Business">
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 Implementación Lean
La Influencia de La Industria 4.0 y Otros Factores Determinantes en La Implementación Lean
0 Y
OTROS FACTORES DETERMINANTES EN
LA IMPLANTACIÓN LEAN
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.
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.
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
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
ANEXO.................................................................................................... 127
xvi
xvii
ÍNDICE DE TABLAS
xviii
ÍNDICE DE FIGURAS
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
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;).
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
Capítulo 1. Introducción
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.
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.
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
Capítulo 1. Introducción
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.
3
Capítulo 1. Introducción
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.
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.
4
Capítulo 1. Introducción
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.
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).
5
Capítulo 1. Introducción
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.
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
Capítulo 1. Introducción
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.
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.
7
Capítulo 1. Introducción
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.
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.
8
Capítulo 1. Introducción
Plantear un modelo Lean que evite los factores limitantes, y que consiga una
mayor efectividad en su implantación.
9
Capítulo 1. Introducción
10
CAPÍTULO 2. FUNDAMENTOS TEÓRICOS
Capítulo 2. Fundamentos teóricos
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.
13
Capítulo 2. Fundamentos teóricos
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):
14
Capítulo 2. Fundamentos teóricos
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
Capítulo 2. Fundamentos teóricos
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.
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:
16
Capítulo 2. Fundamentos teóricos
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
Capítulo 2. Fundamentos teóricos
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).
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.
18
Capítulo 2. Fundamentos teóricos
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).
19
Capítulo 2. Fundamentos teóricos
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).
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
Capítulo 2. Fundamentos teóricos
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”.
21
Capítulo 2. Fundamentos teóricos
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.
23
Capítulo 2. Fundamentos teóricos
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.
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
Capítulo 2. Fundamentos teóricos
Visión artificial
25
Capítulo 2. Fundamentos teóricos
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
Capítulo 2. Fundamentos teóricos
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.
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
Capítulo 2. Fundamentos teóricos
28
Capítulo 2. Fundamentos teóricos
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).
Ciberseguridad
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.
29
Capítulo 2. Fundamentos teóricos
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).
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).
30
Capítulo 2. Fundamentos teóricos
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.
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.
Figura 2.5. Impacto de la Industria 4.0 en los factores externos. Fuente: Elaboración propia.
31
Capítulo 2. Fundamentos teóricos
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.
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
Capítulo 2. Fundamentos teóricos
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
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).
4. Enfoque al cliente.
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
Capítulo 2. Fundamentos teóricos
Figura 2.6. Impacto de la Industria 4.0 en los factores Internos. Fuente: Elaboración interna.
2. Poka-Yoke.
35
Capítulo 2. Fundamentos teóricos
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.
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.
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
Capítulo 2. Fundamentos teóricos
6. Sistemas Kanban
37
Capítulo 2. Fundamentos teóricos
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 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.
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.
39
Capítulo 2. Fundamentos teóricos
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).
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
Capítulo 2. Fundamentos teóricos
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.
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
Capítulo 2. Fundamentos teóricos
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
Capítulo 2. Fundamentos teóricos
43
Capítulo 2. Fundamentos teóricos
Tabla 2.1. Principales herramientas y/o actividades LEAN, y su digitalización a través del uso de la Industria 4.0. Fuente: Elaboración
Propia.
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:
1. Falta de compromiso de la dirección.
2. Falta de involucración y formación de los trabajadores.
3. Ausencia de proveedores implicados en la mejora continua.
4. Falta de rendimiento operacional (OEE).
5. Ausencia de un sistema de control de inventarios.
45
Capítulo 2. Fundamentos teóricos
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
Capítulo 2. Fundamentos teóricos
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).
47
Capítulo 2. Fundamentos teóricos
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.
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
Capítulo 2. Fundamentos teóricos
49
Capítulo 2. Fundamentos teóricos
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
Capítulo 2. Fundamentos teóricos
Tabla 2.2. Ventajas obtenidas por la aplicación de la Industria 4.0 en la atenuación de las barreras Lean. Fuente: Elaboración Propia.
