La fábrica que tropezó con una hoja de papel

Por qué los modelos estocásticos pueden encontrar lo que la intuición gerencial no alcanza a ver

En una planta industrial, el culpable más convincente suele ser el que hace más ruido.

Puede ser una prensa que golpea el metal con la cadencia de un enorme corazón mecánico. O un brazo robótico que se detiene durante unos segundos y obliga a mirar el tablero de control. Tal vez sea una máquina antigua, de esas que todos conocen por nombre y a la que se atribuye cada demora con la familiaridad reservada para un pariente problemático.

En cierta operación industrial —mantendremos en reserva el nombre de la empresa y de las personas— había suficientes candidatos. El proceso incluía 22 pasos. Había equipos, operadores, inspecciones, movimientos de materiales y decisiones humanas. Cuando el tiempo total se alejaba de lo esperado, la explicación parecía obvia: alguna pieza de tecnología debía estar frenando la línea.

Pero no era una máquina. Era un documento.

Un registro que debía completarse, revisarse y firmarse acumulaba más incertidumbre que los equipos del proceso. Una prensa puede tener un ciclo ligeramente más corto o más largo, pero su movimiento está limitado por la física. Un documento, en cambio, puede esperar una firma, regresar por un dato incompleto, quedar atrapado en una bandeja o detenerse porque la persona indicada está atendiendo otra urgencia.

La máquina era visible. El retraso administrativo no.

Esta diferencia explica por qué tantos problemas industriales sobreviven incluso en organizaciones repletas de experiencia. No siempre buscamos la causa más influyente. Con frecuencia perseguimos la causa más imaginable.

La necesidad de fabricar una explicación

Cuando un proceso falla y no existe una causa evidente, se produce un vacío incómodo. El equipo necesita responder al cliente, la gerencia necesita un plan y el ingeniero necesita una hipótesis. Bajo esa presión, cualquier relato coherente comienza a sentirse como evidencia.

Entonces aparecen las explicaciones instantáneas: “fue el operador”, “la máquina ya está vieja”, “seguramente cambió el material” o “el turno de noche siempre tiene problemas”. Ninguna de estas posibilidades es absurda. El peligro está en confundir una posibilidad plausible con una causa demostrada.

La mente humana es una extraordinaria constructora de historias. Encuentra protagonistas, intenciones y relaciones aun cuando solo dispone de coincidencias. Esa capacidad nos ayuda a navegar el mundo, pero también puede convertir una anomalía en una cacería de culpables.

Applied Statistical Engineering —el enfoque ASE® de Blackberry & Cross— parte de una disciplina menos seductora: antes de explicar el sistema, hay que representarlo. Y antes de afirmar qué ocurrirá, hay que reconocer cuánto puede variar.

No se trata de renunciar al criterio experto. Se trata de obligarlo a convivir con la evidencia.

La fantasía del reloj perfecto

Buena parte de la administración industrial todavía se apoya, sin declararlo, en una imagen mecánica del mundo. Si conocemos las entradas y dominamos el proceso, pensamos, deberíamos obtener siempre la misma salida. Doscientos operadores, cierto número de máquinas y ocho horas disponibles tendrían que producir una cantidad exacta de unidades.

Ese razonamiento es determinístico: una entrada definida conduce a una salida única.

Funciona magníficamente para una fórmula contable y para ciertos fenómenos físicos bien delimitados. Sin embargo, una fábrica no es una fórmula aislada. El material cambia, las personas aprenden o se fatigan, la temperatura oscila, un proveedor llega tarde y una autorización tarda más de lo normal. Incluso un proceso estable contiene variación.

El error no consiste en establecer una meta. Consiste en tratar la meta como si fuera una profecía.

Un modelo estocástico cambia la pregunta. En lugar de preguntar “¿cuánto produciremos?”, pregunta “¿qué resultados son posibles, con qué frecuencia y bajo qué condiciones?”. La respuesta ya no es un solo número, sino una distribución de resultados.

