Issuu on Google+

UNIVERSIDAD POLITECNICA DE MADRID ESCUELA TECNICA SUPERIOR DE INGENIEROS INDUSTRIALES

Uso de la Simulación y Seis Sigma para la Mejora del Área de Migración del Aeropuerto de San Pedro Sula Trabajo de Investigación Tutelado

Doctorado en Gestión de la Tecnología

Alumno: Ing. Jared R. Ocampo Profesor: Dr. Antonio Vizán


Contenidos CapĂ­tulo 1. Planteamiento del Estudio..4 1.1 1.2 1.3 1.4 1.5

IntroducciĂłn..4 Objetivos5 Alcance..7 OrganizaciĂłn del documento.....7 MotivaciĂłn para el desarrollo del trabajo..9

CapĂ­tulo 2. Marco TeĂłrico...10 2.1

2.2 2.3 2.4 2.5 2.6

El mĂŠtodo DMAIC para el mejoramiento10 2.1.1 Definir...11 2.1.2 Medir.12 2.1.3 Analizar14 2.1.4 Mejorar.16 2.1.5 Controlar..17 SimulaciĂłn de eventos discretos.18 Pasos para desarrollar un estudio de simulaciĂłn.21 Uso de la simulaciĂłn en aeropuertos..26 CorrelaciĂłn entre seis sigma y simulaciĂłn.27 Paradigma de simulaciĂłn de Flexsim.29

CapĂ­tulo 3. MetodologĂ­a...34 3.1 3.2 3.3 3.4 3.5

Fase 1..34 Fase 2..35 Fase 3..39 Fase 4..41 Fase 5..43

CapĂ­tulo 4. ImplementaciĂłn45 4.1 4.2

Identificar y definir el problema que debe resolverse..45 4.1.1 Charter del proyecto..45 Construir un modelo del sistema para medir su desempeĂąo.47 4.2.1 Mapa SIPOC del sistema.47 4.2.2 Diagrama de flujo y recolecciĂłn de datos..48 4.2.2.1 Diagrama de flujo de sistema.48 4.2.2.2 Tasa de llegada de pasajeros y maletas..52 1


4.3

4.4

4.5 CapĂ­tulo 5 5.1 5.2 5.3

4.2.2.3 Tiempos de procesamiento en las estaciones55 4.2.2.4 AnĂĄlisis estadĂ­stico de los datos numĂŠricos57 Analizar el sistema mediante simulaciĂłn...62 4.3.1 Arribo de pasajeros62 4.3.2 Filas de espera y procesadores...65 4.3.3 Llegada y recolecciĂłn de equipaje..67 4.3.4 InspecciĂłn de maletas y salida del sistema...68 4.3.5 VerificaciĂłn y validaciĂłn del modelo de simulaciĂłn.69 Explorar escenarios para mejorar el desempeĂąo del sistema72 4.4.1 IdentificaciĂłn de causas del problema72 4.4.2 OptimizaciĂłn del nĂşmero y distribuciĂłn de oficiales74 4.4.3 Llenado de los formularios de migraciĂłn y aduana.78 4.4.4 Programar un proyecto para recuperaciĂłn de equipaje..80 Implementar un sistema para mantener y controlar la mejora81 Conclusiones y Recomendaciones.82 Conclusiones sobre la metodologĂ­a utilizada....82 Conclusiones sobre los resultados obtenidos...82 Recomendaciones.83

BibliografĂ­a....85

2


Capítulo 1. 1.1

PLANTEAMIENTO DEL ESTUDIO

Introducción Tanto para un viajero extranjero que viene por primera vez a Honduras

como para uno nacional que regresa al país luego de una larga estadía fuera, el aeropuerto es la primera imagen que este viajero tiene del país. Lastimosamente esta primera imagen en aeropuertos como el Ramón Villeda Morales de San Pedro Sula, Honduras significa una larga y tediosa espera antes de poder recoger su equipaje y ser luego autorizado para salir de la terminal del aeropuerto. Son muchas las quejas que la Cámara de Comercio e Industrias de Cortes recibe de parte de sus socios referente al largo tiempo que les toma a ellos y al resto de pasajeros ingresar finalmente al país (Reina, 2010). Es por eso que se solicitó un estudio de la situación actual del área de arribo de pasajeros del aeropuerto de San Pedro Sula y la propuesta de posibles soluciones para esta problemática. Como es sabido, para mejorar la calidad de un sistema de servicio tal como el área de arribo de pasajeros del aeropuerto, es necesario utilizar un enfoque formal al análisis del desempeño del sistema y a la búsqueda de formas de mejorar dicho desempeño. Ejemplos muy utilizados en la industria de este tipo de enfoques son el PDCA de Shewhart (Planificar, Hacer (do), Revisar (check), Actuar), modificado luego por Deming a PDSA (Planificar, Hacer (do), Estudiar (study), Actuar) y el DMAIC (Definir, Medir, Analizar, Mejorar (improve), Controlar) usado por la metodología de mejora de procesos Seis Sigma. Todos estos métodos son iterativos y están basados en el método científico el cual plantea la formulación de una hipótesis, la realización de experimentos bajo dicha hipótesis y la evaluación de los resultados de dichos experimentos. En años recientes, los conceptos de Seis Sigma se han convertido en la forma estándar de resolver problemas operacionales y de diseño tanto en la manufactura como en los sistemas de servicio (Standridge y Marvel, 2006). También la construcción de modelos de simulación es una herramienta poderosa 3


usada frecuentemente para resolver situaciones complejas en ambos tipos operaciones. De hecho, en la literatura se encuentran varios ejemplos en los que se utilizaron modelos de simulación para buscar mejoras en eficiencia en procesos aeroportuarios tales como mostradores de facturación, puntos de revisión de seguridad, tráfico de aviones, etc. Sin embargo a pesar de su gran utilidad, no existen precedentes de estudios mediante metodología Seis Sigma o modelos de simulación hechos en los aeropuertos de Honduras. Por lo tanto, para plantear mejoras en el área de recibo de pasajeros se utilizará la metodología DMAIC usada en Seis Sigma en conjunto con la construcción de un modelo de simulación de eventos discretos para analizar y mejorar el sistema actual. El presente trabajo describe la metodología seguida para presentar una propuesta que mejore la operación del área de migración del Aeropuerto Ramón Villeda Morales de San Pedro Sula. Esta metodología se basa en la técnica de resolución de problemas DMAIC y la creación de un modelo de simulación del área de arribo de pasajeros internacionales. El modelo toma en consideración las cantidades y proporciones de pasajeros que viajan hacia San Pedro Sula, esta información es introducida al modelo y así se corren diferentes escenarios para obtener la mejor asignación de oficiales que minimice el tiempo de espera de los pasajeros en migración. Esta metodología permitió la optimización de la asignación de los oficiales de migración en esta área y la propuesta de otras soluciones para mejorar el funcionamiento de este sector del aeropuerto. Los resultados obtenidos son presentados en este trabajo.

1.2

Objetivos Este estudio pretende ser el primer paso hacia la propuesta de una

metodología de mejora continua mediante la utilización del proceso de resolución de problemas DMAIC y la construcción y utilización de modelos de simulación de los sistemas que se tratan de mejorar (DMAIC-Sim). El objetivo principal es que esta metodología desarrollada pueda ser usada inicialmente para disminuir el tiempo de tránsito de los pasajeros por el área de migración del aeropuerto Ramón Villeda Morales. Sin embargo, en el futuro se espera que esta metodología pueda 4


ser utilizada para mejorar otras operaciones del aeropuerto y las de otros aeropuertos en el país. Adicionalmente se espera que este trabajo conduzca a la propuesta de una metodología genérica que utilice los principios DMAIC y el uso de la simulación de eventos discretos para analizar diferentes escenarios en cualquier tipo de sistemas que requieran mejora. Esta propuesta buscará volver más eficientes las operaciones de empresas de manufactura y de servicio. Para poder caracterizar el proyecto a realizar (fases Definir y Medir de la metodología DMAIC) y para elaborar los modelos de simulación de procesos y sistemas, es requerido obtener datos estructurales (objetos y entidades), lógicos (flujos y decisiones) y numéricos (tiempos y niveles) de los procesos y sistemas que se intentan modelar. Por lo tanto, es el objetivo de este estudio revisar la información que el aeropuerto tiene disponible y adquirir mediante la observación y toma de tiempos los datos que no se tienen disponibles. Dichos datos deben de ser luego convertidos a lógica de programación y distribuciones estadísticas que permitan su uso dentro del software de simulación elegido. También se establece como objetivo la creación de un modelo de simulación válido del área de arribo de pasajeros del Aeropuerto Internacional de San Pedro Sula. Este modelo de simulación debe de ser capaz de reproducir el comportamiento real del área de arribos, con sus filas, tiempos de atención y cuellos de botella, así como reaccionar a cambios en políticas de atención en áreas tales como migración, revisión de equipaje, etc. La construcción de este modelo de simulación permitirá realizar la experimentación y optimización de ciertas políticas de atención en migración y en el manejo de pasajeros necesarias en las fases de Analizar y Mejorar de la metodología DMAIC para este sistema en particular. Dicha experimentación y análisis está encaminada a ofrecer recomendaciones a la administración del aeropuerto que les permita disminuir el tiempo que los pasajeros pasan en el sistema, desde que arriban al aeropuerto hasta que salen de la terminal.

5


1.3

Alcance El proceso de mejora a desarrollar y el modelo de simulación a construir

como parte de este trabajo no considerarán todo el aeropuerto y sus operaciones, sino que se limitará al área de arribo de pasajeros que llegan al aeropuerto en aviones comerciales. El sistema que se analizará y modelará tomará entidades que arriban a partir del pasillo en el primer piso, al pie de las escaleras, y culminará con los pasajeros saliendo del área de migración a través de las puertas de apertura automática. Los escenarios que serán estudiados se limitarán a explorar cómo se comporta el sistema ante cambios en la política de atención en las áreas de migración y búsqueda e inspección de equipaje dentro del área de arribo de pasajeros del aeropuerto.

1.4

Organización del documento Este trabajo está organizado en cinco secciones principales:

Planteamiento del estudio Esta sección contiene la introducción y antecedentes, la definición de los objetivos, el alcance y la motivación del estudio.

Marco teórico Esta sección revisará la teoría detrás del método de mejora de procesos DMAIC, de la simulación de eventos discretos y su aplicación al flujo de pasajeros en aeropuertos. También se revisará el paradigma de programación del software elegido para desarrollar el modelo (Flexsim Simulation Software) y los conceptos detrás de la construcción y optimización de modelos de simulación.

Metodología En esta sección se presenta la metodología propuesta para la resolución de problemas combinando el método DMAIC con la construcción y utilización de modelos de simulación de eventos discretos (llamado DMAIC-Sim). Esta metodología será puesta a prueba en la propuesta de mejora para la 6


disminución del tiempo de tránsito de los pasajeros por el área de migración del aeropuerto. •

Implementación Esta sección está dividida en cinco partes, que corresponden a las 5 etapas del proceso DMAIC-Sim que se siguió en el estudio para la propuesta de mejora realizada en el área de migración: o Identificar y definir el problema que debe resolverse – En esta parte se define con precisión la oportunidad de mejora que será explorada dentro del área de arribo de pasajeros del aeropuerto. o Construir un modelo del sistema para medir su desempeño – Aquí se presentan los datos estructurales, operacionales y numéricos que fueron recolectados del sistema y que son necesarios para la construcción del modelo de simulación. Este modelo será usado para evaluar y determinar el estado presente del proceso. o Analizar el sistema mediante simulación para identificar causas que afectan su desempeño – En esta sección se explica la construcción del modelo de simulación del sistema en el estado actual usando el software Flexsim. Este modelo será usado para analizar el presente estado del sistema y como plataforma para explorar mejoras en un estado futuro. Se explica la manera en la que el modelo fue validado. o Explorar escenarios para mejorar el desempeño del sistema – En esta sección se describen los experimentos que fueron realizados en el modelo para buscar rediseñar el proceso y así mejorar su desempeño. Aquí se presentan detalles en cuanto a los escenarios que fueron evaluados, los resultados obtenidos y la solución propuesta. o Implementar un sistema para mantener y controlar la mejora – En este paso final se presenta un plan para asegurar que los resultados obtenidos en la simulación de la solución propuesta puedan ser trasladados al sistema real.

7


Conclusiones y Recomendaciones En esta sección se presentan las conclusiones que se obtuvieron del trabajo realizado y se presenta una lista de recomendaciones y áreas de mejora para futuros trabajos relacionados.

