Análisis estocástico de escenarios operativos para una línea de producción de quesitos : una aproximación basada en Factory Physics, CVaR y dominancia estocástica

Abstract

El presente trabajo evaluó el desempeño de una nueva línea de producción de quesitos en una planta del sector lácteo colombiano mediante un modelo de simulación estocástica fundamentado en el marco teórico de Factory Physics (Hopp & Spearman, 2008). El sistema comprende dos etapas críticas en serie: una etapa de evacuación en cuatro tinas polivalentes y una etapa de empaque manual, operando en turnos de ocho horas con entre trece y dieciocho operarios. La capacidad nominal asciende a aproximadamente 4.600 unidades por turno, frente a un rendimiento real cercano a 2.800 unidades, lo que evidencia una utilización del 60 % y motiva la pregunta central: ¿qué configuración operativa maximiza la eficiencia sin comprometer la estabilidad frente al riesgo? Para responder esta pregunta se construyeron seis escenarios operativos base actual, optimista, pesimista, 100 % de leche retentada, CONWIP activo y turno ampliado a doce horas simulados mediante Monte Carlo con 5.000 réplicas independientes. Cada réplica calculó las tres eficiencias adimensionales de Factory Physics: eficiencia de throughput (η_TH), eficiencia de tiempo de ciclo (η_CT) y eficiencia de inventario en proceso (η_WIP). El análisis comparativo empleó cinco métricas: esperanza, probabilidad de superar el umbral del 85 %, Conditional Value-at-Risk al 95 % (CVaR), un score compuesto multicriterio inspirado en Markowitz (1952) y verificación de dominancia estocástica de primer orden. Los resultados arrojaron tres hallazgos principales. Primero, en cinco de los seis escenarios la etapa de evacuación actúa como cuello de botella en prácticamente el 100 % de las réplicas, constituyendo una restricción estructural del sistema. Segundo, las tres intervenciones de capital evaluadas garantía de leche retentada, CONWIP y turno extendido generaron retornos negativos de −6,86x, −3,26x y −1,91x respectivamente, todos por debajo del umbral mínimo aceptable. Tercero, el escenario optimista, basado en reducir la variabilidad de los tiempos de proceso sin inversión adicional, alcanzó un CVaR del 46,2 % frente al 7,6 % del escenario base, posicionándose en la frontera eficiente riesgo-rendimiento. Se concluye que, dado que la inversión en la línea representa un costo hundido, la palanca de mejora prioritaria consiste en programas de estandarización del trabajo y reducción de tiempos de cambio mediante SMED (Shingo, 1985), antes que en intervenciones de capacidad o política de inventario. El estudio aporta un diagnóstico cuantitativo directamente aplicable a la operación y una metodología replicable que integra Factory Physics, simulación de Monte Carlo y métricas de riesgo coherentes para la toma de decisiones bajo incertidumbre.