A muchos gerentes los intervalos les parecen una señal de debilidad. Quieren 500 unidades, no una conversación sobre la probabilidad de producir entre 430 y 490. Sin embargo, el rango no introduce la incertidumbre: la revela. La incertidumbre ya estaba en la planta, aunque la hoja de cálculo la ocultara.

Un intervalo honesto permite decidir inventarios, capacidad, promesas de entrega y planes de contingencia. Un número excesivamente preciso solo permite sorprenderse más tarde.

Tres maneras de hacer hablar a un sistema

¿Cómo se construye una representación útil de una operación compleja? El material de ASE® plantea tres rutas complementarias.

La primera es aprender de la historia. El machine learning puede detectar relaciones difíciles de ver cuando existen datos suficientes, relevantes y confiables. Su poder, sin embargo, depende de la experiencia registrada. En una línea nueva, ante una falla inédita o después de un cambio tecnológico profundo, el pasado quizá no represente bien el futuro.

La segunda ruta es crear evidencia mediante diseño de experimentos. Un DOE modifica deliberadamente factores para observar su efecto sobre una respuesta. Es una forma rigurosa de interrogar al proceso. Puede ser extraordinariamente revelador, pero en producción tiene un costo: requiere tiempo, material, coordinación y, algunas veces, alterar temporalmente la operación.

La tercera ruta es la simulación. Aquí no se espera a que cada escenario ocurra en la realidad ni se interviene necesariamente la planta. Se construye un laboratorio matemático donde el sistema puede ensayarse miles de veces sin desperdiciar una sola pieza.

Estas rutas no compiten por una corona. Responden a situaciones distintas. Los datos históricos ayudan a reconocer patrones; los experimentos permiten establecer relaciones con mayor fuerza causal; la simulación permite explorar escenarios, propagar incertidumbre y anticipar consecuencias. Una organización madura sabe cuándo combinar las tres.

Las tres preguntas que rescatan una simulación

La palabra simulación puede sugerir un gemelo digital sofisticado, sensores en cada estación y años de información impecable. En ocasiones eso existe. Con frecuencia, no.

Aquí aparece una herramienta modesta: la distribución triangular.

Para aproximar el tiempo de una operación, el analista puede comenzar con tres preguntas dirigidas a quienes conocen el trabajo de primera mano:

1. ¿Cuál sería un tiempo razonablemente mínimo si todo marcha bien?
2. ¿Cuál es el tiempo más frecuente en condiciones habituales?
3. ¿Cuál sería un máximo razonable cuando aparecen dificultades?

Esos tres valores no convierten una opinión en verdad. Convierten conocimiento operativo disperso en una hipótesis cuantitativa que puede discutirse, probarse y actualizarse. La distribución asigna mayor peso a los valores cercanos al más frecuente, pero conserva la posibilidad de resultados próximos a los extremos.

Después entra Monte Carlo. La simulación toma un valor posible para cada etapa del proceso, calcula el resultado del sistema completo y repite el ejercicio miles de veces. Cada ejecución representa una combinación diferente de circunstancias. Al final no entrega una jornada imaginaria perfecta, sino un mapa de futuros plausibles.

De esas ejecuciones surge una medida útil: la proporción de escenarios que satisface el requisito. En otras palabras, el modelo estima con qué frecuencia el proceso completo cumpliría lo prometido si la variación descrita se manifestara una y otra vez.

La sencillez de la distribución triangular es una ventaja y también una advertencia. Si los tres valores fueron elegidos con exceso de optimismo, la simulación amplificará ese optimismo con impresionante velocidad. Por eso los supuestos deben contrastarse con observaciones, revisarse con operadores y someterse a análisis de sensibilidad. Simular diez mil veces una premisa débil no la convierte en una premisa sólida.

