son los que afectan a los procesos productivos internos. En las figuras 2.5 y
2.6 podemos ver un esquema general.
2.5.1 FACTORES EXTERNOS
Figura 2.5. Impacto de la Industria 4.0 en los factores externos. Fuente: Elaboración propia.
31
1. Relaciones con agentes externos.
Una inapropiada transmisión de la información entre el fabricante y el proveedor puede

significar una importante generación de desperdicio e ineficiencias. Los proveedores
necesitan estar informados de forma regular, veloz y precisa acerca del estado de los
productos que suministran, lo cual genera una respuesta inmediata en caso de aparezcan
errores o discrepancias con el producto facilitado. En problema radica en la dificultad de
interconectar la información de operaciones y mantenimiento entre los fabricantes y los
proveedores, ya que no todas las industrias tienen un grado de interconexión que lo
permita.
La digitalización genera las herramientas que necesitamos para que ese feedback se
produzca de forma automática y en tiempo real. La información de productos y procesos
de fabricación puede pasar fácilmente entre los distintos actores de negocio, posibilitando
la sincronización entre proveedor y fabricante (Bettel et al, 2014). Los tradicionales
mecanismos de comunicación han dado paso a la nube de datos y los servicios de
información móviles.
Tan solo con móviles y tablets conectados a internet y con un sistema de nube común,
podemos integrar fácilmente a cualquier actor que forme parte del negocio (Schmidt et
al, 2015), logrando de esta manera a través de la digitalización un mayor integración y
obtención de feedback entre fabricantes y proveedores.
2. Entregas en el momento y cantidad adecuadas.
Esta filosofía promovida por Toyota en su origen persigue tener un nivel de inventario lo
más cercano posible a cero. Tan solo la cantidad necesaria de productos llegarán a ser
producidos, en el momento adecuado, y usando los recursos adecuados, evitando el
desperdicio que supone tener grandes cantidades de dinero inmovilizadas en inventario.
En la realidad esto no es siempre posible debido a las ineficiencias del proceso productivo
y de aprovisionamiento, tales como errores de planificación y previsión de consumos,
fallos en los tiempos de entrega, retrasos en las líneas productivas, etcétera.
Digitalizando de la cadena productiva a través del internet de las cosas las empresas serán
capaces de aumentar la integración de los diferentes eslabones de la cadena de suministro
(Caballero-Gil et al, 2013), ya que cada ítem se podrá digitalizar y hacer un seguimiento
32
individualizado de su estatus, posibilitando la reactividad de todos los integrantes de la

cadena de suministro que abastecen de producto mediante el etiquetado digital de los
mismos.
Se puede saber en tiempo real si surgen retrasos o problemas en las entregas aumentando
la velocidad de reacción y pudiendo de esta manera reubicar los recursos y reorientar el
proceso productivo (Bose y Pal, 2005).
En conclusión, mediante la asociación de cada ítem al internet de las cosas, con sistemas
de monitorización y seguimiento habilitados por la digitalización de la cadena de
suministro, las empresas pueden mejorar las entregas justo a tiempo y aumentar su
competitividad
3. Desarrollo y crecimiento de empresas colaboradoras.
Uno de los pilares básicos de Lean establece la necesidad de que los proveedores crezcan
y evoluciones a la par de la empresa (Ohno, 1996). Esto tiene su lógica ya que, en caso
contrario, el avance de una empresa y su mejora en la eficiencia a través de la
implantación de herramientas de mejora continua se verá mermada por el rendimiento
dispar de sus proveedores, lo cual al final acabará impactando en los resultados. A través
de la digitalización que aporta la I-4.0, se pueden generar redes digitales de conocimiento
para ser compartidas entre fabricantes y proveedores. Dentro de esa fuente de
conocimiento se pueden integrar acciones de formación, información técnica, analizar y
solventar problemas mediante grupos de trabajo, en definitiva, se puede aumentar el grado
de conocimiento y cooperación entre la empresa y sus proveedores.
En este tipo de ecosistema digital, el objetivo es hacer crecer a los proveedores de manera
que mejoren sus procesos para que el crecimiento de la empresa se vea correspondido,
generando un ritmo de mejora similar (Tepes et al, 2015).
En este sentido, pueden surgir problemas de incompatibilidades entre sistemas de

hardware y software entre proveedores y fabricantes. En los entornos digitales que aporta
la I-4.0 se hace necesaria la estandarización y la regulación normativa de los protocolos
de comunicación. Por esta razón muchos fabricantes de sistemas de información y
comunicación están trabajando en la generación de estándares y protocolos englobados
dentro de la corriente industria 4.0 (Weyer et al, 2015).
33
4. Enfoque al cliente.
En muchas ocasiones el enfoque al cliente se reduce a la simple generación y envío de

multitud de productos a los clientes, sin hacerlos partícipes en ninguna de las fases del
desarrollo de producto. En el enfoque Lean la parte cliente se cuida con esmero,
intentando focalizar el negocio hacia lo que aporta valor desde el punto de vista del
mismo. Todo lo demás se considera desperdicio (Womack, 1996).
En la actualidad, incluso cuando el cliente participa activamente en el desarrollo del

producto, una vez que éste está fabricado se pierde casi toda posibilidad de modificación
o alteración del diseño. La digitalización puede aportar un carácter de personalización de
producto mucho mayor, permitiendo la personalización incluso cuando la fase productiva
ya haya sido iniciada. Esto puede ser conseguido mediante la implementación de sistemas
de gestión de la producción digitalizados (MES), plataformas y aplicaciones orientadas
al cliente (B2C), de manera que se provea al cliente de un sistema de comunicación
bidireccional en el que las modificaciones y personalizaciones de producto son realizables
(Cannata, 2008).
Esto entierra la histórica frase de “vender y olvidar”, tan arraigada en muchos fabricantes
todavía hoy día. El nuevo enfoque basado en la personalización permitirá llegar a un
mayor número de clientes y aumentar la heterogeneidad de los mismos (Ganiyusufoglu,
2013).
En los últimos años está habiendo grandes cambios en las técnicas de análisis y búsquedas
de mercados mediante la aplicación del Big data, que posibilita el procesado masivo de
información para detectar nuevas tendencias y necesidades de clientes (Li Tao et al,
2015). Esto permite la integración de los productos vendidos en entornos digitales
generando “Smart products” los cuales retroalimentan a los fabricantes. Dichos
fabricantes recogen y analizan esta información para generar categorías de clientes y
detectar las necesidades y comportamientos de los mismos para finalmente poder proveer
servicios y soluciones más personalizadas (Shrouf et al, 2014).
34
2.5.2 FACTORES INTERNOS
Figura 2.6. Impacto de la Industria 4.0 en los factores Internos. Fuente: Elaboración interna.
1. Hoja de control de producción (HCP).
Con esta herramienta se persigue llevar un control de lo que se produce, relacionándolo

con el TAKT time (tiempo entre el inicio de la producción de una unidad y la siguiente),
de cara a equilibrar la producción con la demanda y detectar rápidamente desviaciones
entre lo fabricado y lo planificado (Mourtzis et al, 2017). A través de la I-4.0, se han
introducido sistemas de recogida de datos que han permitido la ejecución de esa HCP de
forma automática, haciendo la toma de datos más precisa y fiable, reduciendo el tiempo
de reacción y permitiendo la exportación de los datos a otros sistemas para su posterior
análisis (Joppen et al, 2019).
2. Poka-Yoke.
Por definición poka-yoke significa técnica a prueba de errores y consiste en establecer un

diseño que evite el fallo en un sistema. La I-4.0 está generando herramientas digitales
capaces de detectar y corregir errores antes de que se produzcan como, por ejemplo, los
sistemas de visión artificial, que permiten analizar productos descartando los no válidos,
e incluso prediciendo fallos futuros y cambiando la configuración de la máquina en
consecuencia (Pugna et al, 2016).
35
3. Instrucciones de trabajo, rutinas de trabajo estandarizado y auto-

mantenimiento.
Este apartado está enfocado en el desglose de las tareas relacionadas con un puesto de
trabajo, destacando los puntos críticos y estableciendo, en algunos casos, el tiempo
asociado a cada tarea (Saurin y Ferreira, 2009). A través de la I-4.0 se pueden introducir
las rutinas de trabajo digitales, mediante el uso de un software específico, y el seguimiento
mediante dispositivos móviles (tablets) en el propio lugar de trabajo. De esta forma las
rutinas de trabajo, mantenimiento o trabajo estandarizado, se pueden consultar y
supervisar digitalmente. Los cambios en las mismas se actualizan de forma inmediata,
permitiendo generar una base de datos común para todas las plantas.
4. Tablones de implementación y seguimiento.
En todo desarrollo Lean hay una parte enfocada a la gestión visual de las herramientas
implementadas mediante el uso de tablones en los que se integra toda la documentación
generada (Riebezos et al, 2009). Entendemos que es ciertamente útil en tanto en cuanto
se genera una zona de interacción entre operarios y gestores para el análisis de problemas
y el establecimiento de planes de acción, pero con mucha frecuencia se cae en el abuso
de información y número de tablones, generándose finalmente un efecto contrario al que
se quiere eliminar, es decir, un desperdicio.
Es habitual que los certificadores Lean fundamenten su nota en base a la lógica observada
en estos tablones, además evidentemente del estado visual de las instalaciones, lo cual
genera en ocasiones un abuso en cuanto al montante de información impresa.
La I-4.0 y su digitalización, permite reducir el uso indiscriminado de papeles y generar

pizarras con indicadores y planes de acción digitales, los cuales permiten además la
actualización inmediata y la reducción del tiempo necesario para actualizarlos.
5. Gemba Walk.
Esta terminología se refiere a que para entender los problemas y detectar los desperdicios,
hay que estar donde éstos ocurren, es decir, hay que bajar a la línea/almacén/proceso
(Gemba en japonés), y ver de primera mano lo que está ocurriendo (Dombrowki y Mielke,
2014).
36
Con la digitalización promovida dentro de la I-4.0, se potencia el control de indicadores

de forma remota, mediante herramientas de gestión y visualización de datos, que permiten
focalizar el tiempo y esfuerzo de los responsables del centro, de cara a acudir a las partes
de la línea cuando se necesita, donde se necesita y sabiendo lo que se necesita. Se podría
considerar como un Gemba Walk 4.0, y lejos de alejar a los responsables de la realidad
del proceso productivo, si se enfoca bien, puede contribuir a un aumento de su
implicación y motivación, sobre todo porque disponen de información que permite
detectar rápidamente situaciones anómalas y actuar en consecuencia.
6. Sistemas Kanban
En la filosofía Lean, se fabrica, se aprovisiona o se expide cualquier bien o servicio

siempre que haya detrás una demanda del mismo, y ésta vendrá dada por el mercado
(TAKT time). A este modo de gestionar se le conoce como sistemas pull (Womack,
1996), y es una de las bases fundamentales de todo sistema Lean. Los tradicionales
sistemas basados en previsiones (sistemas push) acarrean un extra de inventario, tanto de
materia prima como de producto acabado, generando un sobrecoste en la cadena de
aprovisionamiento y un mayor fondo de maniobra (Monden, 2011). A nivel conceptual
el sistema pull establece que sea el mercado el que con su propio consumo “tire” de la
fabricación, generando órdenes de pedido en base al consumo real que está habiendo.
Uno de los mejores sistemas para la monitorización y ejecución de acciones de

aprovisionamiento basadas en la demanda real es el sistema kanban, que, mediante el uso
de tarjetas visuales, permite la gestión de cuando iniciar las operaciones en cada punto de
la cadena de valor.
Los sistemas de información permiten aplicar un sistema kanban electrónico, el cual

funcionará de un modo idéntico al tradicional, pero con una regulación automática en
base a sensores de medición de stock que lanzan automáticamente la orden de
aprovisionamiento cuando surge la necesidad real. Una vez digitalizadas las tarjetas
kanban, se abre la puerta del control y seguimiento remoto y por ordenador, lo cual
habilita el análisis y optimización de todo el sistema de una forma rápida y sencilla
(Kolberg y Zühlke, 2015).
37
Los sistemas actuales integran además control por etiquetas RFID que permiten una
monitorización más precisa y uniforme de todos los ítems inventariables. Esto aporta un
valor añadido al cliente ya que puede saber en todo momento el estado de su artículo y,
una vez en su poder, puede hacer inventarios online sin ningún esfuerzo adicional. En
este sentido, cualquier cambio en la programación será rápidamente detectado,
posibilitando una respuesta más rápida y eficaz (Kouri et al, 2008).
En resumen, toda la cadena de suministro puede integrarse en un sistema pull digital

mediante el uso de herramientas digitales englobadas en la I-4.0.
La introducción de sistemas MRP que permiten la optimización del proceso de

planificación, reduciendo el control manual de stocks y permitiendo un mayor grado de
eficiencia y de interconexión con proveedores, choca en cierto modo con el uso de tarjetas
kanban, y es en ocasiones objeto de controversia y debate entre los facilitadores LEAN y
las empresas con MRP implantado, sobre todo porque, según ellos, los sistemas de gestión
de stock establecen hipótesis de venta que en ocasiones no se cumplen.
Si se ejecuta bien y se integra en la I-4.0, el sistema MRP puede generar un modelo de

gestión pull de alto nivel, sin tanta manualidad y con la posibilidad de la integración de
clientes y proveedores en el sistema.
7. Value Stream Mapping (VSM).
En los sistemas Lean se persigue que el flujo desde que se recepciona un pedido hasta
que el bien o servicio es expedido al cliente (lead time) sea lo más continuo posible. La
herramienta que visualiza desde el principio hasta el final todo el proceso se conoce como
VSM (flujo de la cadena de valor) y engloba el tiempo total o lead time. En la teoría Lean,
ese flujo continuo se fundamenta en que cada eslabón de la cadena aporta valor al
producto y cada proceso es realizado sin que haya esperas entre ellos, defectos o grandes
cifras de inventario.
Las herramientas digitales y de seguimiento del proceso, tipo MES (manufacturing

execution system), posibilitan una visualización en tiempo real de toda la cadena de
suministro, identificando aquellos puntos que rompen el flujo continuo y posibilitando la
rápida reacción de los controladores de gestión (Raki, 2014). Con estos sistemas también
se verán beneficiados nuestros proveedores, ya que, al ser interconectados con nosotros,
38
podrán hacer un seguimiento online de nuestros requerimientos inmediatos, pudiendo

anticiparse, y ajustar su producción de forma conveniente para evitar retrasos (Wiendahl
y Lutz, 2002).
8. Filosofía SMED para reducir los tiempos de ajuste.
Otra de las grandes herramientas de mejora continua, y que posibilitan que el proceso se
agilice enormemente para poder acercarnos a las entregas “just in time”, es el conocido
como el sistema SMED (Single Minute Exchange of Die), que básicamente consiste en
el análisis pormenorizado de cada paso dentro de un cambio o ajuste de maquinaria, para
poder reducir el tiempo total mediante la eliminación, externalización (máquina en
marcha) o reducción de cada una de las tareas asociadas (Womack, 1996). Es una
herramienta crucial, ya que posibilita reducir nuestros lotes sin generar excesivas
pérdidas, lo cual a su vez da lugar a una reducción de los stocks y un mejor tiempo de
respuesta ante cambios en el mercado.
Gracias a la digitalización aportada por la I-4.0, podemos trabajar con máquinas

regulables, que posibiliten la programación para flexibilizar los cambios, y además
podremos agilizar enormemente los análisis paso a paso del sistema SMED, mediante el
uso de programas específicos por computador, permitiendo la reducción de los tiempos
de análisis y exportando las rutinas de trabajo estandarizadas de forma automática. En los
últimos años estamos viendo la irrupción de los sistemas de “machine learning” en los
que la propia máquina se auto-regula en función de los inputs que recibe. El resultado es
una mayor reducción de los tiempos de cambio y ajuste que contribuyen a un mayor
rendimiento de la instalación (Brettel et al, 2014).
9. TPM (total productive maintenance).
Un apartado fundamental que contribuye al correcto funcionamiento de las máquinas es

el sistema de gestión de mantenimiento, que puede ser englobado dentro de la filosofía
global de gestión de los recursos de mantenimiento dentro del mantenimiento productivo
total (TPM). En este sentido, es prioritario para una empresa ser capaz de gestionar sus
activos para evitar los paros no programados y favorecer de esta manera a una mayor
eficiencia de toda la instalación.
39
En una fábrica inteligente, digitalizada con herramientas de industria 4.0, todas las
máquinas están interconectadas entre sí y también de forma centralizada a una base de
datos, que es capaz de monitorizar la actividad de las mismas, incluidos su rendimiento y
disponibilidad. en caso de que suceda algo que interrumpa su actividad, el sistema es
capaz de detectarlo y saber dónde se ha producido el error. Esta información es básica
para establecer acciones de mejora continua que eviten la recurrencia de estos problemas.
En paralelo, el sistema de gestión de la producción puede re-planificar los pedidos en base
a la detección de dichos paros (Lucke et al, 2008).
En un paso más, los sistemas digitales comprendidos en la I-4.0 podrán analizar los datos
obtenidos de las máquinas y poder trabajar el aspecto predictivo de la instalación (Lee et
al, 2014). En este sentido la fábrica inteligente se retroalimentará con los datos
disponibles del sistema y podrá cambiar los patrones de mantenimiento para anticiparse
al error en base a cálculos estadísticos y algoritmos de predicción (Haddara y Elragal,
2015).
Desde el punto de vista Lean, la gestión del mantenimiento pasa por eliminar todas las
pérdidas asociadas a los funcionamientos anómalos de los equipos originados por averías,
generando un plan de mantenimiento que ataque todos los frentes. Mediante el uso de
software de gestión del mantenimiento (GMAO), y la integración de las distintas fábricas
en el mismo, pueden planificar las tareas y llevar a cabo un seguimiento de los indicadores
fundamentales, tales como MTBF (mean time between failure), MTTR (mean time to
repair), tasa de averías, ...etc. Además, se puede implementar un almacén virtual de
repuestos críticos integrado en el software y gestionado con códigos de barras. De esta
manera se dispone de un control de stock de repuestos con todas las fábricas
interconectadas y además se generan órdenes de pedido automáticas a los proveedores
cuando el número de repuestos es menor de un límite determinado (kanban electrónico).
10. Control Seis Sigma
La gestión estadística de los datos del proceso para poder reducir la variabilidad de los
resultados es una técnica muy usada en la metodología Lean Six Sigma. Es una forma de
combinar analítica avanzada con sistemas de inteligencia de negocio a través de la gestión
40
de los flujos productivos, dando como resultado un elevado nivel en trazabilidad,

visibilidad y control de procesos (Nicoletti, 2013).
Estas técnicas se han visto notablemente mejoradas con la irrupción de la industria 4.0
(Schuh et al, 2015), debido a las mejoras en los interfaces de máquina-operario, la
aplicación de la tecnología RFID que permite una configuración automática del proceso
en base a la lectura de la etiqueta que lleva el producto, y la aplicación del internet de las
cosas que posibilita la integración de los diferentes elementos que componen el proceso
mediante la extracción de la información proveniente de las máquinas.
En el entorno productivo actual, con lotes pequeños y gran personalización de los

productos servidos, es de vital importancia contar con estas herramientas digitales que
permitan la configuración del sistema Seis Sigma de forma rápida y precisa, permitiendo
absorber rápidamente los cambios del entorno y estar de nuevo configurado de forma
prácticamente instantánea.
11. Participación y crecimiento de los empleados
Otro de los pilares fundamentales en los que descansa la metodología Lean radica en que
los trabajadores de la empresa participen activamente en el sostenimiento del sistema
(Ohno, 1988) mediante el seguimiento diario de los indicadores, el análisis de problemas
y el planteamiento de acciones de mejora. Para conseguir un alto grado de participación,
es fundamental crear un entorno de trabajo atractivo para el trabajador, ya que de lo
contrario se caerá en una rutina desmotivadora que afectará al rendimiento de la persona,
y, por ende, al de todo el sistema de mejora continua (Sanders y Wulfsberg, 2015).
Con la digitalización y las nuevas herramientas que aporta la industria 4.0, se consiguen
innumerables ejemplos que potencian la participación y crecimiento de los trabajadores.
En un entorno 4.0, el operario es capaz de dar un feedback en tiempo real acerca del
estado del proceso, mediante el uso de terminales móviles interconectados entre sí y a las
máquinas, de esta manera se consigue una participación activa y una mayor
concienciación en la mejora y buen funcionamiento de los procesos (Schuh et al, 2015).
En estos terminales sirven también para un rápido seguimiento por parte de los mandos
medios, ya que es más fácil evaluar el rendimiento global del proceso y actuar
41
rápidamente para coordinar el personal en función del estado de la planta (Spath et al,
2013).
Un apartado aparte tiene la formación en esta época digital, ya que se contribuye de forma
directa a generar entornos de formación técnica especializada (Brauner y Ziefle, 2015).
Gracias a las nuevas plataformas de gemelos virtuales o Digital Twin, los cuales permiten
simular con sistemas virtuales que son réplica de los reales, un operador será capaz de
practicar y entrenar sus habilidades en un entorno digital, de manera que cuando se
enfrente al entorno industrial real haya tenido una formación previa de características
muy similares a la realidad.
Con la digitalización a través del e-learning, se abre la puerta a que tanto el mapa de
actividades diarias, como la matriz de polivalencias (capacitaciones) y el plan de
formación, se generen de forma personalizada para cada integrante del equipo, pudiendo
acceder cada uno de ellos libremente a través de la plataforma web. Es una formación a
la carta, no planificada y con evaluación del rendimiento. Los contenidos específicos
relacionados con Lean cada vez son impartidos en mayor medida mediante el uso de
plataformas virtuales o bien videoconferencia, a través de formadores internos y/o
externos, aumentando enormemente la flexibilidad y eficacia formativa.
La motivación de los empleados es también una parte importante para garantizar el éxito
de los sistemas Lean (Schuh et al, 2015). Todas estas nuevas herramientas digitales al
servicio de los empleados crean un entorno de trabajo mucho más dinámico y que
garantice la formación de calidad, posibilitando además la rápida reacción y participación
del personal en la mejora continua. La aplicación de estas herramientas contribuye
activamente a la mejora de la motivación, y, por tanto, del rendimiento de la plantilla.
Como podemos ver, la digitalización de los sistemas Lean contribuye de forma evidente
a que las mejoras implementadas se puedan exportar de forma rápida y sencilla,
obteniendo un impacto mucho mayor. Además, se reducen notablemente los tiempos de
ejecución de la metodología, sobre todo a nivel de análisis y de generación de
documentos, los cuales, en la mayoría de casos, acaban por convertirse en un grave
42
problema a la hora de, ya no de implementar inicialmente, sino de mantener el sistema

