Machine Translated by Google
En t. J. Economía de la producción 231 (2021) 107883
Listas de contenidos disponibles en ScienceDirect
Revista Internacional de Economía de la Producción
página de inicio de la revista: http://www.elsevier.com/locate/ijpe
Un modelo de madurez difuso de la industria 4.0 basado en reglas para operaciones y gestión
de la cadena de suministro
´
b
a
C
a
Rodrigo Goyannes Gusmao
˜ Caiado , Luis Felipe Scavarda , luis octavio Gaviao˜ , Paulo Ivson ,
d
Daniel Luiz de Mattos Nascimento , José Arturo Garza Reyes e,*
a
Pontificia Universidad Católica de Río de Janeiro, Tecgraf / PUC­Rio, Instituto de Desarrollo de Software Técnico­Científico, Rua Marquˆes de Sao
˜
´
Vicente, 225, Gávea,
Río de Janeiro, RJ, Brasil b
C
˜
´
Pontificia Universidad Católica de Río de Janeiro, Departamento de Ingeniería Industrial, Rua Marquˆes de Sao Vicente, 225, Gavea, Rio de Janeiro, RJ, Brasil Escola Superior de
d
Guerra (ESG), Fortaleza de Sao Luiz Alves, S/nº ­ Urca, Río de Janeiro, RJ, Brasil Joao, Av. joao
˜
˜
˜
Centros de Referencia en Tecnologías Innovadoras, Fundación CERTI, Universidad Federal de Santa Catarina Campus Universitario
´
UFSC, Sector C ­ Pantanal,
Florian´opolis
, SC, Brasil
mi
Universidad de Derby, Centro para la mejora de la cadena de suministro, Kedleston Road Campus, Derby, DE22 1GB, Reino Unido
INFORMACIÓN DEL ARTÍCULO
Palabras
ABSTRACTO
La Industria 4.0 (I4.0) tiene como objetivo vincular tecnologías disruptivas a los sistemas de fabricación, combinando operaciones
clave: Industria
inteligentes y gestión de la cadena de suministro (OSCM). Los modelos de madurez (MM) son metodologías valiosas para ayudar a las
4.0 Modelo de
organizaciones manufactureras a realizar un seguimiento del progreso de sus iniciativas I4.0 y guiar la digitalización. Sin embargo, falta
madurez Gestión de producción y operaciones
trabajo empírico sobre el desarrollo de MM I4.0 con directrices claras para la digitalización de OSCM.
Cadena de
No existe un MM I4.0 con una herramienta de evaluación que aborde la imprecisión provocada por el juicio humano y la incertidumbre
suministro Sistema basado
en reglas difusas Simulación Monte Carlo
y ambigüedad inherentes a la evaluación OSCM. Aquí desarrollamos un I4.0 MM basado en lógica difusa para OSCM, a través de un
procedimiento transparente y riguroso, construido sobre un enfoque multimétodo que comprende una revisión de la literatura, entrevistas,
grupos focales y estudios de casos, desde el diseño del modelo hasta la evaluación del modelo. Para proporcionar una evaluación más
realista, se incorporan lógica difusa y simulación Monte Carlo en una herramienta de preparación para la autoevaluación I4.0, que está
conectada con la arquitectura del modelo. El modelo propuesto ha sido validado mediante una aplicación real en una organización
manufacturera multinacional. Los resultados indican que el enfoque proporciona una herramienta de diagnóstico sólida y práctica,
basada en un conjunto de indicadores OSCM para medir la preparación digital de las industrias manufactureras. Apoya la transición
hacia I4.0 en el dominio OSCM, analizando de manera integral las brechas y prescribiendo acciones que se pueden tomar para
aumentar su nivel de madurez OSCM4.0.
1. Introducción
la conectividad y la interacción entre sistemas, personas y máquinas, lo que lleva a
sistemas de fabricación más interconectados y cadenas de suministro más integradas
Actualmente, existe un movimiento mundial para mejorar la productividad y la
(Mourtzis et al., 2019).
eficiencia en la fabricación industrial, lo que requiere repensar y cambiar la mentalidad
sobre cómo se fabrican los productos y los servicios utilizados en la cadena de suministro
Así, I4.0 ha estado impulsando una importante revolución teórica estructural para la
gestión de operaciones y cadena de suministro (OSCM).
(Koh et al., 2019). La Industria 4.0 (I4.0) representa una nueva etapa industrial de los
(Koh et al., 2019). OSCM es un vasto dominio que abarca varias áreas de conocimiento
sistemas de fabricación, integrando un conjunto de tecnologías digitales emergentes y
de los campos de gestión de operaciones (OM) y gestión de la cadena de suministro
convergentes que agregan valor a todo el ciclo de vida del producto (Frank et al., 2019).
(SCM) (Coughlan et al., 2016), contemplando diferentes y vitales engranajes en el
La transición a I4.0 trajo a la industria manufacturera nuevos estándares de producción
contexto de I4.0, como las adquisiciones. , manufactura y logística (Lamba y Singh,
descentralizada y digitalizada (Koh et al., 2019), en los que los elementos de producción
2017). Aunque recientemente ha habido un crecimiento en el reconocimiento de la
son altamente autónomos (Tortorella et al., 2019). I4.0 aumenta
importancia estratégica de OSCM en la creación de valor para los accionistas (Ding et
al., 2018), Koh et al.
* Autor correspondiente.
Direcciones de correo electrónico: rodrigocaiado@tecgraf.puc­rio.br (RGG Caiado), lf.scavarda@puc­rio.br (LF Scavarda), luiz.gaviao67@gmail.com (LO Gavi˜ ao), psantos@
tecgraf.puc­rio.br (P. Ivson), dln@certi.org.br (DLM Nascimento), J.Reyes@derby.ac.uk (JA Garza­Reyes).
https://doi.org/10.1016/j.ijpe.2020.107883 Recibido el
23 de noviembre de 2019; Recibido en forma revisada el 19 de julio de 2020; Aceptado el 20 de julio de 2020
Disponible en línea el 30 de julio de 2020
0925­5273/© 2020 Elsevier BV Todos los derechos reservados.
Machine Translated by Google
RGG Caiado et al.
Revista Internacional de Economía de la Producción 231 (2021) 107883
(2019) han señalado la falta de consideración de la investigación sobre la
con una herramienta de autoevaluación para apoyar la transición hacia I4.0 en el
disrupción de las tecnologías I4.0 en OSCM. Desde un punto de vista metodológico,
dominio OSCM; (iii) utiliza múltiples métodos de investigación para apoyar el rigor
existe consenso en que múltiples métodos de investigación son críticos para el
metódico de la construcción y aplicación del I4.0 MM, combinando FIS con
desarrollo del campo OSCM, ya que son menos susceptibles a hallazgos
indicadores; y (iv) es pionero en la aplicación de MM basado en reglas difusas con
sistemáticamente sesgados (Tangpong, 2011), lo que puede ser una forma de
enfoque probabilístico (simulación Monte Carlo) para evaluar la madurez I4.0 de
abordar los desafíos . en el contexto de I4.0.
las empresas en términos de criterios OSCM. Además, el enfoque propuesto tiene
Además, un desafío de investigación importante y difícil sobre I4.0 está
relacionado con la definición y validación de sus constructos, como la madurez de
mediante razonamiento aproximado y términos lingüísticos mediante reglas difusas
I4.0 y la preparación de I4.0 (Koh et al., 2019). La transformación I4.0 requiere
si­entonces (Zanon et al., 2019); (ii) ayuda a captar juicios de expertos basados
varias ventajas, entre ellas (i) la aplicación FIS facilita la toma de decisiones
una perspectiva amplia sobre la estrategia, la organización, las operaciones y los
en el conocimiento (Pourjavad y Shahin, 2018); (iii) proporciona una herramienta
productos de la empresa, lo que hace que los modelos de madurez (MM) sean
eficiente para enfrentar la incertidumbre de los procesos de evaluación; y (iv)
adecuados (Akdil et al., 2018). Los enfoques estructurales como MM tienen como
ofrece una solución útil y práctica para comprender, cuantificar y manejar datos
objetivo ayudar a las organizaciones proporcionando orientación integral e
vagos (Aqlan y Lam, 2015).
introduciendo una hoja de ruta para evaluar y rastrear el progreso de las iniciativas
de mejora (Asdecker y Felch, 2018). Esto permite a las partes interesadas medir
El documento está organizado en seis secciones. La Sección 2 proporciona
el estado actual y previsto de la empresa.
los antecedentes teóricos, la Sección 3 describe la metodología, la Sección 4
presenta el modelo y el desarrollo de la evaluación, la Sección 5 se centra en la
Sin embargo, algunos autores señalan problemas a la hora de evaluar la
madurez del I4.0 (Akdil et al., 2018; Schumacher et al., 2016), como la percepción
aplicación del modelo y la última sección (Sección 6) ofrece las conclusiones del
artículo.
sobre el concepto altamente complejo del I4.0; incertidumbre sobre los resultados
de los proyectos I4.0 en términos de beneficios y costos; falta de evaluación de la
capacidad I4.0 de la empresa y falta de orientación estratégica para la mejora de
2. Antecedentes teóricos
I4.0. En este sentido, falta trabajo empírico sobre el desarrollo de MM para I4.0 y
se necesitan modelos más prescriptivos y no descriptivos (Asdecker y Felch, 2018)
2.1. Industria 4.0 y digitalización
y directrices claras para ayudar a los líderes a comprender qué etapas y donde la
digitalización de la cadena de suministro debería mejorar (Büyükozkan y Goçer,
¨
¨
2018). La mayoría de los MM I4.0 carecen de una herramienta de autoevaluación
El término Industria 4.0 (I4.0) fue acuñado en 2011 por una iniciativa alemana
para desarrollar sistemas de producción avanzados con el objetivo de incrementar
para ayudar a los tomadores de decisiones a evaluar la madurez de áreas
fragmentadas de OSCM, como Fabricación o SCM, que incluyen una herramienta
la productividad y eficiencia de la industria nacional (Frank et al., 2019). No existe
una definición consensuada del término I4.0. Puede definirse como la tendencia
de evaluación de preparación (Mittal et al., 2018) . Además, la mayoría de los
modelos no tienen una estructura bien definida con prácticas, entradas y salidas y
Teuteberg, 2016), como una confluencia de tecnologías que van desde una
no soportan la arquitectura empresarial de fabricación de manera integral (Gokalp¨
variedad de tecnologías digitales (Koh et al., 2019), o como una nueva etapa o
hacia la digitalización y automatización del entorno manufacturero (Oesterreich y
et al., 2017).
paradigma para la producción industrial, centrándose en los resultados del
Por lo tanto, se requiere una evaluación I4.0/MM estructurada para OSCM.
proceso de transformación (Weking et al., 2019). I4.0 aporta innovación en tres
Además, la imprecisión y la incertidumbre son inherentes a la evaluación del
aspectos: integración horizontal, integración vertical e integración de extremo a
OSCM, ya que es, en algunos casos, cualitativa por naturaleza o incluso por falta
extremo (Meng et al., 2018). También innova modelos de negocios en el sector
de datos (Zanon et al., 2019), y hace que la toma de decisiones sea una proceso
manufacturero, principalmente debido a que proporciona un entorno transformador,
complejo (Aqlan y Lam, 2015). Los estudios sobre los MM I4.0 generalmente no
gestión del conocimiento y desarrollo de capacidades en la cadena de suministro.
abordan la imprecisión inherente que traen los aspectos intangibles del juicio
La implementación de I4.0 ha generado un nuevo entorno de trabajo en el sector
cognitivo de los gerentes y tomadores de decisiones. En este sentido, Mittal et al.
manufacturero, cambiando las habilidades tradicionales y haciendo que la
(2018) destacan la necesidad de un I4.0 MM práctico que permita una
supervivencia de los empleados dependa de su grado de adaptabilidad a los
representación más realista del mundo real. Estas características sugieren que la
nuevos requisitos laborales (por ejemplo, habilidades no técnicas y análisis de
teoría de la lógica difusa (Zadeh, 1965) puede ser apropiada, ya que aborda la
datos) (Lichtblau et al. , 2015; Sony, 2019). En este sentido, las fábricas o islas de
imprecisión e incorpora la incertidumbre del comportamiento humano en la toma
aprendizaje deben adaptarse a las nuevas competencias requeridas por la I4.0
de decisiones (Corrˆea et al., 2014), cuando se enfrentan desafíos relacionados
(Ras et al., 2017).
con la fabricación (Azadegan et al. , 2011), reduciendo la brecha entre teoría y
En la era I4.0, la digitalización se ve como la integración y optimización de la
realidad. Aunque el sistema de inferencia difusa (FIS) se ha aplicado ampliamente
información y el flujo de bienes a lo largo de la cadena de suministro (Bogner et
a problemas SCM para superar la imprecisión intrínseca en la evaluación de
al., 2016) y tiene un impacto importante en los procesos y capacidades existentes
criterios (Aqlan y Lam, 2015; Pourjavad y Shahin, 2018), hasta donde saben los
(Bienhaus y Haddud , 2018). Un elemento central de I4.0 es la digitalización
autores de este artículo, existe no I4.0 MM con una herramienta de evaluación
completa que tiene un gran impacto en los procesos y capacidades existentes
que aborda la imprecisión del lenguaje y la ambigüedad del juicio humano en el
(Erol et al., 2016). Geissbauer et al. (2016) afirman que la I4.0 está impulsada por
área OSCM. Para hacer frente a la vaguedad existente en la investigación de
la digitalización y la integración de cadenas de valor verticales y horizontales.
madurez I4.0 y minimizar las evaluaciones aproximadas que conducen a
Schuh et al. (2017) consideran la digitalización como un facilitador y un requisito
evaluaciones subóptimas, en este estudio se sugiere un enfoque FIS.
básico para alcanzar I4.0. Weking et al. (2019) afirman que I4.0 describe la
digitalización de las empresas manufactureras.
Por lo tanto, dentro del contexto I4.0 asociado a las limitaciones de los MM
En este sentido, el grado de digitalización parece la unidad de medida adecuada
actuales y los desafíos relacionados con la evaluación de OSCM, el objetivo de
para determinar su preparación para la transformación digital y la madurez I4.0.
este artículo es proponer un MM I4.0 basado en lógica difusa para OSCM siguiendo
Algunas estrategias recomendadas para las empresas que aún no han definido
un diseño de modelo de procedimiento transparente y riguroso. , incluidos los
sus objetivos de I4.0 para lograr una mayor madurez digital son (i) lean
pasos de construcción y aplicación. La investigación se basa en las etapas
management (LM) a través de procesos lean, (ii) inversión en digitalización en
ofrecidas en Becker et al. (2009) y aplica un enfoque de método de investigación
todas las áreas de la empresa, y (iii) promover el conocimiento en componentes
múltiple, según lo recomendado por Liebrecht et al. (2017), mediante la
clave y motivar a los empleados a explotar el potencial de la gestión eficiente y la
combinación de análisis de contenido, entrevistas, grupos focales y estudio de
digitalización (Pessl et al., 2017).
caso.
El documento pretende contribuir de diferentes maneras: (i) propone un
2.2. Tecnologías I4.0 en operaciones y gestión de la cadena de suministro
conjunto de indicadores OSCM para medir el puntaje de digitalización en las
organizaciones manufactureras y sus cadenas de suministro; (ii) propone un MM conectado Aunque los sistemas ciberfísicos (CPS) y el Internet de las cosas (IoT)
2
Machine Translated by Google
RGG Caiado et al.
Revista Internacional de Economía de la Producción 231 (2021) 107883
Aunque son tecnologías clave bien conocidas para esta revolución en curso, I4.0 abarca
pensar sistemáticamente en su implementación para alcanzar un mayor nivel de madurez de
numerosas tecnologías disruptivas adicionales que permiten la digitalización del sector
I4.0 (Dalenogare et al., 2018).
manufacturero (Mourtzis et al., 2019). Por ejemplo, la impresión 3D, Big Data y algoritmos
avanzados, realidad aumentada/wearables y computación en la nube (De Carolis et al.,
2.3. Fundamentos de los modelos de madurez
2017). La literatura no tiene consenso sobre cuáles son las principales tecnologías.