1.5

Motivación para el desarrollo del trabajo Si bien es cierto el uso de la metodología Seis Sigma para la mejora de

procesos industriales se está volviendo muy popular en Honduras, el uso de la simulación de eventos discretos como herramienta de mejora sigue siendo desconocida para la mayoría del mundo empresarial hondureño. Una de las razones de la poca utilización de las herramientas de simulación en la industria hondureña es la falta de conocimiento que existe entre los gerentes e ingenieros locales de su existencia y beneficios. Uno de las motivaciones para el desarrollo de este trabajo es el de mostrar el poder y la versatilidad de la simulación de eventos discretos a los miembros directores de la Cámara de Comercio e Industrias de Cortes, así como a las autoridades del aeropuerto Ramón Villeda Morales. Se espera que el desarrollo de proyectos exitosos utilizando simulación, tal como este en el que se combina con la metodología DMAIC, ayude a fomentar el uso de la simulación en la industria local. También se espera que al desarrollar una metodología de mejora continua que permita usar los modelos de simulación en conjunto con DMAIC vuelva más atractivo el uso de la simulación en la empresa local. La otra motivación de desarrollar este proyecto es el de ayudar a mejorar el flujo de pasajeros en el área de arribos del aeropuerto y mejorar así, de alguna manera, la imagen que los pasajeros nacionales e internacionales tienen de San Pedro Sula y su aeropuerto internacional.

8


Capítulo 2.

MARCO TEORICO

Este capítulo revisa los conceptos detrás del método DMAIC que se utiliza en la metodología Seis Sigma, de la simulación de eventos discretos y el uso de modelos reconfigurables, así como el uso de la estadística como herramienta de análisis de datos. También se presenta el paradigma de simulación que utiliza el software Flexsim. Esta información ayudará al lector a entender mejor los temas discutidos en los siguientes capítulos.

2.1

El método DMAIC para el mejoramiento Para poder realizar mejoras significativas de manera consistente dentro de

una organización, es importante tener un modelo estandarizado de mejora a seguir. DMAIC es el proceso de mejora que utiliza la metodología Seis Sigma y es un modelo que sigue un formato estructurado y disciplinado (McCarty, Bremer y Daniels, 2004). DMAIC consistente de 5 fases conectadas de manera lógica entre sí (Definir, Medir, Analizar, Mejorar, Controlar) ilustrado en la figura 1. Cada una de estas fases utiliza diferentes herramientas que son usadas para dar respuesta a ciertas preguntas específicas que dirigen el proceso de mejora.

Figura 1 El proceso iterativo DMAIC de Seis Sigma Fuente: Manivannan (2007)

9


2.1.1 Definir Esta es la fase inicial de la metodología, en donde se identifican posibles proyectos de mejora dentro de una compañía y en conjunto con la dirección de la empresa se seleccionan aquellos que se juzgan más prometedores. De acuerdo a Manivannan (2007), “el propósito de la etapa Definir es refinar el entendimiento del problema a solucionar por parte del equipo de trabajo y definir las expectativas del cliente para el proceso.” Para hacer esto es necesario generar un enunciado especifico del problema a solucionar y cuantificarlo mediante indicadores que puedan ser medidos, analizados, mejorados y controlados. Manivannan explica que Definir incluye identificar los clientes (externos e internos), las necesidades y determinar el alcance del proyecto y los objetivos del mismo. Bersbach (2009) opina que para poder definir apropiadamente el problema que se está tratando de resolver se deben responder ciertas preguntas: •

¿Por qué es necesario hacer (resolver) esto ahora?

¿Cuál es el flujo de proceso general del sistema?

¿Quiénes son los suplidores (entradas) y clientes (salidas)?

¿Qué se busca lograr en el proceso?

¿Qué beneficios cuantificables se esperan lograr del proyecto?

¿Cómo sabrá que ya terminó el proyecto (criterio de finalización)?

¿Qué se necesita para lograr completar el proyecto exitosamente? Cada fase del método DMAIC tiene entregables claves que deben

completarse. Estos entregables son realmente herramientas que se utilizan para responder las preguntas antes mencionadas y para definir las oportunidades existentes. Entre estas herramientas se encuentran: •

El Chárter del Proyecto – El chárter es el contrato entre la administración de la organización en donde se desarrollará el proyecto y el equipo que desarrollará el proyecto. Su propósito es clarificar lo que se espera del equipo, mantener al equipo enfocado y alineado con las prioridades de la organización. 10


Mapa de Proceso SIPOC – El SIPOC es un mapa de proceso de alto nivel que incluye Suplidores, Entradas (inputs), Procesos, Salidas (outputs) y Clientes. Este mapa se usa bajo la premisa que la calidad es juzgada por las salidas del proceso y que esta puede ser mejorada al analizar las entradas y las variables del proceso.

Voz del Cliente (VOC por sus siglas en ingles) – Este es un proceso usado para obtener retroalimentación de parte del cliente sobre las necesidades que tiene. Esta información puede ser recogida mediante entrevistas, encuestas, grupos foco, especificaciones del cliente, observación, etc.

Diagrama de Afinidad – es una herramienta especial de lluvia de ideas usada para obtener, identificar y agrupar números grandes de ideas y opiniones. Básicamente las ideas sobre un tema son generadas por todos los integrantes del grupo, luego son desplegadas gráficamente (usualmente usando tarjetas), después son separadas por categorías y finalmente se colocan separadas por afinidad con un correspondiente título.

Árbol de Critico para la Calidad (CTQ) – El propósito de los arboles CTQ son el de convertir las necesidades o deseos del cliente en requerimientos que sean fácilmente medibles. La idea de esta herramienta es interpretar una declaración cualitativa de un cliente y convertirla a una especificación cuantitativa accionable dentro del producto o sistema.

2.1.2 Medir Una vez que se ha definido el problema a atacar, se debe de establecer que características determinan el comportamiento del proceso (Brue, 2002). Para esto es necesario identificar cuáles son los requisitos y/o características en el proceso o producto que el cliente percibe como clave (variables de desempeño), y que parámetros (variables de entrada) son los que afectan este desempeño. A partir de estas variables se define la manera en la que será medida la capacidad del proceso, por lo que se hace necesario establecer técnicas para recolectar información sobre el desempeño actual del sistema, es decir que tan bien se están cumpliendo las expectativas del cliente. 11


De acuerdo a Bersbach (2009), la etapa Medir debe conducir hacia la respuesta de las siguientes preguntas: •

¿Cuál es el proceso y como se desarrolla?

¿Qué tipo de pasos componen el proceso?

¿Cuáles son los indicadores de calidad del proceso y que variables de proceso parecen afectar más esos indicadores?

¿Cómo están los indicadores de calidad del proceso relacionados con las necesidades del cliente?

¿Cómo se obtiene la información?

¿Qué exactitud o precisión tiene el sistema de medición?

¿Cómo funciona el proceso actualmente? Entre las herramientas más comúnmente usadas en la fase de medir el

desempeño se encuentran las siguientes: Matriz de priorización – esta herramienta provee una manera de separar un set diverso de ítems de acuerdo a su orden de importancia. Esto se logra al comparar los ítems y evaluarlos con respecto a un set de criterios establecidos. La puntuación de cada ítem se suma y el valor numérico obtenido determina su importancia relativa. Análisis de tiempo de valor – un gráfico que separa visualmente el tiempo de un proceso en el que se está agregando valor de aquel en el que no se agrega valor. Gráficos de Pareto – en cualquier serie de causas o defectos existen algunos puntos que son críticos y muchos que son insignificantes. Los gráficos de Pareto arreglan los datos de manera que aquellos factores que están causando la mayoría de los efectos son presentados gráficamente (80% de los problemas usualmente provienen del 20% de las causas) mostrando su importancia relativa. Después de haber determinado las pocas causas críticas basadas en la frecuencia de su presencia, es importante tratar de convertirlas a medidas monetarias, ya que no siempre las de mayor frecuencia son las que representan un mayor costo.

12


Gráficas de control – todos los procesos tienen variación, pero esta variación puede ser asignada a causas comunes o a causas especiales. Las gráficas de control muestran de manera sencilla ambos tipos de variación en un proceso. Estos gráficos están compuestos por una línea central (el promedio de todas las muestras), límites de control estadístico (superior e inferior) que definen los límites de las causas comunes de variación y los datos de desempeño graficados con respecto al tiempo. Los datos que caen afuera de los límites de control estadístico o aquellos que presentan una clara tendencia representan variaciones debido a causas especiales; estas causas pueden ser identificadas y eliminadas. 2.1.3 Analizar Esta etapa tiene como objetivo analizar los datos obtenidos del estado actual del proceso y determinar las causas de lo que se observa en el proceso y las oportunidades para mejorar. Manivannan indica que, “la etapa de Análisis permite al equipo de trabajo establecer las oportunidades de mejora al tener todos los datos. A través de esta etapa, el equipo determina por qué, cuándo y cómo ocurren los defectos.” Es en esta fase en donde se determina si el problema es real o es solo un evento aleatorio que no puede ser solucionado usando DMAIC. En esta etapa se seleccionan y se aplican herramientas de análisis a los datos que han sido recolectados en la etapa de Medir y se estructura un plan de mejoras potenciales a ser aplicado en el siguiente paso. Esto se hace mediante la formulación de diferentes hipótesis y la prueba estadística de las mismas para determinar qué factores son críticos para el desempeño final del proceso. Según Brue, este ciclo de Análisis de las causas mediante prueba de hipótesis consiste de los siguientes pasos: 1. Desarrollar una hipótesis sobre una causa 2. Analizar el proceso y/o los datos 3. Si la hipótesis es correcta, agregar la causa a la lista de aquellas causas que son vitales para el desempeño del proceso o sistema. Si la hipótesis es incorrecta, refinarla y pasar al paso 2 o rechazarla y pasar al paso 1. 13


Bersbach opina que las siguientes preguntas deben de ser contestadas durante esta etapa: •

¿Qué variables de proceso afectan más la calidad (variabilidad del proceso) y cuales podemos controlar?

¿Qué es de valor para el cliente?

¿Cuáles son los pasos detallados del proceso?

¿Cuantas observaciones necesito para sacar conclusiones?

¿Qué nivel de confianza tengo con respecto a mis conclusiones? Entre las herramientas más comúnmente usadas en la fase de análisis de

oportunidades se encuentran las siguientes: Diagramas de causa-efecto – esta herramienta también llamada diagrama de Ishikawa, se utiliza para explorar todas las posibles causas que podrían provocar un problema. Debido a que su estructura luce como el esqueleto de un pescado, otro nombre que se le da es el de diagrama de espina de pescado. La rama principal (espina) representa el efecto y esta típicamente etiquetado en la parte derecha del diagrama (la cabeza del pescado). Cada hueso principal que sale de la espina corresponde a una causa principal. Aquellos huesos menores ramificados de un hueso principal representan factores de causa más detallados. Este tipo de diagrama es muy útil en cualquier análisis ya que muestra la relación existente entre causas y efectos de manera racional. Estudio de correlación – este tipo de estudio es usado para cuantificar la relación existente entre dos sets de datos correspondientes a dos variables. El gráfico utilizado para este tipo de estudios es el diagrama de dispersión, el cual despliega de manera visual la relación existente entre los dos sets de datos. Para construir este gráfico los valores de cada set de datos se marcan sobre cada uno de los ejes. Dependiendo de cómo se agrupan los datos se establece una correlación positiva, negativa o inexistente. Intervalos de confianza – son valores fronteras calculados estadísticamente dentro de los cuales se espera encontrar el valor real de un dato de cierta población. 14


Prueba T y F – son pruebas estadísticas creadas para comparar el promedio y la varianza de dos grupos de datos respectivamente y determinar si estos son estadísticamente iguales o diferentes. Estas pruebas son usadas para validar si dos sets de datos son iguales. Prueba de Chi-Cuadrado – es una prueba estadística creada para comparar si la proporción de dos grupos es semejante. Esta prueba se utiliza para hacer pruebas de bondad de ajuste y confirmar que cierto set de datos se comporta como cierta distribución estadística teórica. Diagrama de flujo – son representaciones gráficas de un proceso que muestran los pasos que este sigue con símbolos conectados con flechas. Hay muchas variedades de diagramas de flujo y de símbolos que pueden utilizarse. 2.1.4 Mejorar Una vez que se ha determinado que el problema es real y no un evento aleatorio, el equipo debe de buscar identificar posibles soluciones. De acuerdo a Manivannan, es en la etapa de Mejorar en donde se desarrollan, implementan y validan alternativas de mejora para el proceso. Para hacer esto es requerido hacer una lluvia de ideas que genere propuestas, las cuales deben ser probadas usando corridas piloto dentro del proceso. La habilidad que estas propuestas tienen para producir mejoras al proceso debe ser validada para asegurar que la mejora potencial es viable. De estas pruebas y experimentos se obtiene una propuesta de cambio en el proceso, es en esta etapa en donde se entregan soluciones al problema. Por lo tanto, el propósito de esta fase es el de demostrar con datos y hechos que las soluciones propuestas en efecto resuelven el problema. Algunas de las preguntas que Bersbach sugiere que deben de contestarse antes de pasar a la siguiente etapa son: •

¿Qué opciones se tienen?

