Aplicación de analítica de datos para la mejora del cumplimiento de entregas en la planeación de producción por proyecto en una Pequeña y Mediana Empresa (PyME) metalmecánica dedicada a la fabricación de silos industriales
DOI:
https://doi.org/10.33448/rsd-v15i4.50931Palabras clave:
Digitalización, Big Data, Planeación de producción, PyMEs metalmecánicas, Cumplimiento de entregas, Ingeniería Industrial.Resumen
La transformación digital se ha convertido en un factor clave para mejorar la competitividad de las pequeñas y medianas empresas (PyMEs) del sector metalmecánico. En este estudio se presenta la aplicación de un modelo de analítica de datos orientado a la planeación de producción por proyecto en una PyME dedicada a la fabricación de silos industriales y componentes complementarios. El objetivo principal fue mejorar el porcentaje de cumplimiento de entregas (On-Time Delivery, OTD) mediante el uso de herramientas digitales accesibles. La metodología empleada se basó en el análisis de datos operativos simulados correspondientes a un periodo de seis meses, los cuales incluyeron variables relacionadas con volumen de producción, carga de trabajo, retrabajos, logística y disponibilidad de transporte. El modelo predictivo fue implementado en Google Colab utilizando técnicas de regresión para estimar el desempeño mensual del sistema productivo. Los resultados obtenidos muestran que el modelo de regresión lineal múltiple presentó un coeficiente de determinación R² = 0.862, lo que indica una alta capacidad explicativa del comportamiento del indicador On-Time Delivery (OTD). El análisis histórico evidenció un cumplimiento promedio de 69.36%, mientras que, bajo un escenario de optimización operativa caracterizado por reducción de retrabajos, disminución de días en producto terminado y mejora en la disponibilidad de transporte, el modelo proyectó un incremento hasta 81.92%, representando una mejora de 12.56 puntos porcentuales. Estos resultados evidencian el potencial de la analítica de datos como herramienta de apoyo para la planeación productiva en PyMEs metalmecánicas.
Referencias
APICS. (2018). Supply chain operations reference model (SCOR). APICS.
Benítez Torres, S. G., & Barrezueta Avellán, F. F. (2023). Big Data y analítica predictiva en la toma de decisiones empresariales. Revista de Investigación y Gestión, 7(1), 35–46. https://editorialinnova.com/index.php/rig/article/view/103/314
Cevallos Guamán, E. J., Jacho Gallo, A. K., & Córdova Vaca, A. M. (2024). Big data y analítica predictiva en la toma de decisiones empresariales. Revista Ingenio Global, 4(1), 45–58.
Chávez, J. A., & Rodríguez, M. E. (2022). Big Data y su incidencia en la gestión de la cadena de suministro. Innovare: Revista de Ciencia y Tecnología, 11(1), 89–101. https://portalderevistas.uam.edu.ni/index.php/iyA/article/view/158/132
Choi, T. M., Wallace, S. W., & Wang, Y. (2018). Big data analytics in operations management. Production and Operations Management, 27(10), 1868–1883.
Cordoves Mustelier, D., & Frutos, M. (2024). Impacto y evolución del big data en la logística: Una revisión exhaustiva de tendencias y prácticas actuales. Revista Científica de Logística y Transporte, 6(2), 112–128.
Gómez, M. A., & Herrera, D. J. (2023). El uso del Big Data en la gestión de la cadena de suministro: Ventajas competitivas y desafíos para las organizaciones. Innovación y Argumentación, 4(2), 45–59. https://portalderevistas.uam.edu.ni/index.php/iyA/article/view/158/132
González-Morales, A., & Hernández-Ramírez, C. (2022). Transformación digital en PyMEs manufactureras mexicanas: Desafíos y oportunidades. Revista de Innovación y Tecnología, 8(2), 45–59.
Gunasekaran, A., Papadopoulos, T., Dubey, R., Wamba, S., Childe, S., Hazen, B., & Akter, S. (2017). Big data and predictive analytics for supply chain and organizational performance. Journal of Business Research, 70, 308–317.