Los MM son un medio establecido para respaldar requisitos como evaluar la situación
Frank y col. (2019) señalan IoT, servicios en la nube y Big Data Analytics (BDA) como
actual, determinar la situación deseada y obtener posibles caminos de evolución (Becker et
tecnologías base. Koh et al. (2019) señalan que IoT, BDA, la nube, los sistemas robóticos y
al., 2009). Los MM se posicionan como una herramienta para comparar el nivel actual de una
la impresión 3D (también llamada fabricación aditiva ­ AM) son las cinco principales
organización o proceso con el nivel deseado en términos de madurez, conceptualización y
tecnologías digitales. El Apéndice A indica una descripción de un conjunto de tecnologías
medición (Schumacher et al., 2016), y se utilizan regularmente para la evaluación comparativa
que se consideran importantes para la digitalización de OSCM.
y la mejora continua (Marx et al. , 2012). Así, el concepto de madurez puede utilizarse con
fines descriptivos, prescriptivos y/o comparativos (Asdecker y Felch, 2018; Roglinger ¨ et al.,
Los beneficios esperados del uso de estas tecnologías en la industria varían, ya que
2012).
pueden mostrar sinergias e interrelacionarse para lograr un mejor desempeño en I4.0 (Frank
et al., 2019). Por ejemplo, puede existir la interrelación entre IoT, BDA, realidad virtual (VR)/
Los términos "preparación" y "madurez" son relativos y están relacionados (De Carolis
realidad aumentada (AR) y la nube para integrar y analizar datos entre fuentes y empresas,
et al., 2017). Los MM tienen como objetivo demostrar el nivel de madurez de un individuo o
que se llevan a cabo principalmente mediante la adopción de protocolos de comunicación
entidad (Gokalp ¨ et al., 2017) y ayudarlos a alcanzar un nivel de madurez más sofisticado
industrial (por ejemplo, , Arquitectura Unificada OPC).
después de un proceso paso a paso de mejora continua (Mittal et al., 2018). Las evaluaciones
de preparación son herramientas de evaluación para analizar y determinar el nivel de
Estas sinergias permiten a I4.0 desbloquear un nuevo potencial de valor a través de nuevos
preparación, actitudes y recursos, en todos los niveles de un sistema (Mittal et al., 2018),
tipos de modelos de negocio (Mourtzis et al., 2019), que están creando oportunidades
donde los modelos de preparación aclaran si la organización está lista para iniciar el proceso
interesantes en la fabricación. I4.0 también incorpora varias dimensiones inexploradas, como
de desarrollo. o no (Akdil et al., 2018).
la integración de LM para materializar el poder de I4.0 (Sony, 2019). Además, la combinación
de sensores integrados e inteligencia artificial (IA) permite sistemas de servicios de productos
Algunas de las propiedades comunes de los MM son (i) niveles de madurez; (ii)
digitales (PSS): combinación de productos tangibles y servicios intangibles que satisfacen
“descriptor” con el nombre de cada nivel (iii) descripción genérica de cada nivel; (iv)
conjuntamente las necesidades de los clientes certificados (Weking et al., 2019), ya que los
dimensiones; (v) actividades para cada dimensión; y (vi) descripción de cada actividad, para
fabricantes pueden ofrecer servicios adicionales con el producto e incluso ofrecer el producto
cada nivel de madurez (De Carolis et al., 2017; Fraser et al., 2002; Roglinger¨ et al., 2012).
como servicio (Frank et al., 2019).
En cuanto al proceso de diseño de MM, se han propuesto varios modelos de
Desde el punto de vista de SCM, una IA cognitiva que imita el pensamiento humano, se
procedimiento (p. ej., Becker et al., 2009; De Bruin et al., 2005).
puede utilizar una combinación de aprendizaje automático (ML) y procesamiento del lenguaje
Roglinger¨et al. (2012) afirman que se necesitan esfuerzos para desarrollar instrumentos
natural para comprender los perfiles de los clientes individuales (Ghobakhloo, 2018) . Los
listos para usar para evaluar y mejorar la madurez y destacan que la utilidad y aplicabilidad
modelos de logística inteligente, como el servicio de logística omnicanal basado en IoT,
práctica de estos instrumentos dependen de seguir los principios de diseño de los MM. Por
pueden maximizar las sinergias entre fabricantes, minoristas y proveedores de logística (Lv
ejemplo, los principios de diseño con un propósito prescriptivo, como medidas de mejora
et al., 2018), lo que respalda la autooptimización en tiempo real. Además, los sistemas de
definidas, son bastante útiles, pero la selección de estas medidas a menudo se asocia con
información integrados y los métodos avanzados de previsión determinan la gestión de las
el desempeño de una empresa o el contexto empresarial (Roglinger ¨ et al., 2012) . Por tanto,
relaciones con los proveedores (SRM) (Skapinyecz et al., 2018). Las soluciones blockchain
este uso prescriptivo de los MM requiere la capacidad de adaptarse a las características
pueden contribuir al intercambio de información en tiempo real desde la cadena de suministro
específicas de la organización.
a múltiples socios para lograr una mayor transparencia, permitiendo el uso de recursos y
servicios de fabricación intermedios entre proveedores y clientes en mercados virtuales
(Culot et al., 2019) .
2.4. Modelos de madurez y preparación para la industria 4.0
En cuanto a la visión OM, hay un cambio claro en la integración de CPS, MES para el
Muchas organizaciones definen I4.0 como su objetivo de evolución pero no saben qué
control de planta y sistemas de planificación de recursos empresariales para BDA y
significa ni cómo llegar allí, ni ambas cosas (Ghobakhloo, 2018).
computación en la nube (Bendul y Blunck, 2019).
La producción, la planificación y el control buscan combinar enfoques bien establecidos
Las empresas que busquen activamente desarrollar su estatus I4.0 deben comenzar por
como Lean Six Sigma (LSS) (Gunasekaran et al., 2019) con I4.0 para crear Lean 4.0 (Garza­
comprender su nivel de madurez actual (Bibby y Dehe, 2018), y la aplicación de metodologías
Reyes, 2020; Sony, 2019). La combinación de sensores avanzados con BDA mejora la
apropiadas de evaluación de la madurez les ayudará a comprender sus capacidades actuales
previsión de productos y la gestión del rendimiento en todas las unidades de fabricación y
dada la madurez de sus recursos y tecnologías. hacia I4.0 (De Carolis et al., 2017).
servicio, logrando en última instancia una toma de decisiones descentralizada y autónoma.
El Apéndice B proporciona los 25 MM I4.0 ofrecidos en la literatura que forma parte de
Actualmente existe una tendencia a incorporar robótica avanzada en los procesos de
la muestra de esta investigación. Los modelos se comparan con base en los requisitos
ensamblaje industrial y potencial para la gestión virtual de la calidad a través del modelado y
sugeridos por Mettler (2009), Marx et al. (2012) y Nord et al. (2016). La Sección 3 describe el
la simulación (Zaidin et al., 2018). Además, la alineación del mantenimiento predictivo basado
método adoptado para generar los resultados del Apéndice B. La comparación de estos MM
en algoritmos de ML con VR/AR acelera la capacitación de los trabajadores con una
con la definición del problema (detallada en la Sección 1) se utilizó para determinar una
simulación inmersiva de rutinas de mantenimiento (Scurati et al., 2018).
estrategia de diseño, como también se presenta en la sección de método.
La comparación de los MM revela tres corrientes de publicación. El primer grupo de MM
Por lo tanto, como la revolución I4.0 consta de varias tecnologías digitales y paradigmas
es el más grande y se concentra en la fabricación, específicamente en lo que respecta a la
asociados y, en la literatura, aún no hay consenso al respecto, las empresas manufactureras
deberían centrarse en las diferentes necesidades que puedan tener a la hora de priorizar la
fabricación inteligente (Bibby y Dehe, 2018; Brandl, 2016; Canetta et al., 2018; De Carolis et
implementación del I4. .0 tecnologías mencionadas anteriormente (Frank et al., 2019) y
al., 2017; Lichtblau et al., 2015; Ganzarain y Errasti, 2016; Gokalp¨ et al., 2017; Jung et al.,
deberían
2016; Pessl et al., 2017; Qin et al., 2016; Rockwell Automation, 2014;
3
Machine Translated by Google
RGG Caiado et al.
Revista Internacional de Economía de la Producción 231 (2021) 107883
Schumacher et al., 2016; Scremin et al., 2018; Stefan et al., 2018; Weber y otros, 2017;
Defusificación (Kar et al., 2014). FIS convierte entradas nítidas en variables difusas
Zheng y Ming, 2017). El segundo grupo se centra en el alcance de SCM (Akdil et al.,
(continuas) (fuzzificación) que entran en el motor de inferencia, que evalúa las variables
2018; Asdecker y Felch, 2018; Geissbauer et al., 2016; Katsma et al., 2011; Oleskow­
difusas basándose en el conjunto de reglas si­entonces de quienes toman las decisiones.
szlapka y Stachowiak, 2018; Rübel et al., 2018) . El tercer grupo se centra en las
Cada regla de decisión genera una relación de implicación a través de un operador de
tecnologías de integración digital (Asdecker y Felch, 2018; Leyh et al., 2016; Tolk y
implicación utilizado para relacionar el grado de asociación de los elementos del
Muguira, 2003; Wang et al., 2016). Algunos trabajos combinan diferentes alcances,
conjunto de entrada y del conjunto de salida. Después de aplicar el operador de
como Bibby y Dehe (2018), Rockwell Automation (2014) y Weber et al. (2017) con
implicación “max­min”, se obtiene como resultado de cada regla una composición entre
tecnologías de fabricación e integración digital, y Asdecker y Felch (2018) y Katsma et
un conjunto singleton y la relación de implicación. FIS termina con la desdifusificación,
al. (2011) con SCM y tecnologías de integración digital. Por lo tanto, la comparación
donde un operador lleva los valores de una o más variables de salida difusas a valores
de MM indica que los MM I4.0 que abordan explícitamente OSCM de manera
nítidos (Pedrycz y Gomide, 2007). Así, el resultado de cada FIS es un conjunto de
generalizada, integral y detallada son raros. Por lo tanto, la estrategia de diseño es
infinitos puntos que componen una región solución que representa una variable
proponer un nuevo MM I4.0 para OSCM estructurado por varias dimensiones,
lingüística. La base de conocimiento, que está compuesta por la base de reglas con un
considerando contenidos relevantes de MM anteriores, con una calidad de
procedimiento razonable y cuidadoso de mapeo de reglas difusas y por la base de datos
documentación adecuada y desarrollar una arquitectura MM con un enlace a un
que define la función de membresía de los elementos de entrada y salida, es el núcleo
instrumento de evaluación para construir una base consistente. para
de un FIS (Rahmanifard y Plaksina, 2019) . Osiro et al. (2014) afirman que los métodos
de clasificación basados en reglas difusas son muy adecuados para categorizar
conjuntos de alternativas según su similitud.
I4.0 OSCM.
También se puede observar que ninguno de los MM cumple completamente con
Se adopta la lógica difusa como una solución más precisa para la construcción de
los criterios analizados que se presentan en el Apéndice B, como se muestra a
una herramienta que evalúe la madurez de una organización, ya que permite considerar
continuación. En cuanto al criterio de componentes, la mayoría de los modelos cuentan
todas las variables utilizadas en el problema. En un MM de base difusa, los conjuntos
con estructuras diseñadas como descripción ligera de niveles y dimensiones (cuadrículas
difusos representan ambigüedad, incertidumbre e información inexacta y el resultado
multidimensionales) o cuestionarios. Pocos modelos proporcionan una herramienta de
de juicios cualitativos y datos cuantitativos se resumen en un índice general (Correa et
autoevaluación que cualquier empresa pueda aplicar de forma independiente y la
al., 2014). El esfuerzo por desarrollar un MM difuso basado en reglas se justifica por el
mayoría de los modelos no muestran resultados mensurables. Los MM ofrecen una
deseo de construir una estructura cuantitativa formal, capaz de capturar las
gran variación en relación al número de dimensiones y niveles de madurez y su
imprecisiones del conocimiento humano, es decir, cómo se formula este conocimiento
contenido es bastante heterogéneo. Pocos modelos presentan una arquitectura formal
en el lenguaje natural. Por lo tanto, un MM basado en FIS tiene las siguientes ventajas:
con vínculos entre los instrumentos de evaluación. En cuanto al criterio de confiabilidad/
proporciona una solución útil para comprender, cuantificar y manipular datos vagos e
evaluación, el proceso de desarrollo de la mayoría de los modelos generalmente ocurre
inciertos y estima la puntuación de madurez total en función del nivel de madurez de
solo hasta la etapa de verificación, con falta de validación a través de estudios de caso,
las dimensiones (Aqlan y Lam, 2015) ; es un método de análisis desarrollado
lo que limita una generalización a través de la difusión del modelo. Además, la mayoría
intencionalmente para incorporar incertidumbre e imprecisión en un modelo de decisión
de los modelos carecen de transparencia en cuanto a su construcción y no ofrecen
(Zadeh, 1965), permitiendo incluir información imperfecta en el tema de la causa; y
documentación para su aplicación. En cuanto al criterio de practicidad, pocos modelos
abre la posibilidad de incluir entradas y límites inexactos (Azadegan et al., 2011).
consideran los intereses de las empresas para definir acciones de mejora, siendo
prescriptivos y la mayoría no considera el perfil de la empresa ni aspectos contextuales,
Por lo tanto, la aplicación de FIS para MM es apropiada debido a su potencial para
considerando lineamientos específicos de la empresa evaluada. Los MM no abordan,
directamente en sus componentes y viabilidad, la incertidumbre inherente generada por
abordar relaciones no lineales entre variables de entrada y salida (Zanon et al., 2019) y
los aspectos intangibles del juicio humano y la imprecisión, la investigación de campo y
para poder apoyar el proceso de toma de decisiones con la robustez del conjuntos
los complejos procesos de toma de decisiones relacionados con la fabricación y la
difusos y la flexibilidad de reglas difusas. A pesar de los beneficios de este enfoque,
cadena de suministro, que son necesarios para el OSCM. evaluación (Aqlan y Lam,
Corˆea et al. (2014) afirman que todavía faltan trabajos en esta dirección debido al
2015; Zanon et al., 2019) y para un práctico I4.0 MM (Mittal et al., 2018). Esta visión
aspecto subjetivo del proceso de evaluación, problema que la lógica difusa pretende
desafiante de las incertidumbres en OSCM se puede abordar mediante la lógica difusa
ayudar. Así, la propuesta de una herramienta basada en lógica difusa para evaluar la
(Azadegan et al., 2011; Corrˆea et al., 2014). Por lo tanto, la lógica difusa parece una
madurez I4.0 de una organización sigue siendo un área de estudio fértil que merece ser
solución útil y práctica que puede representar una forma viable de medir la digitalización
explorada adecuadamente.
de OSCM a través de una herramienta de autoevaluación de preparación para I4.0 en
el dominio OSCM. Por tanto, la siguiente sección presenta la lógica difusa.
3. Metodología
En general, la mayoría de los MM existentes carecen de una base teórica sólida y/
o se derivan de un método de diseño arbitrario (Marx et al., 2012). Debido a la falta de
documentación del método de desarrollo del modelo y la ausencia de validación
2.5. Lógica difusa en modelos de madurez
empírica, los investigadores de Sistemas de Información han sugerido varios modelos
de procedimientos para el diseño de MM (Cuylen et al., 2016). Un enfoque sistemático
La teoría de conjuntos difusos (Zadeh, 1965) se utiliza actualmente para desarrollar
herramientas formalizadas para abordar la imprecisión intrínseca a una amplia variedad
para el desarrollo de MM basado en un procedimiento permite la generalización y
de problemas de fabricación y SCM (Aqlan y Lam, 2015), incluida la evaluación de la
estandarización del modelo (De Bruin et al., 2005); conduce a una documentación
madurez de una empresa (Pedroso et al., 2017). La lógica difusa permite una
mejorada y a resultados más rentables que un procedimiento intuitivo (Becker et al.,
representación más realista del mundo real con simplicidad (Azadegan et al., 2011). El
2009); y es útil cuando el MM es prácticamente relevante (Cuylen et al., 2016).
sistema de inferencia difusa (FIS), un sistema no lineal que aplica reglas difusas si­
entonces para modelar los aspectos cualitativos del conocimiento humano (Zanon et
Por lo tanto, para proporcionar un instrumento riguroso para la evaluación de la
al., 2019), se considera una de las herramientas más prácticas (Pourjavad y Shahin,
digitalización de OSCM, esta investigación tiene como objetivo desarrollar un I4.0 MM
2018). ). El enfoque basado en reglas es poderoso, ya que puede interpretar variables
teóricamente sólido, empíricamente fundamentado y metodológicamente sólido para
lingüísticas que normalmente no pueden analizarse explícitamente ni expresarse
OSCM, basado en Becker et al. (2009) modelo de procedimiento.
estadísticamente (Wong y Lai, 2011).
Un FIS consta de variables de entrada y salida, funciones de membresía y reglas,
3.1. Pasos de la investigación
y contiene tres elementos fundamentales: unidad de fuzzificación, base de conocimiento
El MM propuesto fue construido y aplicado en base al problema.
(base de datos y base de reglas) y mecanismo de razonamiento, y
4
Machine Translated by Google
RGG Caiado et al.
Revista Internacional de Economía de la Producción 231 (2021) 107883
Fig. 1. Pasos de la metodología (Adaptado de Becker et al., 2009).
definición ofrecida en la sección de introducción de este documento siguiendo cuatro
Becker y cols. (2009) el modelo de procedimiento consta de las siguientes etapas:
pasos, como se muestra en la Fig. 1:
(i) definición del problema y requisitos; (ii) análisis y comparación con MM existentes;
(iii) desarrollo de estrategias; (iv) desarrollo y validación iterativos; (v) diseño de la
(i) comparación de los MM I4.0 existentes, cuyo objetivo era identificar los principales
transferencia y evaluación del modelo; (vi) implementación; y (vii) evaluación de modelos
requisitos de un MM I4.0 e identificar elementos de MM y tecnologías I4.0;
en un contexto organizacional (Mendes et al., 2016). Las cuatro etapas iniciales de
Becker et al. (2009) se aplicaron en el primer y segundo paso de nuestra investigación,
para diseñar el OSCM I4.0 MM (detallado en la Sección 4.1). La quinta etapa
(ii) procedimiento iterativo que tuvo como objetivo definir el diseño de MM y
determinar un conjunto de indicadores críticos para evaluar holísticamente I4.0
(transferencia y evaluación del modelo) ocurre en nuestro tercer paso (detallado en la
sección 4.2), en el que también se realiza el modelado del sistema difuso experto.
en OSCM de manera sistemática; (iii)
implementación del MM, que consistió en el desarrollo y evaluación del modelo, a
Finalmente, las dos etapas finales tienen lugar en el cuarto paso (detallado en la
través del mejoramiento y ajuste de la herramienta de evaluación (cuestionario)
Sección 5). Para demostrar rigor metodológico, las iteraciones cronológicas de la
y el modelado de un conjunto de sistemas inferenciales difusos; y (iv) evaluación
investigación se describen en el Apéndice C, incluidos los procedimientos desde el
MM, en la que se realizó un
diseño del modelo hasta la evaluación del modelo.
estudio de caso en una empresa manufacturera y se discutieron los resultados, con
el análisis de brechas de madurez y la propuesta de medidas de acción para la
A continuación se presenta cada uno de los cuatro pasos.
mejora continua de la manufactura 4.0.