¿Cuáles de las opciones parecen tener mayor posibilidad de éxito?

¿Cuál es el plan para implementar el nuevo proceso (opciones)? 15


¿Qué variables de desempeño usar para mostrar la mejora?

¿Cuántas pruebas necesito correr para encontrar y confirmar las mejoras?

¿Esta solución está de acuerdo con la meta de la compañía?

¿Cómo implemento los cambios? Entre las herramientas más comúnmente utilizadas en la fase Mejorar se

encuentran las siguientes: Lluvia de Ideas – es simplemente hacer una lista de todas las ideas que vengan a las mentes de los miembros de un grupo en respuesta a una pregunta. Todas las ideas se consideran con la intención de buscar la creatividad del grupo. Modo de Falla y Análisis de Efecto – El FMEA (por sus siglas en inglés) son un set de procedimiento y herramientas que ayudan a identificar cada posible modo de fallo en un proceso o producto, determinar su efecto en otros sub-items y en el funcionamiento requerido del producto o proceso. El FMEA también se utiliza para colocar en orden de importancia y priorizar las posibles causas de falla así como para desarrollar e implementar acciones preventivas. Herramientas Lean – son una serie de herramientas diseñadas para eliminar desperdicio en el proceso tales como reducción de tiempo de preparación (setup), métodos para el manejo de colas (entrenamiento cruzado, flujo de una pieza, kanban, etc.), método de las 5 S y Kaizen (mejoramiento continuo). 2.1.5 Controlar Finalmente, una vez que se ha encontrado la manera de mejorar el desempeño del sistema, es necesario encontrar la forma de asegurar que la solución pueda ser sostenida sobre un período largo de tiempo. Para hacer esto se debe de diseñar e implementar una estrategia de control que asegure que los procesos sigan corriendo de forma eficiente. Las preguntas a responder en esta etapa son las siguientes: •

¿Están los resultados obtenidos relacionados con los objetivos, entregables definidos y criterio de salida del proyecto? 16


Una vez reducidos los defectos, ¿Cómo pueden los equipos de trabajo mantener los defectos controlados?

¿Cómo se puede monitorear y documentar el proceso? Para responder a estas preguntas se requerirán de ciertas herramientas

tales como el control estadístico mediante gráficos comparativos y diagramas de control y algunas técnicas no estadísticas tales como la estandarización de procesos, controles visuales, planes de contingencia y mantenimiento preventivo.

2.2

Simulación de Eventos Discretos La simulación de eventos discretos es una herramienta poderosa que sirve

para analizar y diseñar sistemas nuevos y para dar retroalimentación y proponer cambios a procedimientos de operación en sistemas existentes. Estas habilidades se logran ya que el modelo que es usado para realizar la simulación posee relaciones causa-efecto que son similares a las del sistema original. Debido a esto la simulación de sistemas se ha vuelto una práctica común en ingenieros, administradores y científicos, en vista de que permite la evaluación del desempeño operativo de un sistema antes de su implementación, o la comparación de varias alternativas operacionales sin perturbar el sistema real. Banks y Carson (1984) en su libro Discrete Event System Simulation, explican que por lo general la simulación usa un programa de computadora para generar una historia artificial de un sistema la cual se usa para hacer inferencias concernientes a las características operativas del sistema real. De hecho, una de las definiciones más aceptadas de simulación es la que presentan Harrell, Ghosh y Bowden (2000, p.5), en la que mencionan que la simulación es la “imitación de un sistema dinámico utilizando un modelo computarizado para poder evaluar y mejorar el desempeño de un sistema”. El uso de modelos computarizados permite que la simulación de procesos se vuelva una herramienta flexible, confiable, así como rápida y fácil de utilizar. Este modelo computarizado no es otra cosa más que un set de supuestos expresados en la forma de relaciones matemáticas y lógicas entre los diferentes objetos (entidades) que conforman el sistema. 17


Los sistemas y sus correspondientes modelos de simulación pueden categorizarse como discretos y continuos. Un sistema discreto es aquel en el que las variables de estado cambian en puntos discretos en el tiempo y uno continuo es aquel en el que las variables cambian continuamente sobre el tiempo. Los modelos de simulación pueden también categorizarse como estáticos o dinámicos. Los modelos estáticos representan a un sistema en un punto particular en el tiempo, y los modelos dinámicos representan a los sistemas mientras estos cambian a través del tiempo. Finalmente los modelos de simulación pueden también categorizarse como determinísticos o estocásticos. Aquellos modelos que contienen variables aleatorias se clasifican como estocásticos y los que no las tienen como determinísticos. Por lo tanto, el tipo de modelo de simulación que será usado en este estudio es uno del tipo discreto, dinámico y estocástico debido a que las variables que se estudiaran son de comportamiento aleatorio, cambian a través del tiempo y lo hacen solamente en sets de puntos discretos en el tiempo. Para entender un poco mejor como se crean los modelos de simulación es necesario entender cuáles son los elementos que los conforman. White e Ingalls (2009) explican que a pesar de los diferentes paradigmas de simulación de eventos discretos que existen, hay una estructura básica que es usada por la mayoría de los paquetes de simulación de hoy en día. Esta estructura está conformada por los siguientes elementos (ilustrados en la figura 2): •

Entidades – El arribo de entidades dinámicas genera las entradas del sistema. Estas entidades o productos fluyen a través del sistema y son los elementos que propician los cambios de estado en las variables del sistema. Ejemplos de entidades son clientes, cajas o cualquier elemento que se mueve a través del sistema y al cual el sistema le agrega valor con cada proceso que se realiza.

Actividades – Son las tareas desarrolladas de manera directa o indirecta en soporte al procesamiento de las entidades. Son los procesos y lógica en la simulación. Las entidades interactúan con las actividades para crear eventos. Cada vez que una actividad inicia o finaliza un evento sucede y el 18


sistema cambia de estado. Las actividades pueden ser de tres tipos: retraso, espera y lógica. Las actividades de retraso suceden cuando una entidad es detenida por un periodo específico de tiempo (para simular algún procesamiento). Las actividades de espera ocurren cuando el flujo de una entidad se suspende por un periodo no específico de tiempo debido a que están esperando por un recurso o por una condición especial del sistema (para simular una fila de espera). Las actividades de lógica simplemente permiten que las entidades afecten los estados del sistema al manipular variables de estado y lógica de decisión. •

Recursos – Son los medios mediante los cuales se realizan las actividades y usualmente tienen capacidad limitada. Son objetos que pueden restringir el procesamiento al limitar el ritmo al cual las actividades pueden ser realizadas. Ejemplos de estos recursos son: operarios, maquinas, espacio, información, etc.

Figura 2 Elementos de un modelo de simulación Fuente: Elaboración propia, tomado del software de simulación Flexsim (2011)

19


2.3

Pasos para desarrollar un estudio de simulación Es importante recordar que la simulación por sí misma no resuelve

problemas. De hecho, la simulación no es más que es un evaluador de soluciones, ya que en realidad no genera soluciones. La simulación funciona como una herramienta de experimentación en la cual el modelo computarizado actúa como si fuera el sistema real. El conducir experimentos en un modelo de simulación reduce el tiempo, el costo y disrupción de experimentar en un sistema real, pero no releva al ingeniero de su trabajo. Es importante tener claro que la simulación no es un sustituto del ingeniero, sino una herramienta que ayuda al ingeniero a entender mejor sistemas complejos y que requiere de la experimentación, así como del manejo adecuado de datos e interpretación de resultados (Harrell et al., 2000). Por lo que, la simulación no produce una solución teórica óptima, sino que dirige al usuario hacia la mejor solución posible mediante la experimentación que se realiza en el modelo computarizado que ha sido creado. Siempre se requiere de un ingeniero que use la herramienta y que procese la información que ésta y otras herramientas le generan para tomar la mejor decisión posible. En general se puede decir que la simulación, como se muestra en la figura 3, sigue el método científico ya que el usuario inicia formulando una hipótesis de como espera que el sistema se comportará ante cierto escenario. A partir de esta hipótesis o escenario propuesto, el usuario desarrolla un modelo de simulación que le permita experimentar con dicha configuración de variables de entrada. Una vez que el modelo ha sido construido y validado, el usuario lo usa para correr diferentes experimentos de simulación con el fin de probar su hipótesis. Finalmente, mediante la observación del comportamiento de las variables de desempeño o salida, el usuario puede hacer conclusiones acerca de la validez de su hipótesis al confirmar si estas se comportaron como se esperaba, es decir si se pudo o no rechazar la hipótesis inicial. Si la hipótesis fue correcta, entonces se puede proceder a recomendar con confianza la adopción de la configuración simulada. Si la hipótesis se rechaza, el proceso antes descrito se repite y se 20


prueban otros escenarios hasta que el usuario este satisfecho con los resultados obtenidos.

Figura 3. El proceso de experimentación en la simulación. Fuente: Harrell (2000)

Sturrock (2009) menciona que el desarrollo de un proyecto de simulación va más allá de simplemente construir un modelo en un software de simulación en particular. Para que el desarrollo de un estudio de simulación pueda realmente dirigir al usuario hacia la mejor solución posible al problema bajo estudio, es necesario seguir una serie de pasos específicos y tomar ciertas precauciones que se discutirán a continuación. Muchos autores han planteado diferentes pasos para el desarrollo de un estudio de simulación exitoso. Sin embargo en general todos estos intentos parecen converger o pueden ser resumidos en los pasos presentados por el Dr. Averill M. Law (2009) y que son mostrados en la figura 4:

21


Paso 1: Formular el problema y definir los objetivos Este es uno de los pasos más importantes del estudio de simulación, ya que aquí se define el propósito del proyecto y el alcance que el mismo debe de tener. Los objetivos a definir deben de ser específicos, realistas y alcanzables y deben de ser una representación de las expectativas de las partes interesadas (stakeholders). Paso 2: Recolectar la información del sistema y definir supuestos Este es el paso que consume más tiempo en todo el estudio de simulación. Aquí se identifica, recoge y analizan los datos que definen el sistema a ser modelado. Al final de este paso se obtiene un modelo conceptual del sistema a ser simulado. Dicho modelo está conformado por un diagrama de flujo del sistema que toma en consideración su estructura, flujo y lógica de operación. También se especifican las distribuciones de probabilidad que modelan las entradas del sistema y cualquier algoritmo y supuesto a ser utilizado. Paso 3: Validar el modelo conceptual En este paso se revisa cada uno de los supuestos bajo los cuales se construyó el modelo conceptual. Esta revisión incluye lógica de flujo, tiempos y movimientos, comportamiento de los recursos y entidades, etc. Esta validación se hace ante los dueños del proyecto, es decir el gerente del sistema, los operarios, etc. Paso 4: Construir (programar) el modelo En este paso se programa el modelo conceptual utilizando algún software de simulación comercial tal como Flexsim. A este modelo programado se le conoce como el modelo de simulación y es en el en donde se corren los experimentos. Paso 5: Validar el modelo programado Este es uno de los pasos más desatendidos y sin embargo más determinantes de un estudio de simulación. Aquí el usuario revisa que el modelo de simulación es una representación creíble del sistema real. Para hacer esto se comparan los resultados del modelo de simulación con los de variables semejantes en el 22


sistema existente; a esto se la llama validación de resultados. También se debe revisar que los resultados del modelo de simulación sean consistentes con los resultados que se esperan el sistema debería de presentar. El observar la animación de la simulación es sumamente útil para fomentar la credibilidad del modelo. Igualmente se pueden desarrollar análisis de sensibilidad para ver qué factores tienen el impacto más grande en las variables de desempeño del sistema.

Figura 4. Los pasos para conducir un estudio exitoso de simulación Fuente: Law (2009)

Paso 6: Diseñar, conducir y analizar los experimentos Una vez que se tiene un modelo de simulación que representa adecuadamente el sistema real, se debe correr la simulación para cada configuración o escenario de interés. Debido a que este tipo de simulación busca recrear la aleatoriedad de un sistema real, se deben hacer varias réplicas y utilizar estadística para analizar los resultados de los escenarios siendo evaluados.

