>Mario Vega Gutirrez-Programacin en ambientes make-to-design-Octubre 2011<

Programacin en ambientes make-to-design

Tamaos de buffer de tiempo a partir de una distribucin Weibull
Mario A. Vega Gutirrez, Estudiante de Ingeniera Industrial, Universidad de Costa Rica

AbstractScheduling on environments make-to-design has been a challenge in manufacturing systems, due to the existing customization in the final products. In this paper we present an analysis methodology to Critical Chain Project Management (CCPM), which solves the problems and obstacles in companies with multi-project environments, but does not consider different distributions times than normally studied. First, environments make-to-design are described, and then the article continues with an explanation of CCPM. Then comes a brief description of the Weibull distribution, to compare the effectiveness of CCPM for such distribution. Finally, validation is performed from a sample project and sets out the respective conclusions. Palabras ClaveMake-to-design, Cadena crtica, ambiente multi-proyectos, dsitribucin Weibull

ResumenLa programacin en ambientes make-to-design ha sido un reto en los sistemas de manufactura, debido a la personalizacin existente en los productos finales. En este artculo, se presenta un anlisis realizado a la metodologa Critical Chain Project Management (CCPM), la cual resuelve los problemas y obstculos en empresas con ambientes multiproyectos, pero que no considera tiempos con distribuciones distintas a las de estudio normal. Inicialmente se describen los ambientes make-to-design, para luego continuar con una explicacin de CCPM. Luego se procede a hacer una breve descripcin de la distribucin Weibull, para luego comparar la eficacia de CCPM para dicha distribucin. Finalmente se realiza la validacin a partir de un ejemplo de proyecto, y se establecen las conclusiones respectivas. Palabras ClaveMake-to-design, Cadena crtica, ambiente multi-proyectos, dsitribucin Weibull

I.

INTRODUCCIN

oy en da los sistemas de manufactura se enfrentan a una serie de retos, motivados principalmente por los avances tecnolgicos y complejidad de los productos, a partir de la presencia de clientes ms exigentes en el mercado. Un cliente se siente satisfecho si logra obtener un producto que necesita a un precio razonable, mientras que estar maravillado si logra obtener un prodcuto que se encuentre personalizado con respecto a sus necesidades

individuales [1]. De aqu que los sistemas utilizados actualmente se ajusten a esta tendencia, a partir de una nueva serie de modelos y estrategias orientadas al diseo puntual antes que la produccin en masa. Es aqu donde surge el concepto de make-to-design en la manufactura (tambin conocido como engineer-to-order), donde el prodcuto est diseado especialmente para un cliente [2]. La planificacin respecto a este concepto suele ser complicada por el hecho que se puede establecer lo que se requiere producir nicamente hasta que se recibe una orden del cliente con las especificaciones correspondientes. Las empresas que laboran bajo una estrategia make-todesign por lo general manejan una serie de rdenes y no se dedican exclusivamente a la realizacin de un nico pedido, es decir, se caracterizan por trabajar en un ambiente multiproyectos. En este tipo de sistemas, el principal problema que se presenta es que los recursos disponibles se comparten a lo largo de una gran cantidad de poryectos que se desarrollan simultneamente [3]. Sin embargo, esto no es algo fcil de lograr, ya que esta forma de produccin conlleva una serie de obstculos e implicaciones que pueden llegar a ser difciles de manejar. Uno de los principales problemas son los costos, ya que el costo para productos personalizados es mayor que para productos genricos o estndar [1]. La solucin que ha sido utilizada por estas empresas para resovler este problema es la que presenta Cadenas Crticas, trmino que deriva de las Teora de Restricciones propuesta por Goldratt [5]. Una cadena crtica se define como la cadena ms larga (no camino) de actividades dependientes, donde dependientes se refiere a recursos y la utilizacin de los mismos a lo largo de actividades y proyectos, al igual que la secuencia y dependencias lgicas de las actividades mismas [6]. Para esto, se da una asignacin de tiempos de buffer, con el fin de proteger a todo el proyecto, a partir de los tiempos reales de y tiempos de seguridad para cada una de las actividades dentro de la cadena. Sin embargo, esta asignacin de tiempos est delimitada haciael supuesto que los tiempos de las actividades siguen una distribucin normal, triangular o inclusive una distribucin beta [20]. Esto debido a la falta de relaciones matemticas dinmicas para la asignacin de tamao del buffer, lo que a la postre podra generar la prdida de oportunidades comerciales [7]. Es en este punto donde surge el objetivo de la presente investigacin, con el fin de establecer una solucin similar a la

