⚡ electrical engineering

A Data-Driven Decision-Support Framework for Predictive Quality Management in FMCG Manufacturing

Este estudio propone y valida un marco de soporte de decisiones basado en datos que integra Six Sigma DMAIC con aprendizaje automático, pronóstico de series temporales, FMEA y SPC para permitir la gestión de calidad predictiva y reducir los defectos en la fabricación de galletas de alto volumen en el sector de bienes de consumo masivo (FMCG).

Autores originales: Silviana Hakim, Galuh Zuhria Kautzar, Andy Hardianto, Arie Restu Wardhani, Agung Dwi Cahyo

Publicado 2026-07-06

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Silviana Hakim, Galuh Zuhria Kautzar, Andy Hardianto, Arie Restu Wardhani, Agung Dwi Cahyo

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina una panadería masiva que fabrica millones de galletas cada día. En este mundo de alta velocidad, incluso un pequeño error —como una galleta ligeramente quemada o un paquete mal sellado— puede arruinar miles de productos, costándole una fortuna a la empresa y haciendo que los clientes se sientan insatisfechos.

Este artículo trata sobre un equipo de investigadores que ayudó a una de estas grandes fábricas de galletas (llamada "PT XYZ") a dejar de adivinar por qué sus galletas salían mal y empezar a predecirlo antes de que sucediera. Construyeron una "bola de cristal" para el control de calidad, pero en lugar de magia, usaron matemáticas y computadoras.

Aquí explicamos cómo lo hicieron, desglosado en pasos sencillos:

1. La forma antigua: Mirar por el espejo retrovisor

Tradicionalmente, las fábricas utilizaban un método llamado Six Sigma. Piensa en esto como un detective que solo llega después de que el crimen ha sido cometido. Ellos contaban cuántas galletas rotas encontraban al final del día, determinaban qué había salido mal e intentaban solucionarlo para el día siguiente.

El problema: Para cuando el detective descubre qué pasó, ya se han fabricado miles de galletas malas. Es reactivo, no proactivo.

2. La nueva forma: El "Copiloto Inteligente"

Los investigadores crearon un nuevo sistema que actúa como un copiloto inteligente para la fábrica. Este sistema combina el antiguo trabajo de detective (Six Sigma) con el Aprendizaje Automático (Machine Learning) moderno (programas informáticos que aprenden de patrones).

Siguieron una hoja de ruta de cinco pasos (DMAIC) para construir este copiloto:

Paso 1: Definir (¿Qué estamos buscando?)
Se preguntaron: "¿Qué hace que una galleta sea perfecta?". Identificaron los elementos "Críticos para la Calidad": la forma, el color, el empaque y la estabilidad de la máquina. Es como un chef decidiendo que el crujido y la corteza son las partes más importantes de la galleta.
**Paso 2: Medir (¿Qué tan mal estamos ahora mismo?)
Observaron los datos de la fábrica de 2024. Descubrieron que la fábrica estaba cometiendo muchos errores. Utilizando un "Diagrama de Pareto" (que es como un "sistema de votación" para problemas), descubrieron que el 90% de todas las galletas malas provenían de solo dos fuentes:
1. Problemas de empaque (53%): Los envoltorios estaban fallando.
2. Problemas de proceso (38%): El horneado o el mezclado no eran del todo correctos.
  Analogía: Es como darse cuenta de que 9 de cada 10 accidentes de auto en una ciudad ocurren en solo dos intersecciones específicas. No necesitas arreglar toda la ciudad; solo necesitas arreglar esos dos puntos.
**Paso 3: Analizar y Predecir (La "Bola de Cristal")
Aquí es donde ocurrió la magia. Alimentaron a la computadora con datos sobre la temperatura del horno, la velocidad de la cinta transportadora y la humedad.
- La prueba: Probaron diferentes modelos matemáticos para ver cuál podía adivinar mejor cuántas galletas malas se fabricarían después.
- El ganador: Un modelo llamado Regresión de Vectores de Soporte (SVR) ganó.
- Por qué importa: La relación entre la temperatura del horno y una galleta quemada no es una línea recta; es una curva. Las matemáticas simples no pueden ver la curva, pero el SVR sí puede. Es la diferencia entre un niño que adivina "se está calentando" y un meteorólogo que predice exactamente cuándo llegará una tormenta basándose en patrones de viento complejos.
Paso 4: Pronosticar (Mirar hacia adelante)
También querían saber: "¿Aumentará o disminuirá el número de galletas malas la próxima semana?".
- Probaron tres modelos de "viaje en el tiempo". El ganador fue Prophet (una herramienta de pronóstico).
- El resultado: Prophet fue el mejor para predecir tendencias a corto plazo, incluso cuando la fábrica era caótica. Es como una aplicación del clima que te dice: "Va a llover intensamente en 2 horas", para que puedas tomar un paraguas antes de mojarte.
Paso 5: Controlar (El sistema de alarma)
Finalmente, combinaron sus predicciones con un Sistema de Prioridad de Riesgos (FMEA).
- Clasificaron los problemas por nivel de peligro. ¿El mayor peligro? Cintas transportadoras desalineadas y fallos en las máquinas de sellado.
- Establecieron un sistema de alarma (Control Estadístico de Procesos) que no solo espera a que aparezca una galleta rota. En su lugar, vigila los "signos vitales" (como la temperatura) y grita: "¡Oye, la temperatura se está desviando! ¡Arréglalo ahora antes de que hagamos galletas malas!".