23


Paso 7: Documentar y presentar los resultados Se finaliza todo estudio de simulación presentando los resultados y haciendo recomendaciones de manera que se pueda hacer una decisión informada sobre el asunto siendo estudiado. El informe final usualmente incluye los supuestos del modelo (el modelo conceptual), una descripción detallada del programa hecho en la computadora, así como la validación realizada y los resultados obtenidos del estudio realizado. Sturrock (2009) apunta que algunas de las precauciones que hay que tomar en cuenta para tener éxito en los estudios de simulación es el asegurarse de entender bien el sistema que se está modelando (¿cuáles son las entidades?, ¿cómo se transforman?, ¿cuáles son las restricciones?, etc.). Para esto es muy importante preguntar bastante e involucrar a la mayor cantidad de personas que conozcan totalmente la operación del sistema. Otro aspecto que debe de considerarse es la importancia que tiene crear un documento de especificación funcional que el cliente final pueda aprobar. La idea básica es la de asegurarse que los clientes finales entienden y están de acuerdo con los objetivos trazados, el nivel de detalle que presentará el modelo final, los supuestos que se han tomado y los reportes que serán entregados. Una de las principales razones por las que los estudios de simulación no cumplen las expectativas del cliente es porque estas expectativas no han sido suficientemente socializadas y manejadas. Finalmente hay que asegurarse de administrar apropiadamente el proyecto, ya que un proyecto exitoso es aquel que se termina a tiempo, que se mantiene dentro del presupuesto aprobado, alcanza los objetivos propuestos y alcanza o supera las expectativas del cliente (Harrell et al., 2000). Para que esto se logre se requiere de objetivos bien claros, de participantes del equipo de simulación comprometidos y talentosos, del manejo apropiado de las expectativas del proyecto y del apoyo decidido de la administración.

24


2.4

Uso de la simulación en aeropuertos A través de la literatura revisada se encontraron varios estudios en los que

a través de la simulación de eventos discretos se obtuvo una mejora y en algunos casos la optimización de ciertos sistemas aeroportuarios. Kontoyiannakis, Serrano, Tse, Lapp y Cohn (2009) realizaron una estructura basada en simulación que evalúa la política de asignación de puertas de embarque (gates) cuando existe una capacidad reducida en la pista de aterrizaje debido a problemas en las condiciones climáticas. Este estudio se realizó enfocándose en el impacto que ésta reducción tiene en el retraso de los pasajeros y su nivel de insatisfacción. En vista que tuvieron que hacerse muchos supuestos para poder contrarrestar la falta de datos, sus resultados no pueden usarse para resolver directamente un problema del mundo real. El propósito de este estudio fue más bien demostrar cómo esta estructura basada en simulación puede ser usada para conducir a otros a analizar y comparar diferentes escenarios. Sin embargo, de este trabajo en particular se rescatan dos elementos: •

El uso de una ecuación que define la variable de control, en este caso llamada Insatisfacción del Pasajero, la cual esta expresada en función de diferentes parámetros bajo estudio y puede ser usada para optimización.

El uso de diferentes políticas básicas para buscar cuál de ellas disminuye la insatisfacción de los pasajeros utilizando la ecuación antes descrita. Otro ejemplo es el Gatersleben y van der Weij (1999) y Takakuwa y Oyama

(2003) quienes realizaron estudios de simulación del flujo de pasajeros en terminales aeroportuaria en Holanda y Japón respectivamente. En ambos casos los modelos fueron construidos para entender las relaciones existentes entre los diferentes procesos por los que pasan los pasajeros y entender las causas de la formación de cuellos de botella en cada uno de ellos. En ambos proyectos se buscó entender el funcionamiento del sistema para luego sugerir soluciones integrales (que no degeneraran otros procesos) que pudieran ser introducidas en desarrollos futuros de los aeropuertos específicos. Una de las herramientas usadas en el estudio de Gatersleben y va der Weij es el uso de un modelo estático 25


(en un lugar específico a través del tiempo) para generar un modelo de la necesidad dinámica de recursos. Estos recursos podrían ser los agentes de migración que dependen de la hora del día (la cantidad de pasajeros que arriban depende de la aerolínea, la cual tiene una hora de llegada específica). Otro estudio interesante fue el desarrollado por Appelt, Batta, Lin y Drury (2007) en el Aeropuerto Internacional de Buffalo Niagara que tenía como meta identificar retrasos y crear escenarios para mejorar la eficiencia en el área de registro (check-in). Este estudio en particular consistió inicialmente en recolectar datos de las diferentes áreas de registro para luego usar esa información para desarrollar un modelo de simulación que muestra el flujo de pasajeros a través de los diferentes modos de registro. Finalmente se realizó un análisis de diferentes escenarios en base al tiempo de espera y al tiempo total promedio en el sistema. Una herramienta interesante usada en el estudio fue el análisis de datos mediante ANOVA, utilizado para poder determinar si existía una diferencia significativa entre el tiempo de servicio de grupos de 3, 4 o 5 pasajeros o si se podía asumir que tomaba el mismo tiempo atender grupos de 3 en adelante.

2.5

Correlación entre Seis Sigma y la simulación Tal como se explicó inicialmente, las metodologías Seis Sigma y Lean se

han convertido en la manera estándar de resolver problemas operacionales y de diseño tanto en sistemas de manufactura como de servicio. Mientras las técnicas de Seis Sigma buscan llevar a cabo iniciativas de mejora continua, las de Lean intentan reducir las fuentes de desperdicio en los procesos. En años recientes ambas metodologías se han combinadas en lo que se denomina Lean Six Sigma. Sin embargo esta metodología tiene limitantes ya que la mayoría de sus técnicas utilizan modelos estáticos y determinísticos a los que les falta la variabilidad dinámica del proceso real (Ramakrishnan, Drayer, Tsai y Srihari, 2008). La simulación de eventos discretos ha probado ser una herramienta valiosa para incorporar los aspectos lógicos, matemáticos y estructurales del sistema o proceso siendo simulado. Los modelos se caracterizan por tomar en consideración

26


no solo las interacciones que las diferentes entidades presentan entre sí, sino también la variabilidad e incertidumbre de los procesos dentro del sistema. Esto significa que en lugar de tener que realizar experimentos en el sistema real, estos pueden hacerse en el modelo simulado. Además, la simulación incluye el uso de variables parametrizables, lo que permite experimentar con diferentes escenarios para estudiar mejor el problema y así poder encontrar la mejor solución posible. De acuerdo a Standridge y Marvel (2006) las deficiencias de la metodología Lean y Six Sigma pueden ser contestadas a través de la simulación. Esta es una herramienta poderosa que puede ser utilizada perfectamente en las etapas de Analizar y Mejorar de un proyecto DMAIC. De hecho, Bruce Gladwin (2003), gerente de servicios de consultoría para ProModel Solution´s Manufacturing and Logistics Group dice que la simulación le agrega gran valor a un proyecto DMAIC debido a que esta: •

Toma en consideración la variabilidad e interdependencias.

Puede probar muchas soluciones alternativas de manera fácil y rápida.

Se pueden desarrollar modelos con poco riesgo y sin interrumpir los procesos existentes.

Deja fuera de la toma de decisión a la subjetividad y la emoción.

La animación hace que esta sea una buena herramienta para ayudar a “vender” las mejores soluciones a otros.

Los modelos reutilizables animan a la mejora continua.

Puede considerarse el impacto tanto en clientes, operaciones y procesos. Debido al entendimiento de los grande beneficios que traería una sinergia

entre Seis Sigma y la simulación existen varios esfuerzos enfocados a integrar estas metodologías tales como las publicaciones de Miller y Ferrin (2005), quienes utilizaron la simulación en un proyecto Seis Sigma en un Hospital para modelar la variabilidad en los procesos, Solding y Gullander (2009) los cuales presentaron el desarrollo de un mapa de cadena de valor dinámico (value stream map) de un sistema usando simulación, o el caso de Ramakrishnan, Drayer, Tsai y Srihari (2008) quienes presentaron una arquitectura de diseño de modelo integrado de 27


simulación para Seis Sigma para el estudio de problemas de proceso y diseño en un ambiente de manufactura de servidores. La experiencia de muchos años ha probado que la metodología Seis Sigma definitivamente mejora la calidad de un proceso. A pesar que la simulación es una de las muchas herramientas que pueden ser usadas en esta metodología, sin embargo debido a su poder esta debería de ser la herramienta de elección.

2.6

Paradigma de simulación de Flexsim William Nordgren (2002), CEO de Flexsim Software Products define a

Flexsim como un “ambiente de software orientado a objetos usado para desarrollar, modelar, simular, visualizar y monitorear flujos de proceso dinámicos de actividades y sistemas.” Entre las características que tiene el ambiente de Flexsim es que trae integrado dentro de si el compilador C++ y permite el uso de este lenguaje o el de una librería pre compilada llamada Flexscript para la programación de rutinas dentro del software. Toda la animación usada por el software es OpenGL lo que hace que la animación pueda ser mostrada en 2D y 3D con una calidad de realidad virtual excepcional y en tiempo real. Además, todas las imágenes y gráficos usados son objetos estándar de la industria tales como .DXF, .3DS, .WRL y .SKP. Nordgren explica que hay cinco pasos básicos para construir un modelo bajo el paradigma de programación de Flexsim: 1. Desarrollar un layout del modelo Este layout se logra seleccionando y arrastrando objetos de la librería de objetos de Flexsim (ver Figura 5) y colocándolos en la ventana principal. En vista que la ventana principal es una vista espacial en 3D una vez que los objetos han sido colocados el usuario puede rotarlos en los ejes x, y, z así como cambiar su elevación en el eje z para obtener una orientación adecuada utilizando operaciones con el ratón que se describen en detalle en la sección de ayuda del software.

28


Figura 5. Librería de objetos de Flexsim Fuente: Elaboración propia, tomado del software de simulación Flexsim (2011)

2. Conectar objetos con los puertos Cada objeto tiene una cantidad ilimitada de puertos de entrada, salida y centrales para comunicarse con otros objetos. Los puertos de entrada y salida son utilizados para definir la ruta que las entidades (flowitems) han de seguir en el sistema y se distinguen porque aparecen al lado izquierdo y derecho del objeto respectivamente. Este tipo de conexión se logra haciendo clic en un objeto y arrastrando el ratón hacia un segundo objeto mientras se mantiene apretada la letra ´A´ y se deshace haciendo lo mismo pero apretando la letra ´Q´ (ver Figura 6). Existe un botón en el menú de herramientas que permite entrar en un modo de conexión de manera que se puede hacer lo mismo sin necesidad de mantener apretada las letras del teclado. En el caso de los puertos centrales, estos son usados como nodos de referencia para el uso de recursos y se conectan haciendo clic y arrastrando el ratón mientras se mantiene apretada la letra ´S´. 3. Editar el look y configurar el comportamiento de los objetos Una vez que el layout del modelo está conectado es necesario agregar la lógica y los datos de funcionamiento a los objetos. Para hacer esto hay que hacer clic doble en cada objeto para lanzar así la ventana de propiedades 29


del objeto (el GUI del objeto). En esta ventana (ver Figura 7) se pueden configurar los tiempos de ciclo, las capacidades y velocidades, la lógica de ruteo, los tiempos muertos, y otras opciones gráficas (La imagen 2D o 3D del objeto puede ser cambiada para lucir como el objeto real). Todas las opciones tienen listas de selección (picklist) y pueden también ser definidas por el usuario usando Flexscript o C++.

Figura 6. Usando puertos de conexión Fuente: elaboración propia, tomado del software de simulación Flexsim (2011)

Figura 7 Ejemplo de la ventana de propiedades de un objeto Fuente: Elaboración propia, tomado del software de simulación Flexsim (2011)

30


4. Compilar y correr el modelo creado Una vez que la lógica ha sido asignada y los parámetros de entrada han sido configurados el usuario puede iniciar a simular escenarios en el modelo creado y hacerlo a una velocidad de ejecución elevada. Flexsim posee una herramienta llamada “Experimenter” que permite definir variables, condiciones y restricciones a ser evaluadas en cada escenario con un numero configurable de réplicas (ver Figura 8).

Figura 8. Herramienta de experimentación de Flexsim Fuente: Tutorial del software Flexsim (2007)

5. Revisar los resultados obtenidos Los resultados de cada corrida de la simulación pueden visualizarse dinámicamente mientras el modelo está corriendo en tiempo comprimido o en tiempo real (ver Figura 9). Adicionalmente a la animación del modelo los resultados de cada corrida pueden ser analizados y comparados usando una serie de reportes disponibles en el menú de “Reportes y Estadísticas” o usando la aplicación para el manejo de la base de datos creado Flexsim Chart (ver Figura 10). 31


Figura 9. Ejemplo de animacion en Flexsim Fuente: Elaboracion propia, tomado del software de simulacion Flexsim (2011)

Figura 10 Herramienta para el análisis de resultados Flexsim Chart Fuente: Tutorial del software Flexsim (2007)

En Flexsim las entidades se llaman flowitems y son definidas en los objetos llamados “Source”. Los recursos son los objetos que están disponibles en la librería y las actividades se programan en cada uno de estos objetos.