52
Capítulo 2. Fundamentos teóricos
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.
53
Capítulo 2. Fundamentos teóricos
54
CAPÍTULO 3. MARCO CONCEPTUAL:
PLANTEAMIENTO DE LAS HIPÓTESIS.
Capítulo 3. Marco conceptual: planteamiento de las hipótesis
3.1 INTRODUCCIÓN
Analizaremos la relación entre las distintas variables, para finalmente plantear las
hipótesis del modelo resultante, el cual será sometido a estudio empírico.
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
Capítulo 3. Marco conceptual: planteamiento de las hipótesis
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
Capítulo 3. Marco conceptual: planteamiento de las hipótesis
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).
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.
Hipótesis 1. La mejora continua tiene una relación positiva con los resultados de la
empresa.
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).
60
Capítulo 3. Marco conceptual: planteamiento de las hipótesis
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.
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
Capítulo 3. Marco conceptual: planteamiento de las hipótesis
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).
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.
64
Capítulo 3. Marco conceptual: planteamiento de las hipótesis
65
Capítulo 3. Marco conceptual: planteamiento de las hipótesis
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
Capítulo 3. Marco conceptual: planteamiento de las hipótesis
67
Capítulo 3. Marco conceptual: planteamiento de las hipótesis
68
CAPÍTULO 4. DISEÑO Y METODOLOGÍA DE LA
INVESTIGACIÓN
Capítulo 4. Diseño y metodología de la investigación
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
Capítulo 4. Diseño y metodología de la investigación
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
Capítulo 4. Diseño y metodología de la investigación
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
Capítulo 4. Diseño y metodología de la investigación
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
76
Capítulo 4. Diseño y metodología de la investigación
4.3 ANÁLISIS
77
Capítulo 4. Diseño y metodología de la investigación
El análisis del modelo en PLS será realizado e interpretado en dos etapas (Barclay et al.,
1995):
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:
78
Capítulo 4. Diseño y metodología de la investigación
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).
Análisis de multicolinealidad.
Según Roldán y Cepeda, altos niveles de colinealidad afectan a los resultados en dos
formas:
VIF
CI1 3,168
CI2 3,415
CI3 1,226
CI4 1,235
CI5 2,062
CI6 1,885
CI7 1,537
79
Capítulo 4. Diseño y metodología de la investigación
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.
80
Capítulo 4. Diseño y metodología de la investigación
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:
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)
81
Capítulo 4. Diseño y metodología de la investigación
82
Capítulo 4. Diseño y metodología de la investigación
esta manera, el examen de validez debe ser realizado con base al razonamiento teórico y
la opinión de los expertos (Diamantopoulos y Winkholfer, 2001).
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:
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).
Medida:
83
Capítulo 4. Diseño y metodología de la investigación
Guías:
AVE ≥ 0,50. Esto significa que cada constructo explica al menos el 50% de la
varianza de los indicadores asignados.
Resultados en SmartPLS:
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
84
Capítulo 4. Diseño y metodología de la investigación
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.
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
Si cualquiera de estos índices (SRMR, dULS, dG) supera estos valores, es improbable que
el modelo de medida sea verdadero.
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
Muestra original Media de la 95% 99%
(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
Muestra original Media de la 95% 99%
(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
Capítulo 4. Diseño y metodología de la investigación
Siguiendo con lo planteado por Roldán y Cepeda (2019), la valoración del modelo
estructural estará constituida por los siguientes pasos:
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
Capítulo 4. Diseño y metodología de la investigación
Aquel path cuyo signo sea contrario al signo postulado en la hipótesis, conducirá a que
ésta no sea soportada
Los valores de R2 deberían ser suficientemente altos para que el modelo alcance un nivel
mínimo de poder explicativo
88
Capítulo 4. Diseño y metodología de la investigación
Hair et al. (2014) (Marketing): 0,75 Sustancial; 0,5 Moderado; 0,25 Débil
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.
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.