>Mario Vega Gutirrez-Programacin en ambientes make-to-design-Octubre 2011< ofrecida por el mtodo de Cadenas Crticas, para aquellas empresas en las que sus tiempos de actividad se ajusten a otra distribucin. Para esto, se analiz una investigacin hecha para tiempos con una distribucin lognormal [7], que es otra distribucin derivada de la normal. Con esta base terica, se dirgi el enfoque especficamente a una distribucin Weibull. Esto debido a que datos relacionados con tiempo normalmente adoptan la forma de dicha distribucin[8]. El desarrollo de la investigacin inicia con un revisin terica del conocimiento actual sobre los temas de make-todesign y Critical Chain Project Management, adems de una resea sobre la distribucin Weibull y sus diferentes parmetros. Posteriormente se expone la propuesta sobre la estimacin de buffer de tiempo para la distribucin mencionada, adems de su validacin. Finalmente se analizan los resultados, y se establecen las conclusiones pertinentes. II. AMBIENTES MAKE-TO-DESIGN Como se mencion anteriormente, en empresas relacionadas con la estrategia make-todesign, la produccin se basa en requerimientos especficos del cliente, por lo que cada orden normalmente es nica. En general, dichas empresas se caracterizan por [4]: Complejidad de los productos Grado de especificidad del cliente Secuencia y complejidad del proceso de produccin Caractersticas del mercado y de los competidores Estas caractersticas se combinan en distintos grados, segn sea la naturaleza de la empresa y productos ofrecidos por la misma. Entre mayor sea la complejidad del producto, especificidad del cliente, complejidad del procesos y cantidad de competidores en el mercado, mayor ser la dificultad de la planificacin de proyectos en las mismas, generando problemas en actividades con recursos compartidos, dando como resultado atrasos en la mayora de proyectos desarrollados en las empresas. Es decir, el problema al que se enfrenta este sistema es el de elaborar productos altamente personalizados, alcanzando la eficiencia de la produccin en masa [9]. Para controlar y describir este sistema se utilizan los parmetros de dinmica, incertidumbre y complejidad [4]: Dinmica: Se refiere a la capacidad de poder anticipar fluctuaciones considerables en la mezcla y volumen de ventas, tanto para mediano como para corto plazo. Al estar la produccin impulsada por las rdenes especficas de los clientes, es muy difcil pronosticar dichas fluctuaciones [10]. Por lo tanto, al formar esto parte inevitable de los procesos, es necesario que estos presenten flexibilidad, que sera la capacidad de fabricar ms de un producto en la misma lnea de produccin, a partir de los mismos recursos [4], [11]. Incertidumbre: En relacin con lo anterior, se refiere a la dificultad de predecir las especificaciones que solicitar el cliente, y por lo tanto los recursos a utilizar y la secuencia de procesos que seguir la orden [4].