32


Capítulo 3.

METODOLOGIA

Este capítulo presenta la arquitectura que se propone para la resolución de problemas combinando el método DMAIC con la construcción y utilización de modelos de simulación de eventos discretos. A esta metodología propuesta se le llamará DMAIC-Sim, ya que a pesar de que usa como base la metodología DMAIC de Seis Sigma, esta ha sido ajustada para ser usada en conjunto con la simulación de eventos discretos y tomar así ventaja de las bondades de ambas herramientas. Para poder realizar este trabajo se siguieron los siguientes pasos: 1. Investigar sobre el funcionamiento de Seis Sigma y la metodología DMAIC. 2. Identificar los puntos de congruencia entre la metodología DMAIC y los pasos para realizar un estudio de simulación de eventos discretos. 3. Identificar cuáles de las herramientas estadísticas usadas para llevar a cabo los pasos de DMAIC pueden ser usados en un estudio de simulación. 4. Proponer una arquitectura de mejora que integre aquellas herramientas DMAIC que son apropiadas para un estudio de simulación. 5. Desarrollar un proyecto de mejora utilizando la arquitectura propuesta. De acuerdo a esta metodología establecida, se realizó un trabajo de investigación sobre Seis Sigma y la metodología DMAIC el cual fue acompañado de un análisis que busco identificar como los pasos de un estudio de simulación pueden ser incorporados en los cinco pasos de un estudio DMAIC. La figura 11 presenta la relación encontrada entre DMAIC y los pasos que sigue un estudio de simulación estándar y la figura 12 presenta que herramientas estadísticas y no estadísticas deben de ser utilizadas y en qué orden bajo esta arquitectura.

3.1

Fase 1 De acuerdo a la arquitectura DMAIC-Sim, la fase 1 es “Identificar y definir el

problema que debe resolverse”. Esta fase permite establecer el objetivo de mejora del estudio. En esta fase se especifica el objetivo del estudio capturando la voz del 33


cliente (VOC) en cuanto a aquellas cosas que de acuerdo a su percepción no están funcionando bien en el sistema, y categorizando todas estas ideas mediante un diagrama de afinidad. Este ejercicio debe permitir el análisis y la selección de un problema o situación que será el enfoque del estudio y que redunde en gran beneficio para la mejora del sistema y que sea de prioridad para la organización. Una vez identificado el problema en el que se enfocara el estudio, se prepara el contrato entre el equipo que desarrollara el proyecto y la administración de la empresa (chárter del proyecto). En este documento se especifican los objetivos, alcance y nivel de detalle del proyecto.

Figura 11. Las fases DMAIC y su relación con un estudio de simulación Fuente: Elaboración propia

3.2

Fase 2 La fase 2 se llama “Construir un modelo del sistema para medir su

desempeño”. En esta fase se construye un modelo de simulación conceptual del proceso actual (“As Is”) que permita identificar los diferentes causantes del problema bajo estudio. Estas causas podrían ser cuellos de botella, mal balanceo de líneas, poca disponibilidad de recursos, fallos en maquinaria, etc. El primer paso que se toma es la elaboración de un mapa SIPOC del sistema. Este mapa permite identificar de manera general las entradas y salidas del sistema así como 34


los procesos y suplidores del mismo. Este mapa es una guía general para la subsiguiente construcción de un diagrama de flujo más completo del sistema bajo estudio. Para hacer esto es necesario recoger información que permita la construcción de dicho diagrama que será el inicio de la construcción del modelo de simulación. La recolección de estos datos es la tarea más desafiante y que consume más tiempo de todo el estudio de simulación. Esto se debe a que en la mayoría de los casos estos datos no se encuentran fácilmente disponibles.

Figura 12. Arquitectura integrada DMAIC-Sim junto con sus herramientas Fuente: Elaboración propia

Los datos requeridos de un sistema para la construcción de un modelo pueden dividirse en tres grandes categorías:

35


Datos estructurales – los objetos del sistema que serán modelados tales como las entidades, los recursos y localidades del sistema.

Datos operacionales – la información del comportamiento y la lógica del sistema, es decir donde, cuando y como las actividades y eventos son desarrollados.

Datos numéricos – información cuantitativa del sistema tal como el tiempo de ciclo de los procesos, las tasas de arribo de las entidades, las capacidades de las líneas de espera, etc. La información de datos estructurales en su mayoría no requiere de ningún

procesamiento adicional en vista que es usada para la construcción del diagrama de flujo y la parte lógica del modelo. Sin embargo, para poder usar ciertos datos operacionales tales como decisiones de flujo probabilísticas y la mayoría de los datos numéricos recolectados del sistema, estos deben de ser analizados e interpretados mediante estudios estadísticos. Entre los cálculos estadísticos necesarios se encuentra el cálculo de la muestra de datos a recolectar para poder calcular los tiempos de actividad. Hay varias maneras de determinar el tamaño de la muestra tales como hacer un censo de una población pequeña, utilizar el tamaño de la muestra de un estudio semejante, usar tablas publicadas y aplicar fórmulas para calcular el tamaño de la muestra. Existen varias fórmulas que pueden usarse las cuales dependen de criterios tales como el propósito del estudio, tamaño de la población, el nivel de precisión, el nivel de confianza y el grado de variabilidad de los atributos siendo estudiados. Hay fórmulas para calcular la muestra de una proporción y fórmulas para calcular la muestra de una media y estas dependen de cuales de los criterios son conocidos. Las dos fórmulas que son útiles para esta arquitectura son: Tamaño de la muestra para estimar la media:

=

. /  . 

 . ( − 1) + /  . 

ó

36


TamaĂąo de la muestra para estimar proporciones:

=

. /  . . 

 . ( − 1) + /  . . 

Ăł

En donde: n = es el tamaĂąo de la muestra N = es el tamaĂąo de la poblaciĂłn âˆ?/ = es la variable estandarizada de la distribuciĂłn normal  = es la varianza de la muestra p = es la probabilidad de ĂŠxito, o proporciĂłn esperada q = es la probabilidad de fracaso d = es la precisiĂłn del muestreo âˆ? = es el nivel de significancia Otra herramienta estadĂ­stica necesaria es la prueba de independencia o de correlaciĂłn que confirma que las muestras son en realidad aleatorias. Hay varias tĂŠcnicas que pueden usarse para determinar independencia, entre ellas se encuentran las grĂĄficas de dispersiĂłn y las de correlaciĂłn. Estas graficas se pueden hacer usando el software Excel o software estadĂ­stico especializado. Una vez que los datos han sido analizados estos deben de convertirse a un formato mĂĄs apropiado para un modelo de simulaciĂłn. Existen al menos tres maneras de representar los tiempos de actividad y tiempos de arribo encontrados en un modelo de simulaciĂłn: •

Los datos pueden ser usados exactamente como fueron adquiridos.

•

Una distribuciĂłn empĂ­rica puede ser usada para caracterizar los datos.

•

Se puede seleccionar una distribuciĂłn teĂłrica que se ajuste a los datos.

37


De los tres métodos, el preferido es la utilización de distribuciones teóricas en vista que estas minimizan irregularidades artificiales en los datos y asegura que valores extremos sean incluidos. El procedimiento para convertir los datos recolectados a una distribución estadística teórica consiste en realizar una prueba de bondad de ajuste. Estas pruebas pueden realizarse utilizando métodos tales como la prueba de Chi-Cuadrado o la de Kolmogorov-Smirnov. Sin embargo, la mayoría de software de simulación posee paquetes estadísticos que permiten determinar automáticamente y con precisión que distribución estadística de probabilidad mejor representa un set de datos.

3.3

Fase 3 La fase 3 se ha denominado “Analizar el sistema mediante simulación para

identificar causas que afectan su desempeño”. En esta fase es en donde se traduce el modelo conceptual a un modelo real computarizado. Para hacer esto es necesario conocer el paradigma de programación del software de elección y transferir los datos recopilados a una representación computarizada del comportamiento e interacciones de los elementos del sistema. Este modelo será usado inicialmente para realizar pruebas que confirmen o rechacen hipótesis sobre posibles causas que afecten el desempeño del sistema. Más adelante, este mismo modelo será utilizado como base para la construcción de modelos que pongan a prueba las posibles soluciones para el problema (modelo “TO BE”). Para asegurar que el modelo construido puede representar adecuadamente al sistema real, es necesario validar si este arroja resultados que sean estadísticamente semejantes a los del sistema real. Para hacer esto es necesario conducir una prueba de hipótesis de medias o de proporciones de una y/o dos muestras comparando los resultados de cierta variable de desempeño en el modelo y en sistema real. Para realizar la prueba de hipótesis de una muestra se usa la siguiente hipótesis:

H0 : µ = x Ha : µ ≠ x 38


Rechazando la hipótesis nula H 0 si t < −tα / 2 o si t > tα / 2 en donde t se calcula usando la siguiente ecuación (para muestras pequeñas de menos de 30 datos):

x−µ s n

t=

Ecuación 3

Para realizar la prueba de hipótesis de la diferencia de dos medias se usa la siguiente hipótesis:

H 0 : µ1 − µ 2 = 0 H a : µ1 − µ 2 ≠ 0 Con la misma de rechazo recién presentada en donde t se calcula usando la siguiente ecuación (para muestras pequeñas):

t=

( x1 − x2 ) − ( µ1 − µ 2 ) 1 1 s p  +   n1 n2 

Ecuación 4

2

En donde:

sp

2

2 2 ( n1 − 1)S1 + (n2 − 1)S 2 = (n1 − 1) + (n2 − 1)

Ecuación 5

Y para el caso de muestras grandes (más de 30 datos) se rechaza la hipótesis nula H 0 si z < − zα / 2 o si z > zα / 2 en donde z para una sola media se calcula usando la siguiente ecuación:

z=

x−µ s n

Ecuación 6

Y para la diferencia de dos medias se usa la siguiente ecuación:

39


z=

( x1 − x2 ) − ( µ1 − µ 2 )

σ 12 n1

+

σ 22

Ecuación 7

n2

En el caso de la diferencia entre dos proporciones, la hipótesis que se usa es:

H 0 : p1 − p2 = 0 H a : p1 − p2 ≠ 0 Rechazando la hipótesis nula H 0 si z < − zα / 2 o si z > zα / 2 en donde z se calcula usando la siguiente ecuación (independiente del número de datos):

z=

( p1 − p2 ) − ( p1 − p2 ) s p1 − p2

Ecuación 8

En donde:

s p1 − p2 =

p1 (1 − p1 ) p 2 (1 − p 2 + n1 n2

Ecuación 9

Una vez que el modelo se ha comprobado como estadísticamente valido se procede a realizar diagramas de causa-efecto para buscar las causas del problema bajo estudio. Utilizando el modelo de simulación creado se estudia que efectos se producen en el sistema al hacer cambios en las variables que se asumen son las causas. En vista que la simulación busca replicar la variabilidad inherente en el sistema real, es necesario hacer varias corridas y utilizar intervalos de confianza para rechazar o no la hipótesis referente a las causas. Este proceso se realiza hasta que se confirman cuales variables son en efecto causantes del estado de nuestro sistema y se genera una lista de factores causales significantes.

3.4

Fase 4 Al igual que con la metodología Seis Sigma, la mayoría del tiempo en el que

se desarrolla esta arquitectura se dedica a las primeras tres fases. En estas tres 40


fases se identifica el problema a solucionar, se construye el modelo de simulación y se presentan posibles estrategias para la mejora. En esta primera etapa se hace la caracterización del problema y del sistema. La segunda parte la componen las dos fases restantes en donde se trabaja con el modelo de simulación construido para buscar la solución que optimice el sistema y aumente así la calidad. Con el modelo de simulación construido y validado, y habiendo identificado de manera certera las causas del problema bajo estudio se pueden proponer ideas para solucionar el problema o mejorar el sistema. En la fase 4 denominada, “Explorar escenarios para mejorar el desempeño del sistema”, se estudian los resultados de los experimentos diseñados a partir de estas ideas propuestas. Para hacer esto se construyen modelos de simulación a partir del modelo inicial que fue validado, en los cuales se implementan las propuestas de mejora que toman en cuenta las causas identificadas. Los resultados son analizados usando múltiples corridas, intervalos de confianza y pruebas de hipótesis. Además de revisar la mejora en las variables de desempeño bajo estudio es importante hacer también un análisis de costo beneficio para revisar que las medidas propuestas son económicamente viables. Para poder ahorrar tiempo y esfuerzo a la hora de estudiar escenarios en sistemas en los que se tienen múltiples variables (factores causales) con rangos de acción amplios, se aconseja hacer uso de herramientas de optimización que corran las iteraciones automáticamente. Esto permite identificar cual configuración de variables arroja el mejor valor en la variable de desempeño bajo estudio. Para hacer esto se deben identificar las variables de decisión (factores causales) del sistema las cuales deben de ser definidas como valores de tipo numérico (enteros o reales) con un rango definido (límite inferior y superior). Luego se deben construir funciones objetivo (variables de respuesta) en término de las variables de decisión previamente definidas. Finalmente se define el número de réplicas a correr y se ejecuta el optimizador el cual usa un algoritmo que busca una solución que maximice o minimice la función objetivo propuesta. Los resultados obtenidos

41


permitirán desarrollar un plan de mejora que pueda ser implementado en el sistema real.

