Application of multivariate techniques to productivity indicators derived from the simulation of production processes at a dairy company
Article Sidebar
Main Article Content
Abstract
The objective of this research is to model and analyze production processes in the food industry, specifically in the manufacture of dairy products, using multivariate statistical techniques. The multivariate techniques MANOVA and PERMANOVA compare groups with multiple dependent variables. Productivity indicators evaluate efficiency and performance, facilitating improvements and strategic decisions. Simulation optimizes processes, reducing costs and improving efficiency through accurate analysis and predictions. To this end, the unit operations of the fruit yogurt production process were identified and documented, developing a structured database with the processing times for each process. The integrity of the database was validated, imputing 3.3% of the missing data using the KNN method, and the absence of outliers was verified using Mahalanobis distance. The analysis of the execution times determined the most appropriate probability distributions for each process, with validation using the Chi-square goodness-of-fit test. The simulation process was validated using a Student's t-test, comparing the actual process with the simulated one, which ensured its representativeness. Subsequently, improvement scenarios were simulated using FlexSim software and Lean Manufacturing techniques (TPM, 5S, Poka Yoke, and muda elimination), evaluating the impact on production times and the quantity of finished products. The results were analyzed using the PERMANOVA method, given that the assumptions of normality, homoscedasticity, and independence for MANOVA were not met. The analyses revealed statistically significant differences between the simulation scenarios, with the 5S scenario standing out as the most efficient in reducing production time and increasing the number of products. The model explained 44% of the variability in the results, highlighting the effectiveness of the 5S methodology in optimizing the process.
Downloads
Article Details
Section
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Authors retain the copyright of their works and grant the journal IDEAS the right of first publication. Articles are published under the Creative Commons Attribution–NonCommercial–NoDerivatives 4.0 International License (CC BY-NC-ND 4.0), which allows reading, downloading, copying, distributing, and sharing the content for non-commercial purposes, provided that proper credit is given to the author(s) and the original publication in the journal, without making modifications or creating derivative works. The journal IDEAS does not charge fees for submission, processing, or publication of manuscripts and guarantees open access to its contents.
How to Cite
References
R. Ramirez, “Herramientas y técnicas de mejora de la calidad en la industria de alimentos latinoamericana y su aporte a la competitividad organizacional,” Artículo de grado, Fundación Universidad de América, p. 8, 2022.
E. Acosta, F. Chiodi, M. Fernandez, and A. F. J. Tcach, “Etapas de validación y verificación en la construcción de modelos para la simulación de procesos industriales,” pp. 1–8, 2016.
H. Patiño, “Evaluación de la productividad organizacional,” Gestión de indicadores e índices, 2024.
I. M. L. V. and J. M. A. Pacheco, “Impacto de los indicadores de productividad en la gestión,” Universidad del Zulia, vol. 39, no. 101, pp. 567–581, 2022.
R. M. F. M. V. J. P. N. O. and G. S. E. C. M. R., “Modelación y simulación de procesos en la intensificación de instalaciones en la industria química,” Revista de Ciencia Tecnología e Innovación Innova, vol. 2, no. 2, pp. 22–36, 2020.
J. Bautista, “Evolución de los softwares de simulación para el diseño y construcción en la industria,” Polo del Conocimiento: Revista científico-profesional, vol. 5, no. 8, pp. 1332–1343, 2020.
G. M. A. and E. A. H. Morales, Análisis multivariante de datos. México: Comercial Grupo ANAYA, SA, 2021.
J. B. Vertti, Análisis multivariado. México: Universidad Autónoma de Aguascalientes, 2019.
K. R. C. R. N. G. P. J. Somerfield, “Análisis de similitudes (anosim) para diseños de dos vías utilizando una estadística anosim generalizada, con notas comparativas sobre el análisis de varianza multivariado permutacional (permanova),” Austral Ecology, vol. 46, no. 6, pp. 887–1007, 2021.
J. M. N. P. N. O. J. Vargas, “Aplicación de la técnica multivariada manova a dos variables de control provenientes de tres modelos de simulación estocásticos de un proceso productivo,” Entre Ciencia y Tecnología, vol. 14, no. 28, pp. 66–75, 2020.
J. A. R. M. G. D. Valverde, Indicadores logísticos en un modelo simulado de la industria farmacéutica. Huacho: Universidad Nacional José Faustino Sánchez Carrión, 2024.
Z. J. J. H. M. H. S. and F. Villanueva, “Diseño de un sistema de surtimiento de materiales bajo principios esbeltos y de manufactura 4.0 usando simulación de eventos discretos,” Pistas Educativas, vol. 42, no. 138, pp. 1–17, 2022.
C. V. B. I. and P. A., “Simulación de mejoras en el sistema productivo de una curtiembre basada en el mapeo de su cadena de valor,” Scientia Et Technica, vol. 25, no. 3, pp. 394–415, 2020.
R. O. S. G. J. G. C. J. J. C. P. S. J. F. A. and A. Natividad, “Manufactura esbelta con simulación dinámica estocástica para el incremento de la productividad, línea de nuggets empresa avícola,” Revista de Investigación Científica, vol. 5, no. 2, pp. 139–153, 2019.
L. Freire, “Tratamiento de falta de información en técnicas de minería de datos,” Granada, 2023.
L. G. D. Monroy, Estadística multivariada: Inferencia y métodos. Bogotá: Proceditor Ltda, 2017.
G. A. R. Duque, “Revisión y perspectivas para la construcción de bases de datos robustas y con datos faltantes: caso aplicado a la información financiera,” Tecnura, vol. 27, no. 75, pp. 14–37, 2023.
L. Y. D. Turco, “Mejora de la predicción en tareas de aprendizaje automático supervisado: imputación de valores perdidos,” Andalucía, España, 2021.
J. Lorenzo, “Distancias de mahalanobis,” Argentina, 2019.
——, “Distancia de mahalanobis,” 2019.
M. A. D. Martínez, R. Z. Cruz, and R. V. R. Salinas, “Simulación con flexsim, una nueva alternativa para la ingeniería hacia la toma de decisiones en la operación de un sistema de múltiples estaciones de prueba,” Científica, vol. 22, no. 2, pp. 97–104, 2018.
A. C. B. Cepeda, “Bondad de ajuste para datos redondeados,” México, 2021.
K. D. O. S. and J. C. C. Vélez, Bioestadística aplicada a investigaciones científicas en la salud. Quito: Ediciones Mawil, 2022.
M. R. David, G. C. Antonio, and G. L. Eva, Fundamento de la ciencia de datos. España: Universidad de Alcalá, 2021.
A. R. M. Rodríguez, “Métodos alternativos ante la violación de supuestos en diseños de experimentos factoriales,” Anales Científicos, Universidad Nacional Agraria La Molina, vol. 82, no. 2, pp. 318–335, 2021.
P. L. L. B. J. C. C. and B. C. Grollemund, “Las pruebas permanova y el modelado log-normal de poisson revelan cómo se distinguen dos quesos tradicionales mediante tareas de clasificación y verbalización,” Food Quality and Preference, vol. 104, 2023