3.2. Paso 1: Comparación de los MM existentes
Así, se adoptó un estudio de método mixto, combinando múltiples métodos
El primer paso consistió en una revisión de la literatura para identificar MM I4.0 y
(cualitativos y cuantitativos), que es menos susceptible a hallazgos sistemáticamente
tecnologías I4.0 siguiendo las pautas dadas por Mendes et al. (2016).
sesgados (Tangpong, 2011), lo que conduce al final a la validación del modelo.
La búsqueda se limita a la cadena que se presenta a continuación. Se realizó una
búsqueda de palabras clave en el título del artículo, resumen y palabras clave en Scopus,
“Industria 4.0′′ O (“Fabricación inteligente” O “fábrica inteligente” O “sistemas ciberfísicos” O “fabricación en la nube” O “Internet de las cosas”
O “interoperabilidad” O “fabricación aditiva” O “Big Data” O “realidad aumentada” O “logística inteligente” O “cadena de suministro digital” O “cadena de suministro 4.0′′ O
“SCM4.0") Y “modelo de madurez” O (“evaluación de preparación”).
5
Machine Translated by Google
RGG Caiado et al.
Revista Internacional de Economía de la Producción 231 (2021) 107883
Bases de datos Emerald, Springer, Taylor y Francis e ISI Web of Science.
Profesores titulares de OM y dos ingenieros de producción), desde agosto de 2018
hasta septiembre de 2018, todos con experiencia en la digitalización y
La investigación realizada se limitó a artículos publicados en revistas revisadas
automatización de la industria manufacturera durante más de cinco años. Las
por pares y artículos de conferencias en inglés hasta julio de 2018, lo que dio
entrevistas duraron de 30 minutos a 1,5 horas y buscaron estudiar posibles mejoras
como resultado 184 registros. Como criterio de inclusión, el artículo debe contener
en los I4.0 MM anteriores y aumentar el valor de los modelos existentes. Estos
una propuesta de MM para I4.0 en los campos OM o SCM. Luego, se refinaron
académicos proporcionaron importantes consideraciones y direcciones para la
analizando y filtrando los títulos, palabras clave y resúmenes, excluyendo 137
propuesta de niveles de madurez y dimensiones del modelo OSCM I4.0.
registros. Los artículos restantes fueron analizados en profundidad en un proceso
Luego, se realizaron seis FG, compuestos por 5 a 6 especialistas en modelado
iterativo. Se realizaron búsquedas 'bola de nieve' hacia atrás y hacia adelante para
computacional, tecnologías digitales y optimización y logística, ya que los grupos
artículos adicionales (8 artículos y 15 white papers), según lo recomendado por
focales más pequeños requieren una mayor participación de cada miembro
Thom´e et al. (2016). Con base en el análisis del texto completo, se recuperaron
(Tremblay et al., 2010). Las reuniones se realizaron entre diciembre de 2018 y
un total de 57 artículos para el estudio, todos con contenidos explícitos en los MM
enero de 2019 con un grupo total de quince especialistas con al menos 10 años
I4.0 para fines de OSCM.
de experiencia en las áreas de TI y OSCM.
Todos ellos ocuparon altos cargos en un conocido instituto técnico­científico de
Este paso abarcó la comparación de los MM existentes y la determinación de
la estrategia de diseño (Cuylen et al., 2016). Para obtener conocimientos más
desarrollo de software. Se eligieron deliberadamente expertos que tenían diferentes
profundos para la decisión de una estrategia de desarrollo, los autores realizaron
responsabilidades para representar una variedad de puntos de vista (Wang et al.,
un análisis y una comparación de MM centrándose en criterios adaptados de
2019). Además, en cada grupo, uno de los autores era el moderador y otro autor
Mettler (2009), Marx et al. (2012), y Nord et al. (2016), a saber: alcance, origen
era el observador, responsable de evitar puntos de vista personales (Tremblay et
(academia o práctica), componentes (descripción ligera, cuestionario o
al., 2010). Todos los grupos focales se realizaron hasta llegar a la saturación de
arquitectura), confiabilidad (no probado, verificado, validado o no transparente) y
ideas (Cuylen et al., 2016).
practicidad (recomendaciones generales o medidas de mejora específicas). .
Se aplicó un GF piloto, cuatro GF exploratorios y un GF confirmatorio. Hasta el
Además, se seleccionaron las tecnologías I4.0, considerando el propósito de
quinto grupo focal (GD1 – GD5), se buscó cubrir perspectivas individuales desde
identificar un conjunto de factores que son críticos para mejorar I4.0, abarcando
I4.0 MM para OSCM, mientras que nuevas categorías (dimensiones), subcategorías
las operaciones de fabricación y las cadenas de suministro de manera sistemática.
(perspectivas), detalles de categorías (descriptores asociados al contenido de MM)
Con base en la comparación de los MM I4.0 existentes (ver Subsección 2.3), los
y métricas (indicadores) podrían surgir de la discusión grupal (Cuylen et al., 2016).
autores decidieron, como estrategia de desarrollo, considerar contenidos
heterogéneos y relevantes de los MM existentes en un nuevo modelo estructurado
La duración de cada sesión fue de entre 60 y 90 minutos y consistió en cuatro
partes para la recopilación de datos: (1) descripción general de los MM I4.0,
por múltiples dimensiones, vinculado con una base difusa. Instrumento de
destinada a compartir conocimientos básicos entre los participantes; (2) intercambiar
evaluación para OSCM 4.0.
ideas con expertos sobre ajustes y mejoras en el modelo propuesto, discutiendo
Por lo tanto, esta primera iteración fue de conceptual a empírica y derivó
dimensiones y características de los MM I4.0 anteriores de la literatura.
métodos y tecnologías clave para su implementación; (3) sesión de zoom y filtro:
Los autores utilizaron los hallazgos de las tecnologías I4.0 MM y I4.0 para el
detalles bajo demanda, que fue una descripción del flujo de trabajo de cada
desarrollo conceptual, que se describe en la sección de antecedentes teóricos. Se
dimensión para su aplicación en futuros estudios (Nascimento et al., 2018 ) .
taller que presenta el modelo propuesto y discute sus elementos, (4) sesión de
aplicó un análisis de contenido (Seuring y Gold, 2012) y se utilizó un enfoque
inductivo (Eisenhardt, 1989) para categorizar el conocimiento de la literatura, de
forma iterativa, probando y revisando mediante comparación constante de MM y
Además, el grupo focal confirmatorio (GF6) (Tremblay et al., 2010) tuvo como
la información recopilada. Uno de los resultados más importantes fue la descripción
propósito verificar la integridad del modelo, la consistencia y la adecuación del
y análisis de un conjunto de elementos (niveles y dimensiones) y tecnologías clave
problema (Nord et al., 2016). Tuvo como objetivo ajustar el contenido del modelo
I4.0 vinculados a diferentes perspectivas del sector manufacturero. Esta iteración
conceptual y validar la taxonomía de los indicadores derivados del MM propuesto.
proporcionó una base teórica para el estudio empírico. Luego, se derivó la lista de
Para ajustar la estructura del MM se consideraron los siguientes criterios de
categorías (dimensiones).
calificación (Gokalp ¨
et al., 2017): aptitud para el propósito; finalización de aspectos; la granularidad de
las dimensiones; definición de atributos de medición; descripción del método de
3.3. Paso 2: procedimiento iterativo
evaluación; y la objetividad del método de evaluación. Además, los indicadores
deben satisfacer criterios de taxonomía, tales como: concisos, robustos, integrales,
Este paso abordó el diseño del modelo, el cual se basó en una estructura
extensibles y explicativos (Weking et al., 2019). Esto llevó a pequeños cambios en
jerárquica de categorías y subcategorías, ya que se deben considerar diferentes
los elementos de la taxonomía, como reorganizar los elementos de una dimensión
niveles al implementar OSCM (Cuylen et al., 2016).
en elementos existentes y cambiar el nombre y eliminar algunos elementos.
Por lo tanto, el desarrollo iterativo comprendió los procedimientos utilizados para
Finalmente, las subcategorías de MM se probaron mediante una revisión deductiva
definir una arquitectura y estructura (por ejemplo, contenido, dimensiones) para
de la literatura, reevaluando su homogeneidad interna y heterogeneidad externa
I4.0 MM para OSCM, así como el tipo de instrumento de evaluación. Estas
(Cuylen et al., 2016). Los datos teóricos y empíricos recopilados fueron verificados
iteraciones fueron de empírico a conceptual, aplicando los elementos de MM
nuevamente y asignados a las subcategorías. Tres autores codificaron las
propuestos desde la primera iteración a métodos empíricos con académicos y
transcripciones en dos procesos: en la codificación deductiva se enriquecieron las
profesionales para recopilar información relevante, reveladora y práctica (Weking
categorías y subcategorías existentes, mientras que en la codificación inductiva
et al., 2019). Se realizaron entrevistas semiestructuradas y grupos focales (GF)
para la recopilación de datos; los dos métodos se consideraron efectivos para
se extrajeron nuevas categorías, subcategorías, categorías de detalles e
indicadores.
capturar la comprensión explícita de los entrevistados de un fenómeno (Bokrantz
et al., 2019). Además, se aplicaron metodologías exploratorias empíricas como
grupos focales para aportar conocimientos a la investigación I4.0, dada la
3.4. Paso 3: Implementación
naturaleza interdisciplinaria y revolucionaria del tema (Koh et al., 2019).
En primer lugar, se realizaron entrevistas semiestructuradas a una muestra de
Respecto al desarrollo del MM, el tercer paso implicó las siguientes actividades:
seis académicos (un ingeniero mecánico, un ingeniero informático, dos
construcción del instrumento de investigación
6
Machine Translated by Google
RGG Caiado et al.
Revista Internacional de Economía de la Producción 231 (2021) 107883
(cuestionario), estudio piloto (entrevistas) para probar los ítems del instrumento y establecer
perspectiva) (Roglinger ¨ et al., 2012), un grupo de indicadores I4.0 para evaluar las
los FIS, sus funciones de membresía y sus reglas. En primer lugar, se construyó un
perspectivas de OSCM, así como la combinación de tecnologías y prácticas gerenciales
borrador del cuestionario basado en el MM conceptual, con una pregunta (ítem) por
que mejor representan cada nivel de un MM conceptual. En la segunda iteración, los
indicador digital. Antes de enviar el cuestionario, se realizaron entrevistas con profesionales
datos recopilados de la comparación de los MM I4.0 (iteración 1) fueron reevaluados y
de la automatización de ingeniería para eliminar posibles problemas en el contenido y
mejorados a través de entrevistas en las que se propusieron niveles y categorías
ofrecer un mayor refinamiento de las preguntas, asegurando que los profesionales de una
(dimensiones) de MM. La tercera iteración involucró seis grupos focales para discutir las
empresa manufacturera no tuvieran dificultades para responder. las preguntas. El
categorías, desarrollar subcategorías (perspectivas), categorías detalladas para las
cuestionario ajustado constaba de siete preguntas sobre el perfil demográfico de los
subcategorías (descripción del modelo conceptual) e indicadores. Las categorías detalladas
encuestados, dos preguntas sobre su percepción de las tecnologías I4.0 y quince preguntas
describieron cuestiones relevantes para las perspectivas de OSCM. Respecto al conjunto
divididas en siete dimensiones de madurez: 1) consumidor; 2) logística; 3) proveedor; 4)
sintáctico adecuado para medir la madurez de I4.0, uno de los participantes afirmó que
integración; 5) producción, planificación y control; 6) calidad; y 7) mantenimiento. El tiempo
sería más factible evaluar la fabricación en términos de niveles operativos, tácticos y
estimado para completarlo osciló entre 30 min y 1 h. El cuestionario estaba disponible en
estratégicos.
https://forms.gl e/DimpQnhAvFypeFzP6. Además, para modelar la percepción de los
expertos en los juicios de toma de decisiones, considerando la incertidumbre e imprecisión,
se diseñó un sistema experto compuesto por sistemas inferenciales difusos (FIS) con dos
Algunos expertos también supusieron que cuatro niveles de madurez serían adecuados
elementos clave: reglas difusas y funciones de membresía (Zadeh, 1965) . . Para procesar
para ayudar a las empresas a evaluar la madurez de sus operaciones y cadenas de
los resultados, la construcción de los FIS se basó en la inferencia difusa al estilo Mamdani
suministro, ya que evita la tendencia central y aporta una mayor diferenciación entre
niveles. Se llegó a un consenso en que sería más apropiado utilizar como referencia el
(Mamdani y Assilian, 1975), y su configuración se segmenta en cuatro etapas: fusificación,
evaluación de reglas, agregación y desfusificación (Corrˆea et al., 2014). ). La Sección 4.2
número de niveles de algún modelo conocido. Así, algunos participantes sugirieron seguir
describe el modelado de los FIS y sus elementos.
el CMM, que se compone de cinco niveles y se utilizó como referencia para varios otros
modelos en la literatura. Sin embargo, este modelo partía del nivel 1 y el objetivo era
proponer un modelo evolutivo que partiera del nivel de inexistencia de tecnologías digitales
(nivel 0). En cuanto a la definición del nombre de los niveles, luego de las discusiones se
llegó a un consenso que sería: inexistente, conceptual, gestionado, avanzado y
autooptimizado (Tabla 1). Los resultados de la evaluación de madurez podrían interpretarse
fácilmente, convirtiéndose así en un artefacto poderoso y fácil de usar. Los niveles de
3.5. Paso 4: Evaluación
madurez representan el estado actual de madurez I4.0, y cuanto mayor sea el nivel, más
maduro será el OSCM. De esta manera, estos niveles parecían ser suficientes para
El cuarto paso abarcó un estudio de caso (Voss, 2010) que comprendía la combinación
discriminar, proporcionando una evaluación orientada a objetivos e indicando potenciales
de dos métodos de recopilación de datos, incluidas entrevistas no estructuradas y una
de mejora. La Tabla 1 presenta una descripción general de cada nivel de madurez y el MM
encuesta por cuestionario con cuatro gerentes y cuatro supervisores de una empresa
utilizado como contexto (ver Apéndice B).
manufacturera brasileña. Para aumentar la fiabilidad del análisis se consideró la percepción
de los profesionales de la alta dirección de diferentes departamentos (Lins et al., 2019).
El cuestionario tenía como objetivo verificar cuáles de las tecnologías digitales
individualizadas en la revisión de la literatura se consideraban más relevantes para su
En cuanto a las dimensiones esenciales para evaluar la madurez de I4.0, se reconoció
empresa (Lins et al., 2019), así como comprender las tecnologías actuales (AS­IS) y
que los procesos, las personas y las tecnologías eran factores clave en la fabricación.
esperadas/objetivas ( TO­BE) niveles de madurez de OSCM4.0, considerando el perfil
Aunque hubo varias otras dimensiones como organización, seguimiento y control,
corporativo. Así, la combinación de métodos mixtos integrados en la lógica del estudio de
estrategia, productos y servicios, integración, cliente, canales, socios clave, logística,
caso a través de datos tanto cualitativos como cuantitativos ayudó a probar y validar el
calidad, mantenimiento, gestión de activos, diseño e ingeniería, los participantes señalaron
modelo (Bibby y Dehe, 2018). La Sección 5.1 presenta una descripción detallada de la
como dimensiones clave Evaluar la evolución de las cadenas de suministro y operaciones:
unidad de análisis y el perfil de la muestra de encuestados que participaron en la encuesta.
SCM, POM y tecnologías. Algunos encuestados también señalaron que la gestión de
habilidades y conocimientos eran atributos críticos.
Sin embargo, después de algunas rondas de discusiones, los participantes llegaron a un
Finalmente, se realizó un análisis de los niveles de madurez actuales y esperados
consenso de que las tecnologías y los procesos, así como las metodologías y buenas
(dado el nivel de preparación digital de cada indicador medido), considerando la
prácticas de gestión, deben evaluarse transversalmente en las tres dimensiones principales
experiencia y conocimiento corporativo actual sobre tecnologías disruptivas I4.0, junto con
de OSCM: SCM, SCM & POM (común) y POM. Según los expertos, la dimensión común
sus intereses estratégicos frente a posibles inversiones en tecnologías digitales. A partir
muestra una visión más amplia de las operaciones externas e internas y para medir OSCM
del nivel de madurez de una empresa manufacturera, también se propusieron directrices
las empresas deben considerar las perspectivas: Cliente, Logística, Proveedor, Integración,
para abordar debilidades tecnológicas y metodológicas y aumentar el valor agregado en
Producción, Planificación y Control (PPC), Calidad y Mantenimiento.
las siete dimensiones de OSCM4.0, estructuradas en un conjunto de objetivos alineados
con el perfil de la organización.
La medición de cada nivel de madurez por subcategoría (perspectiva) ocurrió en el
quinto grupo focal en el que los indicadores se derivaron desde la perspectiva. Luego, el
4. Desarrollo de modelos y evaluaciones.
sexto grupo focal (confirmatorio) evaluó y mejoró la taxonomía de indicadores y se realizó
una comparación final de los elementos propuestos de manera deductiva con la literatura
4.1. Diseño de modelo
del I4.0 MM. Así, la relación entre los MM previamente revisados y la taxonomía de
indicadores propuestos para evaluar el nivel de preparación digital de OSCM se presentan
Esta sección ofrece los resultados de las primeras iteraciones mostradas en el
en la Tabla 2.