Lean actualizado.
En la tabla 2.1, se resumen las principales herramientas y/o actividades Lean, y su

digitalización a través del uso de la Industria 4.0.
43
Control de KPIs de forma remota, mediante

herramientas de gestión, que permiten focalizar el Aumentar el grado de participación y
tiempo y esfuerzo de los responsables del centro, de compromiso de la Dirección, ya que permite el
Gemba Walk
cara a acudir a las partes de la línea cuando se ahorro de tiempo y la detección prematura de
necesita, donde se necesita y sabiendo lo que se problemas
necesita. Es un Gemba Walk 4.0.
Tabla 2.1. Principales herramientas y/o actividades LEAN, y su digitalización a través del uso de la Industria 4.0. Fuente: Elaboración
Propia.
2.6. ATENUACIÓN DE LAS BARRERAS LEAN A TRAVÉS DE LA I-4.0
En vista a lo comentado anteriormente, parece clara la oportunidad de cambiar el enfoque

hacia una visión en el cual las herramientas industriales que generan la I-4.0 no sólo no
dificulten, sino que, puedan convertirse en elementos habilitadores en la implementación
de la metodología Lean mediante un enfoque inhibidor de las barreras de implantación
comentadas anteriormente. En la literatura previa tanto sobre Lean como acerca de la I-
4.0, no existen artículos científicos que avalen dicha relación entre ambas, por lo que nos
parece de gran interés abordar este tema empezando por el establecimiento a nivel teórico
de la relación entre cada barrera para la implantación de Lean y la herramienta digital de
la I-4.0 que puede derribarla.
Basándonos en el trabajo realizado por Sanders et al. (2016), un posible esquema de
integración Lean/Industria 4.0 sería el mostrado en la Figura 2.7.
Figura 2.7. Esquema de integración Lean/Industria 4.0 para la atenuación de las barreras de implantación Lean. Fuente: elaboración
propia.
A modo de recordatorio, éstas son las principales barreras que hemos descrito
anteriormente:
4. Falta de rendimiento operacional (OEE).
45

10. Ausencia de expertos internos (facilitador Lean)
Una de las principales barreras introducidas fue la falta de compromiso de la dirección

(Upadhye, Deshmukh y Garg, 2016) que es considerada tal vez como la más importante
de todas. Se puede considerar que con la digitalización de las herramientas Lean se
conseguirá un mayor compromiso de la dirección porque verá de forma más rápida las
ventajas del sistema. Para empezar, los directivos dispondrán de información en tiempo
real gracias a las herramientas digitales, lo cual acelerará la toma de decisiones (Houy,
2005), reduciendo de esta manera el tiempo necesario para aplicar acciones. Por otro lado,
gracias a los sistemas de Business Intelligence, podrán disponer de todos los indicadores
fundamentales de negocio de formar precisa y actualizada, de manera que podrán
establecer las estrategias de acción y seguimiento de forma mucho más dinámica. Por
último, los directivos dispondrán de una mayor capacidad de monitorización del proceso
productivo, ya que será mucho más fácil contar con información actualizada del mismo,
lo que acabará generando una mayor interacción de éstos con su entorno de producción
(Houy, 2005).
Otra de las grandes barreras en la implantación Lean, y que suele estar detrás de la
mayoría de fracasos, es la implicación y capacitación de los trabajadores (Dhiman y
Mohanty, 2010), ya que constituyen la piedra angular de todo el sistema y son los
responsables de su mantenimiento activo y lógico. En caso de no adquirir un alto grado
de motivación y formación de los empleados, será imposible materializar y garantizar la
continuidad de los sistemas de mejora continua (Adler, 1993; Wickens 1987; Parker
2003; Shadur et al. 1995; Vidal 2007).
La I-4.0 nos ofrece innumerables herramientas que, bien enfocadas, nos ayudarán a paliar
en gran medida este problema. Los dispositivos inteligentes permitirán dar un feedback
en tiempo real de lo que sucede en el proceso, consiguiendo una mayor motivación de los
46
empleados debido al mayor grado de interactuación con el sistema (Ward y Zhou, 2006).
El valor añadido de los empleados también mejorará con la automatización de tareas
rutinarias mediante la inclusión de robots colaborativos (cobots), los cuales darán más
tiempo a los trabajadores a aportar sus conocimientos en tareas de mayor valor añadido.
Gracias a esto y a las mejores interfaces de comunicación hombre/máquina, daremos un
salto cualitativo en la forma de trabajar, pasando de operarios ejecutores a operarios
controladores, siendo capaces de interactuar con el sistema y aportar sus conocimientos
en pro de la mejora continua.
Las empresas Lean son reconocidas por sacar más rendimiento que otras en la gestión del
conocimiento de sus empleados (Sharma y Pankaj, 2016). Gracias a las nuevas técnicas
digitales de formación y los dispositivos de realidad aumentada, las empresas serán
capaces de dar una formación y cualificación a los empleados de mayor nivel, eficacia y
contenido, permitiendo de esta manera un mayor aprovechamiento de las horas invertidas
en formación. Las plataformas virtuales permitirán la formación en cualquier momento y
lugar, y los dispositivos de realidad aumentada permitirán reducir los tiempos de
cualificación y actuación, ya que permiten simular el entorno de trabajo y dinamizar
mucho el aprendizaje y ejecución de tareas a pie de máquina.
Uno de los factores externos que puede penalizar la implantación Lean es la ausencia de
proveedores implicados en la mejora continua. La I-4.0 aporta herramientas enfocadas
a paliar la falta de experiencia y recursos de algunos proveedores, como la estandarización
de interfaces. Además, mediante las plataformas compartidas con información en tiempo
real, una empresa puede conseguir que sus proveedores se anticipen a las necesidades de
la empresa ya que están interconectados en todo momento. De esta manera los objetivos
de los proveedores pueden estar alineados con los de la empresa lo cual es un
requerimiento en la implantación Lean (Narayanan y Raman, 2004).
Se ha comprobado en estudios previos que la falta de rendimiento operacional (OEE)

tiene una relación directa con el fracaso de los sistemas Lean (Díaz y Lozano, 2008). Esto
parece evidente, ya que costará más trabajo poder implementar herramientas y forma de
trabajo novedosas en aquellas plantas productivas con bajos rendimientos y, por ende,
con problemas de capacidad productiva, paros no programados y demás contratiempos.
47
La I-4.0 pone al servicio de las empresas muy buenas herramientas para mejorar su
eficiencia. Por ejemplo, mediante la comunicación avanzada hombre-máquina se mejora
la calidad y cantidad de información disponible para el operario facilitando que éste pueda
ser más reactivo a la hora de actuar ante cualquier problema. Los nuevos paradigmas de
fabricación basados en el machine learning permitirán a las máquinas funcionar con
sistemas de inteligencia artificial que redunden en el aprendizaje y mejora autónomos en
base a los inputs que obtienen del sistema. Esto va ligado a la posibilidad de que las
máquinas se autorregulen consiguiendo una gran reactividad de las mismas y optimizando
los procesos autónomamente. Por último, los sistemas de mantenimiento preventivo y
predictivo permitirán la gestión integral de los equipos obteniendo una mejora en la
disponibilidad.
Otra de las barreras expuestas fue la ausencia de un sistema de control de inventarios,

ya que un inventario descontrolado genera grandes cantidades de ineficiencias que
dificultarán la aplicación de herramientas de mejora continua (Hua et al, 2008). Mediante
la aplicación de herramientas digitales, como por ejemplo los sistemas de planificación
de recursos empresariales (ERP), se consigue la gestión informatizada de toda la cadena
de suministro, generando una especie de sistema pull electrónico (kanban electrónico)
que mejorará notablemente la capacidad de gestión en este apartado. Otra herramienta de
gran utilidad son los almacenes automatizados e inteligentes, los cuales permitirán reducir
los tiempos de búsqueda y puesta en servicio de los bienes disponibles. Por último, y
relacionado con las herramientas comentadas anteriormente, se puede disponer de un
control de stocks en tiempo real, lo cual mejorará notablemente la anticipación y
reducción del lead time.
Avanzando en el resto de barreras, vimos que una elevada tasa de rechazos productivos
genera entornos de fabricación poco propicios para implementar herramientas nuevas
(Diallo et al, 1995). Es evidente que un proceso que albergue continuos fallos y
reprocesados dificultará la absorción e implantación de algo nuevo. Sin embargo,
mediante las herramientas digitales contenidas dentro de la corriente 4.0 podremos
solucionar en parte este problema.
48
Los sistemas de control y monitorización del proceso permitirán la detección prematura

de fallos, reduciendo drásticamente el tiempo entre que se produce un error y éste es
detectado. Esto último tiene un impacto importante en la cantidad de material no válido
generado. La autorregulación de las máquinas permitirá la corrección de su parametría
cuando se detecten fallos de proceso, permitiendo al igual que antes reducir los tiempos
de detección y puesta en marcha de medidas correctoras. Además, siendo las máquinas
las que se autorregulan, no se depende de la interacción humana para la puesta en práctica
de dichas medidas.
Abordamos ahora la séptima barrera que expusimos en los bloques anteriores, la de

elevados tiempos de entrega (lead time), y en la que dejamos patente que una empresa
con elevados tiempos de entrega será sinónimo de gran cantidad de pérdidas e
ineficiencias durante toda la cadena de suministro, dificultando la implantación Lean por
lo que la empresa tendrá difícil competir en entornos dinámicos y cambiantes (Cheng y
Podolsky, 1993).
En este punto encontramos numerosas herramientas digitales que pueden ayudar a
optimizar los tiempos de entrega. Por ejemplo, los sistemas Wireless de monitorización
permitirán hacer una mejor gestión de cargas y descargas debido a la digitalización de los
mismos. Podremos reducir gran parte de los trabajos burocráticos y repetitivos, siempre
que éstos se rijan por una norma procedimentada, mediante la automatización robótica de
proceso (RPA) con los llamados robots digitales que permitirán reducir los tiempos
ejecutando de forma automática las tareas comentadas anteriormente. La aplicación de
sistemas RFID en los ítems que componen la cadena de suministro, sobre todo los de
producto acabado, permitirá controlar en tiempo real los bienes inventariables, tanto
cuando éstos estén en el fabricante como cuando hayan salido hacia los clientes.
Finalmente, gracias a los sistemas de reubicación de lotes inteligentes, se puede hacer una
rápida adaptación de los procesos de aprovisionamiento en función de las necesidades
que se detecten en tiempo real.
La falta de información y estructura de datos constituye el talón de Aquiles de muchas

empresas a la hora de abordar una implantación Lean, ya que su ausencia impide la
capacidad de reacción y el análisis para poder emprender acciones de mejora (Tarn et al,
49
2002). Muchas de las herramientas de mejora continua se nutren de datos para poder
abordar la fase inicial de análisis y planteamiento del problema, así como para constatar
que las acciones tomadas han tenido el impacto esperado.
Gracias a las herramientas de la I-4.0 podremos tener un control en tiempo real de todo
el sistema, permitiendo de esta manera digitalizar y parametrizar los distintos puntos clave
y, por ende, disponer de la información necesaria para analizar y ejecutar acciones
correctoras. En los últimos años ha aparecido la figura del gemelo virtual, mediante la
cual podemos disponer de una virtualización digital de un proceso y experimentar con
ella sin poner el riesgo el normal desarrollo del negocio, consiguiendo de esta manera
poder anticiparnos a posibles problemas y plantear y probar mejoras sin riesgo. En esta
corriente de los últimos años, la presencia de las técnicas de Big data van copando el
interés de las empresas por analizar cantidades masivas de datos en pro de tener un
análisis predictivo de las tendencias de los mercados y/o procesos, habiéndose convertido
en una herramienta vital para anticiparse a los competidores e ir un paso por delante con
respecto al resto. Toda esta digitalización y uso de información hace necesario disponer
de un protocolo de comunicación, de manera que podamos interconexionar los distintos
ítems que componen la empresa.
Hemos visto como las empresas con elevados tiempos de ajuste serán menos propicias
que otras a la hora de implementar Lean manufacturing, ya que normalmente esto tendrá
una relación directa con un proceso de producción ineficiente (Funk, 1995). En el campo
de la digitalización, encontramos posibilidades para reducir los tiempos de ajuste como,
por ejemplo, programas específicos para la aplicación informatizada de la metodología
SMED, que dotarán al grupo de análisis una mayor potencia, velocidad y, por tanto, un
menor tiempo de ejecución para la puesta en marcha de las acciones de mejora. Volviendo
al campo del machine learning, se abrirá la posibilidad de que las máquinas se
autorregulen en función del aprendizaje que vayan adquiriendo, permitiendo que los
ajustes de máquina se adapten rápidamente cuando se cambien los lotes de producto. A
esto habría que añadir el control de procesos en tiempo real, el cual conferirá una mayor
reactividad y puesta en marcha de las acciones a llevar a cabo, reduciendo la velocidad
de implantación de cambios del tiempo de ajuste.
50
Machine learning Las máquinas son capaces de aprender y

mejorar autónomamente
Auto regulación de las máquinas Los settings de máquina se autoregulan,
reduciendo el tiempo de reacción
Sistemas de mantenimiento preventivo y Permiten la gestión integral de los equipos
predictivo en pos de mejorar la disponibilidad
Ausencia de un sistema de control Sistemas ERP Permiten la gestión informatizada de toda
de inventarios. la cadena de suministro. Kanban
electrónico.
Almacenes automatizado e inteligentes Reducen los tiempos de búsqueda y puesta
en servicio.
Control de stocks en tiempo real Anticipación y reducción lead time
Elevada tasa de rechazos Sistema de control y monitorización del Detección prematura de defectos
productivos. proceso
Auto regulación de las máquinas Corrección de settings, paliando el
impacto y reduciendo pérdidas
Elevados tiempos de entrega (lead Sistemas Wireless de monitorización Gestión de cargas y descargas digitales
time). Automatización robótica de procesos (RPA) Ejecución automática de tareas que
permite reducir tiempos
Digitalización cadena de suministro. Control en tiempo real de los bienes,
Sistemas RFID. cliente y fabricante.
Sistema de reubicación de lotes inteligentes Adaptación automática en base a
necesidades
Falta de información y estructura Control en tiempo real de todo el sistema Digitalización y parametrización del
de datos. sistema
Gemelo Virtual Analizar y definir posibles mejoras
Big Data Análisis predictivos con volumen masivo
de datos
Protocolos de comunicación Interconexión e implementación de
maquinaria y sistemas
Elevados tiempos de ajuste. Softwares específicos SMED Mayor potencia de análisis y menor
tiempo de ejecución
Machine learning Máquinas autoajustables en función de
aprendizaje autónomo
Control de procesos en tiempo real Mayor reactividad y puesta en marcha de
acciones
Ausencia de expertos internos Formación virtual y elearning Plataformas digitales para la formación y
(facilitador Lean) desarrollo
Seguimiento remoto de proyectos Seguimiento remoto del consultor externo
Tabla 2.2. Ventajas obtenidas por la aplicación de la Industria 4.0 en la atenuación de las barreras Lean. Fuente: Elaboración Propia.
52
2.7 CONCLUSIONES
Como resumen final tras lo comentado en los bloques anteriores, podemos argumentar
que puede existir una correlación positiva entre las herramientas de mejora continua y la
digitalización obtenida a través de la I-4.0. Dicha correlación deberá ser contrastada con
datos en los capítulos posteriores, lo cual será el epicentro de la tesis doctoral. En este
sentido, no hemos encontrado artículos científicos que demuestren de forma empírica esta
relación positiva, por lo que entendemos que el interés del artículo es bastante elevado,
máxime teniendo en cuenta la gran actualidad de la temática tratada.
Durante el capítulo hemos podido dar un repaso a la filosofía Lean, focalizándonos sobre
todo en las barreras que, en la mayoría de casos, son responsables de que muchos
proyectos Lean no tengan continuidad y acaben cayendo transcurridos uno o dos años
desde su lanzamiento. Creemos por tanto que es de vital importancia entender la
idiosincrasia de estas barreras, e intentar paliar sus efectos mediante la digitalización.
Se ha podido constatar de forma teórica que cada una de las barreras Lean tienen su
posible contrapunto en herramientas digitales dentro de la corriente de la I-4.0, y que por
tanto la aplicación en paralelo de ambas puede resultar beneficiosa. Es por tanto de vital
importancia poder comprobar mediante contraste de hipótesis que lo argumentado en este
capítulo tiene validez estadística, y se puede convertir en un argumento aplicable de forma
general.
Dentro de los aspectos convencionales de Lean Manufaturing, está comúnmente aceptado

el hecho de que si una empresa se convierte en Lean, todas las actividades que no aportan
valor se verán reducidas. Esta reducción de desperdicios se verá reflejada en una
reducción de costes asociados al proceso productivo. Ahora el esfuerzo viene dado a
través de la implementación de las herramientas digitales contenidas en la I-4.0. Mediante
su implementación, conseguiremos un mayor control del proceso, lo cual repercutirá de
forma conjunta en la reducción de costes mediante la identificación de las ineficiencias
del proceso. Existe por tanto un objetivo común entre ambas corrientes, Lean e I-4.0, y
creemos que no sólo no se molestarán, si no que existirá una sinergia entre ambas que las
hará mejores.
53
En los capítulos siguientes haremos el planteamiento y contraste de las hipótesis, de

manera que podremos verificar empíricamente si los argumentos mostrados tienen
validez científica.
54
CAPÍTULO 3. MARCO CONCEPTUAL:
PLANTEAMIENTO DE LAS HIPÓTESIS.
Capítulo 3. Marco conceptual: planteamiento de las hipótesis
CAPÍTULO 3. MARCO CONCEPTUAL: PLANTEAMIENTO DE LAS