3.5

Fase 5 La fase 5 se llama “Implementar un sistema para mantener y controlar la

mejora”. Esta fase es el último paso de la metodología y tiene como objetivo asegurar que el proceso que ha sido mejorado pueda ser sostenido. En esta fase se busca monitorear el proceso utilizando las métricas definidas y otras herramientas de medición para asegurar la capacidad que el sistema tiene a través del tiempo. Para hacer esto se debe de crear un plan de control que se vuelva la guía de mantenimiento de los cambios positivos realizados. Entre las estrategias que pueden usarse en este plan se encuentran la creación de gráficos de control (discutido en el capítulo 2) y el cálculo de la capacidad del proceso. La capacidad que tiene un proceso se verifica mediante la revisión de los índices  y  . Para calcular dichos índices es necesario calcular la media y la desviación estándar de los datos, así como el límite superior (USL) y el límite inferior (LSL) de la especificación del cliente.

Cp =

USL − LSL 6σ

Ecuación 10

Este índice mide la capacidad del proceso si este es estable y sigue una distribución normal. Mientras más alto es el  menor la variación de ese proceso.

 USL − Media Media − LSL  C pk = min  ,  3σ 3σ  

Ecuación 11

Si la media del proceso no está centrada,  sobreestima la capacidad del proceso y es necesario usar el índice  el cual divide la capacidad del proceso en dos valores. El menor de estos valores representa la capacidad del proceso. Finalmente todo el trabajo realizado se documenta en un informe que examina el objetivo del proyecto, que problemas o defectos se encontraron, que 42


herramientas se utilizaron para identificarlos, que acciones correctivas se tomaron y que resultados se obtuvieron. Este informe tambi茅n describe como se construy贸 y valido el modelo que se utiliz贸 para hacer la experimentaci贸n.

43


Capítulo 4.

IMPLEMENTACIÓN

Este capítulo presenta la implementación de la metodología DMAC-Sim en la resolución de un problema del área de arribo de pasajeros del aeropuerto de San Pedro Sula. Para hacerlo se siguen las cinco fases de la metodología y se listan las herramientas estadísticas y no estadísticas usadas. Además se describe el modelo construido y la manera en que fue validado, así como los diferentes escenarios evaluados.

4.1

Identificar y definir el problema que debe resolverse La Cámara de Comercio e Industrias de Cortes recibe muchas quejas de

parte de sus socios referente al largo tiempo que les toma a ellos y al resto de pasajeros ingresar finalmente al país (Reina, 2010). Por esta razón se solicitó a la facultad de ingeniería de Unitec un estudio de la situación actual del área de arribo de pasajeros del aeropuerto de San Pedro Sula junto con una propuesta de posibles soluciones para esta problemática. En vista que la solicitud fue directa y específica, no fue necesario hacer un análisis exhaustivo de la voz del cliente para identificar qué proyecto realizar. 4.1.1 Charter del proyecto Debido a los propósitos demostrativos de este estudio, no se presentan todas las partes del chárter del proyecto. Perspectiva general del proyecto Nombre del Proyecto

Reducción del tiempo de espera del área de migración del aeropuerto internacional de San Pedro Sula.

Objetivo del Proyecto

Proponer una solución que reduzca significativamente el tiempo que esperan en migración los pasajeros que arriban aéreamente al aeropuerto de San Pedro Sula.

Patrocinador del Proyecto

Cámara de Comercio en Industrias de Cortes

Fecha de Inicio

10 Marzo 2011

Fecha de Finalización

13 Mayo 2011

Esfuerzo estimado

120 horas

44


Alcance del proyecto El proceso de mejora a desarrollar y el modelo de simulación a construir como parte de este trabajo no considerarán todo el aeropuerto y sus operaciones, sino que se limitará al área de arribo de pasajeros que llegan al aeropuerto en aviones comerciales. El sistema que se analizará y modelará tomará entidades que arriban a partir del pasillo en el primer piso, al pie de las escaleras, y culminará con los pasajeros saliendo del área de migración a través de las puertas de apertura automática. Los escenarios que serán estudiados se limitaran a explorar cómo se comporta el sistema ante cambios en la política de atención en las áreas de migración y búsqueda e inspección de equipaje dentro del área de arribo de pasajeros del aeropuerto. Justificación del proyecto El aeropuerto es, para el viajero extranjero que viene por primera vez a Honduras o para el nacional que regresa después de mucho tiempo fuera, la primera impresión con la que se queda del país. Sin embargo, debido a las largas colas en el área de migración del aeropuerto Ramón Villeda Morales de San Pedro Sula, esta no es una impresión grata y placentera. El presidente de la Cámara de Comercio e Industrias de Cortes (CCIC) recibe muchas quejas sobre esta larga espera y la imagen negativa que deja a turistas y posibles inversionistas. Es necesario hacer algo que mejore significativamente esta área del aeropuerto. Involucrados claves del proyecto Gerente del Aeropuerto de San Pedro Sula

Ing. Allan Padilla

Permisos de acceso al aeropuerto y sus diferentes terminales

Jefe de Migración del Aeropuerto de SPS

Sr. José Hipólito Zelaya

Información histórica y de lógica de proceso, acceso al área de migración.

Director Ejecutivo de la Cámara de Comercio de Industrias de Cortes

Lic. Raúl Reina

Patrocinador del proyecto, autorizaciones y contactos.

Oficial Encargado de Laboratorios en UNTEC

Ing. Allan Villatoro

Acceso a laboratorios con software de simulación y análisis estadístico.

Administrador del Proyecto

Ing. Jared R. Ocampo

Ingeniero encargado de coordinar y desarrollar el proyecto de mejora.

45


Entregables del proyecto •

Modelo de simulación del sistema actual y del sistema con mejoras creado usando el software Flexsim.

Informe final conteniendo la validación del modelo y las propuestas de mejora junto con sus planes de control.

Criterios de éxito del proyecto •

Encontrar una solución que disminuya el tiempo promedio de espera de los pasajeros en migración en un 20% del tiempo actual.

4.2

Construir un modelo del sistema para medir su desempeño Para poder construir un modelo de simulación del sistema es necesario

iniciar construyendo un modelo conceptual del mismo. De acuerdo a Harrell et. al (2000), este modelo conceptual es el resultado de la recolección de datos y la formulación en la mente del modelador (suplementado con diagramas y notas) de como un sistema en particular opera. 4.2.1 Mapa SIPOC del sistema Para construir este modelo conceptual se inició desarrollando un mapa SIPOC (ver figura 13) para entender a grandes rasgos cómo funcionaba el sistema bajo estudio. De este mapa se determinó que había dos fuentes importantes para el modelo para las cuales se debía calcular su tasa de inter-arribos: •

Llegada de pasajeros (aerolíneas aterrizando en SPS)

Llegada de maletas (tiempo que esperan por ellas los pasajeros)

También se identificaron cuatro estaciones principales en el sistema que requerían información de tiempos de servicio y lógica de funcionamiento: •

Revisión en migración (trámites migratorios de todos los pasajeros)

Búsqueda de equipaje (pasajeros buscan sus maletas en el carrusel) 46


Inspección de equipaje (inspección para buscar objetos no declarados).

Pago y tramite de aduanas (pago de impuestos de introducción).

Figura 13. Mapa SIPOC del sistema de migración del aeropuerto Fuente: Elaboración propia, basado en Brue (2002)

4.2.2 Diagramas de flujo y recolección de datos El aeropuerto internacional Ramón Villeda Morales es una de las terminales aéreas más importantes de Honduras, ubicado en la ciudad de San Pedro Sula, la cual es conocida como la capital industrial del país. El aeropuerto cuenta con dos terminales, ambas equipadas con oficinas de migración, puertas y escaleras eléctricas, aire acondicionado, etc. y es administrada por la empresa Interairports propiedad del Grupo Terra. De acuerdo a José Hipólito Zelaya, jefe de Migración del aeropuerto, “Más de 30,000, entre hondureños residentes en el extranjero y turistas, han ingresado durante lo que va de este mes por el aeropuerto Ramón Villeda Morales”. De hecho, de acuerdo a las estadísticas que maneja Migración, en promedio se han estado recibiendo durante el mes de Diciembre entre 1,800 y 2,000 personas diarias (La Prensa, 21/12/2010). Sin embargo, el promedio diario de personas durante el resto del año es de aproximadamente 1,000 personas. 4.2.2.1

Diagrama de flujo del sistema

El flujo que todos estos pasajeros deben de seguir para ser autorizados por la oficina de Migración para ingresar legalmente al país puede ser dividido en ocho 47


pasos, los cuales pueden ser seguidos total o parcialmente por los pasajeros dependiendo de sus circunstancias: 1

Traslado a Migración: Consiste en caminar desde la puerta del avión, a través de la manga telescópica y del pasillo, hasta la parte inferior de las escaleras que conectan el área de recepción de pasajeros con el área de espera de Migración. Este paso no será considerado en el modelo.

2

Fila para Migración: El pasajero espera en fila para ser atendido en uno de los mostradores de Migración. Este paso inicia al ingresar el pasajero al pasillo que conecta las gradas con los mostradores. El pasillo de conexión tiene marcado en el piso tres líneas de espera que guían a los pasajeros a tres mostradores (ver figura 14) que permiten acomodar a 6 oficiales de migración (2 por mostrador). Existe un mostrador adicional que normalmente no está en uso pero que está disponible para casos de emergencia. A pesar que los mostradores están señalizados sugiriendo que cada uno de ellos atiende diferentes tipos de pasajeros (residentes hondureños, extranjeros y casos especiales) en realidad esta separación no se respeta.

Figura 14. Mostradores de atención de Migración en el aeropuerto Fuente: Foto de elaboración propia

48


3

Revisión en Migración: El pasajero o grupo de pasajeros (si viajan en familia) es atendido por un oficial de Migración. En vista que hay diferentes tipos de pasajeros (residentes hondureños, residentes de Centroamérica, extranjeros y casos especiales), así como diferentes niveles de experiencia en los oficiales de Migración, el tiempo de atención varía de acuerdo a estas variables.

4

Búsqueda de Equipaje: Una vez que Migración ha dado el visto bueno para que el pasajero ingrese al país, si este trae equipaje consigo entonces procede a buscar su equipaje, de otra manera sale directamente al área de inspección para que su equipaje de mano sea inspeccionado. En el diagrama de la figura 15 se puede observar que el aeropuerto cuenta con dos carruseles en donde el personal de la aerolínea coloca el equipaje de los pasajeros. A los primeros pasajeros que salen les toma más tiempo recoger sus maletas en vista que los toca esperar a que estas sean colocadas en el carrusel, esto luego se normaliza una vez que el flujo de equipaje se estabiliza.

Figura 15. Layout del área total de arribo de pasajeros del aeropuerto Fuente: Elaboración propia

5

Fila para Inspección de Equipaje: Una vez que el pasajero tiene consigo su equipaje, este se forma en fila a esperar que el mismo sea inspeccionado usando rayos X. Esta inspección se hace para asegurarse que el pasajero no

49


trae consigo objetos que debieron ser declarados ante el personal de aduana. Para hacer esto el pasajero se coloca frente a una de las dos máquinas de rayos X disponibles. 6

Inspección de Equipaje: Todos los pasajeros deben de pasar sus pertenencias a través de una de las dos máquinas de rayos X para que el personal de aduana pueda observar lo que el pasajero trae. Si el contenido del equipaje está de acuerdo a las normativas establecidas el pasajero puede pasar a la puerta de salida y abandonar la terminal.

7

Inspección Manual de Equipaje: Si se ven irregularidades en los contenidos del equipaje de un pasajero, este pasa a una inspección manual en donde un agente abre las maletas y hace una revisión minuciosa de sus contenidos. Si todos los contenidos están de acuerdo a las normativas establecidas el pasajero puede abandonar la terminal. Si se descubren elementos dentro del equipaje que debieron ser declarados en aduana el pasajero pasa a la oficina de aduana para hacerlo y pagar la cuota correspondiente.