Apéndice C asociadas al diseño del modelo. Durante estas iteraciones se realizó la
construcción del MM, incluyendo elementos básicos (número de niveles, un descriptor para
Además de eso, las medidas que componen la herramienta de evaluación del modelo
cada nivel, descripción genérica de cada nivel, número de dimensiones, número de
se derivaron del desarrollo de una taxonomía de preparación digital.
perspectivas, un descriptor para cada nivel).
7
Machine Translated by Google
RGG Caiado et al.
Revista Internacional de Economía de la Producción 231 (2021) 107883
Tabla 1
Niveles de madurez de OSCM4.0.
Nombre del nivel
Descripción
0
El proceso no ha sido implementado, está basado en la experiencia y se genera sin estándares, implementándose de manera informal y con poco control. La gestión de
fondo mm
Inexistente
dieciséis; 17; 23
procesos es reactiva y no cuenta con las tecnologías adecuadas para construir una infraestructura que apoye la revolución digital. La organización no aborda I4.0 y el sistema
de TI empresarial disponible solo respalda su campo de aplicación, generando islas de datos a lo largo del proceso.
1
Se ha iniciado un proceso de implementación formal y hay un conocimiento más exclusivo sobre el avance del proceso. La gestión de procesos es débil debido a la falta de
Conceptual
19; 23
organización y/o tecnologías habilitadoras. Una madurez parcial en la gestión del desarrollo de infraestructuras. La organización comienza a abordar los problemas de I4.0
dentro de los departamentos y conecta las aplicaciones tecnológicas existentes para crear un flujo de datos; los datos están completamente integrados en un único sistema
empresarial, pero el intercambio de datos no está automatizado.
2
Se puede lograr la estandarización y se pueden implementar tecnologías y requisitos I4.0 para detectar potenciales de mejora, así como establecer enfoques asistidos por
5; 8;19
computadora y crear flujos y procesos de datos automatizados. El proceso fue documentado y definido formalmente gracias a la planificación e implementación de buenas
Administrado
prácticas y procedimientos de gestión, pero la planificación e implementación del proceso resaltan algunas brechas/falta de integración e interoperabilidad en las aplicaciones,
a pesar de la recopilación y el intercambio de datos estructurados.
3
El proceso se construye sobre la integración y la interoperabilidad, basándose en una estandarización común y compartida dentro de la empresa; esto se ha implementado
Avanzado
9; 15; 21; 24
íntegramente en un área o varias áreas, con indicadores establecidos y gestión optimizada, evaluando oportunidades y aplicando benchmarking. Los principios y tecnologías
de I4.0 van más allá de los límites corporativos y todos los socios comerciales los siguen activamente; hay previsión de planificación y control, la plataforma orientada a
servicios y basada en la nube está disponible en toda la cadena de suministro, existen técnicas de cifrado y autenticación adecuadas para garantizar el acceso seguro a los
datos y se utilizan sistemas de simulación para pruebas, creación de prototipos y optimización de fábrica. Se requiere el uso de predicción de datos ya que existe una
interoperabilidad pragmática y se promueven acciones automáticas antes de que aparezca un problema o cuello de botella.
4
El proceso está orientado a lo digital, apoyándose en una sólida infraestructura tecnológica y una organización con alto potencial de crecimiento. Los datos disponibles permiten
dieciséis; 17; 24
la simulación en tiempo real, que puede utilizarse en diagnósticos y toma de decisiones colaborativos. Este nivel consiste en la digitalización completa de los procesos internos
Autooptimizado
e interempresariales, junto con una fuerte colaboración, la integración de IA y habilidades de autoaprendizaje en los sistemas de información, y la creación de procesos
proactivos para la previsión y planificación de la producción futura, integrando visualización de datos y sistemas externos. socios para permitir la previsibilidad de la cadena de
suministro y la fabricación inteligente.
Indicadores de nivel (DRL). Como los niveles de preparación tecnológica (TRL)
propuestos por la Administración Nacional de Aeronáutica y del Espacio (NASA)
(Mankins, 2002), los DRL buscan ser una herramienta valiosa en la gestión de
la tecnología digital, indicando el nivel actual y deseado de digitalización en un
área específica para servir como guía para la mejora continua OSCM en
comparación con I4.0. La iteración 3 dio como resultado el modelo final,
características, proporcionando información de evaluación más detallada y un
conjunto de indicadores. Por lo tanto, los métodos cualitativos teóricos y
empíricos demostraron que una visión de múltiples perspectivas permite una
evaluación holística de la madurez I4.0 de las operaciones y la cadena de suministro.
Además, la arquitectura MM presentada en la Tabla 3 está vinculada a un
instrumento de evaluación. La Sección 4.2 describe el modelado de la
herramienta de evaluación, que representa los resultados de la iteración 5 (Apéndice C).
Como en Asdecker y Felch (2018), la puntuación de preparación I4.0 se convirtió
presentado en la Tabla 3, que consta de cinco niveles de madurez y tres
dimensiones dentro de siete perspectivas que combinan tecnología y metodología.
Tabla 2
OSCM4.0 Dimensiones e indicadores de madurez.
Dimensión
Perspectivas
Descripción
fondo mm
Taxonomía de indicadores
SCM
Cliente
Se refiere a avances en la relación, segmentación y satisfacción de los clientes, así como en estrategias
4; 6;12; 13; 15; 21; 23;
Digitalización comercial/servicios (I1)
de marketing y ventas a través de diferentes canales (p. ej., redes sociales); A medida que la organización
24 3;
aumenta su madurez, aumenta el nivel de interacción/participación digital entre los clientes y los
4;6; 7;8; 12; 17; 20; 21
Uso de datos del cliente (I2)
productos/servicios ofrecidos. La organización también mejora la precisión y la preparación en relación
con el cumplimiento de todos los requisitos del cliente.
Logística
Proveedor
Se refiere a avances en la gestión de entrega, transporte, distribución, activos e inventario; a medida
4; 7;14; 15; dieciséis;
Sistemas logísticos y automatización
que aumenta la madurez, los procesos se vuelven más estructurados y estandarizados,
19; 21; 23;
de modelos (I3)
mientras que los modelos logísticos se vuelven más autónomos y optimizados.
24 2; 4;7; 13; 14;
Optimización de flujos de materiales e
dieciséis; 17; 19;
información logística (I4)
Se refiere a avances en la coordinación de la red de suministro, la gestión de las relaciones
20; 23 3; 7;15; 21;
Relación con proveedores (I5)
con los proveedores y la flexibilidad; a medida que aumenta la madurez, existe una mayor cooperación
23 2; 7;13; 17; 20; 24
Digitalización de compras y pedidos
(I6)
y colaboración entre socios, tecnologías y procesos, lo que permite una mayor flexibilidad y
descentralización.
SCM y
Integración
POM
entre actores, la conexión entre tecnologías y la interoperabilidad; Identifica cómo los
1­4; 6–13; 15;
17–25
procesos y sistemas evolucionan desde silos aislados hasta ecosistemas completamente conectados
3; 4;7; 15; 18; 23
Se refiere a avances en el nivel de integración de procesos físicos y computacionales, la comunicación
Integración de procesos internos y externos
(I7)
Comunicación/colaboración entre
actores de la CS (I8)
que respaldan los dominios restantes de SCM y POM.
1­4; 6–11; 13; 16­25 Interoperabilidad entre sistemas
(I9)
POM
PPC
Calidad
Automatización OM (I10)
Se refiere a avances en la planificación y control de los sistemas de producción y la cadena de valor del
2­6; 10; 11; 14–16; 22;
OM; La evolución de sistemas más inteligentes sigue a la adopción de métodos Lean cada vez
23; 25 2;
más sofisticados, explorando las sinergias entre tecnologías y metodologías.
4;5; 10; 11; 14;
Digitalización de procesos de
dieciséis; 20–22;
planificación y control (I11)
Se refiere a los avances en los sistemas de control de calidad, el desempeño de las
25 4; 5;14; 15; 23; 25
metodológicas que trabajan juntas para mejorar la eficiencia y la precisión.
Automatización/virtualización del
control de calidad (I12)
herramientas de gestión de calidad; describe una combinación de evoluciones tecnológicas y
3; 5;8; 9;14; 17; 20; 25
Calidad de la información (recopilación y
4; 5;14–16; 22; 23
Automatización/virtualización
5; 14; dieciséis; 21
Digitalización de la información de
análisis de datos (I13)
Mantenimiento Se refiere a avances en confiabilidad, planes, estrategias y estrategias de reparación y mantenimiento.
de mantenimiento y reparación (I14)
técnicas; El aumento de la madurez conduce a una creciente automatización del diagnóstico
combinada con máquinas operadas a distancia que gradualmente reemplazan a los humanos en
actividades especializadas o de alto riesgo.
mantenimiento y registro de datos (I15)
8
Machine Translated by Google
RGG Caiado et al.
Revista Internacional de Economía de la Producción 231 (2021) 107883
a un nivel de madurez, en el que los cinco niveles del modelo conceptual describen el camino
Comúnmente se utiliza Beta PERT o distribución triangular (Vose, 2008). Al recopilar su
hacia la mejora continua de la digitalización. La puntuación está representada por una escala de
percepción sobre la madurez actual (índice) y esperada para cada indicador, los valores mínimo,
0 a 100 por ciento, distribuida proporcionalmente entre los cinco niveles. Así, por ejemplo, el
máximo y modal de las estimaciones del grupo de expertos se utilizan como parámetros para
segundo nivel corresponde a una puntuación entre el 20 y el 40 por ciento (Asdecker y Felch,
modelar la distribución Beta PERT, donde el parámetro "forma" indica el grado de madurez.
2018).
exactitud del modo de datos. Luego se utilizó la simulación Monte Carlo para generar 100 valores
aleatorios para cada indicador de preparación digital que se utilizó como entrada en el árbol
Finalmente, la implementación y evaluación del modelo se describe en la Sección 5, que
difuso. El modelado del sistema probabilístico difuso, cuyos pasos se evidencian en la Fig. 3, se
representa los resultados de la iteración 6 (Apéndice C). Para garantizar la validez y confiabilidad
implementó utilizando el software R (R Core Team, 2019), en el que se compiló el algoritmo de
del modelo, se realizó un estudio de caso, siguiendo los procedimientos de De Bruin et al. (2005),
agregación de indicadores. Estos análisis buscaron sustentar la idoneidad de la metodología
con una aplicación de prueba (piloto) con especialistas involucrados en el ajuste de la
propuesta y la parametrización realizada durante la implementación.
herramienta de evaluación y, posteriormente, una aplicación del modelo en una organización
manufacturera. La organización de este caso no participó en el desarrollo y prueba del modelo.
Tangpong (2011) corrobora la idea de validar el estudio con una muestra independiente para
lograr una mayor replicación y generalización.
El análisis de brechas se realizó cualitativamente con base en el modelo conceptual
propuesto y cuantitativamente comparando el nivel medio de madurez (ML) esperado y actual
según la Ecuación (1). Además, el porcentaje del nivel de consecución de objetivos también se
Para definir recomendaciones para mejorar el desempeño y así lograr una mayor madurez,
calculó según la Ecuación (2), que fue adaptada de (Maasouman y Demirli, 2016).
se utilizó la técnica de la triangulación, combinando insights relacionados con la empresa
evaluada (conocimientos e intereses de las tecnologías I4.0) y las acciones detalladas en cada
cuadrante del modelo (Tabla 3 ) . . En este sentido, las recomendaciones propuestas buscan
(1)
Brecha = MLesperado ­ MLindex
considerar características específicas de la empresa (Roglinger ¨ et al., 2012), para mejorar la
digitalización de las dimensiones individuales de OSCM, y así impulsar la madurez I4.0 de la
empresa.
Nivel de consecución del objetivo = × 100
Brecha
(2)
ML esperado
Además de ajustar conjuntos difusos (reglas y parámetros), las entrevistas con profesionales
del CERTI también ayudaron a validar los ítems del cuestionario, eliminando posibles divergencias
4.2. Herramienta de evaluación basada en datos difusos
conceptuales o particularidades relacionadas con el sector manufacturero. Estas interacciones
con un centro de referencia tecnológico innovador proporcionaron retroalimentación importante,
En la presente investigación, la adquisición de datos siguió las pautas de ingeniería del
refinando y mejorando así la herramienta de evaluación en consecuencia (Bibby y Dehe, 2018).
conocimiento descritas por Klir y Yuan (1995). Este consistió en siete entrevistas a profesionales
del Centro de Referencia en Innovación Tecnológica (CERTI) de Brasil, que tenían más de cinco
años de experiencia en digitalización industrial y tecnologías I4.0.
5. Aplicación y discusión del modelo.
Estos profesionales también proporcionaron reglas. Se adoptó la configuración de reglas difusas
propuesta por Combs y Andrews (1998) , utilizando el sistema de configuración de reglas unidas
5.1. Evaluación a través de un estudio de caso
(URC). Como la URC evita la explosión de reglas (Weinschenk et al., 2003), el número de reglas
de inferencia se redujo significativamente y se elaboraron 75 reglas para los 10 FIS. Las
A ocho profesionales del sitio brasileño de una organización manufacturera multinacional
funciones de membresía fueron parametrizadas de acuerdo con los juicios de los profesionales y
(llamada XYZ) con amplio conocimiento de los procesos y estrategias de fabricación de la
expertos que trabajan con la digitalización de la ingeniería. Cada entrada/salida tiene una amplitud
empresa, y cuyo perfil se detalla en la Tabla 5, se les pidió que completaran los elementos de
en el rango [0; 100] y cinco valores que siguen una función de membresía triangular, como se
evaluación de madurez en nombre de la organización. Como criterios para seleccionar a los
muestra en la Tabla 4.
encuestados, la investigación consideró el nivel de conocimiento de los procesos internos, el
acceso a organizaciones externas dentro de la cadena de suministro (Bibby y Dehe, 2018) y el
área de especialización en la organización. La organización de casos opera en Brasil desde hace
En total, el sistema experto tiene 15 entradas (indicadores) y una salida final que determina
cuarenta años y emplea a unas 200 personas. En total, XYZ tiene unos ingresos de más de 100
el nivel de preparación I4.0 de la organización evaluada. Los valores de los indicadores se
millones de dólares estadounidenses en la industria de la aviación comercial y militar.
recogieron sobre la base de una encuesta por cuestionario. Como se muestra en la Fig. 2, el
sistema experto difuso propuesto está compuesto por 10 FIS. La estructura del sistema de
evaluación presentado en la Fig. 3 sigue el enfoque de árbol jerárquico, donde las salidas de los
La empresa XYZ es un socio industrial y tecnológico esencial para muchas industrias y para
sistemas difusos de bajo nivel se utilizan como entradas a los sistemas difusos de alto nivel y son
el gobierno y el ejército brasileños. También es socio de operadores de helicópteros en el ámbito
del tipo En Cascada o Combinado (Siddique y Adeli , 2013).
civil. Hoy, de cada dos helicópteros que operan en Brasil, uno está equipado con componentes
producidos por XYZ y más del 60% de la flota de taxis aéreos de la principal compañía aérea
Como sugiere Zimmermann (2010) , el método de defusificación se puede cambiar según la
del mercado aeronáutico brasileño utiliza sus sofisticadas piezas.
mejor representación de las opiniones de los tomadores de decisiones. El modelado de los FIS
presentado en la Fig. 3 utilizó los operadores de "inferencia" estándar Min­Max Mamdani, con
"desfuzzificación" de centroide (o centro de área ­ CoA). El CoA permite considerar todos los
valores de membresía en una región determinada, admitiendo una posición centralizada
5.2. Hallazgos generales
(Pedrycz y Gomide, 2007).
En primer lugar, al analizar el perfil corporativo, se puede observar que si bien todas las
Además, para reflejar la inexactitud y la variación de la información, los datos de entrada
perspectivas de OSCM se consideran importantes, la organización se centra en la calidad, el
recopilados (a partir de la percepción de un grupo de profesionales clave en la organización bajo
mantenimiento y las perspectivas de proveedores.
análisis) se ajustaron a una distribución de probabilidad. Este proceso se utiliza a menudo en el
A pesar de pertenecer a la industria manufacturera aeronáutica, XYZ también se destaca por
análisis de riesgos y
brindar servicios de reparación y mantenimiento de repuestos, que
9
Machine Translated by Google
RGG Caiado et al.
Revista Internacional de Economía de la Producción 231 (2021) 107883
Tabla 3
Modelo de madurez OSCM 4.0 para manufactura.
Dominio
Perspectivas
SCM
Cliente
0 ­ Inexistente
1­conceptuales
2 ­ Gestionado
3 ­ Avanzado
4 ­ Autooptimizado
­ Autoservicio virtualmente
guiado
de productos hacia la cocreación y
­ BDA para previsión de demanda
la innovación abierta ­
y diseño basado en datos.
IA cognitiva
­ No hay canal posterior
­ Comentarios a través de
­ Automatización de atención
a la transacción del cliente, solo
CRM con estructura
coordinada­atención al cliente;
interacción física con
procesos, tecnologías y
colaboradores
­ BDA para análisis de patrones
productos/servicios;
­ Marketing manual a
capacitados;
para comprender los
través de encuestas CRM
­ Recopilación automatizada de
perfiles de los clientes individuales.
­ Compromiso del cliente con el diseño
datos de clientes a través de ventas.