HIPÓTESIS.
3.1 INTRODUCCIÓN
El objetivo de este capítulo es el desarrollo de un marco conceptual para nuestro modelo

de investigación. Se incluyen tres variables principales, que son la Mejora Continua, la
Digitalización y por último los Resultados empresariales.
La elección de estas variables se fundamenta en la influencia que puede tener la

digitalización de procesos industriales conseguida a través de la Industria 4.0 en la ya
consabida relación positiva entre la mejora continua y los resultados de la empresa.
Analizaremos la relación entre las distintas variables, para finalmente plantear las
hipótesis del modelo resultante, el cual será sometido a estudio empírico.
3.2 MARCO CONCEPTUAL
3.2.1 Relación entre mejora continua y resultados empresariales
Los sistemas de producción basados en la mejora continua se fundamentan en la incesante

búsqueda de ineficiencias en el proceso productivo (desperdicios) para establecer planes
de acción que los eliminen (Hicks, 2007). Esto hace que los sistemas Lean generen una
mejoría en los procesos productivos (Naslund, 2008), lo cual acaba aumentando la
competitividad de las empresas que optan por la implementación del Lean management
dentro de su estrategia competitiva (Damrath, 2012).
Lean también significa marcar objetivos claros a cada departamento y que dichos
objetivos estén alineados con la estrategia global de la empresa (Ho, 2010). Esto es
conocido como la filosofía Hosin Kanri y establece uno de los pilares fundamentales en
la implantación Lean (Handyside, 1997). Gracias a esto, conseguiremos el alineamiento
de cada eslabón de la cadena de negocio hacia un objetivo común y, por tanto,
aumentaremos la capacidad de la empresa en la consecución de dichos objetivos.
Las empresas Lean tienen una mejor orientación hacia el cliente (Lindfords, 2002), ya
que todos sus procesos están alineados estratégicamente hacia un objetivo común (Cortés
57
et al, 2016). Esto hace que en cada acción que se tome en la empresa el cliente tenga un
papel dominante y sea tenido en cuenta a la hora de tomar decisiones. Además, como
hemos visto anteriormente, el enfoque Lean establece que la consideración de desperdicio
se hace siempre teniendo en cuanta todo aquello por lo que el cliente no pagaría, por lo
que su punto de vista es claramente tenido en cuenta a la hora de la detección y
eliminación progresiva de las ineficiencias que pueden afectarle de alguna manera.
La relación con los proveedores es otro de los elementos diferenciadores en las empresas
Lean (Narayanan and Raman, 2004), ya que se intenta desde el inicio que proveedor y
fabricante crezcan de la mano, para evitar desincronizaciones que puedan llevar a fallos
en la cadena de suministro. Esto tendrá una influencia positiva en los tiempos de entrega
y en la optimización del flujo proveedor-cliente, permitiendo a las empresas un mejor
aprovechamiento de sus recursos (Martinez-Jurado et al, 2011).
La empresa Lean tiene como filosofía de trabajo la reducción de los inventarios hasta el
valor más cercano posible a cero (Hua et al, 2008), de forma que sólo se aprovisione y se
fabrique lo que es necesario acorde con la demanda actual del mercado. De esta manera
se evita la gran cantidad de problemas relacionados con los stocks elevados y las
sobreproducciones, como la obsolescencia de los componentes y materia prima, los daños
de los bienes en el stock, la mayor dificultad para tener controlado el total inventariado,
etc. Esto tiene un impacto en el capital inmovilizado de la empresa (Jędrzejczak, 2017),
ya que es necesario tener menos cantidad de dinero invertida para hacer funcionar la
compañía, y se elimina además gran cantidad de desperdicios asociados a los stocks
elevados y, por ende, pérdidas económicas, aumentado la rentabilidad y la capacidad
económica de la empresa.
Un efecto claro en las empresas Lean, debido a las herramientas de mejora implantadas,
es la constatación gradual de la mejora en las condiciones de trabajo (Dos Santos et al,
2015). Esto es debido a la incesante aplicación de acciones correctoras para la mejora del
entorno de trabajo haciendo que la velocidad de avance de las empresas con sistemas de
mejora continua implantados sea mayor que el resto (Jimenez et al, 2019). Como
consecuencia hay un impacto en los resultados diarios y en la adaptación progresiva de
los puestos y condiciones de trabajo hacia la optimización y el desarrollo progresivo de
cada área.
58
Siguiendo un argumento similar al anteriormente expuesto, el aspecto visual de la planta

en las empresas Lean es un rasgo diferenciador (Ribeiro et al, 2019). Los proyectos de 5s
y mejora de las condiciones de orden y limpieza hacen que estas empresas tengan un nivel
visual superior al resto (Veres et al, 2018). Esto tiene consecuencias directas en el
desarrollo diario del trabajo (Abreu y Ferreira, 2009), ya que una empresa visualmente
Lean, tiene rutas de trabajo definidas, es más fácil detectar cuando algo no va bien, y es
más fácil tener una rutina optimizada de trabajo. Debido a lo anterior, el rendimiento de
las empresas con plantas visuales y con flujos optimizados crece y el número de
ineficiencias asociadas al proceso se ve reducido (Heras et al, 2009).
Otro de los rasgos diferenciadores de las empresas Lean es la mayor formación y

capacitación de los empleados (Dhiman y Mohanty, 2010), ya que se apuesta desde el
inicio porque los trabajadores asuman un rol activo en la detección y resolución de los
problemas del día a día de la planta. Es fundamental para esto establecer rutinas y planes
de formación y capacitación de los empleados (Foulloy et al, 2019), de cara a que sean
capaces de desarrollar autónomamente los análisis y planteamientos de acciones de
mejora. Sin duda esto lleva a que las empresas Lean tengan unos empleados más formados
y con mayor conocimiento de sus entornos de trabajo y problemas asociados, así como
un mayor rendimiento individual y colectivo.
En los tiempos en los que nos encontramos, en los que la competitividad entre las distintas
empresas es cada vez mayor, toman ventaja aquellos que son capaces de adaptarse a las
condiciones de los mercados, normalmente cambiantes. Las empresas con sistemas de
mejora continua serán capaces de adaptarse mejor, ya que el Lean contribuye a una mayor
y más rápida respuesta a los cambios del entorno (Ohno, 1988). Se desprende, por tanto,
que la competitividad de las empresas Lean en las condiciones de mercado actuales es
mayor que las empresas que no disponen de un sistema de mejora continua implantado
(Womack et al, 2007).
En la parte de gestión empresarial, y tal como introducíamos en el inicio de la tesis, Lean

manufacturing aporta a las empresas cinco elementos fundamentales para su correcta
gestión (Upadhye et al, 2016): liderazgo sólido, cultura basada en el trabajo en equipo,
sistemas de comunicación e información, desarrollos de mejoras simultáneos y aplicación
concisa y exhaustiva de la mejora continua. Un liderazgo sólido es un elemento clave a
59
la hora de manejar las vicisitudes del día a día de la empresa, siendo necesaria una gran
capacidad de gestión y transmisión de las acciones a los equipos (Mendoza Martínez et
al, 2014). Al hilo de lo anterior, el trabajo en equipo es necesario para coger los objetivos
marcados por dirección y generar el trabajo diario que haga que éstos se cumplan (Muñoz
et al, 2018). Los sistemas de comunicación e información tienen el cometido de poder
generar la información en el momento preciso para dar soporte a la toma de decisiones,
ya que de lo contrario el tiempo de reacción aumentaría, y la capacidad de análisis
disminuiría considerablemente (Moyano-Fuentes et al, 2012). En cuanto a los dos últimos
puntos, son el resultado de los anteriores, ya que de ser correctamente aplicados
tendremos garantizado en la empresa una corriente incesante de iniciativas de mejora
continua que derivará en proyectos de mejora simultáneos, y que habrán de ser
desarrollados mediante la correcta implantación de la metodología de mejora continua.
Basados en los argumentos anteriores, proponemos la primera de nuestras hipótesis:
Hipótesis 1. La mejora continua tiene una relación positiva con los resultados de la
empresa.
3.2.2 Papel mediador de la digitalización en la relación entre mejora continua y

resultados empresariales.
Hasta hace pocos años, la digitalización y las herramientas Lean de mejora continua
chocaban, pudiendo llegar incluso a platearse como algo incompatible (Piszczalski, 2000)
debido sobre todo a que Lean busca la visualización y la exposición de los problemas y
estándares de trabajo (Womack, 2004) mientras que las herramientas digitales tienden por
naturaleza a generar flujos de información de uso más autónomo y con una menor
interacción en el día a día de la planta (Houy, 2005; Drew, McCallum y Roggenhofer,
2004).
Es cierto también que la digitalización a través de la I-4.0 y la implantación de los

sistemas Lean de mejora continua, son grandes consumidores de recursos internos
(Moyano Fuentes et al, 2012), por lo que se ha de tener cuidado en la secuencia de
implantación de ambos sistemas en el sentido de no generar un volumen de nuevos
proyectos imposible de llevar a la práctica y, por tanto, condenar el éxito de las
implantaciones.
60
En un enfoque más actual, y en línea con los trabajos realizados por Kolber y Zühlke
(2015) y Brass et al (2016), la relación entre Lean Manufacturing e Industria 4.0 puede
tener más ventajas que desventajas, debido sobre todo a que la existencia de una beneficia
de algún modo la existencia de la otra, teniendo un efecto dinamizador e integrador.
En línea con las teorías de Ward y Zhou (2006), las empresas que han implantado Lean
Manufacturing tienen una mayor predisposición a abordar la digitalización de la Industria
4.0 con mayores garantías de éxito que las que no lo han hecho. Esto se fundamenta
principalmente en el hecho de que las empresas Lean son más rápidas en la gestión del
cambio lo cual es positivo en entornos digitales que analizan los procesos y mercados y
aportan datos que requieren acometer cambios rápidos y reorientaciones para cubrir las
necesidades de los clientes. Además, los procesos de digitalización requieren del
seguimiento exhaustivo de una metodología y planificación de fases de ejecución con un
seguimiento riguroso y que, por tanto, necesitan de gran capacidad de absorción e
integración de metodologías nuevas de trabajo. Las empresas maduras en Lean aportan
esa capacidad de adaptación al cambio y la forma de trabajar ordenada y secuencial, la
cual podría facilitar en gran medida la implementación de herramientas digitales.
En las empresas Lean, la relación con los proveedores es un elemento básico en el

desarrollo del negocio, y creemos que en un entorno digital la relación con ellos se podría
ver beneficiada, ya que la información de cada proceso productivo puede pasar
rápidamente entre los distintos departamentos, posibilitando una sincronización
simultánea entre proveedores y productores (Bettel et al, 2014). Además, la capacidad de
integración de los mismos gracias a la existencia de los dispositivos móviles permite la
interconexión efectiva entre cada uno de ellos (Schmidt et al, 2015). Se pueden generar
plataformas digitales compartidas para el intercambio de información, así como para
interactuar de forma rápida y sencilla ante cualquier eventualidad no planificada,
aumentando el grado de integración entre fabricantes y proveedores. En este ecosistema
digital, las empresas Lean pueden hacer crecer a sus proveedores de forma más rápida y
dinámica, de manera que se potencien entre ambos y se genere un ritmo de mejora parejo
(Tepes et al, 2015).
Otro de los pilares fundamentales del Lean es la filosofía Justo a Tiempo (JIT). Según
Caballero-Gil et al (2013), gracias a la digitalización de la cadena productiva se pueden
61
optimizar los diferentes eslabones de la cadena de suministro, debido sobre todo a que se
puede hacer un seguimiento de cada ítem de forma individualizada y mejor el grado de
control y la capacidad de reacción, optimizando de esta manera los flujos productivos y
de aprovisionamiento. Además, en caso de que surjan imprevistos, se pueden detectar en
tiempo real y reubicar los recursos para paliar dichas deficiencias (Bose y Pal, 2005).
La experiencia del cliente, otro de los elementos claves del Lean, también puede mejorar
gracias a la digitalización de los procesos productivos (Cannata, 2008), ya ésta permite
dotar al cliente de un canal de información bidireccional, permitiendo incluso la
personalización de los productos en tiempo real. Gracias a esta digitalización, se puede
llegar a un mayor número de clientes y aumentar la diversidad de los mismos
(Ganiyusufoglu, 2013). De forma más reciente, la aplicación de herramientas de análisis
de datos masivos posibilita la detección prematura de nuevas tendencias (Li Tao et al,
2015), permitiendo la reorientación de las herramientas de mejora continua hacia entornos
flexibles de producción enfocados a las necesidades cambiantes de los clientes (Shrouf et
al, 2014).
Aparentemente, los sistemas kanban tradicionales pueden resultar contrarios a la

digitalización, ya que se basan en la existencia de tarjetas físicas con el objetivo de
establecer un control visual del stock y lanzar los puntos de pedido. En este sentido, la
controversia es aún mayor cuando se introducen softwares de gestión de inventarios, tipo
MRP, ya que funcionan en base a algoritmos de previsión y esto puede ocasionar
estrategias dispares a las del sistema pull clásico establecido por las tarjetas kanban.
Como contrapunto, mediante el uso de los sistemas de información, se puede digitalizar

la metodología kanban, obteniendo un mejor control y capacidad de análisis de todo el
sistema (Kolberg y Zühlke, 2015). En lo que a planificación, seguimiento y programación
de la planificación se refiere, los sistemas digitales ofrecen un mayor nivel de
profesionalización, además de potenciar ciertos aspectos imposibles de obtener con
herramientas manuales, dando como resultado una respuesta más rápida y eficaz (Kouri
et al, 2008). Se posibilita además la visualización en tiempo real de toda la cadena de
suministro, lo cual genera una mayor capacidad de reacción y una reducción en los
tiempos de ejecución por parte de los encargados de gestionar el aprovisionamiento (Raki,
2014). En este sentido, se puede ampliar ese grado de control y capacidad de reacción a
62
otros actores externos intervinientes en la cadena de aprovisionamiento de la empresa

como, por ejemplo, los proveedores de servicios que mediante la interconectividad que
aportan los sistemas digitales pueden establecer un control más cercano y aumentar su
capacidad de reacción (Wiendahl y Lutz, 2002).
Los nuevos programas de control de procesos pueden permitir un mayor aumento en el

rendimiento de la instalación (Brettel et al, 2014). Es por esto que creemos que a través
de dichos programas se puede establecer un mayor grado de eficiencia y velocidad de
implantación de algunas técnicas de mejora continua, como la filosofía SMED, para la
reducción de los tiempos de cambio, o el control estadístico de los procesos, para la rápida
detección de anomalías en el proceso productivo. Los sistemas de gestión de la
producción podrán readaptar la secuencia productiva en base a las necesidades reales del
mercado (Lucke et al, 2008), lo cual llevará al uso de las técnicas Lean para ser rápidos y
flexibles en dichos cambios. En consecuencia, las empresas enfocadas a la mejora
continua pueden sacar más rendimiento a ciertas herramientas digitales que requieren de
una alta flexibilidad en los procesos.
El establecimiento de planes de mantenimiento preventivo y de análisis de averías para

generar acciones correctoras es una de las herramientas Lean fundamentales (Womack,
1998). En una fábrica digital, hay un aumento considerable de los datos disponibles,
permitiendo anticiparse a los errores en base a los algoritmos de predicción establecidos
(Haddara y Elragal, 2015). Esto es de gran utilidad para potenciar los modelos TPM, ya
que se puede disponer de una retroalimentación de datos que permitirán, bien enfocados,
la mejora continua de los sistemas de gestión del mantenimiento, estableciendo nuevas
periodicidades en base a datos en tiempo real, y analizando los patrones de conducta de
la maquinaria mediante los algoritmos de análisis de las herramientas digitales. En su
conjunto, conseguiremos una optimización de los sistemas de gestión de mantenimiento,
estableciendo en cierto modo un modelo que en parte es capaz de auto gestionarse y
reorientar su contenido.
La capacidad de disponer de datos en tiempo real se ha visto enormemente mejorada con

la integración de la Industria 4.0 en los entornos industriales (Schuh et al, 2015). Esto sin
duda es un gran aliciente para las herramientas de mejora continua, ya que permite
satisfacer una de los mayores requerimientos de todo sistema Lean: los datos. Gracias a
63
estas herramientas se puede disponer de infinidad de datos de los procesos productivos y

logísticos, permitiendo establecer la base necesaria donde construir los análisis que
habrán de llevar al establecimiento de acciones correctoras. Es base a esto se plantea que
la digitalización aportará una ventaja añadida para que los análisis de mejora continua
sean más rápidos y precisos.
La participación de los empleados es vital para que cualquier proyecto de mejora continua
que se ejecute en una empresa lo haga satisfactoriamente (Sanders y Wulfsberg, 2015).
Mediante la digitalización se puede conseguir una mayor participación debido a que se
ponen herramientas al alcance de las personas para que sus posibilidades de tomar parte
en el desarrollo de las actividades sean mayores, pudiendo conseguir un alto grado de
participación activa y una mayor involucración en la mejora de todo el proceso. La
motivación de los empleados es también una parte importante para garantizar el éxito de
los sistemas Lean (Schuh et al, 2015). Todas estas nuevas herramientas digitales al
servicio de los empleados permiten la creación de un entorno de trabajo mucho más
dinámico y que garantice la formación de calidad, posibilitando además la rápida reacción
y participación del personal en la mejora continua. Por tanto, la aplicación de estas
herramientas puede contribuir activamente a la mejora de la motivación y, en
consecuencia, al rendimiento de la plantilla.
Como expusimos en los capítulos introductorios, a priori consideramos que la

digitalización puede suavizar las barreras de implantación Lean y, por tanto, optimizar
las garantías para abordar con éxito un proyecto de mejora continua llevando a una mejora
de los resultados empresariales.
Una de las principales barreras identificadas fue la falta de compromiso de la dirección