Instituto Nacional de Estadística y Geografía (INEGI). (2023). Censos Económicos 2023. Gobierno de México.
Ivanov, D., Dolgui, A., & Sokolov, B. (2019). The impact of digital technology and Industry 4.0 on supply chain resilience. International Journal of Production Research, 57(3), 829–846.
Kagermann, H., Wahlster, W., & Helbig, J. (2013). Recommendations for implementing the strategic initiative Industrie 4.0. Acatech.
Marín, F., & Sciolla, M. (2023). Big Data como herramienta de mejora de la cadena de suministro. Universidad Nacional de La Plata. https://sedici.unlp.edu.ar/bitstream/handle/10915/177360/Documento_completo.pdf
Mayer-Schönberger, V., & Cukier, K. (2013). Big data: A revolution that will transform how we live, work, and think. Houghton Mifflin Harcourt.
OECD. (2019). OECD SME and entrepreneurship outlook 2019. OECD Publishing.
Pereira, A. S., Shitsuka, D. M., Parreira, F. J., & Shitsuka, R. (2018). Metodologia da pesquisa científica. Santa Maria: UAB/NTE/UFSM.
Ramírez-Treviño, J., & Soto-López, D. (2023). Adopción de Big Data y digitalización en el sector metalmecánico mexicano. Revista de Ingeniería Industrial Latinoamericana, 12(1), 112–130.
Risemberg, R. I. C., Wakin, M., & Shitsuka, R. (2026). A importância da metodologia científica no desenvolvimento de artigos científicos. E-Acadêmica, 7(1), e0171675. https://doi.org/10.52076/eacad-v7i1.675
Romero, L. A. (2023). Big Data y transformación digital en la gestión de la cadena de suministro: Análisis de tendencias y aplicaciones en América Latina [Trabajo final de grado, Universidad Nacional de La Plata].
Salazar López, C. A. (2022). Implementación de analítica de datos y Big Data en la cadena de suministro para la optimización logística en empresas manufactureras peruanas [Tesis de maestría, Pontificia Universidad Católica del Perú]. Repositorio Institucional PUCP. https://tesis.pucp.edu.pe/server/api/core/bitstreams/9f855091-750e-422d-be5c-7ba08a0d8481/content
Slack, N., Brandon-Jones, A., & Johnston, R. (2016). Operations management (8th ed.). Pearson.
Vailos. (2023). Big Data en la cadena de suministro. https://www.vailos.com/big-data-en-la-cadena-de-suministro/
Waller, M. A., & Fawcett, S. E. (2013). Data science, predictive analytics, and big data: A revolution that will transform supply chain design and management. Journal of Business Logistics, 34(2), 77–84.
Zhong, R. Y., Newman, S. T., Huang, G. Q., & Lan, S. (2016). Big data for supply chain management in the service and manufacturing sectors.
Computers & Industrial Engineering, 101, 572–591.
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Andrik Erick Castillo Leyva, Francisca Santana Robles
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores que publican en esta revista concuerdan con los siguientes términos:
1) Los autores mantienen los derechos de autor y conceden a la revista el derecho de primera publicación, con el trabajo simultáneamente licenciado bajo la Licencia Creative Commons Attribution que permite el compartir el trabajo con reconocimiento de la autoría y publicación inicial en esta revista.
2) Los autores tienen autorización para asumir contratos adicionales por separado, para distribución no exclusiva de la versión del trabajo publicada en esta revista (por ejemplo, publicar en repositorio institucional o como capítulo de libro), con reconocimiento de autoría y publicación inicial en esta revista.
3) Los autores tienen permiso y son estimulados a publicar y distribuir su trabajo en línea (por ejemplo, en repositorios institucionales o en su página personal) a cualquier punto antes o durante el proceso editorial, ya que esto puede generar cambios productivos, así como aumentar el impacto y la cita del trabajo publicado.