Logística
­ Prácticas logísticas no
­ Modelo logístico de fuente
­ Modelos de logística híbrida;
­ Modelos logísticos
­ Modelos de logística inteligente (por
estructuradas
única;
­ Procesos inequívocos con
avanzados;
ejemplo, sistemas omnicanal basados en IoT).
­ Procesos no estructurados
­ Procesos estructurados
intención estratégica;
­ Procesos digitales para
Servicio de Logística) para
basados en análisis
­ Sistemas de TI
­ Sistemas informáticos integrados;
optimización; ­
autooptimización en tiempo real
manual.
heterogéneos que soportan
Los sistemas informáticos prevén
sólo algunas actividades
rutas, ritmos y rutinas de
movimiento;
de gestión logística.
Proveedor
­ Las relaciones con los
­ La aplicación de los
­ Los procesos y
­ Integración avanzada entre
­ Descentralizado y en tiempo real
proveedores siguen procesos y
procesos y
tecnologías de SRM estandarizados
socios, tecnologías y
SRM toma forma para
tecnologías definidos, pero
tecnologías de SRM
y digitalizados se siguen a
gestión de procesos; ­ La
acciones de toma de
presentan
se realiza mediante el
través del abastecimiento de
previsión y la
decisiones autónomas
inconsistencias en los estándares.
abastecimiento de un solo proveedor. múltiples proveedores a lo largo
de la cadena de valor.
planificación colaborativas toman
forma dentro del SRM ­
Integración horizontal
Integración COMÚN
­ Funcional aislado
­ Estandarización de
­ Digitalización vertical e integración
de procesos y flujos de datos entre
­ Ecosistema totalmente integrado
silos con indefinido
procesos dentro de
de procesos y flujos de datos; ­
todos los actores; ­ Los actores
con procesos autooptimizados
procesos;
los departamentos;
Cooperación
llevan la cooperación
y virtualizados; ­ Cultura
­ Manual
­ Cooperación digital dentro
digital entre funciones y
digital al nivel del proceso
colaborativa digital
comunicación
de equipos aislados; ­
actores dentro de la empresa,
y hay un estímulo proactivo para
profundamente arraigada
procesos entre actores; ­
Integración de datos básicos
pero aún reactiva; ­
compartir; ­ La arquitectura de
en toda la empresa; ­
Integración de datos punto
con interoperabilidad
Interoperabilidad
TI común crea un Bus de
Interoperabilidad dinámica que
a punto y falta de
sintáctica mediante SOA e IoT
semática mediante SSOA para la
Servicios
permea OSCM.
básico limitado a
empresa.
interoperabilidad.
sensores.
POM
­ Inventario intensivo
PPC
para Socios basado en tecnologías
de Ciberseguridad y Blockchain.
­ Sistema pull basado en
prácticas básicas de Lean
Automation.
­ Sistemas de producción
­ BDA centrada en la
integrados con herramientas
estadísticas enfocadas al análisis
previsibilidad en la planificación y
el control.
­ Sistemas en tiempo real con
Total Lean Automation para la
planificación y control de fabricación
centrado en
de causa raíz.
autónomo descentralizado
Toma de decisiones
Calidad
­ Inspecciones basadas
­ Control de calidad
­ Diagnóstico de calidad
­ Recomendaciones inteligentes
­ TQM inteligente y
en muestreo
integrado con herramientas
Six Sigma
automático basado en
hacia la TQM
autooptimizable
automatización LSS avanzada ­
­ Indicadores para
Minería de datos para CBM y
­ Análisis predictivo para
­ Mantenimiento inteligente
y preventivo;
análisis de desempeño y fallas;
análisis de causa raíz; ­
mantenimiento
Sistemas de Soporte a la
Inspecciones remotas en zonas
basado en confiabilidad;
Decisión; ­ Máquinas e instalaciones
­ Inspecciones in situ manuales
­ Recopilación de
inhóspitas (p. ej., drones)
­ Robots de reparación guiados
autorreparables (p. ej., cobots)
(humanas)
datos de integridad a través de
Mantenimiento ­ Mantenimiento correctivo
remotamente
sensores;
están relacionados con las opiniones de proveedores y clientes o pueden
considerarse una nueva perspectiva en el caso de una industria de servicios.
Este hallazgo corrobora el paradigma de fabricación orientada a servicios, que
es un principio común de I4.0 (De Carolis et al., 2017). Además, al analizar las
experiencias corporativas y los intereses estratégicos en las tecnologías
digitales I4.0, el nivel de difusión de tecnologías disruptivas en XYZ reveló que
posee un conocimiento limitado de realidad virtual/aumentada, computación
en la nube, sistemas de fabricación inteligentes y BDA. Por el contrario, la
organización tiene experiencia en IoT, AM y ciberseguridad. Por lo tanto, los
resultados sugieren que la ciberseguridad es la única tecnología con la que la
organización está profundamente familiarizada, lo que puede estar relacionado
con la estricta política de control del uso de los sistemas y de la red, siguiendo
los estándares de un grupo internacional de alta tecnología. Paradójicamente,
la organización aún no ha considerado Blockchain y sus posibles beneficios
para la seguridad de la información, considerándola una tecnología emergente,
sin legislación específica y aún no bien comprendida. Aunque XYZ dispone de
una impresora 3D, aún no ha explorado todo su potencial tecnológico,
utilizándola para la fabricación de piezas y herramientas sencillas (actividades de bajo valo
Desde la visión estratégica, el análisis demuestra que las tecnologías I4.0
consideradas más importantes en el corto plazo fueron BDA y
Tabla 4
Parámetros de entradas y salidas.
Variable lingüística
Tipo
Universo del
Valor
discurso
0–100
Entrada I1 – I15 (indicadores)
C, L, S, PPC, Q, M
(perspectivas)
Aporte/
0–100
Producción
Números
difusos triangulares
Muy bajo
Bajo
(0, 0, 25)
Medio
(25, 50, 75)
(0, 25, 50)
Alto
(50, 75, 100) (75,
Muy alto
100, 100) (0, 0,
Muy bajo
Bajo
25) (0, 25,
Medio
75) (50, 75,
50) ( 25, 50,
POM, I y SCM
Alto
100) (75, 100,
(dimensiones)
Muy alto
Inexistente
100) (0, 0, 25) (0,
25, 50) (25,
Conceptual
50, 75) (50,
Administrado
75, 100) (75 ,
Avanzado
100, 100)
Preparación I4.0
Nivel (madurez)
Producción
0–100
Autooptimizado
10
Machine Translated by Google
RGG Caiado et al.
Revista Internacional de Economía de la Producción 231 (2021) 107883
Fig. 2. Árbol difuso jerárquico en cascada (adaptado de Gaviao y Lima, 2015).
Fig. 3. Modelado probabilístico difuso y adquisición de conocimiento.
realidad virtual/aumentada. Además, se mencionaron la computación en la
Tabla 5
nube y la AM como enfoques para una implementación posterior. Por último,
Perfil de los encuestados.
algunos profesionales destacaron la necesidad de robótica avanzada, IoT y
Encuestados Nivel de
sistemas de fabricación inteligentes. Con respecto a las técnicas basadas en
educación
datos, estos hallazgos muestran que, al principio, la organización quería
1
educación
ganar autonomía en el uso de algoritmos avanzados de IA y la integración de
universitaria completa
bases de datos no estructuradas para extraer conocimiento para inteligencia empresarial.
2
Especialización
Luego, la empresa se ocupará de la plataforma en la nube, para utilizar BDA
de manera efectiva para análisis muy rápidos con mayor escalabilidad
3
Especialización
comercial, elasticidad bajo demanda y viabilidad financiera. A partir de esta
4
Especialización
infraestructura basada en BDA y fabricación en la nube, la organización
5
Especialización
priorizará el uso de IoT, ya que puede consumir volúmenes masivos de datos
6
procedentes de diferentes equipos de análisis en tiempo real conectados a
sistemas de fabricación inteligentes. En cuanto a la automatización de las
actividades de fabricación y mantenimiento, XYZ inicialmente pondrá mayor
énfasis en el uso de tecnologías de realidad virtual o aumentada que pueden
usarse para capacitación y simulación y luego implementará impresoras 3D
para la fabricación de piezas personalizadas utilizadas para reemplazo.
Nivel de
Más de 10
Gerente
años
Campo
Más de 10
Tecnologías de
la información
Gerente
Finanzas
Gerente
Producción
años
Más de 10
años
5 a 10 años
Supervisor de Calidad
5 a 10 años
supervisor de recepción
Más de 10
Supervisor de tecnologías de la
educación
universitaria completa
años
7
Especialización
5 a 10 años
8
Maestría
Más de 10
años
11
Role
experiencia
información
Inspección del supervisor
Director
Junta
Machine Translated by Google
RGG Caiado et al.
Revista Internacional de Economía de la Producción 231 (2021) 107883
desempeño de I13, aumentando la brecha de la dimensión POM, mientras que la perspectiva
5.3. Análisis de las deficiencias
logística presentó la menor brecha, lo que implicó una menor brecha en la dimensión SCM.
El siguiente paso consistió en medir el DRL de cada indicador para comparar el
desempeño AS­IS y TO­BE. Como se mencionó anteriormente, los resultados actuales
Teniendo en cuenta las prioridades de la organización I4.0 y las brechas de desempeño,
(índice) y esperados por el indicador de preparación digital (entradas de OSCM4.0 MM de
algunas mejoras importantes en la dimensión POM incluyen realizar la transición:
base difusa) consideraron valores aleatorios generados mediante simulación Monte Carlo
basada en distribución Beta PERT, que tomó en cuenta la percepción de los empleados de
alta dirección de XYZ. La Fig. 4 presenta el gráfico de densidad del índice y los resultados
• De la gestión de calidad basada en herramientas LSS al total inteligente
esperados para cada entrada de MM.
gestión de calidad basada en Lean 4.0;
• Desde indicadores clave de desempeño y análisis de fallas hasta la implementación de
La figura 4 ilustra que los quince indicadores presentaron una brecha entre el índice y el
mantenimiento centrado en la confiabilidad con algoritmos de IA para análisis predictivo;
nivel de preparación esperado. Los resultados también aclaran las fortalezas y debilidades
• Desde la planificación
técnicas de la empresa relacionadas con sus medidas de preparación digital. Por ejemplo,
y control centrado en buenas prácticas de gestión con sistemas integrados de ingeniería
existe una mayor discrepancia en la entrada de calidad de la información (recopilación y
hasta el uso de BDA para la planificación y control de previsión de los procesos
análisis de datos) (I13), considerando que la mediana y la media de las respuestas
productivos.
demuestran una puntuación baja, a través de la recopilación semiautomática de datos desde
dispositivos móviles para análisis inferencial.
Complementariamente, la dimensión SCM necesita evolucionar:
Sin embargo, la media esperada de las respuestas indica que, en realidad, la organización
debería estar en el nivel superior, con recogida de datos automática y dinámica a través del
• Desde comentarios a través de CRM hasta autoservicio guiado virtualmente; •
autodiagnóstico de los propios productos, utilizando algoritmos de ML y modelos de
Desde modelos logísticos de fuente única hasta modelos logísticos avanzados basados en
optimización de la toma de decisiones. Asimismo, existen importantes divergencias en los
IA y minería de procesos; y • Desde la
indicadores: Uso de datos del cliente (I2), Interoperabilidad entre sistemas (I9), Digitalización
aplicación de procesos y tecnologías de SRM, pasando por el abastecimiento de un solo
de procesos de planificación y control (I11), Automatización/virtualización del control de
proveedor, hasta la integración avanzada entre socios, tecnologías y gestión de procesos.
calidad (I12) y Automatización/virtualización de mantenimiento y reparación ( I14). Estas
divergencias pueden estar asociadas con la desviación de aproximadamente dos niveles de
preparación entre esos indicadores, lo que indica que en el estado actual (AS­IS) la
Por último, desde una perspectiva de integración, existe la necesidad de pasar de una
organización utiliza sensores, análisis multivariado LSS avanzado (por ejemplo, regresión
integración de datos básica con interoperabilidad sintáctica (por ejemplo, a través de una
múltiple), KPI , nube para aplicaciones básicas, pero en el estado futuro (TO­BE) debería
arquitectura orientada a servicios (SOA) y una IoT básica limitada a sensores a una
usar BDA, Blockchain, nube basada en IoT y Lean 4.0.
arquitectura de TI común, a través de un 'bus de servicios de socios'. basado en tecnologías
de ciberseguridad y blockchain. También cabe señalar que si bien según la percepción de
los directivos la organización pretende alcanzar un nivel de madurez 'Avanzado', en
En cambio, existe menor variación en Digitalización de Ventas/Servicios (I1),
determinadas áreas no sería necesario alcanzar dicho nivel. Esto ocurre, por ejemplo, en el
caso de la digitalización del registro de información y datos de mantenimiento (I15), ya que
Digitalización de compras y pedidos (I6) e Integración de procesos internos y externos (I7).
Cabe destacar que I7 es el insumo con menor variación, considerando que la organización
según los encuestados, las reparaciones podrían ser dirigidas por un sistema de recolección
tiene un desempeño promedio superior al 50% en este indicador, ya que por percepción de
remota de datos utilizando transmisores de protocolo de campo. Después de esta mejora
la gerencia ya existe integración vertical de procesos y flujos de datos y se busca integración
técnica, XYZ podría explorar el uso de técnicas de procesamiento de imágenes y videos
horizontal (entre todos los actores de la cadena), que es el siguiente paso en la transición
integradas con algoritmos de inteligencia artificial para predecir el mantenimiento y la vida útil
hacia I4.0 (Leyh et al., 2016).
de los activos. De manera similar, en la perspectiva de Integración, la organización podría
aspirar a alcanzar un nivel de "autooptimización". Los posibles impulsores de esto incluyen
El análisis de I1 apunta a la necesidad de pasar de la gestión de relaciones con el cliente
tecnologías como la computación en la nube para almacenar/recuperar datos a escala masiva
(CRM) con automatización de la atención al cliente a un autoservicio virtualmente impulsado
y la Web 2.0, en la que el software funciona desde Internet y está en desarrollo continuo y
por el cliente. Según el análisis de I6, aunque ahora existe un procesamiento de órdenes de
colaborativo, lo que garantiza la interactividad entre nodos a través de una colaboración
compra con soporte digital, XYZ pretende tener un sistema operativo IoT basado en la nube
corporativa con raíces digitales. cultura en toda la cadena; y una mayor interoperabilidad
y acceso a través de dispositivos móviles.
entre sistemas y procesos digitales.
Además, hubo un análisis y discusión de resultados probabilísticos difusos, señalando
algunas oportunidades importantes y brechas emergentes. La figura 5 muestra un gráfico de
densidad con la madurez corporativa general esperada y del índice.
5.4. Plan de ACCION
La comparación de los resultados de la Fig. 5 y el MM conceptual implica que la madurez
OSCM4.0 de la organización se ubica en un índice de madurez medio de Nivel 1 (Conceptual)
Finalmente, para cerrar las brechas observadas previamente, se propuso un plan de
y que la empresa busca una madurez media esperada de Nivel 3 (Avanzado). ). Comparando
acción compuesto por siete lineamientos, cada uno asociado con una perspectiva OSCM 4.0
cuantitativamente la media de los desempeños actuales y esperados, se observa que la
de la siguiente manera (sus detalles se ofrecen en el Apéndice D).
Brecha es de 32,4 (71,25–38,85) y el nivel de consecución de objetivos es de 45,47%
(32,4/71,25). Esto indica que la organización debe pasar por dos ciclos de mejora, es decir,
(1) Directriz 1 (Cliente) : proporcionar un entorno de comunicación de ventas virtual y
dos niveles de transición en el modelo conceptual, para alcanzar el nivel esperado. En cuanto
colaborativo con asistencia posventa integrada.
al desempeño de las perspectivas y dimensiones, considerando la evaluación promedio de
(2) Directriz­2 (Logística) : construir una plataforma omnicanal para la optimización
los indicadores establecidos (ej., I1 e I2 componen la perspectiva del cliente que forma parte
logística.
de la dimensión SCM), se desprende que la perspectiva de calidad fue la que presentó mayor
(3) Lineamiento­3 (Proveedor) ­ Estandarizar y digitalizar procesos y tecnologías de SRM.
brecha, que puede estar relacionada con la
(4) Directriz 4 (Integración) : proporcionar integración semántica con un
Arquitectura de automatización estándar.
12
Machine Translated by Google
RGG Caiado et al.
Revista Internacional de Economía de la Producción 231 (2021) 107883
Fig. 4. Distribuciones PERT Beta de entradas (índice actual versus índice esperado).
13
Machine Translated by Google
RGG Caiado et al.
Revista Internacional de Economía de la Producción 231 (2021) 107883
Fig. 5. Gráfico de densidad con índice y resultados esperados.
construcción y aplicación. El desarrollo del modelo se basa en un enfoque de métodos de
(5) Directriz 5 (PPC) : implementar una planificación y un control inteligentes y flexibles
producción personalizada.
investigación múltiples, según lo recomendado por Liebrecht et al.
(2017). Su desarrollo va más allá de la etapa de verificación, llegando a la validación a través
(6) Directriz 6 (Calidad): utilice herramientas LSS avanzadas para realizar diagnósticos
automáticos y resolver problemas.
de un estudio de caso, lo cual es poco común en la literatura, como lo revela la comparación
de MM I4.0 existentes ofrecida en esta investigación.
(7) Directriz­7 (Mantenimiento) ­ Desarrollar un sistema de mantenimiento centrado en la confiabilidad.