(Upadhye, Deshmukh y Garg, 2016) y es considerada tal vez como la más importante de
todas. Como ya comentamos, es posible que gracias a la digitalización se consiga una
mayor y más efectiva participación de los directivos en los proyectos de mejora continua,
ya que les permitirá disponer de gran cantidad de información en tiempo real (Houy,
2005). La virtualización de ciertas herramientas como reuniones de análisis y seguimiento
hará posible que los directivos se unan más a dichas reuniones, produciendo un efecto de
“engagement” en las partes implicadas.
64
Muchos autores anteriormente han establecido que si no existe un elevado índice de

motivación de los trabajadores será muy complicado no sólo implementar un programa
de mejora continua, sino también mantenerlo una vez haya finalizado la fase de
implantación (Adler, 1993; Wickens 1987; Parker 2003; Shadur et al. 1995; Vidal 2007).
Es por esto de vital importancia mantener un alto grado de implicación en los equipos. La
digitalización a través de la industria 4.0 puede tener la llave para conseguir dicho
objetivo ya que mediante la aplicación de herramientas digitales que permiten la mayor
autonomía en interacción de la plantilla con su entorno, conseguiremos un mayor grado
de participación y capacitación del personal (Ward y Zhou, 2006). A más participación y
capacitación, más motivación, consiguiendo de esta manera atenuar otra de las clásicas
barreras de implantación Lean, derivada de la falta de participación e involucración de la
plantilla en la mejora continua (Dhiman y Mohanty, 2010).
Además, se puede producir un efecto potenciador en las empresas Lean gracias a la

digitalización ya que estas empresas normalmente se caracterizan por sacar un mayor
rendimiento que otras en la gestión del conocimiento de sus empleados (Sharma y Pankaj,
2016). Gracias a las herramientas digitales, las empresas pueden ser capaces de formar y
capacitar a los trabajadores de una forma más rápida, sencilla, gradual y a la carta,
obteniendo un rédito mayor de esta característica que es intrínseca de las empresas con
un sistema de mejora continua consolidado.
El alineamiento de objetivos entre los proveedores y la empresa es otro elemento

fundamental en el correcto desarrollo de un proyecto Lean de mejora continua
(Narayanan y Raman, 2004), y éste se puede ver claramente mejorado gracias a la
Industria 4.0 debido a la implementación y puesta en marcha de plataformas virtuales
para compartir información entre proveedor-cliente, o la integración de dichos
proveedores en los sistemas de gestión informática, de cara a establecer un vínculo digital
en el que se sepa en todo momento cuáles son las necesidades e incidencias en tiempo
real. Por tanto, la digitalización es un elemento integrador que otorgará una mayor
eficiencia a los proveedores y su relación con la empresa.
65
Una de las lacras a la hora de abordar un proyecto de mejora continua es la aplicación de

las herramientas en entornos no optimizados y con bajo rendimiento, ya que se ha
demostrado que en este tipo de empresas hay una relación directa entre el fracaso Lean y
esa falta de optimización (Díaz y Lozano, 2008). Es curioso, porque precisamente las
herramientas de mejora continua ayudan a la mejora del rendimiento, pero a su vez cuanto
más bajo sea el punto de partida de la empresa en cuanto a rendimiento, más costará que
las partes implicadas puedan absorber los nuevos conocimientos, produciéndose un bucle
en el que en ocasiones es muy difícil salir. La digitalización puede ser un elemento de
ayuda ya que puede aportar herramientas de captura de datos y detección prematura de
errores que harán más fácil actuar y corregir en caso de que aparezca un problema y, por
tanto, suavizará la transición de una empresa poco eficiente a una empresa enfocada a la
mejora continua.
Un efecto similar al anteriormente comentado se producirá en aquellas empresas con un

deficiente sistema de control de inventarios, ya que esto generará ineficiencias que
dificultarán enormemente la implantación de los sistemas Lean (Hua et al, 2008). En este
sentido, las herramientas digitales también aportarán soluciones a estas deficiencias,
sobre todo gracias a la integración de programas tipo ERP que posibiliten en mayor
medida el control de los inventarios y, por ende, faciliten el acople en la organización de
las nuevas prácticas de trabajo englobadas dentro de los sistemas Lean.
Una empresa con elevados tiempos de entrega (lead time) tendrá también difícil abordar
con éxito un proyecto de implantación Lean ya normalmente estará relacionada con la
existencia de numerosas pérdidas e ineficiencias durante toda la cadena de suministro.
Esto la convertirá en una empresa con dificultades para adaptarse a entornos dinámicos y
cambiantes (Cheng y Podolsky, 1993). En este punto, y tal y como vimos en los capítulos
anteriores, la corriente de digitalización promovida por la Industria 4.0 puede aportar
herramientas enfocadas a optimizar toda la cadena de suministro, generando una empresa
capaz de paliar las ineficiencias comentadas anteriormente y allanando el camino a la
implantación Lean. Se podrán reducir enormemente los procedimientos de gestión
manuales mediante el uso de herramientas digitales (Correa-Espinal et al, 2010) y
focalizar a la plantilla a las tareas de mayor valor añadido. Además, tal y como hemos
66
visto en puntos anteriores, la existencia de softwares específicos de gestión de la cadena

de suministro tendrá un impacto positivo en la reducción de los tiempos de entrega (Milne
et al, 2015), contribuyendo a su vez a que la empresa sea más propicia a la implantación
de las nuevas formas de trabajo contenidas dentro de los proyectos Lean.
La falta de información y estructura de datos es otro elemento que contribuye

enormemente a los fracasos de los sistemas Lean de mejora continua (Tarn et al, 2002),
ya que su ausencia dificulta en gran medida la reactividad y la posibilidad de análisis, que
son ejes fundamentales a la hora de abordar proyectos de mejora continua y resolución
de problemas (Meister et al, 2019). Gracias a la incipiente aparición de herramientas
digitales contenidas en la Industria 4.0, podremos paliar esta falta de información y
estructura de datos, ya que muchas aplicaciones permitirán la extracción directa y en
tiempo real de información procedente del sistema, generando una fuente de
conocimiento que bien enfocada puede alimentar a los sistemas Lean y paliar la falta de
información anteriormente comentada.
Los elevados tiempos de ajuste y configuración de maquinaria están detrás de muchos

fracasos de implantación Lean, ya que tendrán una relación directa con un proceso de
fabricación ineficiente (Funk, 1995). Esto tiene relación a lo comentado con anterioridad,
ya que pese a que las herramientas Lean están orientadas a la obtención de un mayor
rendimiento operacional, en empresas en las que dicho rendimiento sea demasiado bajo,
tendremos más posibilidades de fracaso debido a que resultará más complicado poder
absorber con garantías las nuevas técnicas de trabajo (Caldera et al, 2019). Es un bucle
del que cuesta salir, y que puede verse aliviado en parte gracias a la Industria 4.0. En lo
que ajustes se refiere, la digitalización 4.0 aporta herramientas directamente relacionadas
con la mejora y la reducción de tiempos (Benesova et al, 2019) como, por ejemplo, las
aplicaciones de machine learning que hace que las máquinas se autorregulen en base al
algoritmo que llevan y la información y conocimientos que vayan adquiriendo. Otras
herramientas digitales enfocadas a optimizar rápidamente las máquinas mediante
sistemas de control e información en tiempo real también paliarán en parte el problema
comentado anteriormente.
67
En definitiva, gracias a la digitalización las empresas podrán abandonar, o al menos

suavizar, la espiral negativa de implementar herramientas Lean en entornos no propicios
para ello.
A modo de resumen, hemos planteado que la digitalización aporta ventajas y herramientas

que facilitan la integración de datos, seguimiento y análisis en las empresas, y por añadido
generará entornos más eficientes, o al menos más propicios para abordar ciertos
proyectos. Por tanto, puede considerarse que la digitalización juega un papel fundamental
en la relación entre mejora continua y resultados empresariales, de manera que a más
digitalización se obtienen mejores resultados. En ese sentido, se plantea la segunda
hipótesis de esta investigación:
Hipótesis 2. La digitalización de la I-4.0 media la relación entre la mejora continua y los

resultados de la empresa.
68
CAPÍTULO 4. DISEÑO Y METODOLOGÍA DE LA
INVESTIGACIÓN
Capítulo 4. Diseño y metodología de la investigación
CAPÍTULO 4. DISEÑO Y METODOLOGÍA DE LA INVESTIGACIÓN.
4.1 TOMA DE DATOS
Con el objetivo de verificar las hipótesis planteadas en el anterior capítulo, esta tesis se
ha fundamentado en la recogida de datos a través de la multinacional Francesa Sain-
Gobain Weber (https://www.saint-gobain.com/en/weber). Saint-Gobain está considerado
como uno de los 100 grupos industriales mayores a nivel mundial y está presente en 68
países de los 5 continentes, empleando a más de 170.000 personas. El sello de identidad
de Saint-Gobain es el hábitat sostenible, mediante el diseño, fabricación y distribución de
materiales que posibilitan la creación de los espacios que nos rodean. Podemos encontrar
productos de la marca Saint-Gobain en nuestra vida cotidiana: edificios, transportes,
aplicaciones industriales e infraestructuras principalmente; estando concebidos para la
construcción sostenible, el aumento de la eficiencia de las edificaciones y combatir el
cambio climático. La facturación de Saint-Gobain en 2019 ascendió a 42.600 Millones €,
con un EBITDA de 4.870 Millones €, y un beneficio operativo de 3.390 Millones de €,
lo cual representa un crecimiento del 5,7% con respecto al año anterior.
Uno de los pilares básicos de la empresa es su enfoque hacia la mejora continua, habiendo
seguido rigurosamente la implantación de la filosofía Lean desde hace más de una década.
Esto ha contribuido que los indicadores de eficiencia e innovación se sitúen en las cotas
más elevadas, siendo considerada la empresa como unas de las 50 empresas de Europa
con mayor ratio de innovación. Existe un programa de mejora continua llamado World
Class Manufacturing (WCM), en el cual se implementan herramientas con el
asesoramiento de consultores externos y la ejecución en cada fábrica de un experto Lean
que pilota el proyecto. Las bases que fundamentan la mejora continua son las 5S, los
análisis para la resolución de problemas y el establecimiento de indicadores alineados con
la estrategia en cada departamento; a partir de ahí se llevan a cabo proyectos de mejora
focalizada de distintos niveles. En primer lugar, existen los proyectos Yellow Belt, con un
impacto medio en la organización y un mes de plazo para su ejecución. A continuación,
pasamos al nivel Green Belt, que son proyectos de mayor calado, y cuya ejecución se
realiza durante 6 meses. Finalmente existen los proyectos Black Belt, de gran impacto y
73
2 años de ejecución. Debido a la extensión de estos últimos, la práctica habitual es dividir

los hitos en 3 proyectos Green Belt, que en su conjunto tienen un impacto en cuenta de
resultados similar al Black Belt.
En los últimos años se ha apostado claramente por la digitalización en la empresa,

convirtiéndose en caldo de cultivo para proyectos de Industria 4.0 enfocados en la
optimización y en la generación de entornos virtuales en los que integrar al ingente
número de fábricas distribuidas por el mundo. Se han generado una plataforma de
incubación de proyectos 4.0 que testea las diferentes herramientas antes de expandirlas al
resto del grupo. Son ejemplos de esta incubadora la fabricación aditiva 3D, la aplicación
del Big Data para el análisis de procesos, o la inclusión de la realidad aumentada para el
manejo de máquinas en remoto. Creemos por tanto que Saint-Gobain se ajusta
perfectamente al ámbito de este estudio, ya por un lado es una empresa madura en Lean
y que está potenciando enormemente la digitalización a través de la Industria 4.0, y por
otro lado la gran cantidad de fábricas distribuidas a nivel mundial genera una plataforma
de estudio muy atractiva para nosotros.
Para la elaboración del cuestionario, se decidió en primera instancia contactar con un

panel de expertos perteneciente al equipo de dirección. La idea era contrastar inicialmente
que la información que contenía la encuesta tenía coherencia bajo el prisma de la
dirección de la empresa. Además, de esta manera conseguiríamos un mayor grado de
implicación de los mismos en el estudio y, por ende, una mayor distribución y
participación del resto de empleados.
La información fue recogida durante los meses de julio y agosto de 2018, mediante el
envío de un cuestionario. Se eligió el formato electrónico (cuestionario digital) para el
envío de dicho cuestionario, dando también la opción de imprimirlo y recogerlo en papel.
Finalmente se obtuvieron un 80% de respuestas vía google forms
(https://www.google.com/intl/es/forms/about/) y el resto en papel. El detalle de la
muestra se describe de la siguiente manera: el 40% de los encuestados ocupaban puestos
de dirección, el 33% eran mandos medios, y el resto eran responsables de equipos. En el
momento en el que se hizo la encuesta, más del 40% de los participantes tenían una
experiencia acumulada en Saint-Gobain superior a 15 años; además, el 60% se situaban
en la franja de edad entre 36 y 50 años. Todos los participantes tenían gente a su cargo.
74
La muestra se obtuvo de un total de 200 fábricas del Grupo distribuidas a nivel mundial,
todas ellas con programas Lean implementados, aunque en diferente grado, obteniendo
respuesta de 93 de ellas, lo cual significa una ratio de respuesta del 46,5%, con un factor
de error del 7,45% para p=q=50% y un nivel de fiabilidad del 95,5%. Teniendo en cuenta
que la encuesta involucraba a integrantes senior de la alta dirección, el grado de respuesta
obtenido es bastante superior que el habitual del 15 al 25% sugerido por Menon (1996).
4.2 MEDIDAS
Las medidas que han sido utilizadas en esta tesis se fundamentan en una profunda revisión
de la bibliografía existente, estando avaladas por estudios científicos previos que iremos
viendo a continuación. Las entrevistas que se fueron realizando a directivos y
responsables de Saint-Gobain Weber nos han proporcionado una fuente de conocimiento
en las medidas de mejora continua, digitalización y resultados empresariales. Algunos de
los ítems fueron modificados, y se hizo un test previo de la encuesta antes de lanzarla a
la población elegida. Todos los ítems se pueden ver en el anexo. Se utilizó para la encuesta
una escala tipo Likert (1=”totalmente en desacuerdo”, 7=”totalmente de acuerdo”). Los
constructos del cuestionario se establecieron de la siguiente manera:
 Las medidas que establecen la mejora continua están basadas en los estudios
previos de Sha y Ward (2007), Talavera (2004) y Gómez-Bernabeu y Palací
(2003). La versión final de la escala de medida consiste en 8 ítems, los cuales
están referidos a medir el grado de implantación de la mejora continua en una
organización.
Mejora Continua
Están claramente involucrados en la mejora
CI1 continua dentro de la compañía.
Tienen como objetivo importante el desarrollo de un sistema de gestión de
CI2 mejora continua
CI3 Los empleados se forman multidisciplinarmente
A menudo estamos en estrecho contacto con nuestro cliente, tratando de medir
CI4 sus necesidades y su nivel de satisfacción
CI5 Las decisiones que se toman se basan en datos
Los datos e indicadores del rendimiento de las operaciones se integran en la
CI6 elaboración de estrategias de mejora continua
Analiza continuamente el trabajo para encontrar mejores formas de hacer las
CI7 cosas
CI8 Las reuniones de seguimiento se realizan regularmente
Tabla 4.1. Listado de ítems de la variable Mejora Continua.
75
 La medida de digitalización está basada en los estudios previos de Bowersox et al

(2005), Salo (2006) y Bharadwaj et al (2013), los cuales están sintetizados en un
estudio de reciente publicación que aglutina todos ellos (Martinez-Caro et al,
2020). Las preguntas se enfocan en el modo en el que los sistemas de información
y herramientas digitales de una organización generan datos en tiempo real a través
de la cadena de valor de la empresa y potencian la trazabilidad de la información
durante todo el proceso productivo, generando entornos de trabajo con un alto
grado de calidad de la información obtenida.
Digitalización
Los sistemas de información de su organización generan datos en tiempo real a lo
DIG1 largo de la cadena de valor (información de maquinaria o procesos)
Hay un alto grado de trazabilidad de la información durante el proceso de
DIG2 producción de su empresa
El nivel de calidad de la información generada por los sistemas de información de
DIG3 su organización es alto
Tabla 4.2. Listado de ítems de la variable Digitalización
 Finalmente, los resultados empresariales fueron medidos usando ítems

provenientes de estudios previos de Judge & Douglas (1998), y Quinn &
Rohrbaugh (1983). La versión final de esta escala consta de 3 ítems para medir
los resultados empresariales.
Resultados Empresariales
OP1 Está creciendo más
OP2 Es más rentable
OP3 Tiene una mayor productividad
Tabla 4.3. Listado de ítems de la variable Resultados Empresariales.
Se realizaron tres pruebas estadísticas para evitar la no presencia de sesgo en nuestras

respuestas (Podsakoff, MacKenzie, Lee, y Podsakoff, 2003). En primer lugar, un análisis
factorial de todas las variables para garantizar la ausencia de sesgo de respuesta mostró
cuatro factores con valores propios superiores a “1.0” con una varianza explicada del
65.89%. En segundo lugar, se procedió a comparar la primera y la última respuesta (1 =
temprana y 2 = tardía) en términos de la digitalización de la I-4.0, la mejora continua y
los resultados de la empresa, la prueba t de muestras independientes no reveló diferencias
significativas entre las primeras y las últimas respuestas (p=0.864, p=0.700, y p=0.440,
76
respectivamente). Finalmente, realizamos la prueba de factor único de Harman

(Podsakoff et al., 2003). Los resultados mostraron que el ajuste fue considerablemente
peor para el modelo unidimensional que para el modelo de medición, mientras que el
modelo de un factor generó un valor de Satorra-Bentler χ2(77)= 251.03; χ2/d.f=3.26, el
modelo de medición produjo un valor Satorra-Bentler χ2(74)= 171.22; χ2/d.f=2.31).
Todos estos resultados sugieren que no existe un sesgo sustancial de la muestra
(Armstrong y Overton, 1977).
4.3 ANÁLISIS
El análisis del modelo anteriormente expuesto se va a realizar usando el software

SmartPLS, en su versión 3.2.8. Hay numerosas razones para justificar el uso de esta
metodología para el análisis de nuestro modelo, las cuales vamos a enumerar a
continuación:
 PLS permite una buena determinación de la puntuación agregada (scores) de las

variables latentes (Cepeda-Carrión, Cegarra-Navarro, y Cillo, 2018).
 PLS no impone ninguna suposición de distribución específica (p.e. normalidad)
para los indicadores y no necesita que las observaciones sean independientes unas
de otras (Chin, 2010).
 Al haberse construido el modelo con el propósito de probar hipótesis causales, es
necesario un análisis confirmatorio y una verificación del modelo global
(Henseler, 2018).
 PLS evita dos serios problemas (Fornell, 1982):
o Soluciones inadmisibles o impropias.
o Indeterminación de los factores.
 PLS establece mínimos requerimientos sobre escalas de medida:
o Nominal, ordinal, por intervalos o ratios (Wold, 1985).
o No requiere uniformidad en las escalas de medida (Sosik et al, 2009)
 Comparado con CBSEM, PLS puede estimar modelos estructurales con muestras
pequeñas (Chin & Newsted, 1999; Reinartz et al., 2009; Henseler, 2018; Henseler,
Hubona & Ray, 2016; Henseler, Ringle & Sarstedt, 2015).
77
 PLS puede estimar modelos con medidas estimadas en Modo A (tradicionalmente

reflectivas) y en Modo B (tradicionalmente formativas) sin ningún problema de
identificación (Chin, 2010).
 PLS es bastante robusto frente a tres insuficiencias (Cassel, Hackl y Westlund,
1999):
o Distribuciones sesgadas en las variables manifiestas en vez de simétricas.
o Multi-Colinealidad tanto entre variables latentes como entre indicadores.
o Incorrecta especificación del modelo estructural (omisión de regresores).
El análisis del modelo en PLS será realizado e interpretado en dos etapas (Barclay et al.,
1995):
 Valoración de la validez y fiabilidad del modelo de medida. El modelo de medida

trata de analizar si los conceptos teóricos están medidos correctamente a través de
las variables observadas. Este análisis se realiza respecto a los atributos validez
(mide realmente lo que se desea medir) y fiabilidad (lo hace de una forma estable
y consistente).
 Valoración del modelo estructural. El modelo estructural evalúa el peso y la

magnitud de las relaciones entre las distintas variables. Esta secuencia asegura
que tengamos medidas válidas y fiables antes de intentar extraer conclusiones
referentes a las relaciones existentes entre los constructos.
4.3.1 Valoración del modelo de medida
4.3.1.1 Valoración del modelo de medida (Modo B)
Según Roldán y Cepeda, 2019, la valoración del modelo de medida para los constructos
formativos (estimación en Modo B), se hace siguiendo la pauta siguiente:
 Validez externa o convergente. Correlación entre la variable latente medida

formativamente y reflectivamente ≥ 0,8 (Chin, 2010), ≥0,7 (Hair et al, 2017).
 Valoración de multicolinealidad. Factor de inflación de la varianza (VIF) ≤ 3,3
(Hair et al, 2017).
 Valoración relevancia (Magnitud) de los pesos. Máximo valor = 1/√𝑛
 Valoración significación de los pesos. Bootstrapping, test 2 colas, p <0.05
78
Debido a que las medidas formativas no necesitan estar correlacionadas y se asume que
están libres de error, la evaluación tradicional de la fiabilidad y validez se considera que
no es aplicable (Bagozzi, 1994). De esta manera, el examen de validez debe ser realizado
con base al razonamiento teórico y la opinión de los expertos (Diamantopoulos y
Winkholfer, 2001).
Considerando lo anterior, y tomando como referencia a Hair et al (2017) y Chin (2010),

la evaluación de los modelos de medida formativos se realiza según los siguientes pasos:
 Valoración de la posible multicolinealidad.