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:
89
Capítulo 4. Diseño y metodología de la investigación
90
CAPÍTULO 5. ANÁLISIS DE LOS RESULTADOS
Capítulo 5. Análisis de los resultados
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.
Figura 5.1. Distribución del ítem “Posición Actual”. Fuente: Elaboración propia.
93
Capítulo 5. Análisis de los resultados
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.
94
Capítulo 5. Análisis de los resultados
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.
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.
En la figura 5.5 podemos ver la comparativa de los diversos ítems que integran el
constructo “continous improvement”.
95
Capítulo 5. Análisis de los resultados
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
Capítulo 5. Análisis de los resultados
Modelo resultante
101
Capítulo 5. Análisis de los resultados
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
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.
105
Capítulo 6. Discusión, implicaciones prácticas, limitaciones, futuras líneas de investigación y
aportaciones
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.
106
Capítulo 6. Discusión, implicaciones prácticas, limitaciones, futuras líneas de investigación y
aportaciones
que pueden abocar al fracaso los proyectos que en estas materias aborden las
empresas.
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
Capítulo 6. Discusión, implicaciones prácticas, limitaciones, futuras líneas de investigación y
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:
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
Capítulo 6. Discusión, implicaciones prácticas, limitaciones, futuras líneas de investigación y
aportaciones
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
Capítulo 6. Discusión, implicaciones prácticas, limitaciones, futuras líneas de investigación y
aportaciones
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.
111
Capítulo 6. Discusión, implicaciones prácticas, limitaciones, futuras líneas de investigación y
aportaciones
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.
112
Capítulo 6. Discusión, implicaciones prácticas, limitaciones, futuras líneas de investigación y
aportaciones
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.
113
Capítulo 6. Discusión, implicaciones prácticas, limitaciones, futuras líneas de investigación y
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.
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
Indexada en JCR. Factor de impacto: 4.028, cuartil Q1, posición 30/147, categoría
Business.
114
Capítulo 6. Discusión, implicaciones prácticas, limitaciones, futuras líneas de investigación y
aportaciones
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
Alarcón & Moyano-Fuentes, 2007. Lean production: estado actual y desafíos futuros de la investigación.
Albliwi et al, 2014. Critical failure factors of Lean Six Sigma: a systematic literature review. International Journal
Alhuraish & Robledo, 2017. A comparative exploration of lean manufacturing and six sigma in terms of their
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
Antony & Banuelas Coronado, 2002; Critical success factors for the successful implementation of Six Sigma
Bagozzi, R. P. (1994). Structural equation models in marketing research: Basic principles. In Bagozzi, R. P.
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
Bharadwaj, A., El Sawy, O.A., Pavlou, P.A., Venkatraman, N., 2013. Digital business strategy: toward a next
Benesova et al, 2019. Determination of Changes in Process Management within Industry 4.0. Procedia
Benitez, J., Henseler, J., & Roldán, J. L. (2016). How to Address Endogeneity in Partial Least Squares Path
119
Referencias bibliográficas
Bose & Pal, 2005. Auto-ID: managing anything, anywhere, anytime in the supply chain. Communications of the
Bowersox, D.J., Closs, D.J., Drayer, R.W., 2005. The digital transformation: technology and beyond. Suppl.
Brass et al, 2016. The Duality of Technology: ICT as an enabler and inhibiter in Business Process improvement.
Brauner & Ziefle, 2015. On the Visual Design of ERP Systems The – Role of Information Complexity,
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
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
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
Cassiman & Golovko, 2011. Innovation and internationalization through exports. Journal of International
120
Referencias bibliográficas
Cepeda-Carrion, Gabriel, Juan-Gabriel Cegarra-Navarro, and Valentina Cillo. 2018. “Tips to Use Partial Least
Cheng & Podolsky, 1993. Just in time manufacturing: An introduction. 2nd edition. Published by Chapamn &
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
Correa-Espinal et al, 2010. Warehouse management and information and communication technology. Estudios
Cortés et al, 2016. Strategic Lean Management: Integration of operational Performance Indicators for strategic
Cortés et al, 2017. El entorno de la industria 4.0 Implicaciones y perspectivas futuras. ConCiencia Tecnológica,
Damrath, 2012. Increasing competitiveness of service companies: developing conceptual models for
Deuse et al, 2015. Gestaltung von Produktionssystemen im Kontext von Industrie 4.0. Institut für
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,
121
Referencias bibliográficas
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.