En tercer lugar, este estudio presenta una aplicación real en una organización
Estrategia de mantenimiento basada en la virtualización.
manufacturera multinacional para ilustrar cómo se puede aplicar este enfoque en diferentes
escenarios. Las aplicaciones empíricas son limitadas en la literatura sobre madurez de I4.0
Por lo tanto, en cada perspectiva, existe un conjunto de tecnologías I4.0 que pueden
implementarse y combinarse en diferentes dimensiones como habilitadores para impulsar la
(Bibby y Dehe, 2018) y son necesarias para permitir representaciones más realistas del
digitalización. Por ejemplo, puede haber una interrelación entre cobots (robots avanzados) e
entorno del mundo real, lo que corrobora la necesidad de un MM I4.0 más práctico (Mittal et
impresoras 3D para automatizar la producción de piezas personalizadas, así como la
al. , 2018). Esto también hace que el modelo sea más fácil de entender y utilizar,
combinación de sensores integrados para la adquisición de datos y algoritmos de ML o
proporcionando una buena documentación de su aplicación, que también se reveló como
aprendizaje profundo para el procesamiento de datos en la nube, que permitiría un intercambio
poco común en los I4.0 MM existentes.
eficiente de datos y podría estimular nuevos enfoques como PSS. Además, la nube podría
combinarse con la ciberseguridad para la seguridad de los sistemas avanzados, o integrarse
Cuarto, el uso de la simulación Monte Carlo para generar valores aleatorios basados en
con IoT, facilitando la combinación de múltiples dispositivos y máquinas, lo que permite
la percepción de la alta dirección de la empresa focal evaluada, respecto de los indicadores
operaciones remotas. Además, CPS puede aprovechar la nube y la IoT y puede combinarse
de preparación digital, permite hacer inferencias estadísticas con un mayor grado de
con VR/AR a través de modelos 3D para simulación, y así los sistemas podrían adaptarse a
significancia, permitiendo una evaluación más fácil y precisa. una comprensión más visual de
situaciones adversas.
las brechas en relación con el índice y los estados esperados y, así, proponer un conjunto de
eventos.
literatura identificada en esta investigación sobre los MM prescriptivos. El modelo propuesto
directrices para su transición hacia la manufactura 4.0. Esto también aborda una falta en la
podría prescribir acciones encaminadas a incrementar el nivel de madurez de la empresa
evaluada en la última etapa de su desarrollo.
5.5. Discusiones e implicaciones
Finalmente, aún en términos de practicidad, el modelo podría evaluar la digitalización
Esta investigación contribuye de diferentes maneras tanto a académicos como a
OSCM de una empresa en un entorno de la vida real proporcionando una herramienta de
profesionales, de la siguiente manera. En primer lugar, emplea un modelo cuantitativo basado
preparación para la autoevaluación que se aplica fácilmente para proporcionar resultados
en conjuntos difusos que permiten cuantificar información cualitativa, inexacta y vaga. Esta
mensurables, otra brecha identificada en los modelos I4.0 existentes.
es una forma valiosa de analizar la evolución del proceso, ya que las opiniones de los
tomadores de decisiones se pueden capturar con mayor precisión y el conocimiento del
6. Conclusiones y recomendaciones
dominio del problema se mantiene en el sistema. El uso de FIS no es nuevo en la literatura
de OSCM (Aqlan y Lam, 2015; Pour­javad y Shahin, 2018), ya que aborda muchos de los
Este estudio propone un modelo novedoso para evaluar la madurez I4.0 de las empresas
desafíos asociados a la naturaleza de la investigación en OM y SCM (Aqlan y Lam , 2015;
manufactureras basado en un sistema experto probabilístico difuso para superar la inexactitud
Azadegan et al., 2011; Corrˆea et al., 2014; Pourjavad y Shahin, 2018; Zanon et al., 2019).
y la incertidumbre de los MM anteriores, abordando la complejidad de la percepción del nivel
Sin embargo, hasta donde saben los autores, esta es la primera vez que se aplica la lógica
de digitalización en OSCM. El estudio se centra en abordar la cuestión de cómo medir la
difusa en la construcción de un MM I4.0 para OSCM.
preparación para la digitalización en las organizaciones manufactureras.
En este documento se ofrecen contribuciones tanto académicas como prácticas. Este
En segundo lugar, el MM propuesto se desarrolla mediante un procedimiento transparente
artículo llena un vacío de investigación al proporcionar un desarrollo teóricamente
y riguroso basado en las etapas ofrecidas en Becker et al. (2009). Esto es relevante, ya que
fundamentado y metodológicamente riguroso de un MM para OSCM4.0.
esta investigación reveló una falta de transparencia respecto de los MM.
14
Machine Translated by Google
RGG Caiado et al.
Revista Internacional de Economía de la Producción 231 (2021) 107883
empresas de manufactura. El valor del modelo presentado radica en la combinación
Como todo estudio, este artículo tiene algunas limitaciones que pueden utilizarse
de rigor científico, relevancia práctica y aplicabilidad directa. OSCM4.0 se evalúa
como nuevas vías para futuras investigaciones. Aunque esta investigación se basó
utilizando FIS para erradicar la ambigüedad humana en un escenario de toma de
en todos los pasos del diseño del modelo de procedimiento ofrecido en Becker et al.
decisiones. El uso de la lógica difusa elimina la ambigüedad en la asignación del
(2009), desde la construcción hasta la aplicación, el modelo puede aprovechar
grado de compatibilidad de una muestra con un concepto semántico en el juicio
trabajos adicionales en su evaluación. El paso de evaluación considera el proceso
humano. Además, las distribuciones probabilísticas de la simulación de Monte Carlo
pueden abordar la incertidumbre estadística. El artículo proporciona un modelo
corporativo multifuncional, debido a la participación de una amplia gama de áreas
cuantitativo diferente para analizar la madurez de I4.0, que puede manejar
funcionales, sin embargo; sólo se evaluó una empresa de un sector industrial
específico con características propias. En el futuro, se deberían realizar varios
información inexacta. Esta investigación también puede ayudar a definir direcciones
estudios de caso en diferentes países y/o sectores (como Salud, Petroquímica y
importantes de Investigación y desarrollo (I+D) al definir un conjunto de directrices
Construcción, a través de una investigación intersectorial), para analizar si existen
en un plan de acción que pueda guiar la investigación futura.
discrepancias significativas en cuanto a la madurez en diferentes contextos.
Desde una perspectiva industrial, este documento presenta una sólida
Otra sugerencia de investigación es realizar una encuesta longitudinal y evaluar la
herramienta de diagnóstico destinada a ayudar a las empresas en su digitalización
madurez en diferentes momentos aplicando una hoja de ruta con objetivos
brindándoles información a través de una guía que les permita descubrir el verdadero
periódicos. También se sugiere realizar un estudio que considere la toma de
nivel de madurez en OSCM4.0. Una contribución práctica relevante es la prescripción
decisiones en grupo con métodos de ayuda a la decisión multicriterio para problemas
de directrices para mejorar el nivel de madurez de OSCM4.0 basadas en el MM
relacionados con I4.0 para resolver puntos de vista conflictivos de los tomadores de decisiones.
conceptual. En general, las empresas luchan por identificar su nivel real de madurez
Finalmente, se sugiere crear un sistema experto estratégico para abordar las
I4.0 y no les queda claro qué acciones deben tomar para mejorar la madurez. Así,
brechas de madurez (entre los estados actuales y esperados), combinado con la
con el modelo propuesto, las organizaciones pueden investigar brechas que
inteligencia de negocios de la organización, y mostrar los resultados en un tablero
obstaculizan la madurez de su OSCM e implementar acciones (directrices) para
para la gestión en tiempo real de la organización.
cerrar esas brechas para desarrollar la madurez de la organización.
Declaración de intereses contrapuestos
Además, con respecto a la práctica empresarial, este trabajo proporciona
conocimientos detallados para respaldar la transición hacia la madurez OSCM4.0
Los autores no informaron ningún posible conflicto de intereses.
de las organizaciones de fabricación. Al igual que DPMM 4.0 (Asdecker y Felch,
2018), OSCM 4.0 es un buen punto de partida para los profesionales que buscan
Expresiones de gratitud
garantizar la competitividad de sus procesos en la era digital que se avecina. El
modelo desarrollado permite a una organización determinar su nivel de madurez
Este trabajo contó con el apoyo del Consejo Nacional de Desarrollo Científico
actual y esperado en cada indicador de preparación digital, comparar su nivel de
y Tecnológico de Brasil (CNPq) – 300007/2019–1 y 311757/2018–9, y de la
madurez actual con otros sitios, unidades de negocios y/o empresas, desarrollar una
Coordinación Brasileña de Perfeccionamiento del Personal de Educación Superior
visión corporativa para la excelencia en la fabricación, identificar posibles medidas
(CAPES) ­ Código de Finanzas 001 ; 88881.198822/2018–01. Los autores también
de mejora y proporcionar orientación sobre el camino del desarrollo. Además, la
agradecen el excelente proceso de revisión realizado por los revisores y el editor.
organización puede utilizar conceptos probabilísticos difusos para ayudar a los
Sus valiosas sugerencias fueron esenciales para mejorar el artículo y su contribución.
gerentes a lograr la excelencia empresarial a través de mejores modelos de decisión.
Apéndice A. Tecnologías I4.0
Tecnología
Descripción
Referencias
CPS
Representa un conjunto de dispositivos físicos que interactúan con el ciberespacio virtual a través de una red de
Lu (2017); Frank y col. (2019)
comunicación, en la que cada dispositivo físico tendrá su parte cibernética como representación digital del dispositivo real,
culminando en modelos de 'gemelos digitales'.
IoT
Se le llama “el mundo de la conectividad generalizada” en el que Internet es el centro de conectividad de todos los dispositivos
Katsma et al. (2011); Bibby y Dehe (2018); Fatorachian
inteligentes y puede crear una red inteligente a lo largo de la cadena de valor a la que se pueden conectar y controlar de
y Kazemi (2018)
forma autónoma máquinas, productos y sistemas.
BDA
Implica el uso de técnicas avanzadas de análisis de datos de IA que utilizan algoritmos de aprendizaje automático y aprendizaje
Babiceanu y Seker (2016); Lamba y Singh (2017); Frank
profundo, un esfuerzo por extraer conocimientos valiosos de grandes cantidades de datos, facilitando la toma de decisiones
y col. (2019)
basada en datos.
Nube
Es un conjunto de tecnologías que proporciona a las organizaciones recursos de infraestructura de TI como un servicio a
Frank y col. (2019)
través de Internet; Cubre todo el ciclo de vida extendido de un producto. Se considera un sistema de fabricación paralelo, en
red e inteligente (la “fabricación en la nube”), ya que recibe apoyo de la computación en la nube, la IoT, la
virtualización y las tecnologías orientadas a servicios.
La seguridad cibernética
Es un campo dedicado a salvaguardar la privacidad, confidencialidad e integridad de los datos almacenados y/o
Babiceanu y Seker (2016); Ghobakhloo (2018)
transmitidos en cualquier formato, dada la enorme y desestructurada cantidad de datos que generan las tecnologías IoT
dentro de la organización.
cadena de bloques
Se le conoce como “el protocolo de confianza” porque es una tecnología de registro distribuido que apunta a la
Wang y cols. (2016)
descentralización como medida de seguridad. Es una base de datos distribuida con una red peer­to­peer, un motor de
consenso y métodos criptográficos.
Fabricación
Refleja el conjunto de tecnologías para desarrollar objetos de fabricación tridimensionales, capa por capa, bajo control por
aditiva
computadora, permitiendo la fabricación de un componente a menudo geométricamente complejo compuesto por una serie
De Carolis et al. (2017); Nascimento et al. (2018)
de capas de material. Las tecnologías más representativas en este campo son la impresión 3D.
RV/RA
En VR la creación de la experiencia inmersiva hace que el usuario sienta que está en otro lugar o viviendo cosas que
Ras et al. (2017)
realmente no existen, mientras que en AR el concepto de realidad está en su estado más puro, es decir, trae al mundo real
elementos que no existen. existir.
Robótica avanzada Los robots avanzados (robots adaptativos o colaborativos) permiten que los sistemas imiten las acciones humanas y funcionen
de forma autónoma. Los sistemas robóticos modernos pueden tener capacidad de aprendizaje.
15
Bibby y Dehe (2018); Ghobakhloo (2018)
Referencia
MM Nombre del
modelo
Fiabilidad/evaluación
Componentes
Alcance
Descripción ligera de la tecnología
SCM.
Sentido práctico
Arquitectura del cuestionario No probado Verificado Validado No transparente
Fabricación
Tolk y Muguira
(2003)
1
•
Niveles de
•
•
•
madurez de
interoperabilidad
conceptual: LCIM
Katsma et al.
2
(2011)
••
Marco de
madurez de IoT
•
•
para sistemas
rockwell
3
Automatización
(2014)
Lichtblau et al.
de cadena
de suministro El
•
•
•
madurez de la
empresa
•
•
Preparación para la Industria 4.0 ­ IMPULS
Brandl (2016)
5
Schumacher y cols.
Gestión de
operaciones
de fabricación
– MOM/
CMM 6 MM para I4.0
COLINA BAJA
•
•
Preparación
(2016)
7
(2016)
Wang y cols.
(2016)
8
I4.0/
Operaciones
Digitales­Autoevaluación
MM de cadena de bloques
– BCMM
Leyh et al. (2016) 9
Integración del
sistema MM I4.0
Qin y cols. (2016)
•
•
•
conectada
(2015)
Geissbauer et al.
•
modelo de
4
­ SIMMI 4.0 10 Un
marco
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
categórico de
fabricación
para
I4.0 y más allá de Smart
•
Jung et al. (2016) 11
•
Fabricación
•
•
Nivel de preparación ­
SMSRL
Ganzarain y
12
Errasti (2016)
Modelo de madurez
•
•
•
•
•
General
recomendar
Mejora
específica
daciones
medidas
•
•
•
del proceso de etapa
para I4.0
Gokalp¨et al.
(2017)
13
De Carolis et al.
14
(2017)
•
Revi
Inter
de
Eco
de
la
Pro
23
(20
10
Machine Translated by Google
I4.0 basado en SPICE
–MM
Digital
•
•
•
•
•
•
•
•
•
Preparación
Evaluación
Modelo de madurez ­
SOÑADOR
Pessl et al. (2017) 15
Capacidad
•
•
Modelo de madurez
Humano
Zheng y Ming
(2017)
16 Un modelo de madurez
•
•
•
para los inteligentes
(Continúa en la siguiente página)
(continuación )
Referencia
Weber y cols.
MM Nombre del
modelo
17
(2017)
taller de
fabricación
Fiabilidad/evaluación
Componentes
Alcance
Descripción ligera de la tecnología
SCM.
Fabricación
•
•
Modelo de
madurez basado en datos
Arquitectura del cuestionario No probado Verificado
Sentido práctico
Validado No
General
transparente
•
•
Fabricación ­
M2DDM
Canetta et al.
18 Un modelo de madurez
(2018)
Oleskow­szlapka
y
Stachowiak
(2018)
Scremin et al.
•
de la digitalización
19
•
•
•
•
madurez de la logística 4.0
20
(2018)
Adopción
•
•
•
•
Modelo de madurez ­
AMM
Rubel et al.
•
•
El modelo de
21
(2018)
•
Modelo de madurez
para la gestión
•
•
•
•
del
modelo de negocio
en
Stefan et al.
22
(2018)
I4.0 Modelo de
•
•
madurez evolutiva
basado en la
Akdil et al.
23
(2018)
migración I4.0
Modelo de madurez y preparación
para el Modelo de
Asdecker y
24
Felch (2018)
Madurez del Proceso
•
•
••
•
•
•
de Entrega de la
Estrategia I4.0
Bibby y Dehe
(2018)
25
­ DPMM 4.0
Evaluación de madurez I4.0
estructura
•
•
Revi
Inter
de
Eco
de
la
Pro
23
(20
10
Machine Translated by Google
•
•
recomendar
Mejora
específica
daciones
medidas
•
•
Machine Translated by Google
RGG Caiado et al.
Revista Internacional de Economía de la Producción 231 (2021) 107883
Apéndice C: Iteraciones de la investigación
Iteración 1
Iteración 2
Método
Requisitos y elementos del modelo
Revisión de la
Nivel de categoría del modelo inicial
Entrevistas
Elemento modelo
literatura Lista de categorías (dimensiones)
Resultados de la prueba
Entrevistas cualitativas a expertos
Lista de categorías (dimensiones)
Evaluación y mejora con FG1
Comparación de MM I4.0 (basado en requisitos)
Nivel de madurez: 1 a 4 Dimensiones: 4
Identificación de elementos clave (niveles y
SCM, Tecnología, Gestión de Operaciones y Ventas, y Conocimiento, Habilidades y Actitud
Proceso
Salidas (estructura
del modelo)
dimensiones) y tecnologías clave
Cambios
–
–
Recopilación de datos
Plazo: hasta julio de 2018 Términos
Plazo: agosto a septiembre de 2018
de búsqueda: 'Industria 4.0'' Y “modelos de madurez”
Duración de la entrevista: ~30–90 min
y sinónimos Bases de datos:
Demografía: 6 expertos que investigan y tienen experiencia en digitalización de fabricación durante más de 5 años (un ingeniero
Scopus, Emerald, Springer, Taylor y Francis, e ISI Web of
mecánico, un ingeniero informático, dos profesores de gestión de operaciones y dos ingenieros de producción)
Science Criterios de selección:
referencias explícitas al I4.0 MM para operaciones de
fabricación y cadenas de suministro
Iteración 3
Proceso
Modelo revisado
(nivel de categoría)
Nivel de subcategoría del
modelo inicial.