 Valoración de la magnitud de los pesos (weights) y su significación.
Análisis de multicolinealidad.
La multicolinealidad se refiere a las intercorrelaciones lineales existentes entre dos o más

indicadores formativos. Una alta colinealidad entre indicadores produciría estimaciones
inestables, puesto que sería difícil separar el efecto distintivo de cada indicador sobre el
constructo emergente.
Según Roldán y Cepeda, altos niveles de colinealidad afectan a los resultados en dos
formas:
 Incrementa los errores estándar y reduce por tanto la capacidad para

demostrar que los pesos estimados son significativamente distintos de
cero.
 Puede dar lugar a que los pesos sean estimados incorrectamente, y en casos
extremos cambiando los signos.
Lanzamos análisis de multicolinealidad en SmartPLS:
VIF
CI1 3,168
CI2 3,415
CI3 1,226
CI4 1,235
CI5 2,062
CI6 1,885
CI7 1,537
79
CI8 1,186
DIG1 2,107
DIG2 2,207
DIG3 2,240
OP1 1,786
OP2 1,718
OP3 1,370
Tabla 4.4. Análisis multicolinealidad inicial modo B. SmartPLS.
Me salen los ítems CI1 y CI2 con una elevada colinealidad, pero dentro del límite. Opto
por mantenerlos, ya que fueron obtenidos de una escala previamente utilizada.
Valoración de pesos
Nos permite comprender la estructura o composición de cada variable latente, ya que los
pesos proporcionan información sobre cómo cada indicador contribuye a su respectivo
constructo. Además, los pesos nos permiten jerarquizar los indicadores formativos de un
constructo en el contexto de una red nomológica particular.
A medida que aumenta el número de indicadores formativos, disminuirá el valor medio

de los pesos, y por tanto tendremos más posibilidad de encontrarnos con pesos no
significativos.
Mejora continua Digitalización Resultados empresariales

CI1 0,093
CI2 0,021
CI3 0,314
CI4 0,077
CI5 0,074
CI6 0,533
CI7 0,243
CI8 0,153
DIG1 0,386
DIG2 0,403
DIG3 0,342
OP1 0,412
OP2 0,342
OP3 0,461
Tabla 4.5. Valoración de los pesos de los indicadores, modo B. SmartPLS.
80
Los resultados mostrados en la tabla de pesos resultan interesantes desde el punto de vista
empresarial, ya que nos informa de la influencia de cada magnitud. En nuestro caso,
podemos observar como el indicador CI6 destaca por encima de todos en su peso. Si
recordamos su significado:
Los datos e indicadores del rendimiento de las operaciones se integran en la

CI6 elaboración de estrategias de mejora continua
Es decir, desde el punto de vista de la gestión, y la aplicación de la mejora continua en

una organización, habremos de prestar especial atención al apartado de integrar los datos
e indicadores del rendimiento operacional para el desarrollo de las estrategias de mejora
continua asociadas.
4.3.1.2 Valoración del modelo de medida (Modo A)
Siguiendo con los criterios establecidos por Roldán y Cepeda, (2019), la valoración del
modelo de medida en constructos reflectivos (estimación Modo A), se realiza mediante
la comprobación de los siguientes criterios:
Criterio Umbral
Fiabilidad indiv. indicador • Carga externa: λ ≥ 0,707
Fiabilidad constructo(consistencia interna) • Alfa de Cronbach ≥ 0,7
• Fiabilidad compuesta (ρc) ≥ 0,7
• Dijkstra-Henseler’s (ρA) ≥ 0,7
Validez convergente • Varianza extraída media (AVE) ≥ 0,5
Validez discriminante • Cargas cruzadas
• Fornell-Larcker: √AVE > correlación resto
constr.
• HTMT ratio ≤ 0,85 ≤ 0,9
HTMTinference: ¿0,9 dentro IC 95%? -> No
Tabla 4.6. Criterios de evaluación modelos PLS-SEM. JL Roldán & G. Cepeda. Julio 2019 *Nota: HTMT (heterotrait-monotrait ratio
of correlations)
Fiabilidad individual del ítem
Es valorada examinando las cargas (l) o correlaciones simples, de las medidas o

indicadores con su respectivo constructo.
81
Según Carmines y Zeller (1979) λ ≥ 0,707:
 La comunalidad de un indicador (l2) representa cuánto de la variación de un ítem

es explicada por el constructo.
 λ ≥ 0,707 que la varianza compartida entre el constructo y sus indicadores es
mayor que la varianza debida al error.
 Sin embargo, diversos investigadores piensan que esta regla heurística no debería
ser tan rígida:
 En etapas iniciales de desarrollo de escalas (Chin 1998) y cuando las escalas
se aplican a contextos diferentes (Barclay et al. 1995).
 La inclusión de ítems débiles ayudará a extraer la información útil que está
disponible en el indicador para crear una mejor puntuación de la variable
latente.
 Hair et al. (2011) indican que los indicadores débiles en ocasiones son
retenidos sobre la base de su contribución a la validez de contenido.

(Modo B) (Modo A) (Modo A)
CI1 0,307
CI2 0,363
CI3 0,629
CI4 0,392
CI5 0,716
CI6 0,843
CI7 0,68
CI8 0,449
DIG1 0,881
DIG2 0,894
DIG3 0,877
OP1 0,848
OP2 0,807
OP3 0,814
Tabla 4.7. Análisis fiabilidad individual del ítem (Modo A). SmartPLS.
Como comentábamos en el apartado anterior, debido a que las medidas formativas no

necesitan estar correlacionadas y se asume que están libres de error, la evaluación
tradicional de la fiabilidad y validez se considera que no es aplicable (Bagozzi, 1994). De
82
esta manera, el examen de validez debe ser realizado con base al razonamiento teórico y
la opinión de los expertos (Diamantopoulos y Winkholfer, 2001).
Fiabilidad del constructo y validez convergente
Determina si los ítems que miden un constructo son similares en sus puntuaciones y
evalúa con qué rigurosidad están midiendo las variables manifiestas la misma variable
latente.
Medidas:
 Coeficiente alfa de Cronbach.

 Fiabilidad compuesta (composite reliability) (ρc) (Werts, et al., 1974). La
fiabilidad compuesta es más adecuada que al alfa de Cronbach para PLS ya que
no asume que todos los indicadores reciben la misma ponderación (Chin, 1998b).
 Dijkstra-Henseler’s (ρA) (Dijkstra and Henseler, 2015b). La única medida de
fiabilidad consistente.
Guías:
 Nunnally y Bernstein (1994) sugieren 0,7 como un nivel adecuado para una
fiabilidad ‘modesta’ en etapas tempranas de investigación, y un más estricto 0,8
o 0,9 para etapas más avanzadas de investigación.
 Valores > 0,95 pueden sugerir patrones de respuestas indeseables (e.g.línea recta).
En cuanto a la Validez convergente implica que un conjunto de indicadores representa un

único constructo subyacente, pudiendo esto ser demostrado por medio de su
unidimensionalidad (Henseler, et al., 2009). Siendo además el grado con el que un
constructo converge en explicar la variación de sus indicadores (Hair, Risher, Sarstedt y
Ringle, 2019).
Medida:
 Varianza extraída media (average variance extracted- AVE) (Fornell y Larcker,

1981). Proporciona la cantidad de varianza que un constructo obtiene de sus
indicadores con relación a la cantidad de varianza debida al error de medida. Es
una medida más conservadora que la fiabilidad compuesta (ρc).
83
Guías:
 AVE ≥ 0,50. Esto significa que cada constructo explica al menos el 50% de la
varianza de los indicadores asignados.
Resultados en SmartPLS:
Alfa de rho_A Fiabilidad Varianza extraída

Cronbach compuesta media (AVE)
Continuous Improvement 1
Digitalization 0,861 0,866 0,915 0,782
Operational Performance 0,764 0,773 0,863 0,677
Tabla 4.8. Análisis fiabilidad del constructo y validez convergente. SmartPLS.
Validez discriminante
Indica en qué medida un constructo dado es empíricamente diferente de los otros

constructos incluidos en el modelo estructural.
Existían dos métodos clásicos para su valoración.
A) El análisis de cargas cruzadas:

Ningún ítem debería cargar más fuertemente sobre otro constructo que sobre aquel
constructo que trate de medir (Barclay et al. 1995).
A su vez, cada constructo debería cargar más sobre sus indicadores asignados que
sobre otros ítems.
El análisis de cargas cruzadas se lleva a cabo calculando las correlaciones entre las
puntuaciones de los constructos y los datos estandarizados de los indicadores (Gefen
y Straub, 2005).
B) Criterio de Fornell y Larcker (1981):
La cantidad de varianza que un constructo captura de sus indicadores (AVE) debería
ser mayor que la varianza que dicho constructo comparte con otros constructos en el
modelo (i.e., la correlación al cuadrado entre los dos constructos).
Con el ánimo de facilitar esta valoración, la raíz cuadrada del AVE de cada variable
latente debería ser mayor que las correlaciones que tiene éste con el resto de variables
latentes del modelo.
84

Mejora continua
Digitalización 0,463 0,884
Resultados empresariales 0,416 0,421 0,823
Tabla 4.9. Análisis de la validez discriminante por el criterio de Fornell-Lacker. SmartPLS.
El examen de las cargas cruzadas y del criterio Fornell-Larcker presenta deficiencias:
 Ambos no son lo suficientemente sensibles para detectar problemas de validez

discriminante.
 Ambos sólo funcionan bien con tamaños muestrales altos y con patrones de cargas
muy heterogéneos.
Henseler, Ringle & Sarstedt (2015) desarrollaron estudios de simulación para demostrar
que la falta de validez discriminante se detecta mejor por medio de la ratio heterotrait-
monotrait (HTMT) que ellos desarrollaron. En un modelo bien ajustado, las correlaciones
heterotrait deberían ser más pequeñas que las correlaciones monotrait, lo que implica que
la ratio HTMT debería estar por debajo de 1.
Digitalización Resultados empresariales

Digitalización
Resultados empresariales 0,502
Tabla 4.10. Análisis de la validez discriminante mediante el ratio HTMT. SmartPLS.
4.3.1.3 Valoración del modelo de medida (saturado)
Nos basaremos en el criterio de Henseler (2017), para establecer la valoración del modelo
de medida:
 SRMR ≤ 0,08
 Tests de ajustes exactos basados en bootstrap:
o Bootstrap-based inference statistics of the SRMR
• SRMR ≤ 95% bootstrap quantile (HI95 of SRMR)
• SRMR ≤ 99% bootstrap quantile (HI99 of SRMR)
o The unweighted least squares discrepancy
• dULS ≤ 95% bootstrap quantile (HI95 of dULS)
• dULS ≤ 99% bootstrap quantile (HI99 of dULS)

85
o The geodesic discrepancy (d_G)
• dG ≤ 95% bootstrap quantile (HI95 of dG)
• dG ≤ 99% bootstrap quantile (HI99 of dG)
Si cualquiera de estos índices (SRMR, dULS, dG) supera estos valores, es improbable que
el modelo de medida sea verdadero.
Modelo saturado Modelo estimado

SRMR 0,073 0,073
d_ULS 0,563 0,563
d_G 0,220 0,220
Chi-cuadrado 76,054 76,054
NFI 0,833 0,833
Tabla 4.11. Valoración del modelo de medida (saturado). SmartPLS. Notas: bootstrapping (5000 submuestras, botstrapping completo,
una cola, 0.05)
SRMR
Muestra original Media de la 95% 99%
(O) muestra (M)
Modelo saturado 0,073 0,052 0,067 0,077
Modelo estimado 0,073 0,052 0,068 0,077
Tabla 4.12. Boostrap-based inference statistics of the SRMR. SmartPLS.
d_ULS
(O) muestra (M)
Modelo saturado 0,563 0,290 0,476 0,630
Modelo estimado 0,563 0,294 0,486 0,624
Tabla 4.13. The unweighted least squares discrepancy. SmartPLS.
d_G
(O) muestra (M)
Modelo saturado 0,220 0,173 0,233 0,267
Modelo estimado 0,220 0,174 0,235 0,271
Tabla 4.14. The geodesic discrepancy. SmartPLS.
Tras estos resultados, confirmamos que no hay más información que la que el modelo
transmite, por tanto, el modelo es válido en investigación confirmatoria, según Henseler.
86
4.3.2 Valoración del modelo estructural
Siguiendo con lo planteado por Roldán y Cepeda (2019), la valoración del modelo
estructural estará constituida por los siguientes pasos:
1. Valoración de posibles problemas de colinealidad en el modelo estructural

2. Evaluación del signo algebraico, magnitud y significación estadística de los
coeficientes path
3. Valoración del coeficiente de determinación (R2). Descomposición de la varianza
4. Valoración de los tamaños de los efectos (f2)
Valoración de la colinealidad
Dado que la estimación de los coeficientes path se hace con base en regresiones OLS, al
igual que en una regresión múltiple, debemos de evitar la presencia de multicolinealidad
entre las variables antecedentes de cada uno de los constructos endógenos.
De acuerdo con Hair, Risher, Sarstedt y Ringle (2019) los valores de VIF deberían ser
idealmente ≤ 3,3
VIF
CI1 3,168
CI2 3,415
CI3 1,226
CI4 1,235
CI5 2,062
CI6 1,885
CI7 1,537
CI8 1,186
DIG1 2,107
DIG2 2,207
DIG3 2,240
OP1 1,786
OP2 1,718
Tabla 4.15. Valoración colinealidad variables antecedents. SmartPLS.
87
Evaluación del signo algebraico, magnitud y significación de los coeficientes path
Los coeficientes path (coeficientes de regresión estandarizados) muestran las

estimaciones de las relaciones del modelo estructural, es decir, de las relaciones
hipotetizadas entre constructos.
Se analizará el signo algebraico, la magnitud y la significación estadística.
Aquel path cuyo signo sea contrario al signo postulado en la hipótesis, conducirá a que
ésta no sea soportada
Magnitud: Los coeficientes path se muestran como valores estandarizados entre +1 y -1
 Mayores valores absolutos denotan mayores relaciones (predictivas) entre

constructos
 Cuanto más cercano a cero es el valor, más débil es la relación.
 Valores muy bajos, cercanos a cero, son habitualmente no significativos, es decir,
no significativamente diferente de cero.
Signo coeficiente path

Digitalización Resultados empresariales
Mejora continua 0,463 0,282
Digitalización 0,291
Tabla 4.16. Evaluación signo coeficiente Path.SmartPLS.
Todos los signos se corresponden con las hipótesis planteadas.
Valoración del nivel de R2 y Q2:
El coeficiente de determinación (R2) representa una medida de poder predictivo. Indica

la cantidad de varianza de un constructo que es explicada por las variables predictoras de
dicho constructo endógeno en el modelo. Los valores de R2 oscilan entre 0 a 1. Cuanto
más alto es el valor, más capacidad predictiva tiene el modelo para dicha variable.
Los valores de R2 deberían ser suficientemente altos para que el modelo alcance un nivel
mínimo de poder explicativo
 Falk y Miller (1992): Como mínimo ≥ 0,10

 Chin (1998): 0,67 Sustancial; 0,33 Moderado; 0,19 Débil
88
 Hair et al. (2014) (Marketing): 0,75 Sustancial; 0,5 Moderado; 0,25 Débil
Una vez determinado el poder de predicción de los constructos, pasaremos a medir la

relevancia predictiva de los constructos dependientes. En este apartado aplicaremos el
Test de Stone-Geisser o Q2, también llamado “Cross Validated Redundancy”. En dicho
test, que el modelo establecido tenga relevancia predictiva el valor de Q2 debe ser
superior a “0”, de no serlo carecería de poder predictivo alguno (Shmueli, Ray, Velasquez
Estrada y Chatla, 2016).
Como vemos en la tabla 4.17, todos los constructos tienen una Q2 superior a “0”, con lo
cual el modelo predictivo tiene relevancia. Por tanto, se dispone de un modelo estructural
que permite el contraste de las hipótesis planteadas.
R2 Q2
Digitalización 0,214 0,156
Resultados empresariales 0,24 0,183
Tabla 4.17. Varianza explicada. Smart PLS.
Valoración de los tamaños de los efectos (f2):
Tamaño del efecto, f2 (Cohen, 1988) valora el grado con el que un constructo exógeno
contribuye a explicar un determinado constructo endógeno en términos de R2.
• f2= (R2 incluida – R2 excluida)/(1- R2 incluida),
Donde R2 incluida y R2 excluida son los valores R2 de la variable latente endógena cuando
una variable latente exógena es incluida o excluida del modelo.
El cambio en los valores de R2se calculan estimando el modelo PLS dos veces:
• Una con la variable latente exógena incluida (generando R2 incluida)

• Y la segunda vez con la variable latente exógena excluida (generando R2
excluida).
• Reglas heurísticas (Cohen, 1988):
• 0.02 ≤ f2 < 0.15: Efecto pequeño

• 0.15 ≤ f2 < 0.35: Efecto moderado
• f2 ≥ 0.35: Efecto grande
89
TAMAÑO DEL EFECTO

Mejora continua Digitalización Resultados
empresariales
Mejora continua 0,272 0,082
Digitalización 0,088
Resultados empresariales
Tabla 4.18. Tamaño del efecto. Smart PLS.
90
CAPÍTULO 5. ANÁLISIS DE LOS RESULTADOS
Capítulo 5. Análisis de los resultados
CAPÍTULO 5. ANÁLISIS DE LOS RESULTADOS

En este capítulo vamos a proceder a analizar los resultados obtenidos mediante el análisis
del modelo propuesto. Empezaremos por un análisis descriptivo de las variables del
estudio y, a continuación, realizaremos un contraste de las hipótesis planteadas para
dictaminar si se aceptan o no.
5.1 ANÁLISIS DESCRIPTIVO
En este apartado vamos a realizar el análisis descriptivo de las variables que integran
nuestro modelo. Para tal misión, analizaremos la media, mediana y moda de cada uno de
los ítems que componen las variables, con el objeto de determinar posibles conclusiones
y/o patrones descriptivos interesantes.
Antes de acometer el análisis de las variables principales del modelo, se va a realizar

también un análisis descriptivo de algunos de los ítems de la encuesta, más concretamente
los de “Posición actual”, “Antigüedad en la empresa”, “Personas a cargo” y “Rango de
edad”. De esta manera queremos profundizar en el detalle de los perfiles que han
respondido a nuestra encuesta.
5.1.1 Análisis descriptivo de ítems relacionados con el perfil de la muestra.

Posición actual:
Figura 5.1. Distribución del ítem “Posición Actual”. Fuente: Elaboración propia.
Como vemos en el gráfico, hay una predominancia clara de respuestas provenientes de

responsables y directivos, lo cual aporta gran valor a los datos obtenidos, ya que nos
asegura una visión global de la empresa y unos amplios conocimientos en las materias
sujetas a cuestión. Especialmente relevante es que más de un tercio de los encuestados
proviene de la alta dirección, haciendo todavía más valiosa la información obtenida.
93
Antigüedad en la empresa:
Figura 5.2. Distribución del ítem “Antigüedad en la empresa”. Fuente: encuesta vía google forms.
Como vemos en el gráfico, la práctica totalidad de los encuestados contaban con una
amplia experiencia en la compañía, lo cual confiere de bastante rigor a la hora de
establecer opiniones y juicios valorativos respecto a las preguntas planteadas.
Destacamos que más del 40% de los encuestados cuentan con una antigüedad superior a
los 15 años en la empresa.
Personas a cargo:
Figura 5.3. Distribución del ítem “Personas a cargo”. Fuente: encuesta vía google forms.
Como vemos en el gráfico, un tercio de los encuestados tiene bajo su responsabilidad a

más de 50 personas, mostrando una vez más la valía de las respuestas obtenidas, ya que
el hecho de tener gente a cargo aporta una visión más directa en relación a las ventajas
obtenidas mediante la aplicación de las herramientas de mejora continua y digitalización.
94
Rango de edad:
Figura 5.4. Distribución del ítem “Rango de edad”. Fuente: encuesta vía google forms.
Como vemos en el gráfico, más del 80% de los encuestados tienen una franja de edad que
supera los 36 años, dando muestra de nuevo de que el nivel de madurez de los encuestados
fue notable, otorgando una mayor seguridad en la obtención de respuestas con rigor
basadas en la experiencia.
5.1.2 Análisis descriptivo de la variable “Mejora Continua”
Según el análisis realizado hay ciertos ítems cuyos valores están por encima del resto, si
bien es cierto que todos poseen valores superiores a 5 en la escala Likert. Destaca por
ejemplo el ítem que destaca el compromiso e involucración de los directivos en la mejora
continua, así como también el hecho de que tengan como un objetivo importante dentro
de sus tareas el desarrollar un sistema de mejora continua en la organización.
El ítem que relaciona a la empresa con los clientes tratando de medir su índice de
satisfacción también presenta valores por encima del resto, siendo uno de los más
valorados en la encuesta.
Por último, el hecho de integrar los datos de desarrollo de la actividad de operaciones en

pro del desarrollo de las estrategias de mejora continua, es considerado también un
elemento de mayor relevancia comparativamente con el resto.
En la figura 5.5 podemos ver la comparativa de los diversos ítems que integran el
constructo “continous improvement”.
95
número de submuestras) para testar H0 : pc1 = 0 (un coeficiente path) frente a la

hipótesis alternativa H1 : pc1 ≠ 0.
Muestra Media Desviación Estadísticos

original de la estándar t (|
(O) muestra (STDEV) O/STDEV|)
(M)
Mejora continua -> Digitalización 0,463*** 0,521 0,091 5,079 0,000
Mejora continua -> Resultados 0,282* 0,314 0,162 1,738 0,041
empresariales
Digitalización -> Resultados 0,291** 0,277 0,119 2,441 0,007
empresariales
Tabla 5.1. Magnitud coeficiente Path. Smart PLS. Nota: * p<0.05; ** p<0.01; *** p<0.001; t(0.05;4999)= 1.6451; t(0.01;4999)=
2.327; (0.001;4999)= 3.092, T-bootstrapping completo, 5000 submuestras, una cola.
Muestra Media de la 5.0% 95.0%

original (O) muestra (M)
Mejora continua -> Digitalización 0,463*** 0,521 0,362 0,658
Mejora continua -> Resultados 0,282* 0,314 0,035 0,548
empresariales
Digitalización -> Resultados 0,291** 0,277 0,089 0,461
empresariales
Tabla 5.2. Intervalos de confianza del coeficiente Path. Nota: * p<0.05; ** p<0.01; *** p<0.001; t(0.05;4999)= 1.6451; t(0.01;4999)=
2.327; (0.001;4999)= 3.092, T-bootstrapping completo, 5000 submuestras, una cola.
Efectos indirectos específicos
Muestra Desviación
Media de la Estadísticos t P
original estándar
muestra (M) (| O/STDEV|) Valores
(O) (STDEV)
Mejora continua -> Digitalización -
0,135* 0,145 0,071 1,898 0,029
> Resultados empresariales
Tabla 5.3. Magnitud coeficiente Path efectos Indirectos.
Intervalos de confianza
Muestra
Media de la
original 5.0% 95.0%
muestra (M)
(O)
Mejora continua -> Digitalización
0,135* 0,145 0,043 0,265
-> Resultados empresariales
Tabla 5.4. Intervalos de confianza del coeficiente Path efectos Indirectos.
99
Modelo resultante
Figura 5.8. Modelo resultante. Smart PLS.
101
102
CAPÍTULO 6. DISCUSIÓN, IMPLICACIONES
PRÁCTICAS, LIMITACIONES, FUTURAS LÍNEAS DE
INVESTIGACIÓN Y APORTACIONES.
Capítulo 6. Discusión, implicaciones prácticas, limitaciones, futuras líneas de investigación y
aportaciones
CAPITULO 6. DISCUSIÓN, IMPLICACIONES PRÁCTICAS,