El día en que el papel derrotó al acero

En el proceso de 22 pasos, asignar una distribución a cada operación cambió la perspectiva. Ya no se sumaron únicamente tiempos promedio. Se observó cómo la variabilidad de una etapa interactuaba con la siguiente y cómo pequeñas demoras podían acumularse.

La simulación permitió estimar el rendimiento global del modelo y explorar qué componentes explicaban más la dispersión del resultado. Entonces apareció el hallazgo inesperado: la preparación del Device History Record, el expediente de fabricación utilizado en la industria de dispositivos médicos, aportaba más variabilidad que las operaciones mecánicas que dominaban el paisaje de la planta.

El resultado importa por una razón que va más allá del caso. Si el equipo hubiera seguido solo su intuición, podría haber acelerado máquinas, reasignado operadores o recomendado una inversión de capital. Todas esas acciones habrían producido movimiento. Ninguna garantizaba reducir la principal fuente de demora.

El modelo no eliminó la necesidad de investigar. Hizo algo más valioso al principio: indicó dónde valía la pena hacerlo.

También corrigió un sesgo frecuente. Las organizaciones suelen medir con detalle el flujo de materiales y tratar el flujo de información como si fuera instantáneo. Pero una pieza puede terminar físicamente antes de estar liberada documentalmente. Desde la perspectiva del cliente, el producto no está listo hasta que ambos flujos concluyen.

La fábrica real incluye las máquinas y las decisiones, las herramientas y las firmas, el acero y el papel.

Cinco cambios para dirigir en un mundo variable

El pensamiento estocástico no es únicamente una técnica de análisis. Implica una forma distinta de administrar.

Primero, sustituir los promedios aislados por distribuciones. El promedio describe el centro, pero no muestra la amplitud, la asimetría ni los eventos poco frecuentes que pueden destruir un compromiso de entrega.

Segundo, modelar antes de invertir. Una simulación preliminar puede evitar que la empresa compre velocidad donde en realidad necesita reducir esperas, simplificar aprobaciones o mejorar el flujo de información.

Tercero, incorporar los procesos administrativos. Firmas, liberaciones, revisiones y transferencias de datos forman parte del tiempo total, aunque no aparezcan en el plano de la línea.

Cuarto, convertir la experiencia del operador en una entrada verificable. Preguntar por mínimos, valores frecuentes y máximos reconoce el conocimiento práctico sin declarar que ese conocimiento es infalible.

Quinto, tratar el modelo como una herramienta viva. Sus supuestos deben compararse con la realidad y ajustarse conforme aparecen datos. Un modelo útil no es un monumento terminado; es una conversación disciplinada entre la expectativa y la observación.

Aprender a mirar lo que no hace ruido

Tal vez el aporte más profundo de los modelos estocásticos no sea la capacidad de producir miles de escenarios en segundos. Es la humildad que introducen en una sala de decisiones.

Nos recuerdan que el resultado más probable no es el único posible; que una causa llamativa no es necesariamente una causa importante; y que la variación no representa siempre incompetencia o pérdida de control. En muchos sistemas, es una propiedad inevitable que debe conocerse antes de poder gestionarse.

Volvamos a la planta. Las máquinas siguen golpeando, girando y emitiendo señales. Todo en ellas exige atención. En algún escritorio, mientras tanto, un documento espera.

La intuición mira hacia el ruido.

El modelo pregunta cuánto tiempo lleva esperando el papel.

---

Artículo original desarrollado a partir de los conceptos del material “Vencer el caos industrial con modelos estocásticos”, perteneciente al programa Applied Statistical Engineering (ASE®) de Blackberry & Cross. Los casos se presentan sin identificar clientes ni personas. Más información en blackberrycross.com.

Nota de originalidad: este artículo reorganiza, amplía y reformula las ideas del material fuente mediante una estructura y una redacción nuevas. No reproduce pasajes del anexo ni intenta imitar literalmente la voz de ningún autor contemporáneo.