Diamantopoulos, A., & Winklhofer, H. M. (2001). Index Construction with Formative Indicators: An Alternative
Díaz and Lozano, 2008. Comportamiento de la bibliotecología y las ciencias de la información en Cuba en el
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
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
Dos Santos et al, 2015. Lean Manufacturing and Ergonomic Working Conditions in the Automotive Industry.
Drew, McCallum & Roggenhofer, 2004, Objectif Lean, Editions d'Organisation. Pacgrave Mcmillan.
Drolet et al, 2008. Regional mapping of gross light-use efficiency using MODIS spectral indices. Remote
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
Fornell, C. (1982). A second generation of multi- variate analysis: an overview. In Fornell, C. (Ed.), A second
Fornell, C., & Larcker, D. F. (1981). Evaluat- ing structural equation models with unobservable variables and
122
Referencias bibliográficas
Fox & Subic, 2019. An Industry 4.0 Approach to the 3D Printing of Composite Materials. Engineering Volume
Funk, 1995. Barriers and facilitators of research utilization An Integrative Review. Nursing clinics of North
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
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-
Gómez Bernabeu & Palací, 2003. El constructo «Orientación a la calidad total» y su medida: el Cuestionario
Gregori et al, 2018. Improving a production site from a social point of view: an IoT infrastructure to monitor
Haddara & Elragal, 2015. The Readiness of ERP Systems for the Factory of the Future. Procedia Computer
Hair, J. F., Ringle, C. M., & Sarstedt, M. (2011). PLS-SEM: Indeed a silver bullet. Journal of Marketing Theory
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
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
123
Referencias bibliográficas
Hayes, A.F., Scharkow, M., 2013. The relative trustworthiness of inferential tests of the indirect effect in
Henseler, J. (2017a). Bridging Design and Behavioral Research With Variance-Based Structural Equation
Henseler, J., Ringle, C. M., & Sinkovics, R. R. (2009). The use of partial least squares path modeling in
Henseler, J., Hubona, G., & Ray, P. A. (2016). Using PLS path modeling in new technology research: updated
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
Hicks, 2007. Lean information management: Understanding and eliminating waste. International Journal of
Ho K.M., 2010. Integrated lean TQM model for global sustainability and competitiveness. The TQM Journal,
HouY, 2005. ICT and Lean Management: Will They Ever Get Along? Communications & Strategies, no. 59,
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
J. Womack, D. Jones, D. Roos, 1991 The Machine that Changed the World: The Story of Lean Production. New
Jędrzejczak, 2017. Net Working Capital Management Strategies in the Construction Enterprises Listed on the
Jimenez et al, 2019. Improvement of Productivity and Quality in the Value Chain through Lean Manufacturing
124
Referencias bibliográficas
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
Judge, W., Douglas, T., 1998. Performance implications of incorporating natural environmental issues into the
Kagermanm et al, 2013. Recommendations for implementing the strategic initiative Industrie 4.0: Final report
Koberg & Zühlke, 2015. Industry 4.0, Digitalisation and Artificial Intelligence (AI): Impact and implications for
Kouri et al, 2008. The Principles And Planning Process Of An Electronic Kanban System. Novel Algorithms
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
Lewis, 2000. Lean production and sustainable competitive advantage. International Journal of Operations &
Lindfords & Leiringer, 2002. Creating lean enterprises through process orientation. Models for new business
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
Lodgaard et al, 2016. Barriers to Lean Implementation: Perceptions of Top Managers, Middle Managers and
125
Referencias bibliográficas
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,
Lu, 2017. Industry 4.0: A survey on technologies, applications and open research issues. Journal of Industrial
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
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
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
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
Meister et al, 2019. Manufacturing Analytics for problem-solving processes in production. Procedia CIRP.