LIMITACIONES, FUTURAS LÍNEAS DE INVESTIGACIÓN Y
APORTACIONES.
6.1 Discusión y conclusiones
En este trabajo se ha analizado la interacción entre los mundos del Lean Manufacturing
y el de la Industria 4.0 y, más concretamente, la influencia de este último a modo de
digitalización de las herramientas Lean para una mejor implementación de éstas.
En primer lugar, se ha querido mostrar el estado del arte de la I-4.0, asunto en plena
efervescencia y de futuro prometedor, mediante la exposición detallada y estructurada de
las distintas herramientas que componen y fundamentan la digitalización que engloba la
I-4.0, para dar paso a la estrategia de implementación enfocada a garantizar el éxito a la
hora de abordar proyectos digitales.
Otra parte fundamental del trabajo ha sido la exposición de la metodología Lean, sus
principales herramientas, así como también las clásicas barreras que se dan durante su
implantación y que originan gran cantidad de fracasos en muchas de las empresas que
apuestan por el Lean como herramienta de mejora continua.
Posteriormente se ha profundizado en la interacción Lean – I-4.0, partiendo inicialmente

del enfoque clásico, más dado a destacar las incompatibilidades entre ambos, para
posteriormente abordar un enfoque más moderno, en el que la I-4.0 actúe como
habilitador Lean, enfocando sus herramientas digitales en la atenuación y/o eliminación
de las barreras de implementación.
En base a lo comentado anteriormente, se ha elaborado un modelo estadístico para

contrastar las dos hipótesis que plantea el trabajo, las cuales están enfocadas a profundizar
y establecer una relación empírica entre las tres variables que componen el estudio:
mejora continua, digitalización y resultados empresariales. De especial interés es el rol
moderador de la digitalización entre la relación mejora continua y resultados
empresariales, ya que buscamos de esta manera dilucidar si mediante la aplicación de
estrategias digitales podemos influir positivamente en la implantación Lean.
105
aportaciones
Para la obtención de datos del estudio empírico, se ha contado con la inestimable

colaboración de la empresa multinacional Saint-Gobain, pudiendo hacer extensible una
encuesta a 200 fábricas a nivel mundial. Se ha obtenido un ratio de respuesta cercano al
50%, bastante superior que el habitual del 15 al 25% sugerido por Menon (1996). Este
hecho aporta un carácter eminentemente práctico a la tesis, ya que se ha podido indagar
en profundidad dentro de un grupo multinacional que es considerado como uno de los
conglomerados industriales más grandes del mundo, estando a la vanguardia en Lean,
Industria 4.0 y otros proyectos innovadores que confieren a dicha empresa un perfil
atractivo para el abordaje de las cuestiones planteadas en la tesis.
Finalmente, tras el análisis de los datos obtenidos, hemos podido constatar la aceptación
de las dos hipótesis planteadas, lo cual genera una serie de contribuciones asociadas a
este estudio, la cuales serán expuestas más adelante.
En base a la revisión exhaustiva de la bibliografía, se han identificado las siguientes

conclusiones:
1. Hay un enfoque clásico en la interacción Lean con la digitalización, en el cual se

muestra una confrontación conceptual de base, a través de la cual las herramientas
digitales pueden dificultar enormemente la implantación Lean, llegando incluso a
comprometer sus posibilidades de éxito.
Numerosos autores en artículos de diversa índole suscriben este enfoque. Ohno
(1988), Piszczalski (2000), Womack (2004), Drew, McCallum y Roggenhofer
(2004), Houy (2005), Moyano Fuentes et al (2012), Brass et al (2016), Rüttimann
y Stöckli (2016), son algunos de los ejemplos que se han mostrado en los primeros
capítulos, y que abogan por una corriente en la cual la digitalización puede resultar
una barrera a la hora de abordar proyectos Lean de mejora continua.
Ya sea por el elevado número de recursos que ambos proyectos consumen, por la
necesidad de disponer de personal cualificado, o bien porque en ocasiones la
digitalización virtualiza en exceso los procesos productivos llegando a ocasionar
un alejamiento de los analistas de procesos del día a día de la fábrica, el consejo
que muchos autores expertos en la materia han proporcionado tradicionalmente
es que estos dos mundos, el digital y el Lean, tienen ciertas incompatibilidades
106
aportaciones
que pueden abocar al fracaso los proyectos que en estas materias aborden las
empresas.
2. Encontramos también corrientes modernas que enfocan el problema de diferente

manera, abogando por la digitalización como elemento habilitador del Lean. En
esta línea encontramos autores como Ward y Zhou (2006), Sharma y Pankaj
(2016) Sanders et al (2016), que establecen bases para que la digitalización se
convierta en un factor positivo para la implantación de herramientas de mejora
continua. En este sentido, gracias a la digitalización podemos generar situaciones
favorables que faciliten de algún modo el desarrollo de proyectos de mejora
continua, sobre todo en base a constituir entornos más “amigables” para que las
herramientas de mejora encuentren un ecosistema digital que facilite el poder
llevar dichas herramientas a cabo con una mayor garantía de éxito. Estos autores
coinciden en el hecho de considerar la digitalización como un elemento
potenciador del Lean, pero no lo corroboran desde el punto de vista empírico.
3. En relación al punto anterior, en esta tesis se plantea un análisis empírico que

avale las corrientes modernas que abogan por una relación positiva entre Lean
manufacturing y la Industria 4.0. Este apartado es de especial relevancia, ya que
no se han encontrado artículos científicos que demuestren estadísticamente dicha
relación, haciendo que este punto sea la mayor contribución de esta tesis, tal y
como veremos más adelante.
4. Todavía a día de hoy siguen estando presentes los fracasos Lean, asociados sobre
todo a las barreras que se dan durante la implantación de los proyectos de mejora
continua, y que conducen inexorablemente a su fracaso (Abigli et al, 2014). Es
por esto que consideramos de especial relevancia dar una solución a los problemas
que aún en la actualidad perduran a la hora de implantar un sistema Lean de
mejora continua. Por otro lado, nos encontramos con que, debido a la
globalización de los mercados y el aumento de la competitividad, se hace
necesario más que nunca orientar los procesos de las industrias hacia un entorno
de mejora continua en el cual aumenten su capacidad productiva y de innovación.
107
aportaciones
5. La Industria 4.0 y todo lo que la relaciona está en plena efervescencia. Son muchos
los artículos que nos encontramos en los dos o tres últimos años que hablan de
esta corriente de digitalización. Consideramos en base a esto que la temática
elegida para la tesis es atractiva en cuanto genera un foro de debate en una parte
del conocimiento que está siendo explorada actualmente y, por consiguiente, las
conclusiones obtenidas de la tesis tendrán aplicabilidad en la empresa actual.
Esta tesis aporta una serie de contribuciones muy interesantes, sobre todo desde el punto
de vista empresarial, más concretamente a empresas que estén inmersas en proyectos de
mejora continua y de digitalización, lo cual hoy día es casi una obligación en el entorno
competitivo y de optimización de costes en el que nos encontramos. Podemos enumerar
las siguientes contribuciones:
1. Una primera aportación de la tesis radica en demostrar que la mejora continua

favorece los resultados de la empresa. Al igual que en el punto anterior, esta
contribución va en línea con otras publicaciones anteriores (por ejemplo, Alarcón
y Moyano-Fuentes, 2007; Womack, 2004), pudiendo concluir que la mejora
continua garantiza la obtención de unos mejores resultados. Es por esto de vital
importancia que las empresas sean capaces de conducir de forma exitosa los
proyectos de implantación Lean, ya que está demostrado que, en el caso de
conseguir su desarrollo correcto, la empresa obtendrá un rédito en su rendimiento
operativo. Aquí cobra importancia el hecho de conseguir establecer las pautas y
procedimientos que permitan alcanzar de forma exitosa una implantación Lean
duradera y eficaz, siendo esto último el principal reto al que se enfrentan las
empresas de hoy día.
2. La segunda, y más destacable contribución, es que esta tesis aporta un gran avance
en este campo del conocimiento mediante la demostración del papel mediador que
juega la digitalización en la relación entre mejora continua y los resultados
empresariales. En nuestro modelo se ha generado una mediación parcial, lo cual
significa que parte de la influencia de la mejora continua se nota directamente en
los resultados, sin embargo, otra parte de esa mejora continua necesita ser
digitalizada a través de las herramientas digitales. En este sentido, este estudio
propone que lo hace mediante dos vías.
108
aportaciones
La primera vía es a partir de la digitalización progresiva de las herramientas Lean,

lo cual repercute en una mayor efectividad y mantenibilidad de dichas
herramientas, así como también en una mayor empleabilidad en su uso, lo cual
favorece su extensión a los distintos actores que componen las empresas.
Entendemos que es una contribución de gran utilidad, ya que no sólo plantea esta
relación positiva, sino que también aporta una guía práctica que relaciona cada
herramienta Lean y su versión digital mediante la aplicación progresiva de la
Industria 4.0, convirtiéndose de esta manera en una especie de manual de
herramientas Lean digitales, asociando además las ventajas obtenidas en cada una
de ellas.
La segunda vía planteada es mediante el efecto atenuador que la Industria 4.0

puede tener en las barreras de implantación Lean. Ésta es sin duda otra gran
aportación de la tesis, ya que además de demostrar empíricamente la relación
positiva entre ambas aportamos una guía práctica que relaciona cada una de las
barreras que históricamente han conducido al fracaso a multitud de proyectos
Lean, con aquellas soluciones vía herramientas de Industria 4.0 enfocadas a la
atenuación de dichas barreras. Se convierte de esta manera en una guía relacional
de barreras y soluciones aportadas por la I-4.0.
Entendemos que es de especial relevancia esta contribución, ya que no hemos

encontrado en la literatura existente ningún artículo que demuestre empíricamente
este papel mediador que la Industria 4.0 juega en la relación Lean y resultados.
Tal y como se ha planteado en la tesis, y se ha comentado previamente en las
contribuciones, la influencia de la digitalización en las herramientas Lean acaba
por tener un efecto positivo en los resultados empresariales. Por tanto, concluimos
que, a más digitalización, mayor rendimiento Lean obtendremos y, por tanto, se
producirán unos mejores resultados empresariales.
3. La tercera contribución de esta tesis ha sido demostrar existe una relación entre
los sistemas de mejora continua Lean y la digitalización de la Industria 4.0. En
línea con las teorías de Ward y Zhou (2006), las empresas que han implantado
109
aportaciones
Lean Manufacturing tienen una mayor predisposición a abordar la digitalización

de la Industria 4.0 con mayores garantías de éxito que las que no lo han hecho.
Esto se fundamenta principalmente en el hecho de que las empresas Lean son más
rápidas en la gestión del cambio lo cual es positivo en entornos digitales que
analizan los procesos y mercados y aportan datos que requieren acometer cambios
rápidos y reorientaciones para cubrir las necesidades de los clientes. Además, los
procesos de digitalización requieren del seguimiento exhaustivo de una
metodología y planificación de fases de ejecución con un seguimiento riguroso y
que, por tanto, necesitan de gran capacidad de absorción e integración de
metodologías nuevas de trabajo. Las empresas maduras en Lean aportan esa
capacidad de adaptación al cambio y la forma de trabajar ordenada y secuencial,
la cual podría facilitar en gran medida la implementación de herramientas
digitales.
4. La cuarta contribución de la tesis es confirmar que la digitalización favorece los

resultados de la empresa. En este sentido, hemos demostrado empíricamente esta
relación positiva, lo cual va en línea de otras investigaciones previas (por ejemplo,
Rüβmann et al, 2016; Li et al, 2020; Müller, 2020). De esta manera dejamos
patente que la inversión en Industria 4.0 se verá amortizada mediante el impacto
positivo que se tendrá en los resultados de la empresa, obteniendo un doble
beneficio en aquellas empresas que la implemente. Por un lado, se mejora la
competitividad de la empresa debido a la mejora en sus resultados, y por otro se
contribuye a una adaptación digital de dicha empresa, lo cual repercutirá de forma
positiva en su continuidad futura.
6.2 Implicaciones prácticas
Actualmente, en el entorno económico y globalizado en el que las empresas compiten, es

esencial que se aborden proyectos de mejora continua para garantizar la competitividad
y capacidad de reacción de dichas empresas (Lewis, 2000). Es más, las organizaciones
con una estructura Lean y enfocadas a la mejora continua tendrán más probabilidades de
éxito que otras sin estas características (Gibbons, 2006). Es fundamental también que las
empresas sean capaces de adaptar sus medios a la era digital para la consecución de los
objetivos marcados, debido a que la digitalización generará nuevas formas de trabajar y,
110
aportaciones
por ende, aumentará las posibilidades de crecimiento y liderazgo competitivo (Cassiman

& Golvko, 2011).
En los últimos años, las empresas están abordando proyectos de digitalización a través de
la nueva corriente que promueve la Industria 4.0 (Rüβmann et al, 2016), por lo que las
implicaciones prácticas de esta tesis son de vital importancia para obtener una mejora
implantación de dichas técnicas, así como poder hacerlas coexistir con los proyectos de
mejora ya iniciados y conseguir finalmente una ventaja competitiva para las empresas.
La primera implicación práctica de relevancia para los gestores de las empresas radica en
que las conclusiones derivadas de la tesis pueden evitar los fracasos en la implantación
Lean. Se estima que el 70% proyectos Lean fracasan (Pedersen and Huniche, 2011) por
lo que establecer desde el inicio los mecanismos para poder reducir en la medida de lo
posible las probabilidades de fracaso es fundamental. En esta tesis se establecen pautas,
se analizan barreras y se proponen acciones para que las empresas puedan evitar caer en
el fracaso Lean anteriormente comentado.
La segunda implicación práctica de la tesis consiste en haber demostrado que se pueden

optimizar las herramientas Lean mediante la digitalización de las mismas, contribuyendo
de esta manera a una mejor y más eficiente implantación. Es un avance de gran relevancia,
ya que hasta la fecha se teorizaba con el efecto positivo de la digitalización en las
herramientas Lean, pero sin dar un rigor científico a las afirmaciones propuestas. En esta
tesis se ha desarrollado un listado detallado de cómo las principales herramientas Lean
pueden converger hacia un entorno digital mediante la aplicación de la Industria 4.0. En
la tabla 2.1 se puede ver el detalle de dicha relación, y puede ser una guía de gran utilidad
para las empresas con proyectos Lean en fase de implantación, o proyectos ya maduros
que requieran de una renovación y adaptación a los tiempos modernos.
La tercera implicación práctica de la tesis viene a raíz de la demostración de que es posible

atenuar las barreas Lean mediante la digitalización. Es decir, ya no solo hablamos de la
digitalización de las herramientas Lean para la obtención de un mayor rendimiento, sino
que además la digitalización puede contribuir directamente a atenuar o eliminar las
barreras de implantación Lean es pro de una mejor y más fiable construcción de los
proyectos de mejora continua. Esta es sin duda otra gran aportación, ya que directamente
111
aportaciones
estamos relacionando las barreras Lean detectadas en base a la revisión exhaustiva de la

literatura, con herramientas digitales contenidas dentro de la corriente I-4.0, y su
consiguiente beneficio obtenido. Los gestores de las empresas podrán encontrar esta
relación en la tabla 2.2, en la cual, para cada barrera Lean existente, disponemos de las
herramientas digitales enfocadas a su atenuación o eliminación. Entendemos que será de
gran ayuda para empresas que atraviesen dificultades en sus proyectos Lean, o que
simplemente quieran asegurar una mayor ratio de éxito en sus implantaciones de mejora
continua.
La cuarta implicación práctica, y relacionada con las dos anteriores, es la demostración

de que es posible que Lean e I-4.0 cohabiten y se retroalimenten mutuamente. De esta
manera estamos cambiando el enfoque clásicamente extendido de que las herramientas
Lean y las digitales no son compatibles. Este enfoque será de utilidad para las empresas,
ya que anima a las mismas a abordar nuevos proyectos Lean o digitalización sin el estigma
de pensar que pueden ser incompatibles.
La quinta implicación práctica de la tesis es dar a las empresas una secuencia lógica de
implantación Lean e Industria 4.0. Bajo nuestro punto de vista, es aconsejable empezar
con las bases del Lean antes de abordar proyectos de digitalización de niveles superiores,
pero sí que creemos oportuno que la base estructural de los sistemas digitales
(infraestructura de la I-4.0) se implemente en paralelo, o incluso antes que la
implementación Lean. Se debería de trabajar en la base del templo (fig.2.3), pero antes
de pasar a la fase de implementación de la I-4.0, sería mejor establecer la metodología
Lean. Habría que tener en cuenta también la necesidad de establecer una hoja de ruta de
implementación en la cual se integren herramientas Lean con I-4.0, de manera que
gradualmente se implemente todo el proyecto, pero con un enfoque Lean en el uso de las
herramientas digitales como requisito fundamental para obtener éxito en su implantación.
Es básico además tener recursos internos durante todo el proyecto, capaces de focalizar
las herramientas a la estrategia y modelo de negocio de la empresa. Éste es un error
habitual en los sistemas Lean e I-4.0 liderados por consultores externos, sin el apoyo
necesario de recursos internos empresa.
La sexta implicación práctica radica en el hecho de haber demostrado el papel mediador

de la Industria 4.0 entre la implantación Lean y los resultados empresariales. Esto
112
aportaciones
conducirá a que los responsables de las empresas encuentren atractivo impulsar la

digitalización como ventaja competitiva y, por tanto, para la obtención de mejores
resultados empresariales, sirviendo como mecanismo dinamizador Lean y teniendo un
impacto positivo en la organización.
Como conclusión final, consideramos que esta tesis tiene aportaciones de gran relevancia
para los gestores de las empresas, enfocadas a una mejor y más eficiente implantación
Lean, además de aportar ejemplos y guías concretas para su aplicación práctica.
6.3 Limitaciones y líneas futuras de investigación

Esta tesis presenta algunas limitaciones y posibles líneas futuras de investigación. Una de
ellas es que, incluso considerando que el estudio se ha desarrollado en colaboración
estrecha con una gran multinacional, está muy focalizado en una sola empresa.
Entendemos que sería de utilidad replicar este estudio en otras empresas para obtener una
visión más amplia de la realidad. Además, también sería interesante incluir empresas de
menor tamaño, de cara a ver si existen diferencias con respecto a las grandes empresas,
principalmente debido a la menor dotación de recursos.
Otra limitación al hilo de la anterior, es que la tesis se ha desarrollado en un ambiente

industrial, por lo que en futuros estudios se podría ampliar el espectro a empresas no
industriales, por ejemplo, tecnológicas o financieras. De esta manera podríamos constatar
empíricamente los resultados en otros entornos.
A tener en cuenta también es que el grado de madurez Lean de la empresa sometida a

estudio, aunque con diferencias en los distintos centros, era relevante, por lo que
convendría tener en cuenta en futuros estudios la integración de empresas con un menor
nivel Lean implantado, de cara a observar si los resultados obtenidos en la tesis son
extrapolables
Otra vía de mejora podría derivarse a través de la eliminación de la subjetividad en las

respuestas mediante la inclusión de indicadores más objetivos. Por ejemplo, se podrían
113
aportaciones
usar KPIs (Key performance indicators) obtenidos de forma empírica para ser incluidos
en la encuesta, y que de esta forma se elimine el sesgo en las respuestas.
La inclusión de otras variables moderadores podría también tenerse en cuenta como una
posible vía de investigación futura, ya que existen otras variables susceptibles de tener
influencia en la gestión de proyectos de mejora continua. Al hilo de esto, se deberían
abordar estudios que relacionen dichas variables y su influencia en la implantación Lean,
aportando de esta manera nuevas vías de desarrollo Lean que aumenten el porcentaje de
éxito en su implantación.
6.4 Aportaciones derivadas de la tesis
 Asistencia como líder a la primera Cumbre de Innovación tecnológica y Economía

Circular celebrada en Madrid en 2018, con la asistencia de Mr. Barack Obama,
gracias al proyecto de mejora de eficiencia y reducción del impacto ambiental
mediante la digitalización de las herramientas Lean. Elegido como uno de los 300
líderes en España con más influencia en este campo.
 Ponente en la UCPT dando charla “El rol del Ingeniero Industrial en eso que
llaman Economía Circular”, dentro del curso “Introducción al ejercicio
profesional”, en colaboración con el COIIRM. 22/11/2018
 Coautor artículo publicado en revista Economía Industrial, perteneciente al

Ministerio de Industria.
Alfonso-Ruiz, F.J., Martinez-Caro, E., Cegarra-Navarro, J.G. 2018. La

transformación digital de los sistemas Lean a través de la Industria 4.0. Un caso
práctico. Economía Industrial 409, 25-35.
 Coautor en artículo publicado en la revista Journal of Business Research.
Cegarra-Navarro, J.G., Alfonso-Ruiz, F.J., Martinez-Caro, E., García-Perez, A. 2019.