Complejidad: Es en este punto donde la naturaleza multi-proyecto de estas empresas agrega complejidad al sistema, en trminos de la programacin y la identificacin de los cuellos de botella que pudiesen aparecer. [4]. Llegando a controlar y gestionar los aspectos mencionados anteriormente, es como las empresas make-to-design logran eliminar problemas de eficiencia en sus procesos, lo que da como resultado clientes satisfechos, no solo por el grado de personalizacin del producto, sino tambin por el alto nivel de servicio mostrado por la empresa. Esto, a partir del cumplimiento de tiempos de entrega y de las especificaciones solicitadas por el cliente. III. CRITICAL CHAIN PROJECT MANAGEMENT Critical Chain Project Management (CCPM) es una metodologa de gestin de proyectos que se basa en la teora de Cadenas Crticas. Esta teora propone un mtodo nico en la forma de tratar la variabilidad dentro y a lo largo de una proyecto, de manera tal que la variabilidad se minimice y el desempeo se optimice [12]. La cadena crtica se identifica para cada uno de los diferentes proyectos, a partir del camino ms largo a travs de la red de proyectos, tomando en cuenta tanto la dependencia de actividades como la de recursos [12]. Generalmente, los problemas que se presentan en los proyectos se derivan de la administracin de los recursos, lo cual se resuelve a partir de Multitasking y Buffers de tiempo. Multitasking se refiere al hecho de desempear ms de una tarea o actividad al mismo tiempo [13]. En caso de no ser utilizado correctamente, o que este mtodo no se adapte a la naturaleza de la empresa, se puede llegar a incrementar el tiempo de elaboracin de las tareas, adems de que es necesario tomar en cuenta el tiempo que se agrega a la hora de pasar de una tarea a otra. Buffers de tiempo se refiere al tiempo utilizado para asegurar que aquellas cosas que pueden y van a salir mal, no tengan un impacto negativo en la programacin del proyecto [13]. De esta forma se intenta proteger la finalizacin del proyecto, sin embargo la dificultad se centra en el hecho de determinar la cantidad de buffer exacta, ya que si esto se hace de forma incorrecta podra causar deficiencia o desperdicio de tiempo, uno de los recursos ms valiosos en las organizaciones. El hecho de calcular la cantidad correcta de tiempo se dificulta todava ms al considerar fenmenos de comportamiento humano que tienen repercusiones sobre el tiempo destinado las diferentes actividades que se desarrollan en las empresas. Entre estos se encuentran el Sndrome del estudiante y La ley de Parkinson [21]. El primero se refiere a que sin importar el tiempo asignado al proyecto, la mayor productividad se dar con forme se acerque el tiempo de entrega del mismo. El segundo va ligado al hecho que sin importar la cantidad de tiempo que se d para realizar el proyecto, ste se va a extender para utilizar la cantidad de tiempo disponible. Critical Chain Project Management establece tres diferentes tipos de buffer para el manejo de proyectos: buffer de proyecto, buffer de alimentacin y buffer de recurso [14]:

>Mario Vega Gutirrez-Programacin en ambientes make-to-design-Octubre 2011< Buffer de proyecto: se coloca al final del proyecto para proteger al proyecto completo. Buffer de alimentacin: se coloca al final de una secuencia de tareas que entran a la cadena crtica. Buffer de recurso: a diferencia de los anteriores, es una alerta o seal que indica cuando el recurso es necesitado, y funciona como otra proteccin a la cadena crtica. Estos buffers son los que se tienen que administrar de forma correcta para una implementacin exitosa de dicha metodologa. Para la implementacin de un proceso de cadena crtica se realiza lo siguiente [15]: 1. Establecer un 50% de probabilidad de completarse para cada una de las tareas como su tiempo estimado, acortando el tiempo de actividad lo ms que se pueda. 2. La actividad inicia nicamente cuando sea necesario. 3. Resolver conflictos de recursos a partir de un balance de recursos. 4. Identificar la tarea ms larga y establecerlo como un punto clave de la cadena. 5. Establecer el buffer de proyecto al final del mismo para la proteccin de ste. 6. Establecer el buffer de alimentacin en la entrada hacia la cadena crtica. 7. Tomar las medidas necesarias, tales como el incremento de recursos a partir de nueva tecnologa para mejorar el rendimiento de la cadena crtica. IV. DISTRIBUCIN WEIBULL Como se mencion anteriormente, el inters de la presente investigacin se centra en evaluar el funcionamiento de CCPM para tiempos de actividad que se ajustan a una distribucin Weibull. Debido a esto, a continuacin se presenta una breve descripcin de dicha distribucin, con sus diferentes parmetros y dems consideraciones necesarios para la realizacin de la investigacin. Esta distribucin es utilizada en diferentes reas para describir una serie de comportamientos. En relacin con la manufactura, se utiliza normalmente para [16]: Tasas de fallo para diferentes materiales Distribucin de vida til Fractura del concreto Tiempos de actividad de humanos El ltimo uso de la distribucin es el de inters para la investigacin. La distribucin Weibull, es una distribucin compuesta por tres parmetros: el de forma (b), el de escala (k) y el de posicin (xo). El primero, define la forma que va a tomar la curva de la distribucin. El segundo parmetro establece la magnitud de la curva a lo largo del eje X. El tercero define el valor inicial de la curva de probabilidad, el cual generalmente es 0. La funcin de probabilidad se puede observar en figura 1, con diferentes valores para sus diferentes parmetros [17]:

Fig. 1 Distribucin de probabilidad Weibull, para diferentes valores de sus tres

parmetros. Tomado de [17].

Ahora, en cuanto a la funcin de probabilidad que define la figura anterior, se tiene una funcin genrica que toma en cuenta los tres parmetros, como se muestra en (1), y una funcin reducida, la cual es la utilizada en la presente investigacin, y que utiliza dos parmetros, tomando en cuenta que la posicin inicial de la curva se sita en 0, como en (2) [17]. De igual forma, se muestran las propiedades de la media (3), mediana (4) y desviacin estndar (5) [18].

(1)

(2)

(3)

(4)

(5) Donde se refiere a la funcin gamma evaluada en el valor dado para cada caso. V. PROPUESTA DEL MODELO Como se mencion anteriormente, en CCPM el tiempo estimado de ejecucin para cada actividad se obtiene asignando una probabilidad del 50% de que se complete. En trminos estadsticos, se refiere al percentil 50, que corresponde a la mediana de la distribucin. A partir de lo realizado por Fallah et al. [7] con el anlisis para una distribucin lognormal, se obtiene una expresin de la media en trminos de la mediana, a partir de (3) y (4), igualando el parmetro de escala k:

>Mario Vega Gutirrez-Programacin en ambientes make-to-design-Octubre 2011<

(6) Ahora, en cuanto al parmetro de forma b, es necesario establecer un rango en el cual la distribucin no presente un comportamiento exponencial, por lo tanto, el rango de b para el cual esto se cumple sera 2b, como se puede observar en la figura 2.
Grfica de distribucin

mayor sea la desviacin, mayor ser el riesgo de la actividad. Por lo tanto, se van a tener tres niveles de riesgo: alto (para b=2), medio (para b=3) y bajo (para b=4). Una vez establecidos los parmetros para la distribucin Weibull, se pretende realizar un anlisis para los tres niveles de riesgo descritos, a partir de la metodologa propuesta por CCPM, con el fin de establecer la eficiencia de esta con respecto a proyectos con tiempos de actividad que se ajusten a la distribucin Weibull. Se espera que para esta distribucin, los resultados no sean tan efectivos como los obtenidos para distribuciones normales. VI. VALIDACIN Para la validacin se va a utilizar el siguiente ejemplo propuesto en [7]:

Weibull, Escala=0.5, Valor umbral=0 3.0 2.5 2.0 1.5 1.0 0.5 0.0 0.0
Forma 1 1.1 1.2 1.3 1.4 1.5 2 3 4

Densidad

0.5

1.0 X

1.5

2.0

2.5

Fig. 3 Ejemplo para la validacin del modelo

Fig. 2 Variacin del parmetro de forma para una distribucin Weibull

De igual manera, a partir de la figura anterior se puede ver como al aumentar parmetro de forma b, la cruva se aproxima a la normal, por lo que se espera que para estos valores, la solucin aportada por CCPM sea satisfactoria. Fallah et al. [7] establece que generalmente, en ambientes de proyectos, en especfico, la probabilidad de terminar una actividad durante un tiempo dos veces mayor al tiempo de la mediana, debera ser una cantidad aceptable. Para la presente investigacin, se establece una probabilidad en un 0.9 Para obtener un rango ms estrecho del parmetro de forma b, se evaluaron diferentes valores de b, y a partir de la afirmacin anterior respecto a la probabilidad asociada a la mediana, se realiz una comparacin para establecer si la probabilidad de terminar la tarea es mayor a 0.9 para aquellos valores de b mayores a 2. Los resultados se resumen en la Tabla I. TABLA I VALORES DE PROBABILIDAD Y DESV. ESTNDAR b 2 3 4 5 P(X<2Mediana) 0,937 0,996 1 1 Desv. Estndar 0,232 0,162 0,127 0,105