Mendoza-Martínez et al, 2014. Liderazgo y su Relación con Variables De Resultado: un Modelo Estructural
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
Referencias bibliográficas
Milne et al, 2015. Optimizing planned lead times for enhancing performance of MRP systems. International
Monden, 2011. Toyota Production System: An Integrated Approach to Just-In-Time, 4th Edition. Institute of
Mourtzis et al, 2017. Lean rules extraction methodology for lean PSS design via key performance indicators
Moyano Fuentes et al, 2012. El papel de las tecnologías de la información y las comunicaciones (TIC) en la
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
Naslund, 2008. Lean, six sigma and lean sigma: fads or real process improvement methods? Business Process
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
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
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
Referencias bibliográficas
Parker, S. 2003, “Longitudinal effects of lean production on employee outcomes and the mediating role of work
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
Rachna Shah a, Peter T. Ward. 2002 “Lean manufacturing: context, practice bundles, and performance” Journal
Radziwon et al, 2014. The Smart Factory: Exploring Adaptive and Flexible Manufacturing Solutions. Procedia
Raki, 2014. An application of RFID in supply chain management to reduce inventory estimation error. Uncertain
Riebezos et al, 2009. Lean Production and information technology: Connection or contradiction? Computers in
Reinartz, W., Haenlein, M., & Henseler, J. (2009). An empirical comparison of the efficacy of covariance-based
Ribeiro et al, 2019. The Impact of the Application of Lean Tools for Improvement of Process in a Plastic
128
Referencias bibliográficas
Roldán-Molina et al, 2017. A Comparison of Cybersecurity Risk Analysis Tools. Procedia Computer Science
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?
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
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.
Schuh et al, 2015. Promoting Work-based learning through Industry 4.0. The 5th conference of learning factories
Shadur, M., Rodwell, J. and Bamber, G. 1995. “Factors predicting employees’ approval of lean production”,
Shah & Ward, 2002. Aligning supply chain management characteristics and interorganizational information
Shah & Ward, 2007. Defining and developing measures of lean production. Journal of Operations Management
Shahrubudin et al, 2019. An Overview on 3D Printing Technology: Technological, Materials, and Applications.
129
Referencias bibliográficas
Shadur et al. 1995; Factors Predicting Employees' Approval of Lean Production. ADLER, P. S. Time-and-motion
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
Shmueli, G., Ray, S., Velasquez Estrada, J.M., Chatla, S.B., 2016. The elephant in the room: Predictive
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
Spath et al, 2013. Produktionsarbeit der Zukunft –Industrie 4.0. Fraunh ofer-Institut Furarbeith wirths chaft und
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
Sugimori Y, Kusunoki K, Cho F, Uchikawa S. 1977. Toyota Production System and kanban system
15(6), 553-564.
Streukens, S., & Leroi-Werelds, S. (2016). Bootstrapping and PLS-SEM: A step-by-step guide to get more out
Takeda, 2006. Method and program of collecting performance data for storage network. Performance evaluation
Talavera, 2004. Development and validation of TQM constructs. Gadjah Mada International Journal of Business
Tarn et al, 2002. Exploring the rationales for ERP and SCM integration. Industrial Management & Data Systems.
130
Referencias bibliográficas
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
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
Van Brussel et al, 1998. Reference architecture for holonic manufacturing systems: PROSA. Computers in
Veres et al, 2018. Case study concerning 5S method impact in an automotive company. Procedia Manufacturing
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
Ward & Zhou. 2006. Impact of Information Technology Integration and Lean/Just-In-Time Practices on Lead-
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
Werts, C. E., Linn, R. L., & Jöreskog, K. G. (1974). Interclass reliability estimates: testing structural assumptions.
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
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
Referencias bibliográficas
Womack, 1990. The machine that changed the world: The story of lean production--Toyota's secret weapon in
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