Turning heterogeneity into improved research outputs in international R&D teams.
Journal of Business Research, en prensa. (https://doi.org/10.1016/j.jbusres.2019.05.023)
Indexada en JCR. Factor de impacto: 4.028, cuartil Q1, posición 30/147, categoría
Business.
114
aportaciones
 Coautor en artículo publicado en la revista Technological Forecasting & Social

Change.
Martinez-Caro, E., Cegarra-Navarro, J.G. Alfonso-Ruiz, F.J. 2020. Digital

technologies and firm performance: The role of digital organizational culture.
Technological Forecasting & Social Change.
https://doi.org/10.1016/j.techfore.2020.119962)
Indexada en JCR. Factor de impacto: 3.815, cuartil Q1, posición 32/147, categoría
Business.
115
REFERENCIAS BIBLIOGRÁFICAS
Referencias bibliográficas
REFERENCIAS BIBLIOGRÁFICAS
Abreu and Ferreira, 2008. The impacts of lean production on working conditions: A case study of a harvester
assembly line in Brazil. International Journal of Industrial Ergonomics. Volume 39, Issue 2, 2009, 403-412
Adler, P. 1993, “Time and motion study regained”, Harvard Business Review, Vol. 71 No. 1, Pages. 97-198.
Aheleroff et al, 2020. IoT-enabled smart appliances under industry 4.0: A case study. Advanced Engineering
Informatics Volume 43, January 2020, 101-143.
Alarcón & Moyano-Fuentes, 2007. Lean production: estado actual y desafíos futuros de la investigación.
Investigaciones Europeas de Dirección y Economía de la Empresa. Vol. 13, Nº 2, 2007, 179-202.
Albliwi et al, 2014. Critical failure factors of Lean Six Sigma: a systematic literature review. International Journal
of Quality & Reliability Management. Vol. 31 No. 9, 1012-1030
Alhuraish & Robledo, 2017. A comparative exploration of lean manufacturing and six sigma in terms of their
critical success factors. Journal of cleaner production 2017 v.164, 325-337
Alukal, 2006. Keeping Lean Alive. Quality Progress; Milwaukee Tomo 39, N.º 10, 2006, 67-69.
Armstrong, J. S., & Overton, T. S. (1977). Estimating Nonresponse Bias in Mail Surveys. Journal of Marketing
Research, 14(3), 396. https://doi.org/10.2307/3150783
Antony & Banuelas Coronado, 2002; Critical success factors for the successful implementation of Six Sigma
projects in organizations. The TQM Magazine 14(2):92-99
Bagozzi, R. P. (1994). Structural equation models in marketing research: Basic principles. In Bagozzi, R. P.
(Ed.), Principles of marketing research. 317–385
Barclay, D., Higgins, C., & Thompson, R. (1995). The partial least squares (PLS) approach to causal modelling:
Personal computer adoption and use as an illustration. (Special Issue on Research Methodology). Technology
Studies, 2(2), 285–309.
Bharadwaj, A., El Sawy, O.A., Pavlou, P.A., Venkatraman, N., 2013. Digital business strategy: toward a next
generation of insights. MIS Q. 37 (2), 471–482.
Benesova et al, 2019. Determination of Changes in Process Management within Industry 4.0. Procedia
Manufacturing. Volume 38, 2019, 1691-1696
Benitez, J., Henseler, J., & Roldán, J. L. (2016). How to Address Endogeneity in Partial Least Squares Path
Modeling. Twenty-Second Americas Conference on Information Systems, (Tanriverdi 2005), 1–10.
119
Bose & Pal, 2005. Auto-ID: managing anything, anywhere, anytime in the supply chain. Communications of the
ACM. Volume 48, Issue 8, 102-113
Bowersox, D.J., Closs, D.J., Drayer, R.W., 2005. The digital transformation: technology and beyond. Suppl.
Chain Manage. Rev. 9 (1), 22–29.
Brass et al, 2016. The Duality of Technology: ICT as an enabler and inhibiter in Business Process improvement.
San Diego: Twenty-second Americas Conference on Information Systems
Brauner & Ziefle, 2015. On the Visual Design of ERP Systems The – Role of Information Complexity,
Presentation and Human Factors. Procedia Manufacturing. Volume 3, 2015, 448-455
Brettel et al, 2014. How Virtualization, Decentralization and Network Building Change the Manufacturing
Landscape: An Industry 4.0 Perspective. Journal of Information and Communication Engineering”, 2014, V.
8, N.1. 47-62
Broy, 2010. Cyber-Physical Systems. Innovation durch softwareintensive eingebettete Systeme. Seiten 13-15.
Brun, 2011. Las tecnologías de la información y las comunicaciones en la formación inicial docente de América
Latina. Serie políticas sociales. Vol 72, 73-75.
Caballero-Gil et al, 2013. Design and Implementation of an Application for Deploying Vehicular Networks with
Smartphones. International Journal of Distributed Sensor Networks. Volume: 9 issue: 12, 180-192
Caldera et al, 2019. Evaluating the enablers and barriers for successful implementation of sustainable business
practice in ‘lean’ SMEs. Journal of Cleaner Production. Volume 218, 1 May 2019, Pages 575-590
Candanedo et al, 2018. Machine Learning Predictive Model for Industry 4.0. Knowledge Management in
Organizations,501-510
Cannata, 2008. An embedded artificial skin for humanoid robots. 2008 IEEE International Conference on
Multisensor Fusion and Integration for Intelligent Systems.
Carmines & Zeller (1979) Reliability and Validity Assessment. SAGE publications. ISBN 978-0-8039-1371-4
Cassel, Hackl y Westlund, 1999. Robustness of partial least-squares method for estimating latent variable quality
structures Journal of Applied Statistics Volume 26, 1999 - Issue 4, 435-446
Cassiman & Golovko, 2011. Innovation and internationalization through exports. Journal of International
Business Studies volume 42, 56–75.
120
Cepeda-Carrion, Gabriel, Juan-Gabriel Cegarra-Navarro, and Valentina Cillo. 2018. “Tips to Use Partial Least
Squares Structural Equation Modelling (PLS-SEM) in Knowledge Management.” Journal of Knowledge
Management, JKM-05-2018-0322. doi:10.1108/JKM-05-2018-0322
Cheng & Podolsky, 1993. Just in time manufacturing: An introduction. 2nd edition. Published by Chapamn &
Hall, 2-6 Boundary Row. London.
Chin, W. W. (1998). The partial least squares approach to structural equation modelling. In Marcoulides, G. A.
(Ed.), Modern methods for business research. Mahwah, NJ: Lawrence Erlbaum. 295–336.
Chin, W. W. (2010). How to write up and report PLS analyses. In Esposito Vinzi, V., Chin, W. W., Henseler, J.,
& Wang, H. (Eds.), Handbook of partial least squares: Concepts, methods and applications Berlin, Germany:
Springer-Verlag, 655–690
Chin, W. W., & Newsted, P. R. (1999). Structural equation modeling analysis with small samples using partial
least squares. In Hoyle, R. (Ed.), Statistical strategies for small samples research Thousand Oaks, CA: Sage.
307–341
Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Hillsdale, NJ: Erlbaum.
Colakovic et al, 2018. Internet of Things (IoT): A review of enabling technologies, challenges, and open research
issues. Computer Networks Volume 144, 24 October 2018, 17-39
Correa-Espinal et al, 2010. Warehouse management and information and communication technology. Estudios
Gerenciales. Volume 26, Issue 117, October–December 2010, 145-171
Cortés et al, 2016. Strategic Lean Management: Integration of operational Performance Indicators for strategic
Lean management. IFAC-PapersOnLine. Volume 49, Issue 12, 2016, 65-70
Cortés et al, 2017. El entorno de la industria 4.0 Implicaciones y perspectivas futuras. ConCiencia Tecnológica,
ISSN-e 1405-5597, Nº. 54 (julio-diciembre), 2017,. 33-45
Damrath, 2012. Increasing competitiveness of service companies: developing conceptual models for
implementing Lean Management in service companies.
Deuse et al, 2015. Gestaltung von Produktionssystemen im Kontext von Industrie 4.0. Institut für
Produktionssysteme, Technische Universität Dortmund, Dortmund, Germany. 99-109.
Dhiman and Mohanty, 2010. HRM Practices, Attitudinal Outcomes and Turnover Intent: An Empirical Study in
Indian Oil and Gas Exploration and Production Sector. South Asian Journal of Management . Oct-Dec2010,
Vol. 17 Issue 4, 74-104.
121
Dhungana et al, 2015. Smart factory product lines: a configuration perspective on smart production ecosystems.
Proceedings of the 19th International Conference on Software Product Line July 2015, 201–210
Diallo et al, 1995. Cost of quality in the new manufacturing environment. Management Accounting [USA], vol.
77, no. 2. 20-32
Diamantopoulos, A., & Winklhofer, H. M. (2001). Index Construction with Formative Indicators: An Alternative
to Scale Development. Journal of Marketing Research, 38(2), 269–277
Díaz and Lozano, 2008. Comportamiento de la bibliotecología y las ciencias de la información en Cuba en el
período 2005-2008. ACIMED v.18 n.6, 202-209
Dickmann, 2007. Measuring the return on investment in international assignments: an action research approach.
The International Journal of Human Resource Management. Volume 23, 2012 - Issue 16. Pages 3434-3454.
Dijkstra, T.K. & Henseler, J. (2015). Consistent and asymptotically normal PLS estimators for linear structural
equations. Computational Statistics & Data Analysis, 81(1), 10-23.
Dijkstra, T.K., & Henseler, J. (2015) Consistent Partial Least Squares Path Modeling. MIS Quarterly 39 (2), 297
– 316
Dombrowki & Mielke, 2014. Lean Leadership – 15 Rules for a Sustainable Lean Implementation. Procedia
CIRP Volume 17, 2014, 565-570
Dos Santos et al, 2015. Lean Manufacturing and Ergonomic Working Conditions in the Automotive Industry.
Procedia Manufacturing. Volume 3, 2015, 5947-5954
Drew, McCallum & Roggenhofer, 2004, Objectif Lean, Editions d'Organisation. Pacgrave Mcmillan.
Houndsmills, Basingstoke, Hampshire RG21 6XS. ISBN 1-4039-1307-2
Drolet et al, 2008. Regional mapping of gross light-use efficiency using MODIS spectral indices. Remote
Sensing of Environment Volume 112, Issue 6, 16 June 2008, 3064-3078
Falk, R. F., & Miller, N. B. (1992). A primer for soft modeling. Akron, OH: The University of Akron
Foulloy et al, 2019. A fuzzy temporal approach to the Overall Equipment Effectiveness measurement. Computers
& Industrial Engineering. Volume 127, January 2019, Pages 103-115
Fornell, C. (1982). A second generation of multivariate analysis: an overview. In Fornell, C. (Ed.), A second
generation of multivariate analysis Vol. 1, 1–21
Fornell, C., & Larcker, D. F. (1981). Evaluat- ing structural equation models with unobservable variables and
measurement error. JMR, Journal of Marketing Research, 18, 39–50.
122
Fox & Subic, 2019. An Industry 4.0 Approach to the 3D Printing of Composite Materials. Engineering Volume
5, Issue 4, August 2019, 621-623
Funk, 1995. Barriers and facilitators of research utilization An Integrative Review. Nursing clinics of North
America. Volumen 30. Number 3. 395-407
Ganiyusufoglu, 2013. How the industrial internet of things changes business models in different manufacturing
industries. International Journal of Innovation ManagementVol. 20, No. 08, 1640015 (2016)
Gao et al, 2020. From Industry 4.0 to Robotics 4.0 - A Conceptual Framework for Collaborative and Intelligent
Robotic Systems. Procedia Manufacturing Volume 46, 2020, 591-599
Gefen, D., Rigdon, E. E., & Straub, D. (2011). An updated and extension to SEM guidelines for administrative
and social science research. Management Information Systems Quarterly, 35(2), iii–xiv.
Gibbons, 2006. Improving overall equipment efficiency using a Lean Six Sigma approach. Print ISSN: 1479-
2494 Online ISSN: 1479-2753
Gómez Bernabeu & Palací, 2003. El constructo «Orientación a la calidad total» y su medida: el Cuestionario
OCT. Psicothema 2003. Vol. 15, nº 3, 433-439
Gregori et al, 2018. Improving a production site from a social point of view: an IoT infrastructure to monitor
workers condition. Procedia CIRP Volume 72, 2018, 886-891
Haddara & Elragal, 2015. The Readiness of ERP Systems for the Factory of the Future. Procedia Computer
Science Volume 64, 2015, 721-728
Hair, J. F., Ringle, C. M., & Sarstedt, M. (2011). PLS-SEM: Indeed a silver bullet. Journal of Marketing Theory
and Practice, 19(2), 137–149.
Hair, J. F., Sarstedt, M., Ringle, C. M., & Mena, J. A. (2012). An assessment of the use of partial least squares
structural equation modeling in marketing research. Journal of the Academy of Marketing Science, 40(3),
414-433.
Hair Jr, J. F., Hult, G. T. M., Ringle, C., & Sarstedt, M. (2017). A primer on partial least squares structural
equation modeling (PLS-SEM). 2nd edition. Sage Publications
Hair, J., Hollingsworth, C. L., Randolph, A. B., & Chong, A. Y. L. (2017). An updated and expanded assessment
of PLS-SEM in information systems research. Industrial Management & Data Systems, 117(3), 442–458.
Handyside, 1997. Genba Kanri: the discipline of real leadership in the workplace. British Library Catalouging
in Publication Data. Handyside. ISBN 0-566-07898-8
123
Hayes, A.F., Scharkow, M., 2013. The relative trustworthiness of inferential tests of the indirect effect in
statistical mediation analysis. Psychological Science 24 (10), 1918–1927.
Henseler, J. (2017a). Bridging Design and Behavioral Research With Variance-Based Structural Equation
Modeling.Journal of Advertising,46(1), 178–192.
Henseler, J., Ringle, C. M., & Sinkovics, R. R. (2009). The use of partial least squares path modeling in
international marketing. Advances inInternational Marketing, 20,. 277-319.
Henseler, J. (2018). Partial least squares path modeling: Quo vadis.Quality&Quantity.
Henseler, J., Hubona, G., & Ray, P. A. (2016). Using PLS path modeling in new technology research: updated
guidelines. Industrial Management &Data Systems, 116(1), 2–20.
Henseler, J., Ringle, C.M. & Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-
based structural equation modeling. Journal of the Academy of Marketing Science, 43 (1), 115-135
Heras et al, 2009. Impacto competitivo de las herramientas para la gestión de la calidad. Cuadernos de Economía
y Dirección de la Empresa. Volume 12, Issue 41, December 2009, 7-35
Hicks, 2007. Lean information management: Understanding and eliminating waste. International Journal of
Information Management Volume 27, Issue 4, August 2007, 233-249
Ho K.M., 2010. Integrated lean TQM model for global sustainability and competitiveness. The TQM Journal,
Vol. 22 No. 2, 143-158
HouY, 2005. ICT and Lean Management: Will They Ever Get Along? Communications & Strategies, no. 59,
3rd quarter 2005, 53-68
Hu et al, 2016. Cobalt-catalyzed sulfate radical-based advanced oxidation: A review on heterogeneous catalysts
and applications. Applied Catalysis B: Environmental Volume 181, February 2016, 103-117
Hua et al, 2008. Tract probability maps in stereotaxic spaces: Analyses of white matter anatomy and tract-specific
quantification. NeuroImage Volume 39, Issue 1, 1 January 2008, 336-347
J. Womack, D. Jones, D. Roos, 1991 The Machine that Changed the World: The Story of Lean Production. New
York: 1st Harper Perennial Ed.
Jędrzejczak, 2017. Net Working Capital Management Strategies in the Construction Enterprises Listed on the
NewConnect Market. Procedia Engineering Volume 182, 2017, 306-313
Jimenez et al, 2019. Improvement of Productivity and Quality in the Value Chain through Lean Manufacturing
– a case study. Procedia Manufacturing. Volume 41, 2019, 882-889
124
Joppen et al, 2019. Key performance indicators in the production of the future. Procedia CIRP Volume 81, 2019,
759-764
José Moyano Fuentes, Pedro José Martínez Jurado, Juan Manuel Maqueira Marín, y Sebastián Bruque Cámara
(2012). Cuadernos de Economía y Dirección de la Empresa 15 (2012) 105–116.
Judge, W., Douglas, T., 1998. Performance implications of incorporating natural environmental issues into the
strategic planning process: an empirical assessment. J.Manage. Stud. 35 (2), 241–262.
Kagermanm et al, 2013. Recommendations for implementing the strategic initiative Industrie 4.0: Final report
of the Industrie 4.0 Working Group
Koberg & Zühlke, 2015. Industry 4.0, Digitalisation and Artificial Intelligence (AI): Impact and implications for
quality and environment management
Kouri et al, 2008. The Principles And Planning Process Of An Electronic Kanban System. Novel Algorithms
and Techniques In Telecommunications, Automation and Industrial Electronics 99-104
Krafcik JF. 1988. Triumph of the lean production system. Sloan Management Review. 30(1), 41-52.
Lasi et al, 2014. Industry 4.0. Business & Information Systems Engineering volume 6, 239–242
Lee et al, 2014. Service innovation and smart analytics for Industry 4.0 and big data environment. Product
Services Systems and Value Creation. Proceedings of the 6th CIRP Conference on Industrial Product-Service
Systems
Lewandowski et al, 2013. Sequence-Specific Peptide Synthesis by an Artificial Small-Molecule Machine.
Science 11 Jan 2013:Vol. 339, Issue 6116, 189-193
Lewis, 2000. Lean production and sustainable competitive advantage. International Journal of Operations &
Production Management, Volume 20, Number 8, 2000, 959-978
Lindfords & Leiringer, 2002. Creating lean enterprises through process orientation. Models for new business
opportunities. First International Conference on Construction in the 21 st Century (CITC2002) “Challenges
and Opportunities in Management and Technology”25-26 April, 2002, Miami, Florida, USA
Li et al, 2020. The impact of digital technologies on economic and environmental performance in the context of
industry 4.0: A moderated mediation model. International Journal of Production Economics. Volume 229.
Li Tao et al, 2015. Silicene field-effect transistors operating at room temperature. Nature Nanotechnology
volume 10, 227–231
Lodgaard et al, 2016. Barriers to Lean Implementation: Perceptions of Top Managers, Middle Managers and
Workers. Procedia CIRP Volume 57, 2016, 595-600
125
Longo et al, 2017. Smart operators in industry 4.0: A human-centered approach to enhance operators’ capabilities
and competencies within the new smart factory context. Computers & Industrial Engineering Volume 113,
November 2017, 144-159
Lu, 2017. Industry 4.0: A survey on technologies, applications and open research issues. Journal of Industrial
Information Integration Volume 6, June 2017, 1-10
Lucey J, Bateman N, Hines P. 2005. Why major lean transitions have not been sustained. Management Service.
49(2), 9-13.
Lucke et al, 2008. Smart Factory - A Step towards the Next Generation of Manufacturing. Manufacturing
Systems and Technologies for the New Frontier 115-11
M. Rüβmann et al. 2016 Industry 4.0: The Future of Productivity and Growth in Manufacturing Industries.
Martínez & Bedia, 2004. Is the hotel classification system a good indicator of hotel quality?: An application in
Spain. Tourism Management Volume 25, Issue 6, December 2004, 771-775
Martínez-Caro, Cegarra-Navarro & Alfonso-Ruiz, 2020. Digital technologies and firm performance: The role of
digital organizational culture. Technological Forecasting & Social Change 154 (2020) 119962.
Martínez Jurado & Moyano Fuentes. Lean production y gestión de la cadena de suministro en la industria
aeronáutica. Investigaciones Europeas de Dirección y Economía de la Empresa. Volume 17, Issue 1,
January–April 2011, 137-157
Masood & Egger, 2019. Augmented reality in support of Industry 4.0—Implementation challenges and success
factors. Robotics and Computer-Integrated Manufacturing Volume 58, August 2019, 181-195
McKone, K.E., Schroeder, R.G., Cua, K.O. 2001. The impact of total productive maintenance on manufacturing
performance. Journal of Operations Management 19 (1), 39–58.
Meister et al, 2019. Manufacturing Analytics for problem-solving processes in production. Procedia CIRP.
Volume 81, 2019, 1-6
Mendoza-Martínez et al, 2014. Liderazgo y su Relación con Variables De Resultado: un Modelo Estructural
Comparativo entre Liderazgo Transformacional y Transaccional en una Empresa de Entretenimiento en
México. Acta de Investigación Psicológica. Volume 4, Issue 1, April 2014, 1412-1429
Menon, A., Bharadwaj, S.G., Howell, R., 1996. The quality and effectiveness of marketing strategy: effects of
functional and dysfunctional conflict in intra-organizational relationships. J. Acad. Market. Sci. 24 (4), 299–
313
126
Milne et al, 2015. Optimizing planned lead times for enhancing performance of MRP systems. International
Journal of Production Economics. Volume 167, September 2015, 220-231
Monden, 2011. Toyota Production System: An Integrated Approach to Just-In-Time, 4th Edition. Institute of
Industrial Engineers. ISBN 978-1-4665-0451-6.
Mourtzis et al, 2017. Lean rules extraction methodology for lean PSS design via key performance indicators
monitoring. Journal of Manufacturing Systems Volume 42, January 2017, 233-243
Moyano Fuentes et al, 2012. El papel de las tecnologías de la información y las comunicaciones (TIC) en la
búsqueda de la eficiencia: un análisis desde Lean Production y la integración electrónica de la cadena de
suministro. Cuadernos de Economía y Dirección de la Empresa. Volume 15, Issue 3, July–September 2012,
105-116
Müller, 2020. Industry 4.0 in the Context of the Triple Bottom Line of Sustainability: A Systematic Literature
Review. Customer Satisfaction and Sustainability Initiatives in the Fourth Industrial Revolution. Pages 1-20.
Muñoz et al, 2018. ¿Cómo mejorar las reuniones de un equipo de trabajo? FMC - Formación Médica Continuada
en Atención Primaria. Volume 25, Issue 7, August–September 2018, 390-396
Naslund, 2008. Lean, six sigma and lean sigma: fads or real process improvement methods? Business Process
Management Journal. Vol. 14 No. 3, 269-287.
Narayanan and Raman, 2004. Aligning Incentives in Supply Chains. Harvard Business Review. Issue November
2004.
Naslund, 2008. Lean, six sigma and lean sigma: fads or real process improvement methods?. Business Process
Management Journal. Vol. 14 No. 3, 269-287
Nicoletti, 2013. Lean Six Sigma and digitize procurement. International Journal of Lean Six Sigma. Vol. 4 No.
2, 184-203
Nunnally, J. C., & Bernstein, I. H. (1994). Psychometric theory (3rd ed.). New York, NY: McGraw-Hill.
Liker & Meier, 2006. The Toyota Way Fielbook: a practical guide for implementing Toyota’s 4Ps. McGraw
Hill. ISBN 0-07-144893-4
Ohno T. 1988. Toyota Production System: beyond large-scale production., New York: Productivity Press. XIX,
143 s.
Paelke, 2015. Augmented reality in the smart factory: Supporting workers in an industry 4.0. environment.
Proceedings of the 2014 IEEE Emerging Technology and Factory Automation (ETFA)
127
Parker, S. 2003, “Longitudinal effects of lean production on employee outcomes and the mediating role of work
characteristics”, Journal of Applied Psychology, Vol. 88 No. 4, 620-34.
Pay R. 2008. Everybody's jumping on the lean bandwagon, but many are being taken for a ride. Industry Week.
503-780-2014.
Pedersen and Huniche, 2011. Determinants of lean success and failure in the Danish public sector: A negotiated
order perspective. International Journal of Public Sector Management. Vol. 24 No. 5, 403-420
Piszczalski, M. 2000. Lean versus information systems. Automotive Manufacturing and Production 112 (8), 26–
28.
Podsakoff, P. M., MacKenzie, S. B., Lee, J. Y., & Podsakoff, N. P. (2003). Common method biases in behavioral
research: a critical review of the literature and recommended remedies. Journal of Applied Psychology, 88(5),
879–903. https://doi.org/10.1037/0021-9010.88.5.879
Poksinca et al, 2013. The daily work of Lean leaders – lessons from manufacturing and healthcare. Total Quality
Management & Business Excellence. Volume 24, 2013 - Issue 7-8: QMOD 2011–2012
Pugna et al, 2016. Using Six Sigma Methodology to Improve the Assembly Process in an Automotive Company.
Procedia - Social and Behavioral Sciences Volume 221, 7 June 2016, 308-316
Quinn, R.E., Rohrbaugh, J., 1983. A spatial model of effectiveness criteria: towards a competing values approach
to organizational analysis. Manage. Sci. 29 (3), 363–377.
Rachna Shah a, Peter T. Ward. 2002 “Lean manufacturing: context, practice bundles, and performance” Journal
of Operations Management 21 (2003) 129–149.
Radziwon et al, 2014. The Smart Factory: Exploring Adaptive and Flexible Manufacturing Solutions. Procedia
Engineering Volume 69, 2014, 1184-1190
Raki, 2014. An application of RFID in supply chain management to reduce inventory estimation error. Uncertain
Supply Chain Management. Volume 2 Issue 2, 97-104
Riebezos et al, 2009. Lean Production and information technology: Connection or contradiction? Computers in
Industry Volume 60, Issue 4, May 2009, 237-247
Reinartz, W., Haenlein, M., & Henseler, J. (2009). An empirical comparison of the efficacy of covariance-based
and variance-based (SEM). International Journal of Research in Marketing, 26(4), 332–344.
Ribeiro et al, 2019. The Impact of the Application of Lean Tools for Improvement of Process in a Plastic
Company: a case study. Procedia Manufacturing. Volume 38, 2019, 765-775
128
Roldán-Molina et al, 2017. A Comparison of Cybersecurity Risk Analysis Tools. Procedia Computer Science
Volume 121, 2017, 568-575
Rüttimann & Stöckli. 2016. Lean and Industry 4.0—Twins, Partners, or Contenders? A Due Clarification
Regarding the Supposed Clash of Two Production Systems. Journal of Service Science and Management,
2016, 9, 485-500.
Sahal, Brelin & Ali, 2020. Big data and stream processing platforms for Industry 4.0 requirements for a predictive
maintenance use case. Journal of Manufacturing Systems Volume 54, January 2020, 138-151
Salo, J., 2006. Business relationship digitisation: what do we need to know before embarking on such activities?
J. Electron. Comm. Organ. 4 (4), 75–93.
Sanders et al, 2016. Industry 4.0 Implies Lean Manufacturing: Research Activities in Industry 4.0 Function as
Enablers for Lean Manufacturing. Journal of Industrial Engineering and Management (JIEM). Vol. 9, Iss. 3,
811-833.
Sanders & Wulfsberg, 2015. Industrie 4.0: Shopfloor Management im Wandel. ZWF Zeitschrift für
wirtschaftlichen Fabrikbetrieb: Vol. 110, No. 10, 653-656.
Saurin & Ferreira, 2009. The impacts of lean production on working conditions: A case study of a harvester
assembly line in Brazil. International Journal of Industrial Ergonomics Volume 39, Issue 2, March 2009,
403-412
Schmidt et al, 2015. Industry 4.0 - Potentials for Creating Smart Products: Empirical Research Results.
International Conference on Business Information Systems. Business Information Systems 16-27
Schuh et al, 2015. Promoting Work-based learning through Industry 4.0. The 5th conference of learning factories
2015. Procedia CIRP 32. 82-87.
Shadur, M., Rodwell, J. and Bamber, G. 1995. “Factors predicting employees’ approval of lean production”,
Human Relations, Vol. 48 No. 12,. 1403-26.
Shah & Ward, 2002. Aligning supply chain management characteristics and interorganizational information
system types: an exploratory study. IEEE Transactions on Engineering Management. Volume: 49 ,
Issue: 3, 282 - 292
Shah & Ward, 2007. Defining and developing measures of lean production. Journal of Operations Management
Volume 25, Issue 4, June 2007, 785-805
Shahrubudin et al, 2019. An Overview on 3D Printing Technology: Technological, Materials, and Applications.
Procedia Manufacturing Volume 35, 2019, 1286-1296
129
Shadur et al. 1995; Factors Predicting Employees' Approval of Lean Production. ADLER, P. S. Time-and-motion
regained. Harvard Business Review, 1993, 71(1), 97-108.
Sharma & Pankaj, 2016. Scope of Optimising I.C.T Objectives Applying Lean Principles: An Exploratory
Review.
Shingo, 1989. A study of the Toyota production system: From an Industrial Engineering Viewpoint. Published
October 1, 1989 by Productivity Press. ISBN 9780915299171
Shmueli, G., Ray, S., Velasquez Estrada, J.M., Chatla, S.B., 2016. The elephant in the room: Predictive
performance of PLS models. Journal of Business Research 69 (10), 4552–4564.
https://doi.org/10.1016/j.jbusres.2016.03.049.
Shrouf et al, 2014. Smart factories in Industry 4.0: A review of the concept and of energy management
approached in production based on th e Internet of Things paradigm. IEEE International Conference
on Industrial Engineering and Engineering Management.
Spath et al, 2013. Produktionsarbeit der Zukunft –Industrie 4.0. Fraunh ofer-Institut Furarbeith wirths chaft und
organization IAO. ISBN: 978-3-8396-0570-7
Sosik, J. J., Kahai, S. S., & Piovoso, M. J. (2009). Silver bullet or voodoo statistics?: A primer for using the
partial least squares data analytic technique in group and organization research. Group and Organization
Management, 34(1), 5-36.
Sugimori Y, Kusunoki K, Cho F, Uchikawa S. 1977. Toyota Production System and kanban system
materialization of just-in-time and respect-for-human system. International Journal of Production Research,
15(6), 553-564.
Streukens, S., & Leroi-Werelds, S. (2016). Bootstrapping and PLS-SEM: A step-by-step guide to get more out
of your bootstrap results. European Management Journal, 34(6), 618–632.
Takeda, 2006. Method and program of collecting performance data for storage network. Performance evaluation
by tracing or monitoring for systems. US7107273B2
Talavera, 2004. Development and validation of TQM constructs. Gadjah Mada International Journal of Business
September 2004, Vol. 6, No. 3, 335—381
Tarn et al, 2002. Exploring the rationales for ERP and SCM integration. Industrial Management & Data Systems.
Vol. 102 No. 1, 26-34.
130
Tepes et al, 2015. Smart tool, machine and special equipment: overview of the concept and application for the
toolmaking factory of the future. Journal of the Brazilian Society of Mechanical Sciences and Engineering
volume 37, 1039–1053
Trappey et al, 2017. A review of essential standards and patent landscapes for the Internet of Things: A key
enabler for Industry 4.0. Advanced Engineering Informatics Volume 33, August 2017, 208-229
Upadhye, Deshmukh & Garg. 2016 Lean manufacturing system implementation barriers: an interpretive
structural modelling approach. Int. J. Lean Enterprise Research, Vol. 2, No. 1,.46–65.
Valdez et al, 2015. Quality and innovation as drivers for manufacturing competitiveness of automotive parts
suppliers. The TQM Journal. Vol. ahead-of-print No. ahead-of-print, 100-112
Van Brussel et al, 1998. Reference architecture for holonic manufacturing systems: PROSA. Computers in
Industry Volume 37, Issue 3, November 1998, 255-274
Veres et al, 2018. Case study concerning 5S method impact in an automotive company. Procedia Manufacturing
Volume 22, 2018, 900-905
Vidal, M. 2007, “Lean production, worker empowerment, and job satisfaction”, Critical Sociology, Vol. 33,
247-78.
Wan et al, 2015. A review of industrial wireless networks in the context of Industry 4.0. Wireless Networks
volume 23, 23–41
Ward & Zhou. 2006. Impact of Information Technology Integration and Lean/Just-In-Time Practices on Lead-
Time Performance. Decision Sciences Volume 37 Number 2, 260-274
Weiss et al, 2014. Digital service innovation and smart technologies: developing digital strategies based on
Industry 4.0 and product service systems for the renewal and energy sector. RESER, University of Naples
"Federico II" 2016 274-291
Werts, C. E., Linn, R. L., & Jöreskog, K. G. (1974). Interclass reliability estimates: testing structural assumptions.
Educational and Psychological Measurement, 34, 25–33.
Weyer et al, 2015. Towards Industry 4.0 - Standardization as the crucial challenge for highly modular, multi-
vendor production systems. IFAC-Papers online Volume 48, Issue 3, 2015, 579-584
Wickens, P. 1987, The Road to Nissan. London: Macmillan.
Wiendahl & Lutz, 2002. Production in Networks. CIRP Annals Volume 51, Issue 2, 2002, 573-586
Wold, H. (1985). Systems analysis by partial least squares. In Nijkamp, P., Leitner, H., & Wrigley, N. (Eds.),
Measuring the unmeasurable (pp. 221–251). Dordrecht, The Netherlands: Martinus Nijhoff.
131
Womack, 1990. The machine that changed the world: The story of lean production--Toyota's secret weapon in
the global car wars that is now revolutionizing world industry.
Womack JP, Jones DT. Lean thinking, 1996. New York: Simon & Schuster, Inc.
Womack JP. 2004. "Lean Information Management", e-letter from the Lean Enterprise Institute, November.
132
ANEXO