Cada uno de los cuadros de la figura 3 representa una actividad, donde por ejemplo, el primer cuadro se refiere a la actividad M2, con una mediana de tiempo de 1 y requiere al recurso B. Como se defini anteriormente, es necesario identificar la cadena crtica, que en este caso es la compuesta por las actividades M1-M4-M8-M9-M11, esto debido a que es la cadena de mayor duracin. Por lo tanto, el buffer de tiempo del proyecto, va a ser la mitad de la suma de los tiempos de cada una de las acticvidades dentro de la cadena, que para este ejemplo en especfico sera de 9. Ahora, segn el modelo propuestom para poder obtener una probabilidad del 0.9 de cumplimiento, es necesario que el parmetro de forma b, se encuentre dentro del rango 2b4, y tomando en cuenta los timepos de actividad de la cadena propuesta, el tiempo correspondiente a dicha probabilidad para cada uno de los valores de b son:
Grfica de distribucin
0.9

Weibull, Forma=2, Escala=10.8101, Valor umbral=0 0.08 0.07 0.06

Densidad

0.05 0.04 0.03 0.02

Como se puede observar de la Tabla anterior, el rango de b se puede restringir a 2b4, ya que a partir de b=4, la probabilidad es de 1. De igual forma, se puede observar que la desviacin estndar es inversamente proporcional a b. Entre

0.01 0.00 0 16.40

Fig. 4 Tiempo para b=2

>Mario Vega Gutirrez-Programacin en ambientes make-to-design-Octubre 2011<

Weibull, Forma=3, Escala=10.1695, Valor umbral=0 0.12 0.10 0.08 0.9

Grfica de distribucin

0.06 0.04 0.02 0.00

13.43

Fig. 5 Tiempo para b=3

Grfica de distribucin

Weibull, Forma=4, Escala=9.86362, Valor umbral=0 0.16 0.14 0.12 0.9

TABLA II COMPARACIN DE RESULTADOS OBTENIDOS Desv. b k Media Estndar 2 10,810 9,580 5,008 3 10,170 9,081 3,301 4 9,864 8,940 2,508 5 9,685 8,892 2,037 6 9,567 8,875 1,720 7 9,484 8,871 1,491 8 9,422 8,873 1,316 9 9,374 8,877 1,179 10 9,336 8,882 1,069 50 9,066 8,965 0,227 100 9,033 8,982 0,114

C.V 52% 36% 28% 23% 19% 17% 15% 13% 12% 3% 1%

Densidad Densidad

0.10 0.08 0.06 0.04 0.02 0.00 0 12.15

VII. CONCLUSIONES En empresas que trabajan bajo una metodologa make-todesign, la forma de programar sus buffers de tiempo es vital para el hecho de cumplir con las fechas de entrega de los proyectos. Como se observ en el anlisis realizado, a pesar de ser una solucin que ha dado resultados en empresas multiproyectos, aquellas en las cuales los tiempos de actividad no se aproximan a una distribucin normal, no obtienen un rendimiento tan eficiente respecto a la asignacin de tiempos. Es por esto, que es necesario realizar una anlisis ms profundo al respecto, y llegar a determinar algoritmos que se adapten a cada una de las distribuciones que generalmente adoptan los tiempos de actividad. De igual forma, el efecto que tiene la variacin de los parmetros en la distribucin Weibull, qued demostrado a la hora de cambiar el parmetro de forma, y evaluar distintos valores. Como se pudo observar en la Tabla II, el coeficiente de variacin disminua al aumentar b, y al mismo tiempo se aproximaba a la solucin aportada por CCPM. REFERENCIAS [1] Smadi, H., Kamrani, A. K., & Salhieh, S. M. (2010). Systems Engineering Tools and Methods. Texas: Taylor & Francis. [2] Minguez, J., Zor, S., & Reimann, P. (2011). Event-driven Business Process Management in Engineer-to-Order Supply Chains. [3] Wright, J. (2010). Toc for Large-Scale Healthcare Systems (Chapter 32 of Theory of Constraints Handbook). McGraw-Hill Prof Med/Tech. [4] Bertrand, J., & Muntslag, D. (1993). Production control in engineer-to-order firms. 30 (31). [5] Goldratt, E. (1992). The Goal. New York: North River Press.