8

Pago y Trámites de Aduana: El pasajero pasa a una oficina para realizar el pago correspondiente a la introducción de mercancía al país. Una vez que el pasajero ha hecho el correspondiente pago este puede salir de la terminal con su equipaje y mercancía. Toda la información estructural del sistema (entidades y recursos) puede

ser obtenida de la lista de pasos que siguen los pasajeros para ser procesados en el sistema y de su correspondiente diagrama de flujo. Las entidades son los pasajeros que arriban los cuales pueden ser de cuatro tipos: hondureños residentes, centroamericanos que están dentro del tratado de libre circulación (CA4), extranjeros y pasajeros con casos especiales (personas de la tercera edad, embarazadas o con discapacidad). Estos pasajeros pueden venir solos, en parejas o en grupos (3 o más pasajeros). Adicionalmente las maletas que los pasajeros recogen pueden ser consideradas entidades que luego son unidas a los pasajeros en el paso 4 (búsqueda de equipaje). En el caso de los recursos se pueden identificar cinco lugares en los que las entidades se detienen para ser procesadas: los mostradores de migración, el carrusel de equipaje, las máquinas de rayos x, 50


las estaciones de revisión manual y la oficina de aduana. Previo a estos recursos siempre existe una línea de espera para manejar la diferencia entre la tasa de servicio de los recursos y la tasa de llegada de las entidades. La figura 16 muestra un diagrama de flujo de todo el proceso.

Figura 16. Diagrama de flujo del proceso de arribo de pasajeros Fuente: Elaboración propia

4.2.2.2

Tasa de llegada de pasajeros y maletas

Para la construcción del modelo es necesario conocer información sobre las llegadas de entidades al sistema. Entre esa información se encuentra la tasa de llegada de los pasajeros al aeropuerto y cuánto tiempo después de su arribo y a que frecuencia comienzan las maletas a transitar por el carrusel. La información del arribo de pasajeros fue obtenida de registros históricos del aeropuerto y la del tiempo de descarga de las maletas de toma empírica de tiempos.

51


Arribo de pasajeros En la Figura 17 se puede observar un resumen del itinerario semanal de llegadas de aviones al aeropuerto junto con el promedio de pasajeros que trae cada avión tomando en consideración 1 semana de información. De un análisis rápido se puede observar que existen 3 sets de horas pico en el aeropuerto: •

6:25 a.m. – 7:50 a.m. (promedio de 372 pasajeros)

11:41 a.m. – 1:00 p.m. (promedio de 457 pasajeros)

3:35 p.m. – 5:15 p.m. (promedio de 238 pasajeros) En vista que la intención es simular una situación conocida que permita

validar el modelo, se decidió usar información del horario establecido entre las 11:41 a.m. y la 1:00 p.m. como para establecer los inter-arribos de pasajeros y tomar igualmente muestras en este horario para determinar tiempos de actividad.

Figura 17. Resumen del itinerario semanal de llegadas de aerolíneas Fuente: Elaboración propia, tomado de registros históricos de Migración.

El conocer la proporción de los tipos de pasajeros existentes es importante para más adelante modelar los arribos de pasajeros de acuerdo a estos porcentajes. 52


Usando registros históricos del movimiento migratorio del aeropuerto se logró determinar que el 50% de los pasajeros que arriban al país son hondureños, el 5% son centroamericanos con tratado de libre circulación (CA4), 43% son pasajeros internacionales y un 2% son pasajeros que requieren de alguna acomodación especial (embarazadas, discapacitados, etc.)

Distribución de Pasajeros Internacionales

Hondureños

Centroamericanos

Casos Especiales

5% 2%

43% 50%

Figura 3.5 Distribución de pasajeros arribando al aeropuerto Figura 18. Distribución de pasajeros arribando al aeropuerto Fuente: Elaboración propia, usando el software Excel

Arribo y búsqueda de equipaje Se determinó que el 12% de los pasajeros que llegan al aeropuerto solo traen maletas de mano y por lo tanto no necesitan ir al carrusel a buscar equipaje. Sin embargo el restante 88% debe de buscar sus maletas antes de poder salir del aeropuerto. La mayoría del tiempo el equipaje llega en el mismo avión de los pasajeros, por lo que la búsqueda de equipaje por parte de estos se puede modelar tomando en cuenta dos tiempos: tiempo de posicionamiento y tiempo de búsqueda. Primero se calculó el tiempo promedio que le toma a la compañía encargada de manejar el equipaje descargar las maletas del avión y colocarlas en el carrusel de la terminal (posicionamiento) y luego se calculó el tiempo promedio 53


que le toma a un pasajero encontrar su equipaje en dicho carrusel (búsqueda). Las compañías que manejan el equipaje son: •

Compañía Warren – atiende las aerolíneas Delta, Taca, Aeroméxico y Continental Airlines.

Tecnologías Unidas – atiende las aerolíneas Copa, American Airlines y el resto de las empresas que vuelan a San Pedro Sula. En vista que son dos las compañías que hacen este trabajo se tomaron

muestras del tiempo que le toma a cada compañía trasladar el equipaje hasta el carrusel y se desarrolló el análisis de bondad de ajuste para determinar las distribuciones estadísticas que mejor representan estos tiempos. También se tomaron muestras del tiempo que le tomo a los pasajeros localizar su equipaje una vez en la estación. Para hacer esto se cronometro el tiempo desde que el pasajero arribo al sector en el que se encuentra el carrusel, hasta que el pasajero tuvo sus maletas en su posesión. Para este análisis se tomó el tiempo de localización de equipaje una vez que ya había maletas circulando en el carrusel. Los datos obtenidos de estos análisis se observan en la figura 19.

Figura 19. Tiempo de traslado y búsqueda de equipaje Fuente: Elaboración propia, usando el software Expertfit

4.2.2.3

Tiempos de procesamiento en las estaciones

En vista que el aeropuerto no cuenta con datos históricos de los cuales se puede hacer uso, la información de los tiempos de ciclo de los recursos a ser

54


modelados tuvo que ser obtenida por medio de una toma directa de tiempos de proceso. Los procesos de los que se obtuvo información fueron: •

Atención en los mostradores de migración (de acuerdo al tipo de pasajeros siendo atendido y cantidad de personas siendo atendidas a la misma vez)

Carga de equipaje en carrusel

Identificación y recolección de equipaje en carrusel

Inspección en la máquina de rayos x

Inspección manual de equipaje

Pago y tramites en la oficina de aduana

Cálculo general del tamaño de la muestra Para poder calcular el tiempo de proceso de las diferentes actividades del sistema, fue necesario realizar tomas de tiempos usando principios de ingeniería de métodos. Para esto se debió determinar la cantidad de pasajeros a considerar (tamaño de la muestra) para cada actividad. Como se explicó en la metodología, los elementos que determinan el tamaño de la muestra son el tipo de muestreo a emplear (cómo y con qué frecuencia se medirá), la varianza o dispersión de la variable de medición (a mayor variabilidad, mayor es la necesidad de un tamaño de muestra grande) y la confiabilidad mínima que se espera lograr (proveniente del error de muestreo y del nivel de confianza). El tipo de muestreo que se usó en este estudio es el muestreo aleatorio simple y se usó un nivel de confianza del 95% con un 10% máximo de error de muestreo. En vista que la dispersión de la variable que se quería medir no era conocida y era muy difícil realizar una muestra piloto, se utilizó la ecuación 2 para calcular el tamaño de la muestra para proporciones. Los supuestos que se usaron para el cálculo del tamaño muestral fueron: •

Para obtener la varianza poblacional se utilizan los parámetros p = q = 50%, obteniendo un producto máximo entre ambos (por lo tanto una muestra mayor a la necesaria)

55


Un nivel de confianza de 95% implica un nivel de significancia de 0.05 y por lo tanto un ∝/ = 1.96.

Debido a que no se contaba con datos históricos y a la dificultad de adquirir datos se consideró aceptable una precisión de 10%.

En vista que los pasajeros llegan con cada vuelo, se consideró el peor escenario para establecer la población. Este caso se manifiesta cuando se combina la llegada de varios aviones durante las horas pico (ver Figura 17), lo que hace una población de aproximadamente 460 pasajeros que deben ser atendidos de una vez. En vista que el modelo que será construido solo generará una llegada de pasajeros a la vez (no inter-arribos a través del día), se utilizó el valor de 460 pasajeros como la población de estudio.

Dado estos supuestos, el tamaño de la muestra para calcular los tiempos de actividad debe de ser de al menos: =

460x1.96 x0.5(0.5) = &'()*+,+ 460x0.10 + 1.96 x0.5(0.5)

Por lo tanto, para encontrar que distribución estadística mejor representa los tiempos de proceso en migración, carrusel, inspección por rayos x, inspección manual y pago de aduana se le tomo el tiempo a 80 pasajeros. En el caso del cálculo de la distribución porcentual del tipo de pasajeros, se utilizaron datos estadísticos del movimiento migratorio de los últimos 6 meses. La información fue obtenida del informe mensual que genera el departamento de migración. 4.2.2.4

Análisis estadístico de los datos numéricos

Los datos numéricos recolectados fueron analizados para encontrar los valores que serían usados en el modelo de simulación a validar: Revisión en migración Utilizando el tamaño de muestra establecido, se seleccionaron de manera aleatoria pasajeros de acuerdo a los cuatro tipos de pasajeros determinados previamente y se cronometró el tiempo que le tomo a los oficiales de migración 56


atenderlos. Se consideró a los pasajeros en dos categorías, los que son atendidos individualmente y los que son atendidos en familia (grupo). Inicialmente se analizó a los pasajeros que son atendidos individualmente. Para hacer esto se registraron los tiempos de atención, se generó un diagrama de dispersión para analizar la independencia y la aleatoriedad de los datos y luego estos fueron introducidos al software para ajuste de distribuciones estadísticas ExpertFit. Usando este software se determinaron las distribuciones estadísticas teóricas que mejor se ajustaban a los datos recolectados (ver Figura 20).

Figura 20. Tiempo de atención para pasajeros individuales por tipo Fuente: Elaboración propia, usando el software Expertfit

En el caso de los pasajeros que son atendidos como familia (en grupo), no se consideraron grupos de más de 5 pasajeros, ya que en su gran mayoría solo se presentan en casos especiales de grupos de Iglesias que vienen a dar servicio al país. Estos casos los maneja migración de forma especial y no serán considerados en este modelo. Se consideraron entonces grupos de menos de 5 pasajeros y de este análisis se determinó que solo el 6% de los pasajeros atendidos en migración son atendidos en grupo (como familia).

57


Se realizó un análisis de varianzas (ANOVA) para determinar si existía una diferencia significativa entre el tiempo de servicio de grupos de 3, 4 o 5 pasajeros o si se podía asumir que tomaba el mismo tiempo atender a cualquiera de estos grupos. Los resultados de la ANOVA (Figura 21) mostraron que la hipótesis nula debe de rechazarse y que por lo tanto el promedio de tiempo de atención de 3, 4 o 5 pasajeros (familias) no es estadísticamente el mismo.

Figura 21. ANOVA del tiempo de atención de grupos en migración Fuente: Elaboración propia, usando el software Excel

En vista que de acuerdo a la ANOVA no se puede asumir que el tiempo de atención es igual para los grupos, se buscó validar si se podía usar los tiempos de atención calculados previamente (Figura 20) para simular el tiempo de atención de dichos grupos. Para hacer esto se dividió el tiempo que tomaba atender al grupo entre el número de personas que lo componían para calcular de esta manera el tiempo de atención individual. Con estos valores se realizó una prueba de hipótesis para la diferencia entre dos medias, en donde la hipótesis nula era que la media del tiempo de atención de individuos calculado previamente era la misma que la media de atención en grupos, si este tiempo se separa en tiempo de atención individual. Usando un 95% de confiabilidad se encontró que las medias son estadísticamente iguales (ver figura 22) y por lo tanto no se simulara la atención a grupos, sino que se usaran tiempos de atención individual. 58


Figura 22. Prueba de hipótesis de medias para la atención de grupos Fuente: Elaboración propia, usando el software Excel y PHStat

Inspección de equipaje Al igual que con los otros tiempos de proceso, se registraron los tiempos de inspección en ambas estaciones de rayos x así como en las cuatro mesas de inspección manual y se realizó el análisis estadístico correspondiente. Los datos fueron ajustados usando ExpertFit y de este análisis se concluyó que las distribuciones estadísticas teóricas que mejor se ajustan a los datos recolectados son la distribución Pearson 6 y la Inverse Gaussian (E) respectivamente (ver Figura 23). También se observó que la proporción aproximada de maletas que deben ser inspeccionadas manualmente es del 18%.