La Influencia de La Industria 4.0 y Otros Factores Determinantes en La Implementación Lean

Cargado por

Copyright:

Formatos disponibles

La Influencia de La Industria 4.0 y Otros Factores Determinantes en La Implementación Lean

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

La Influencia de La Industria 4.0 y Otros Factores Determinantes en La Implementación Lean

Cargado por

Copyright:

Formatos disponibles

LA INFLUENCIA DE LA INDUSTRIA 4.

THE INFLUENCE OF INDUSTRY 4.0 AND

Programa de Doctorado en Ciencias Económicas,

Alumno: Francisco Javier Alfonso Ruiz

– There is always something you can improve –

[Keywords]. Lean Manufacturing, Industry 4.0, barriers to lean implementation,

CAPÍTULO SEGUNDO: FUNDAMENTOS TEÓRICOS....................... 10

CAPITULO 3. MARCO CONCEPTUAL: PLANTEAMIENTO

3.1 Introducción ......................................................................... 57

CAPITULO 5. ANÁLISIS DE LOS RESULTADOS................................. 91

CAPITULO 6. DISCUSIÓN, CONCLUSIONES, LIMITACIONES,

6.1 Discusión y conclusiones..................................................... 103

REFERENCIAS BIBLIOGRÁFICAS....................................................... 113

Tabla 1.1. Principales plataformas de difusión digital en la Industria 4.0 ……………… 4

Figura 1.1. Principales plataformas de difusión de la I-4.0 …………………………… 4

CAPÍTULO PRIMERO: INTRODUCCIÓN

Pese a que la bibliografía es abundante y es relativamente sencillo encontrar consultores

País Plataforma Web

Figura 1.1. Principales plataformas de difusión de la I-4.0. Fuente: Industria conectada.

Alemania, el impacto de la I-4.0 en la productividad industrial estará en torno al 40% en

Cabe destacar la importancia de la colaboración entre empresas, e incluso entre países,

Enfoque clásico: incompatibilidades entre LEAN e Industria 4.0.

Si analizamos la bibliografía existente, nos encontramos con ciertas alusiones a la

Para empezar, ambas requieren de muchos recursos para su implantación (Moyano

En este sentido la digitalización pude generar falta de visibilidad, ya que la información

En ocasiones la digitalización provoca que se dificulte la visualización de los procesos,

Se ha de tener en cuenta también, que la implementación de las herramientas digitales

Enfoque moderno: Industria 4.0 como elemento habilitador en Lean Management.

Como se ha anticipado antes, si la digitalización de los procesos industriales está bien

Lo anterior puede generar mayor compromiso de la dirección en la implementación Lean,

La implicación de los trabajadores es fundamental para garantizar el éxito en la

La digitalización del Lean a través de la Industria 4.0

En conclusión, la metodología Lean Manufacturing forma parte de la cultura general de

1.2 OBJETIVOS DE LA INVESTIGACIÓN

Desde el primer momento, se ha pretendido desarrollar una tesis muy vinculada a la

De manera específica, se enumeran los siguientes objetivos:

 Identificar aspectos clave que garanticen el éxito en la implantación Lean.

 Analizar la influencia de las barreras de entrada en la implantación Lean.

 Relacionar la implantación Lean con las nuevas metodologías englobadas en

 Testar el modelo teórico desarrollado en un entorno multinacional para dotar

 Aportar nuevo conocimiento científico en esta área, ya que apenas hay

 Servir de guía para empresas que vayan a emprender o se encuentren

1.3 DESCRIPCIÓN DE CONTENIDOS

La presente tesis se ha estructurado en seis capítulos convenientemente diferenciados, los

En el primer capítulo se realiza una introducción a los sistemas tradicionales de mejora

En el segundo capítulo se analizan en profundidad los distintos conceptos relacionados

En el tercer capítulo se expone el marco conceptual para el desarrollo de nuestro modelo

En el capítulo cuarto se detalla la metodología de investigación que hemos utilizado,

En el capítulo quinto se analizan los resultados y se valida el modelo, contrastando las

En el capítulo sexto y último, se muestran las conclusiones finales de la tesis y se aborda

CAPÍTULO SEGUNDO: FUNDAMENTOS TEÓRICOS

2.1. HERRAMIENTAS LEAN

Basándonos en la escala dimensional establecida por Sha y Ward (2007), podemos

1. Retroalimentación de los proveedores: todas las reclamaciones de los productos y

1. Exceso de inventario. El cual se da por tener más cantidad de material en stock

2. Sobreproducción. Generado por fabricar más cantidad que la que se necesita,

Figura 2.1. Desperdicios en Lean. Fuente: Giralt, 2016.

2.2 BARRERAS LEAN