Fig. 6 Tiempo para b=4

Como se puede observar en las figuras anteriores, el tiempo de buffer requerido para lograr cumplir con el 0.9 de probabilidad de cumplimiento es mucho mayor al presupuestado por CCPM. Sin embargo, se logra ver una tendencia conforme aumenta b, ya que la curva empieza a asimilarse a una distribucin normal. De igual forma, en cuanto al riesgo se refiere, se observa que el valor de tiempo requerido disminuye conforme lo hace el riesgo. Sin embargo, es evidente que la solucin ofrecida por CCPM no llega a ser satisfactoria debido a la naturaleza de los datos. Para corroborar el hecho que para valores mayores de b, la aproximacin es mejor, se realiz una comparacin entre estos valores, tomando en cuenta media, mediana, desviacin estndar y coeficiente de variacin. Este ltimo se define como el cociente e la desviacin estndar y la media [19]. Los resultados se muestran en la Tabla II.

>Mario Vega Gutirrez-Programacin en ambientes make-to-design-Octubre 2011< [6] Goldratt, E. (n.d.). Goldratt: Knowledge that delivers. (Goldratt UK) Consultado en Octubre 6, 2011, from http://www.goldratt.co.uk/resources/critical_chain/index. html [7] Fallah, M., Ashtiani, B., & Aryanezhad, M. B. (2010). Critical Chain Project Scheduling: Utilizing Uncertainty for Buffer Sizing. 3 (3). [8] Den Boer, S. (2006). Six Sigma for IT Management. Amersfoort: Van Haren Publishing. [9] Yang, S., & Li, T. (2002). Agility evaluation of mass customization product manufacturing. (129). [10] Wortmann, J., & Wijingaard, J. (1985). MRP and inventories. 20 (3). [11] Rechtin, E., & Maier, M. W. (2001). The Art of Systems Architecting. California: CRC Press. [12] Hodes, D. (2006). Taming Uncertainty in the Multiproject Environment: The Critical Chain Diferrence. 1. [13] Stein, R. E. (2003). Re-Engineering the Manufacturing System. New York: Marcel Dekker. [14] Wysocki, R. K. (2011). Effective Project Management: Traditional, Agile, Extreme. Ohio: John Wiley & Sons. [15] Tian, Z., Zhang, Z., & Peng, W. (2010). A Critical Chain Based Multi-project Management Plan Scheduling Method. 7 (10). [16] Rinne, H. (2008). The Weibull Distribution: A Handbook. Chapman and Hall. [17] Breyfogle, F. W. (1992). Statistical methods for testing, development, and manufacturing. USA: Wiley-IEEE. [18] Jain, P. (2010). Wind Energy Engineering. McGraw-Hill Prof Med/Tech. [19] Anderson, D. R., Sweeney, D. J. (2008). Estadstica para administracin y economa. Cengage Learning Editores. [20] Stewart, R. D., Wyskida, R. M., Johannes, J. D. (1995). Cost estimators reference manual. Canada: Wiley-IEEE. [21] Lechler, T., Boaz, R., Stohr, E. (2005). Critical Chain: A New Project Paradigm or Old Wine in New Bottles?.17(4). Engineering Management Journal.

Mario Vega Gutirrez naci en San Jos, Costa Rica el 18 de octubre de 1990. Es estudiante de Ingeniera Industrial en la Universidad de Costa Rica desde el ao 2008. Actualmente se encuentra cursando el cuarto ao de la carrera. Entre sus inters se encuentran la logstica, ingeniera de operaciones, control estadstico de la calidad, probabilidad y estadstica, y simulacin.