La gran conclusión

El artículo demuestra que no tienes que elegir entre el "control de calidad de la vieja escuela" y la "IA de la nueva escuela". Puedes mezclarlos.

Al utilizar este Marco de Soporte de Decisiones Basado en Datos, la fábrica puede:

Dejar de adivinar: Saben exactamente qué máquinas están causando más problemas.
Actuar temprano: Pueden reparar una máquina antes de que empiece a fabricar productos defectuosos, en lugar de limpiar el desastre después.
Ahorrar dinero: Menos desperdicio significa más ganancias.

En resumen: Los investigadores convirtieron una fábrica que constantemente estaba "intentando alcanzar" a las galletas rotas en una que puede ver el futuro y solucionar los problemas antes de que ocurran. No solo encontraron las galletas rotas; construyeron un sistema que evita que las galletas se rompan en primer lugar.

Resumen Técnico: Un Marco de Soporte a la Decisión Basado en Datos para la Gestión de Calidad Predictiva en la Fabricación de FMCG

Planteamiento del Problema
En el sector de los Bienes de Consumo Masivo (FMCG), particularmente en la fabricación de galletas de alto volumen, mantener una calidad de producto constante se ve obstaculizado por interacciones de procesos complejos, un alto rendimiento y perturbaciones operativas. Si bien la metodología Six Sigma DMAIC (Definir–Medir–Analizar–Mejorar–Controlar) es ampliamente adoptada para reducir defectos, su aplicación tradicional es predominantemente retrospectiva y reactiva. Esta depende del análisis de datos históricos y de la evaluación post-producción, lo que limita la capacidad de los gerentes para anticipar problemas de calidad emergentes en tiempo real. En consecuencia, existe una brecha en la integración de la analítica predictiva de manera holística a lo largo de todo el ciclo DMAIC para apoyar la toma de decisiones con visión de futuro en entornos de producción dinámicos.

Metodología
Este estudio propone y valida un marco de soporte a la decisión basado en datos que integra Six Sigma DMAIC con aprendizaje automático (ML), pronóstico de series temporales, Análisis de Modo y Efecto de Fallas (FMEA) y Control Estadístico de Procesos (SPC). La investigación se realizó como un estudio de caso industrial en PT XYZ, un fabricante de galletas de alto volumen en Indonesia, centrándose en la "Línea 6", la cual presentaba pérdidas de calidad recurrentes.

La metodología siguió cinco etapas analíticas:

Definir y Medir: Se identificaron los parámetros Críticos para la Calidad (CTQ) (p. ej., estructura del producto, integridad del empaque) mediante el mapeo SIPOC. La capacidad base del proceso se cuantificó utilizando Defectos por Millón de Oportunidades (DPMO) y niveles Sigma. El análisis de Pareto se utilizó para identificar las categorías de defectos dominantes.
Modelado Predictivo (Regresión): Para modelar la ocurrencia de defectos en función de las variables del proceso (p. ej., temperatura del horno, velocidad de la cinta transportadora, humedad), se evaluaron tres modelos de regresión: Regresión Lineal Múltiple, Regresión Ridge y Regresión de Vectores de Soporte (SVR). El preprocesamiento de datos implicó el manejo de valores faltantes y la exclusión de identificadores temporales para evitar el filtrado de datos (leakage). El ajuste de hiperparámetros se realizó mediante GridSearchCV, y el rendimiento se evaluó a través del Error Cuadrático Medio (MSE) y $R^2$ .
Pronóstico de Series Temporales: Para proyectar tendencias de defectos a corto plazo, se re-muestrearon e interpolaron los datos de producción diaria. Se probaron tres modelos de pronóstico: ARIMA, Prophet y Suavizamiento Exponencial. La selección del modelo se basó en el Error Cuadrático Medio (RMSE), el Error Absoluto Medio (MAE) y el Error Porcentual Absoluto Medio (MAPE).
Analizar y Mejorar (Priorización de Riesgos): Las causas raíz se diagnosticaron mediante diagramas de Ishikawa y la importancia de las características derivadas de ML. Estos hallazgos se tradujeron en acciones priorizadas utilizando FMEA para calcular los Números de Prioridad de Riesgo (RPN).
Control: El marco integró gráficos de SPC (X̄–R) con salidas predictivas basadas en ML para permitir la detección temprana de desviaciones antes de que excedieran los límites de control convencionales.

Resultados Clave

Distribución de Defectos: El análisis de los datos de producción de 2024 (372 observaciones, ~26.4 millones de kg de producción) reveló que los defectos de empaque (53.6%) y los defectos relacionados con el proceso (37.89%) representaron colectivamente más del 91% de las pérdidas totales de calidad.
Desempeño de la Regresión: Entre los modelos de regresión, la Regresión de Vectores de Soporte (SVR) demostró un desempeño predictivo superior en comparación con los modelos lineales. Esto indica que la relación entre las variables clave del proceso y la ocurrencia de defectos es inherentemente no lineal.
Desempeño del Pronóstico: En el pronóstico de series temporales, el modelo Prophet logró las tasas de error más bajas (RMSE: 3.12; MAPE: 2.45), superando a ARIMA y al Suavizamiento Exponencial en la captura de cambios de tendencia y fluctuaciones irregulares dentro del entorno de producción dinámico.
Priorización de Riesgos: El FMEA identificó la desalineación de la cinta transportadora (RPN 280) y las fallas de sellado del empaque (RPN 270) como los modos de falla de mayor riesgo, proporcionando una base estructurada para la asignación de recursos.

Significancia y Contribuciones
El artículo reclama tres contribuciones primarias a la ciencia de la gestión y a la literatura de la Calidad 4.0:

Extensión Metodológica: Extiende Six Sigma de una metodología de mejora reactiva a un sistema de soporte a la decisión predictivo, integrando modelos analíticos (regresión, pronóstico) directamente dentro de la estructura DMAIC.
Operacionalización de la Analítica Predictiva: Demuestra cómo el ML y el pronóstico pueden operacionalizarse de manera práctica para apoyar la toma de decisiones gerenciales en la fabricación de alto volumen, yendo más allá de la clasificación aislada de defectos hacia un marco unificado.
Marco Escalable: Proporciona evidencia empírica de un enfoque escalable que integra la predicción, el pronóstico y la priorización basada en riesgos (FMEA) con el monitoreo continuo (SPC).

Limitaciones y Alcance Futuro
Los autores reconocen modestamente que el estudio se basa en datos históricos agregados de una sola instalación durante un año, lo que puede limitar la generalización. Los modelos actualmente carecen de la integración de sensores en tiempo real para un control de bucle cerrado autónomo. Se sugiere como investigación futura extender el marco a múltiples sitios, integrar datos de IoT en tiempo real para la actualización continua de los modelos y evaluar los impactos económicos a largo plazo. El estudio no pretende haber resuelto todos los problemas de calidad, sino que ofrece un mecanismo estructurado para la identificación temprana de riesgos de defectos y una intervención más oportuna.

1. La forma antigua: Mirar por el espejo retrovisor

2. La nueva forma: El "Copiloto Inteligente"

La gran conclusión

Resumen Técnico: Un Marco de Soporte a la Decisión Basado en Datos para la Gestión de Calidad Predictiva en la Fabricación de FMCG

Más como este