Modelo revisado (nivel
Modelo con categorías
Modelo revisado (con
de subcategoría)
detalladas.
categorías detalladas)
e indicadores iniciales
Método
Grupos focales (GF)
Modelo
Lista de subcategorías
Lista de categorías y
Lista de categorías y
Lista detallada de categorías
Lista detallada de categorías
(perspectivas)
subcategorías
FGI3
subcategorías
FGI4
FGI5
FGI6
elemento
Resultados de la prueba FGI2
Modelo propuesto e
indicadores revisados
Lista detallada de categorías
Literatura deductiva
revisar
Salidas
estructura)
(Modelo
Nivel de madurez: 1
a 5 Dimensiones: 2
SCM y POM
Nivel de madurez: 0 a
4 Dimensiones: 2
SCM y POM
Perspectivas: 6
Niveles de
madurez: 0
a4
Nivel de madurez:
Nivel de madurez:
0a4
Dimensiones: 3
0a4
Dimensiones: 3
SCM, integración y
POM
SCM, SCM y POM y
POM
Perspectivas: 9
Perspectivas: 7
Nivel de madurez: 0 a
4 Dimensiones: 3
SCM, SCM y POM y
POM
Perspectivas: 7
Indicadores: 13
Dimensiones: 3
Perspectivas: 7
Indicadores:15
Los resultados de
esta iteración se
presentan en las
Tablas 1, 2 y 3.
Cambios
­ Niveles de madurez:
­ Se cambió el nombre
­ Dimensiones: Se ha
­ La integración de
se revisó la adopción de
conceptos
de los niveles de madurez para
adaptado la dimensión
reflejar el nivel 0 (inexistente)
SCM sin integración
dimensiones ha cambiado a SCM ­ Perspectivas::
ampliadas
&POM para mostrar una visión
­ Dimensiones: derivadas
­ Perspectiva
más amplia de las
significativamente
­ Indicadores revisados.
Dimensión SCM a cuatro
Se ha transformado la
integración en una dimensión,
operaciones externas e internas
­ Categorías detalladas
­ Se consideraron las
ajustadas con enfoque
Integración de perspectiva
derivada en tres.
considerando tres nuevas
perspectivas de
en tecnologías y
indicadores asociados a
personas, procesos y
tecnologías como una
procesos
­ Indicadores derivados
personas, procesos y
de CMM Dimensions.
­ Se agregaron ventas a
perspectivas y derivadas.
Dimensión POM a dos
SCM mientras que se
perspectivas.
perspectivas: personas,
agregó Gestión de
Operaciones a POM.
­ Perspectivas: Relación con
procesos y tecnologías.
proveedores, Logística,
­ Tecnología' y
Relación con clientes,
'Conocimientos,
Integración, Gestión de
Habilidades y Actitud'
producción y
pasaron a formar parte de los dosPlanificación
nuevos
y Control
­ Ampliación de perspectivas
detalladas
tecnologías respectivamente
perspectiva holística también nombrada
de tecnologías/procesos
­ Perspectivas de Calidad y
Mantenimiento agregadas
a la dimensión POM.
Integración
asociados a cada
­ Perspectivas desde
dimensión SCM fueron
perspectiva.
revisado
dimensiones.
­ Perspectivas detalladas
desarrolladas.
Datos
recopilación
Plazo: ~90 min,
diciembre 2018
Plazo: ~75 min,
diciembre 2018
Plazo: ~60 min,
Plazo: ~80 min, enero
Plazo: ~60 min,
enero 2019
de 2019
enero 2019
Datos demográficos de FGI1:
Datos demográficos de FGI2:
Datos demográficos de FGI3:
Datos demográficos de FGI4:
Datos demográficos de FGI5: o
Jefe de Tecnología
Ingeniero industrial con
Ingeniero industrial con
Jefe de Tecnología
Ingeniero industrial con
Oficial (R1), o Ingeniero
experiencia en modelos de
experiencia en modelos
Oficial (R1) o
experiencia en modelos de
industrial con
madurez (R2)
Ingeniero industrial con
madurez (R2)
experiencia en modelos
, Gerente de proyectos con
ágiles y manufactura
experiencia en
, Gerente de Proyecto con
de madurez (R2)
, Investigador principal con
modelos de madurez (R2)
experiencia en modelado
experiencia en
, Gerente de proyectos con
computacional (R5)
integración de datos (R4)
de madurez (R2)
, Consultor I+D
experiencia en proyectos
experiencia en proyectos
, Ingeniero eléctrico con
, Ingeniero eléctrico
con experiencia en
esbelta (R3)
ágiles y manufactura
experiencia en
con experiencia en
automatización
, ingeniero industrial con
esbelta (R3)
, Investigador principal con
mantenimiento (R6)
mantenimiento (R6)
de ingeniería (R10)
experiencia en logística
, ingeniero industrial con
, Ingeniero mecánico
, Artificial
(R7)
experiencia en
experiencia en logística
con experiencia en
Ingeniero de Inteligencia
, Especialista en calidad y
integración de datos (R4)
(R7)
robótica (R8)
(R11)
mantenimiento (R9)
, Gerente de Proyecto con
, Ingeniero mecánico
, Especialista
, Ingeniero civil con
, desarrollador front­end
experiencia en modelado
con experiencia en
en calidad y mantenimiento.
robótica (R8)
(R9)
experiencia en
digitalización
con experiencia de
computacional (R5)
visualización web (R13)
de la construcción (R12)
(Continúa en la siguiente página)
18
Machine Translated by Google
RGG Caiado et al.
Revista Internacional de Economía de la Producción 231 (2021) 107883
(continuación )
Iteración 3
Periodo de tiempo:
demografía:
~ 90 minutos,
Jefe de Tecnología
enero
2019
Ingeniero industrial con
Oficial (R1),
FGI6
experiencia en
modelos de
madurez (R2)
, Mecánico
ingeniero con
experiencia con
robots (R8)
, ingeniero civil con
experiencia con la
construcción
digitalización (R12) o
Científico de datos con
experiencia en
algoritmos de
aprendizaje automático (R14)
, Gerente de Proyectos
con experiencia en
inteligencia de negocios
(R15)
Iteración 4
Iteración 5
Proceso
Modelo con instrumento de evaluación.
Aplicación del modelo
Método
Entrevistas
Método de encuesta de casos
Elemento modelo
Herramienta de evaluación de pruebas (ajuste del cuestionario)
Implementación del modelo (validación empírica)
Resultados de la prueba
Caso de estudio
Estudio de caso múltiple (estudios futuros)
Salidas (estructura
Los resultados de esta iteración se presentan en la sección 4 .
Los resultados de esta iteración se presentan en la sección 5 .
­ Instrumento: Mejoras y mejor refinamiento de ítems/preguntas.
­ Sistema difuso: Simulación para análisis probabilístico de brechas (AS­IS x TO­BE)
del modelo)
Cambios
Recopilación de datos
­ Sistema difuso: desde la adquisición de conocimientos (reglas y funciones de
­ Propuestas de medidas de acción (directrices) basadas en tecnologías clave asociadas al nivel de
membresía) hasta el modelado difuso.
MM y al perfil corporativo.
Plazo: ~60–90 min, de julio de 2019 a agosto de 2019
Plazo: octubre de 2019. Duración: ~30–60 minutos por cada encuestado Datos
Demografía: 7
demográficos: 8
profesionales de un Centro de Referencia en Innovación Tecnológica: o
profesionales del sitio brasileño de una organización manufacturera multinacional (tres gerentes, cuatro
Director de empresa Pyme manufacturera, o Consultor
supervisores y el director)
tecnológico >10 años de experiencia en automatización industrial, o Dos
ingenieros
mecánicos con experiencia en automatización y control de sistemas de
producción, o Dos ingenieros
industriales con experiencia en digitalización en SCM o Ingeniero en automatización
con experiencia en robótica sistemas
Apéndice D. Plan de acción – Directrices
Dimensión
Perspectiva
Acciones guía
SCM
Cliente
1
Inicialmente, esto podría darse a través de una interfaz para la venta, en la que existiría la posibilidad de seleccionar modelos preconfigurados (mayor interacción),
integrados con la posventa con opción de sugerencias y servicios de asistencia. Luego, el entorno de ventas recibiría un módulo de cocreación donde el cliente
podría proponer nuevos productos (personalización) basados en piezas y módulos existentes, y las elecciones y sugerencias realizadas inicialmente servirían
como entrada para modelos avanzados de IA, combinando ML y análisis de sentimiento. para comprender los perfiles de los clientes individuales.
Logística
2
En primer lugar, se requiere una integración completa y segura de la cadena de suministro (integración de procesos) con un equipo preparado para la logística y
soluciones WMS que puedan integrar el almacenamiento y el inventario. A continuación, el vínculo fluido generado entre los nodos de la cadena permite compartir
datos que podrían analizarse con modelos BDA, optimizando la toma de decisiones, mejorando la eficiencia de la comunicación y la coordinación y prediciendo rutas,
ritmos y rutinas de movimiento.
Proveedor
3
Inicialmente, debería haber una plataforma SRM de abastecimiento electrónico para crear comunicación uno a uno entre comprador y proveedor y el uso de tecnología
RFID, así como sensores inteligentes para respaldar la transparencia y la trazabilidad de la cadena de suministro. A continuación, para lograr un intercambio completo
de datos e información en tiempo real, se requiere una ciberseguridad con un enfoque multifuncional que debe ser desarrollada y aplicada por todos los involucrados
en la cadena de suministro. Una alternativa a esto sería el desarrollo de soluciones Blockchain patentadas para compartir información de la cadena de suministro
con múltiples socios. Además, para lograr IoT apoyando la creación de total transparencia en el ecosistema de la cadena de suministro, un sistema SRM 4.0 basado
en aplicaciones móviles y soluciones ERP basadas en la nube que permitirán a su organización trabajar con completo acceso y control remoto.
SCM y
Integración
4
POM
En principio, existe la necesidad de seguir una arquitectura de TI común, estableciendo un estándar de interoperabilidad para el intercambio de datos seguro y
confiable en el espacio de la automatización industrial (por ejemplo, a través de la Arquitectura Unificada de Comunicaciones de Plataforma Abierta ­ OPC UA)
para garantizar la conexión entre los distintos dispositivos. en el piso de la tienda. Luego, para resolver problemas estratégicos de interoperabilidad con respecto a la
heterogeneidad semántica, la organización puede proponer la construcción de ontologías que puedan proporcionar intercambio de información entre sistemas, e
incluso entre personas, resolviendo problemas de comunicación. Dada esta nueva infraestructura, debería ser posible desarrollar e implementar interoperabilidad
dinámica a través de un ecosistema totalmente integrado con procesos autooptimizados y virtualizados, posiblemente logrando un mayor nivel de madurez, lo
que contribuiría aún más a la integración de los dominios OSCM en la empresa.
POM
PPC
5
En primer lugar, debería haber la integración de los sistemas de fabricación, el uso de sensores avanzados de recopilación de datos y el inicio de BDA para la toma de
decisiones inteligentes que puedan guiar la planificación de operaciones y el monitoreo de procesos automáticamente a través de paneles conectados, disminuyendo el
desperdicio a lo largo de la cadena de valor. Luego, basándose en los conocimientos adquiridos a partir de una estructura BDA basada en la nube, las impresoras 3D, utilizadas para
(Continúa en la siguiente página)
19
Machine Translated by Google
RGG Caiado et al.
Revista Internacional de Economía de la Producción 231 (2021) 107883
(continuación )
Dimensión
Perspectiva
Acciones guía
generar productos personalizados bajo demanda, y se asignarán robots y drones colaborativos que busquen reducir los tiempos de inactividad y los riesgos humanos a
procesos clave.
Calidad
6
En primer lugar, la organización debe tener una cultura lean arraigada con el uso continuo de herramientas estadísticas avanzadas de calidad. A partir de esto, la
organización puede virtualizar herramientas Lean e integrarlas con tecnologías digitales como BDA y Learning Factories para lograr Lean 4.0.
Mantenimiento 7
En primer lugar, los robots móviles (por ejemplo, drones) pueden utilizarse en salas de mantenimiento y operaciones o en niveles de inventario y entregas de repuestos,
y la empresa puede centrarse en el uso de realidad virtual/realidad aumentada con modelos 3D para acelerar la formación.
Posteriormente, basándose en los datos generados por varios dispositivos y robots conectados, la organización podrá utilizar algoritmos BDA para monitorear y predecir
automáticamente el mantenimiento de activos en un RCM inteligente, y también podrá mejorar el registro de datos, mediante el uso de dispositivos portátiles y tecnologías
inmersivas ( ej., cámaras térmicas 360 y navegación interactiva).
Referencias
Frank, AG, Dalenogare, LS, Ayala, NF, 2019. Tecnologías de la Industria 4.0:
Patrones de implementación en las empresas manufactureras. En t. J. Prod. Economía. 210, 15­26.
Akdil, KY, Ustundag, A., Cevikcan, E., 2018. Modelo de madurez y preparación para la estrategia de la Industria
Fraser, P., Moultrie, J., Gregory, M., 2002. El uso de modelos/cuadrículas de madurez como herramienta para
4.0. https://doi.org/10.1007/978­3­319­57870­5_4.
evaluar la capacidad de desarrollo de productos. IEEE Internacional. Ing. Gestionar. Conf. 1, 244–249.
Aqlan, F., Lam, SS, 2015. Un marco integrado de base difusa para el riesgo de la cadena de suministro
Ganzarain, J., Errasti, N., 2016. Modelo de madurez en tres etapas en PYMES hacia la industria 4.0. J. Ind. Ing.
evaluación. En t. J. Prod. Economía. 161, 54–63.
Gestionar. 9, 1119­1128.
Asdecker, B., Felch, V., 2018. Desarrollo de un modelo de madurez de la Industria 4.0 para el proceso de
Garza­Reyes, JA, 2020. El futuro de la fabricación: lean 4.0. La fábrica del futuro.
entrega en las cadenas de suministro. J. Modelo. Gestionar. https://doi.org/10.1108/JM2­03­2018­0042.
Disponible en: https://www.thefuturefactory.com/blog/47. (Consultado el 15 de julio de 2020).
Accedido el.
Azadegan, A., Porobic, L., Ghazinoory, S., Samouei, P., Saman Kheirkhah, A., 2011.
Gaviao, LO, Lima, GBA, 2015. Indicadores de sustentabilidade para a educaçao ˜ b´ asica por modelagem difuso.
ˆ
Rev. Eletronica em Gestao, ˜ Educ. y Tecnol. Ambiente. 19, 274–
297.
Lógica difusa en la fabricación: una revisión de la literatura y una aplicación especializada.
En t. J. Prod. Economía. 132, 258–270.
Babiceanu, RF, Seker, R., 2016. Big Data y virtualización para la fabricación de ciber­
Geissbauer, R., Vedso, J., Schrauf, S., 2016. Industria 4.0: construcción de la empresa digital, 2016 Glob. Ind.
Sistemas físicos: un estudio del estado actual y perspectivas futuras. Computadora. Indiana 81, 128­137.
4.0 Supervivencia. Obtenido del sitio web de PwC. https://www.pwc.com/gx/en/industries/industries­4.0/
landing­page/industry­4.0­building­your­digital­e nterprise­april­2016.pdf.1­39.
Becker, J., Knackstedt, R., Poppelbu ¨ ß, J., 2009. Desarrollo de modelos de madurez para la gestión de TI.
Autobús. inf. Sistema. Ing. 1, 213–222.
Ghobakhloo, M., 2018. El futuro de la industria manufacturera: una hoja de ruta estratégica hacia la
Bendul, JC, Blunck, H., 2019. El espacio de diseño de planificación y control de producción para
Industria 4.0. J. Manuf. Tecnología. Gestionar. 29, 910–936.
industria 4.0. Computadora. Indiana 105, 260–272.
Gokalp, ¨ E., Sener, U., Eren, PE, 2017. Desarrollo de un modelo de evaluación para la industria 4.0: industria 4.0­
Bibby, L., Dehe, B., 2018. Definición y evaluación de los niveles de madurez de la industria 4.0: caso del sector
MM. En: Conferencia internacional sobre mejora de procesos de software y determinación
de defensa. Pinchar. Planificar. contra. 29, 1030­1043.
de capacidad, 0–14.
Bienhaus, F., Haddud, A., 2018. Adquisiciones 4.0: factores que influyen en la digitalización de las cadenas de
Gunasekaran, A., Subramanian, N., Ngai, WTE, 2019. Gestión de la calidad en las empresas del siglo XXI:
adquisiciones y suministro. Autobús. Gestión de procesos. J. 24, 965–984.
camino de la investigación hacia la Industria 4.0. En t. J. Prod. Economía. 207, 125­129.
Bogner, E., Voelklein, T., Schroedel, O., Franke, J., 2016. Análisis basado en un estudio sobre el grado actual
de digitalización en la industria manufacturera en Alemania. Procedimiento CIRP 57, 14­19.
Jung, K., Kulvatunyou, B., Choi, S., Brundage, MP, 2016. Una descripción general de un sistema inteligente
Evaluación de la preparación del sistema de fabricación. En: Conferencia internacional IFIP sobre
Bokrantz, J., Skoogh, A., Berlin, C., Wuest, T., Stahre, J., 2019. Mantenimiento inteligente: una conceptualización
avances en sistemas de gestión de producción. Saltador.
empíricamente fundamentada. En t. J. Prod. Economía. 107534. https://doi.org/10.1016/j.ijpe.2019.107534.
Kar, S., Das, S., Ghosh, PK, 2014. Aplicaciones de los sistemas neurodifusos: una breve revisión y un esquema
futuro. Aplica. Computación blanda. 15, 243–259.
Brandl, D., 2016. Nivel de madurez de capacidad de MESA MOM. Papel blanco. Versión 1.0.
Katsma, CP, Moonen, HM, Van Hillegersberg, J., 2011. Sistemas de cadena de suministro que maduran hacia el
Fabricante. Empresa Solut. Asociación.
¨
¨
Büyükozkan, F., 2018.
para futuras
Cadena de suministro digital: revisión de la literatura y un marco propuesto por G., Goçer
Internet de las cosas: un marco. 24ª Conferencia electrónica de Bled ­ eFuture Creat.
Solut. Individual. Organo. Soc. Proc. 478–494.
investigaciones. Computadora. Indiana 97, 157­177.
Klir, GJ, Yuan, B., 1995. Conjuntos difusos y lógica difusa: teoría y aplicaciones, p. 563.
Canetta, L., Barni, A., Montini, E., 2018. Desarrollo de un modelo de madurez de digitalización para el sector
Arriba. Río Silla.
manufacturero. En: 2018 IEEE Int. Conf. Ing. Tecnología. Innov., págs. 1–7.
Koh, L., Orzes, G., Jia, F., 2019. La cuarta revolución industrial (Industria 4.0):
Combs, WE, Andrews, J., 1998. El método de Combs para la inferencia rápida. Sistema difuso.
Mano. 659–680.
disrupción de las tecnologías en las operaciones y la gestión de la cadena de suministro. En t. J. Ópera.
Pinchar. Gestionar. 39, 817–828.
Corˆea, AS, de Assis Mota, A., Mota, LTM, Corˆea, PLP, 2014. Un sistema basado en reglas difusas para
Lamba, K., Singh, SP, 2017. Big Data en operaciones y gestión de la cadena de suministro: tendencias
evaluar el nivel de madurez de interoperabilidad técnica del gobierno electrónico.
actuales y perspectivas futuras. Pinchar. Planificar. contra. 28, 877–890.
Transformar a los gobernadores, Política de proceso 8, 335–356.
Leyh, C., Sch¨ affer, T., Bley, K., Forstenh¨ ausler, S., 2016. SIMMI 4.0: un modelo de madurez para clasificar el
Coughlan, P., Draaijer, D., Godsell, J., Boer, H., 2016. Operaciones y cadena de suministro
panorama de software y TI en toda la empresa centrándose en la industria 4.0. En: Ciencias de la
Gestión: el papel de los académicos y profesionales en el desarrollo de la investigación y la práctica. En t.
Computación y Sistemas de Información (FedCSIS), págs. 1297–1302.
J. Ópera. Pinchar. Gestionar. 36, 1673–1695.
Lichtblau, K., Stich, V., Bertenrath, R., Blum, M., Bleider, M., Millack, A., Schmitt, K.,
Culot, G., Orzes, G., Sartor, M., 2019. Integración y escala en el contexto de la Industria 4.0: las formas
Schmitz, E., Schroter, ¨ M., 2015. Impuls INDUSTRIE 4.0 PREPARACIÓN. Vdma, págs. 1–76.
cambiantes de las cadenas de valor manufactureras. Ing. IEEE. Gestionar. Apocalipsis 1–1.
Cuylen, A., Kosch, L., Breitner, MH, 2016. Desarrollo de un modelo de madurez para
Liebrecht, C., Jacob, A., Kuhnle, A., Lanza, G., 2017. Evaluación multicriterio de sistemas de fabricación
Procesos de factura electrónica. Electrón. Marca. 26, 115­127. https://doi.org/10.1007/s12525­015­0206­x.
4.0 bajo incertidumbre. Procedimiento CIRP 63, 224–229.
Lins, MG, Zotes, LP, Caiado, R., 2019. Factores críticos para la eficiencia y la innovación en
Dalenogare, LS, Benítez, GB, Ayala, NF, Frank, AG, 2018. La contribución esperada de las tecnologías de la
servicios: de una revisión sistemática a una investigación empírica. Calificación total. Gestionar.
Industria 4.0 al rendimiento industrial. En t. J. Prod. Economía. 204, 383–394.
Autobús. Sobresalir. 1–26.
Lu, Y., 2017. Industria 4.0: una encuesta sobre tecnologías, aplicaciones y cuestiones de investigación
De Bruin, T., Rosemann, M., Freeze, R., Kaulkarni, U., 2005. Comprensión de las principales fases del
abiertas. J. Ind. Inf. Integral 6, 1–10.
desarrollo de un modelo de evaluación de la madurez. En: Conferencia de Australasia sobre Sistemas de
Lv, Y., Tu, L., Lee, CK, Tang, X., 2018. Servicio de logística omnicanal basado en IoT en la industria 4.0. En:
Información (ACIS). Capítulo de Australasia de la Asociación de Sistemas de Información, págs. 8­19.
Proc. 2018 IEEE Int. Conf. Serv. Ópera. Logista. Informática, SOLI 2018, págs. 240–243.
De Carolis, A., Macchi, M., Kulvatunyou, B., Brundage, MP, Terzi, S., 2017. Modelos de madurez y herramientas
Maasouman, MA, Demirli, K., 2016. Desarrollo de un modelo de madurez lean para la planificación a
para habilitar sistemas de fabricación inteligentes: comparación y reflexiones para desarrollos
nivel operativo. En t. J. Adv. Fabricante. Tecnología. 83, 1171–1188.
futuros. IFIP Adv. inf. Comunitario. Tecnología. 517, 23–35.
Mamdani, EH, Assilian, S., 1975. Un experimento de síntesis lingüística con un enfoque difuso.
Ding, L., Lam, HKS, Cheng, TCE, Zhou, H., 2018. Una revisión de estudios de eventos a corto plazo en
controlador lógico. En t. J. Man Mach. Semental. 7, 1–13.
operaciones y gestión de la cadena de suministro. En t. J. Prod. Economía. 200, 329–342.
Mankins, JC, 2002. Enfoques para el análisis y la planificación de rutas de investigación y tecnología (I+T)
Eisenhardt, KM, 1989. Tomar decisiones estratégicas rápidas en entornos de alta velocidad.
estratégicas. Acta Astronauta. 51, 3–21.
Acad. Gestionar.
J. 32, 543–576.
¨
Erol, S., Jager, A., Hold, P., Ott, K., Sihn, W., 2016. Industria tangible 4.0: un enfoque de aprendizaje basado
Marx, F., Wortmann, F., Mayer, JH, 2012. Un modelo de madurez para los sistemas de control de gestión: cinco
pasos evolutivos para guiar el desarrollo. Autobús. inf. Sistema. Ing. 4, 193–207.
en escenarios para el futuro de la producción. Procedimiento CIRP 54, 13­18.
Fatorachian, H., Kazemi, H., 2018. Una investigación crítica de la Industria 4.0 en
Mendes, P., Leal, JE, Thom´e, AMT, 2016. Un modelo de madurez para cadenas de suministro impulsadas por la
Manufactura: marco teórico de operacionalización. Pinchar. Planificar. contra. 29, 633–644.
demanda en la industria de bienes de consumo. En t. J. Prod. Economía. 179, 153–165.
Meng, Y., Yang, Y., Chung, H., Lee, PH, Shao, C., 2018. Mejora de la sostenibilidad y la eficiencia energética en
fábricas inteligentes: una revisión. Sostener. Veces 10, 1–28.
20
Machine Translated by Google
RGG Caiado et al.
Revista Internacional de Economía de la Producción 231 (2021) 107883
Mettler, T., 2009. Una perspectiva de investigación en ciencias del diseño sobre modelos de madurez en
Scurati, GW, Gattullo, M., Fiorentino, M., Ferrise, F., Bordegoni, M., Uva, AE, 2018.
sistemas de información, vol. 41.
Conversión de acciones de mantenimiento en símbolos estándar para aplicaciones de Realidad
Mittal, S., Khan, MA, Romero, D., Wuest, T., 2018. Una revisión crítica de los sistemas inteligentes
Aumentada en la Industria 4.0. Computadora. Indiana 98, 68–79.
Modelos de madurez de fabricación e Industria 4.0: implicaciones para las pequeñas y medianas empresas
Seuring, S., Gold, S., 2012. Realización de revisiones de literatura basadas en análisis de contenido en la
(PYME). J. Manuf. Sistema. 49, 194–214.
gestión de la cadena de suministro. Gerente de Cadena de Suministro Un internacional. J. 17, 544–555.
Mourtzis, D., Fotia, S., Boli, N., Vlachou, E., 2019. Modelado y cuantificación de
Siddique, N., Adeli, H., 2013. Inteligencia computacional: sinergias de lógica difusa, redes neuronales y
Complejidad de fabricación de la industria 4.0 basada en la teoría de la información: un estudio de caso de
computación evolutiva. Nueva Jersey Wiley, Hoboken.
´
Skapinyecz, R., Ill´es, B., Banyai, 2018. Aspectos logísticos de la industria 4.0. Conferencia de la PIO. Ser.
robótica. En t. J. Prod. Res. 1–14, 0.
Nascimento, DLM, Alencastro, V., Quelhas, OLG, Caiado, RGG, Garza­Reyes, JA, Lona, LR, Tortorella, G., 2018.
Madre. Ciencia. Ing. 448, 0–11.
Explorando las tecnologías de la Industria 4.0 para permitir prácticas de economía circular en un contexto
Sony, M., 2019. Ingredientes clave para evaluar la preparación de la industria para las organizaciones: una revisión
de fabricación: un negocio propuesta de modelo.
de la literatura. Índice de referencia internacional. J. https://doi.org/10.1108/BIJ­09­2018­0284.
Stefan, L., Thom, W., Dominik, L., Dieter, K., Bernd, K., 2018. Concepto de
J. Manuf. Tecnología. Gestionar. 32, 942–954.
Nord, F., Dorbecker, R., Bohmann, T., 2016. Estructura, contenido y uso de catálogos de servicios de TI: análisis
Modelo de migración de Industria 4.0 basado en la madurez evolutiva. Procedia CIRP 72,
404–409.
empírico y desarrollo de un modelo de madurez. Proc. Año.
Tangpong, C., 2011. Enfoque analítico de contenido para medir elementos en operaciones y gestión de la cadena
Internacional de Hawái. Conf. Sistema. Ciencia. 2016­marzo de 1642­1651.
Oesterreich, TD, Teuteberg, F., 2016. Comprender las implicaciones de la digitalización y la automatización en el
de suministro. J. Ópera. Gestionar. 29, 627–638.
contexto de la Industria 4.0: un enfoque de triangulación y elementos de una agenda de investigación para la
Thom´e, AMT, Scavarda, LF, Scavarda, AJ, 2016. Realización de una revisión sistemática de la literatura en gestión
industria de la construcción. Computadora. Indiana 83, 121­139.
de operaciones. Pinchar. Planificar. contra. 27, 408–420.
Oleskow­szlapka, J., Stachowiak, A., 2018. El marco del modelo de madurez de la logística 4.0. En: Congreso
Tolk, A., Muguira, J., 2003. Los niveles del modelo de interoperabilidad conceptual. Caída simultánea.
Internacional de Sistemas Inteligentes en Ingeniería de Producción y Mantenimiento. https://
Trabajo de Interoperabilidad. 1–9.
doi.org/10.1007/978­3­319­97490­3, 0–11.
Tortorella, G., Nascimento, D., Caiado, R., Posada, JGA, Sawhney, R., 2019. ¿Cómo contribuyen las diferentes
Osiro, L., Lima­Junior, FR, Carpinetti, LCR, 2014. Un enfoque de lógica difusa para la evaluación de proveedores para
generaciones al desarrollo de una organización de aprendizaje en empresas que pasan por una
el desarrollo. En t. J. Prod. Economía. 153, 95­112.
implementación de producción ajustada? Aprender. Organo.
Pedroso, CB, Calache, LDDR, Lima Junior, FR, Silva, AL da, Carpinetti, LCR, 2017. Propuesta de un modelo para
Tremblay, MC, Hevner, AR, Berndt, DJ, 2010. Grupos focales para el refinamiento y la evaluación de artefactos en
la evaluación de la madurez de la planificación de ventas y operaciones (S&OP). Producción 27, 1–17.
la investigación de diseño. Comunitario. Asociación. inf. Sistema. 26, 599–618.
Vose, D., 2008. Análisis de riesgos: una guía cuantitativa. John Wiley Sons, Nueva York.
Pedrycz, W., Gomide, F., 2007. Ingeniería de sistemas difusos: hacia lo centrado en lo humano
Voss, C., 2010. Investigación de casos en gestión de operaciones. Res. Ópera. Gestionar. Rouledge,
págs. 176­209.
Computación (Nueva Jersey).
Pessl, E., Romina Sorko, S., Mayer, B., 2017. Hoja de ruta de la industria 4.0: implementación
Wang, H., Chen, K., Xu, D., 2016. Un modelo de madurez para la adopción de blockchain. Finanzas.
Innovación. 2.
directriz para las empresas. En t. J. Ciencias. Tecnología. Soc. 5, 193–202.
Pourjavad, E., Shahin, A., 2018. La aplicación del sistema de inferencia difusa Mamdani en la evaluación del
Wang, Y., Singgih, M., Wang, J., Rit, M., 2019. Entender la tecnología blockchain: ¿cómo transformará las cadenas
desempeño de la gestión de la cadena de suministro verde. En t. J. Sistema difuso. 20, 901–912.
de suministro? En t. J. Prod. Economía. 211, 221–236. https://doi. org/10.1016/j.ijpe.2019.02.002.
Qin, J., Liu, Y., Grosvenor, R., 2016. Un marco categórico de fabricación para
Weber, C., Konigsberger, ¨ J., Kassner, L., Mitschang, B., 2017. M2DDM: un modelo de madurez para la fabricación
Industria 4.0 y más allá. Procedimiento CIRP 52, 173–178.
basada en datos. Procedimiento CIRP 63, 173–178.
R Core Team, 2019. R: Un lenguaje y entorno para la informática estadística. Viena R
Weinschenk, JJ, Marks, RJ, Combs, WE, 2003. Sistemas difusos URC en capas: un vínculo novedoso entre sistemas
Encontró. Estadística. Computadora. https://www.R­project.org/.
difusos y redes neuronales. En: Proc. En t. Jt. Conf. Redes neuronales, vol. 4, págs. 2995–3000.
Rahmanifard, H., Plaksina, T., 2019. Aplicación de técnicas de inteligencia artificial en la industria petrolera: una
revisión. Artif. Intel. Apocalipsis 52, 2295–2318.
Weking, J., Stocker, ¨ M., Kowalkiewicz, M., Bohm, ¨ M., Krcmar, H., 2019. Aprovechamiento de la industria 4.0:
Ras, E., Wild, F., Stahl, C., Baudet, A., 2017. Reducir la brecha de habilidades de los trabajadores en la industria 4.0
un marco de patrón de modelo de negocio. En t. J. Prod. Economía. https://doi. org/10.1016/j.ijpe.2019.107588.
mediante herramientas de aumento del desempeño humano. En: Proc. 10° Int. Conf. Tecnología PErvasiva.
Relacionado. Para asistir. Reinar. ­ PETRA '17, págs. 428–432.
Wong, BK, Lai, VS, 2011. Un estudio sobre la aplicación de la teoría de conjuntos difusos en la gestión de producción
Rockwell Automation, 2014. El modelo de madurez empresarial conectada. Ind. Conectada,
y operaciones: 1998­2009. En t. J. Prod. Economía. 129, 157–168.
4,0 1–12.
Zadeh, LA, 1965. Conjuntos difusos. inf. Control 8, 338–353.
Roglinger, ¨ M., Poppelbu ¨ ß, J., Becker, J., 2012. Modelos de madurez en la gestión de procesos de negocio.
Zaidin, NHM, Diah, MNM, Po, HY, Sorooshian, S., 2018. Gestión de la calidad en
Autobús. Gestión de procesos. J. 18, 328–346.
Era de la industria 4.0. J. Gestionar. Ciencia. 8, 82–91.
Zanón, LG, Munhoz Arantes, RF, Calache, LDDR, Carpinetti, LCR, 2019.
Rübel, S., Emrich, A., Klein, S., Loos, P., 2018. Un modelo de madurez para el modelo de negocio
Gestión en la industria 4.0. Multikonferenz Wirtschaftsinformatik. En: MKWI 2018 ­ Bus multiconferencia.
Un modelo de toma de decisiones basado en inferencia difusa para predecir el impacto de los indicadores
Informática, MKWI 2018 2018­marzo, págs. 2031­2042.
SCOR® en el valor percibido por el cliente. En t. J. Prod. Economía. 107520.
Schuh, G., Anderl, R., Gausemeier, J., Hompel ten, M., Wahlster, W., 2017. Índice de madurez de la Industria 4.0.
Zheng, M., Ming, X., 2017. Construcción de un sistema ciberfísico inteligente integrado
Estudio Acatech 62.
Talleres de fabricación: un estudio de caso en la industria del automóvil. Adv. Mec. Ing. 9, 1–17.
Schumacher, A., Erol, S., Sihn, W., 2016. Un modelo de madurez para evaluar la preparación y la madurez de las
empresas manufactureras para la Industria 4.0. Procedimiento CIRP 52, 161–166.
Zimmermann, HJ, 2010. Teoría de conjuntos difusos. Wiley Interdisciplinario. Rev. Computación. Estadística. 2,
317–332.
Scremin, L., Armellini, F., Brun, A., Solar­Pelletier, L., Beaudry, C., 2018. Hacia una
Marco para evaluar la madurez de las empresas manufactureras en la adopción de la Industria 4.0. https://
doi.org/10.4018/978­1­5225­3468­6.ch012.
21