Figura 23. Tiempo de inspección de equipaje en aeropuerto Fuente: Elaboración propia, usando el software Expertfit

Trámite de aduana Aquellos que requieren declarar bienes ante aduana pasan a la oficina de aduana para pagar el impuesto correspondiente. De acuerdo a datos históricos del 59


aeropuerto y de la observación, se calculó que solo un 5% de todos los pasajeros que arriban al aeropuerto de San Pedro Sula pasan por la oficina de aduana. De este porcentaje, 3.5% declara directamente que necesita ir a aduanas y 1.5% es enviado al ser descubierto en la inspección que traen objetos que debieron ser declarados y no lo fueron. El tiempo que un pasajero típico pasa en la oficina de aduana pagando impuestos correspondientes puede observarse en la Figura 24.

Figura 24. Tiempo de inspección de equipaje en aeropuerto Fuente: Elaboración propia, usando el software Expertfit

Tiempo de movimiento de pasajeros En Flexsim el tiempo de movimiento de pasajeros se calcula internamente en el software a partir de la velocidad a la que se trasladan las entidades. Para calcular esto se tomó una muestra de pasajeros sin maletas y con maletas y usando una distancia conocida se calculó el tiempo que se tardaban en trasladarse en dicho tramo. De esto se obtuvo que: •

Velocidad de tránsito de pasajeros sin maletas = 0.92 mts/seg

Velocidad de tránsito de pasajeros con maletas = 0.89 mts/seg

Se hizo una prueba t para la diferencia entre las dos medias y no se pudo rechazar la hipótesis nula que la velocidad promedio es la misma y por eso se utilizó la misma velocidad para el movimiento de las entidades con o sin maletas (0.92 mts/seg). El conjunto de diagramas de flujo, porcentajes de distribución y tiempos de llegada y proceso es lo que forma el modelo conceptual del sistema que servirá de base para construir el modelo de simulación del sistema.

60


4.3

Analizar el sistema mediante simulación para identificar causas que afectan su desempeño Un modelo de simulación es una representación computarizada de como

los elementos de un sistema particular se comportan e interactúan entre sí. Usando el paradigma de programación de Flexsim se construyó un modelo de simulación de sistema a partir del modelo conceptual creado. Para hacer esto se simularon los arribos de pasajeros y de maletas usando Sources, las filas de espera usando Queues y en algunas ocasiones Conveyors, se usaron Separators, Combiners, Processors y Multiprocessors para las operaciones de procesado de pasajeros y se usaron flownodes para simular el flujo de los pasajeros. Para facilitar la creación del modelo, este fue construido por partes (submodelos) y luego estas partes fueron unidas dentro del modelo final. Inicialmente se construyó el sub-modelo de las ventanillas de migración en donde se validó las llegadas de pasajeros, la distribución de los mismos dentro de las líneas de espera y el tiempo de atención de estos en las ventanillas de migración dependiendo del tipo de pasajero siendo atendido. El siguiente sub-modelo que se construyó fue el de la búsqueda de equipaje. En este sub-modelo se trabajó el tiempo de arribo del equipaje a partir del tiempo de llegada de los pasajeros así como la unión de los pasajeros y su equipaje mediante combinadores. El último sub-modelo que se desarrollo fue el de inspección y salida. En este sub-modelo se programó la separación del pasajero y su equipaje (para su inspección mecánica y manual), las proporciones de inspección y pago de aduanas y la unión final del pasajero y su equipaje para su salida del sistema. 4.3.1 Arribo de pasajeros Los arribos de entidades definen el tiempo, la cantidad y la frecuencia de los pasajeros que entran al sistema. En este caso los pasajeros llegan todos de una sola vez (con cada vuelo), por lo que se usó el objeto Source (en este caso llamado Llegada Pasajeros) para generar entidades utilizando el modo de operación “Arrival Schedule”. Bajo este modo de operación el usuario especifica en una tabla la cantidad de entidades que arriban y el tiempo en que estas arriban. 61


Para hacer más fácil el ingreso de datos por parte del usuario, se utilizó la herramienta dentro de Flexsim “excel interface” (ver Figura 25) que permitió ingresar la información de arribo de pasajeros en el Source a través de una tabla global de Flexsim conectada por medio de una hoja electrónica creada en Excel. En la hoja electrónica se colocó y codifico la hora de llegada de los vuelos y la cantidad de pasajeros que viene en cada uno de ellos (“Arribo de Pasajeros”), así como el tiempo de posicionamiento de las maletas dependiendo de la aerolínea y la distribución de pasajeros (ver Figura 26). La hoja electrónica fue protegida para evitar problemas de configuración y solo se dejaron habilitados los campos en los que el usuario debía de introducir datos. También se creó una lista de validación para evitar errores de escritura. La creación de este interfaz permitió poder configurar de manera rápida y flexible diferentes elementos dentro del modelo y crear de esta forma diferentes escenarios.

Figura 25. Configuración de la importación de datos desde Excel Fuente: Elaboración propia, usando el software Flexsim

62


Figura 26. Interfaz en Excel de ingreso de pasajeros del modelo de simulación Fuente: Elaboración propia, usando el software Excel

Las entidades usadas fueron “TaskExecuters” los cuales permiten simular un pasajero caminando. Para hacer esto se configuro cada objeto que procesaba a la entidad escogiendo en la viñeta de “Flow” la caja de selección “Use Transport” y en la opción “Request Transport From” seleccionando “Task Executer as a Flowitem”. La creación de los diferentes tipos de pasajeros se hizo en el Trigger “OnExit” del Source que genera las entidades. Para hacer esto se usó una distribución empírica creada a partir de la sección “Distribución” del interfaz de Excel (Figura 26). Este código convierte las entidades entrantes en tres itemtypes diferentes diferenciados por color y con las cantidades correspondientes a la proporción establecida en el interfaz. El envío de pasajeros a la fila adecuada se logró programando la caja de selección “Send to Port” de la viñeta Flow del Queue conectado al Source para que lo hiciera de acuerdo al itemtype de la entidad. También se creó en cada entidad una etiqueta (label) llamada “aerolínea” la cual es creada a partir de la aerolínea en la que el pasajero viaja para controlar así a que carrusel debe de dirigirse para recoger su equipaje. Los pasajeros 63


(entidades) procedentes de las aerolíneas Continental, Taca, Aeroméxico y Delta reciben una etiqueta 1 y los que proceden del resto de las aerolíneas reciben la etiqueta 2. Mediante el uso de un Queue colocado al salir de las cabinas de migración se controla hacia que carrusel se dirigen las entidades (ver Figura 27). Las entidades con etiqueta 1 se dirigen al primer carrusel (el más grande) y las entidades con etiqueta 2 al segundo carrusel.

Figura 27. Configuración de flujo de entidades usando etiquetas Fuente: Elaboración propia, usando el software Flexsim

4.3.2 Filas de espera y procesadores Las filas de espera se programaron usando una combinación de Queues (Filas) y NetworkNodes (nodos de red). Los queues fueron configurados en cuanto al tamaño y posición (altura y rotación) para ajustarse al funcionamiento y distribución del sistema real. Para asegurarse que la orientación de las entidades dentro de los queues fuera la correcta se usó el trigger “OnEntry” para rotar las entidades apropiadamente. Las velocidades de transito de los pasajeros fueron ajustadas globalmente al cambiar la velocidad del TaskExecuterFlowItem en base al cálculo de velocidad de movimiento de los pasajeros descrito previamente. Esto permitió modelar adecuadamente el tiempo de movimiento de los pasajeros a través de todo el sistema. 64


Las actividades que requieren de procesamiento fueron modeladas usando objetos Processor configurados con un tiempo de proceso correspondiente a la distribución estadística calculada usando el software Expertfit. La distribución usada para el tiempo de espera en migración puede verse en la Figura 20, y la forma en que se manejaron los casos para cada uno de los tipos de pasajeros puede verse en la Figura 28. La distribución para el tiempo de inspección de equipaje usando la máquina de rayos X así como la de inspección manual en la Figura 23 y la distribución para el tiempo de atención en la oficina de aduana puede verse en la Figura 24.

Figura 28. Configuración de flujo de entidades usando etiquetas Fuente: Elaboración propia, usando el software Flexsim

Para mejorar la representación visual del modelo se dibujaron las diferentes estaciones del sistema (mostradores de migración, máquina de rayos x, estación de revisión manual), así como la arquitectura del edificio utilizando el software CAD Solidworks. Para poder usarlos dentro de Flexsim estos objetos fueron convertidos a formato VRML y sustituidos en el 3D Shape de los objetos estándar de simulación (ver figura 29). Además los elementos fueron ajustados usando los factores de forma (Shape Factors) para que las entidades se trasladaran de forma visualmente correcta. 65


Figura 29. Modelo en 3D del área de migración del aeropuerto Fuente: Elaboración propia, utilizando los software Flexsim y Solidworks

4.3.3 Llegada y recolección de equipaje El sub-módulo de búsqueda de equipaje fue construido usando un Source para generar entidades (maletas) controlado mediante el interfaz en Excel creado previamente. La salida de las maletas tiene un delay de tiempo a partir del tiempo en que arriban los pasajeros (ver Figura 26). Al tiempo de arribo de los pasajeros se le agrego el tiempo de posicionamiento del equipaje en los carruseles (ver Figura 19). Se usó el mismo Source para alimentar ambos carruseles usando como señal de separación el ItemType de la maleta. Este ItemType fue generado usando la etiqueta “aerolínea” descrita en la sección 4.3.1. Las maletas generadas ingresan a una banda transportadora que tiene la forma del carrusel y que las recircula hasta que un pasajero llega a buscar y recoger su maleta. La unión entre pasajero y maleta se logra mediante un procesador con capacidad especifica (capacidad de búsqueda simultanea de equipaje en el carrusel) y tiempo de procesamiento (tiempo de búsqueda de equipaje). Este procesador fue conectado a un combinador que “empaca” una maleta a un pasajero para luego salir juntos de la estación. Se escribió código (Figura 30) para asegurar que la orientación y posición de la maleta se viera correcta con respecto al pasajero. 66


Figura 30. Código para posicionamiento adecuado de la maleta Fuente: Elaboración propia, utilizando los software Flexsim

4.3.4 Inspección de maletas y salida del sistema Una vez que el pasajero obtiene su maleta, este debe de llevarla a la estación de inspección de equipaje. Se usó un separador para simular la máquina de inspección por rayos x. Los pasajeros fueron dirigidos a un queue mientras que las maletas se detenían de acuerdo al tiempo calculado previamente (Figura 23). Una vez que la maleta fue inspeccionada esta se volvió a unir al pasajero usando un combinador para continuar el proceso. De acuerdo al modelo conceptual, el 18% de las maletas deben pasar una inspección manual, por lo que en la viñeta Flow se configuro la opción “Send to Port” para enviar el 18% de las maletas a la inspección manual y el resto a la salida (By Percentage). La inspección manual igualmente fue simulada usando un procesador. El 88% de los pasajeros saliendo de la inspección por rayos x y el 100% de los pasajeros saliendo de la inspección manual se conectaron a un queue con dos destinos, el 5% dirigiéndose a la aduana y el 95% a un queue de Salida del Sistema. La aduana fue simulada usando un procesador con tiempo de procesamiento según la distribución calculada en la Figura 24. Una vez procesados estos pasajeros fueron también enviados al queue Salida del Sistema. Los queues Fila1 (final de la fila de pasajeros nacionales), Fila 2 (final de la fila de pasajeros internacionales) y Salida del Sistema (final de todo el sistema) fueron programados para registrar los tiempos que a las entidades les tomo llegar a esos lugares en tablas globales para su posterior análisis (ver Figura 31). 67


Figura 31. Código para creación de tablas globales con tiempo de espera Fuente: Elaboración propia, utilizando los software Flexsim

4.3.5 Verificación y validación del modelo de simulación Un modelador debe de convertir un sistema del mundo real a un modelo conceptual y este a su vez en un modelo de simulación. Debido a la complejidad que tienen estos pasos, es necesario validar que el modelo final es una buena representación del sistema real. Para hacer esto es necesario establecer un estándar de comparación para saber si el modelo está corriendo adecuadamente. Por supuesto que es imposible construir un modelo que sea exactamente igual al sistema real, por esta razón lo que se busca es obtener una validación funcional del modelo. Esta validación busca establecer que el comportamiento de las salidas del modelo tiene la suficiente exactitud como para que el usuario pueda confiar en los resultados de la simulación y usarlos para tomar decisiones en el mundo real. 68


En Flexsim existen al menos tres cosas que pueden hacerse para asegurarse de tener un modelo valido, las primeras dos corresponden a la verificación y la última a la validación en si del modelo: •

Revisar el código por errores de sintaxis y semántica.

Observar que la animación sigue el comportamiento establecido en el modelo conceptual y observado en el sistema real.

Revisar que las variables de desempeño entreguen valores que son razonables de acuerdo a lo observado en el sistema real.

Revisión de código Referente a la revisión de código para buscar errores de sintaxis, Flexsim presenta la ventaja que usa plantillas predeterminadas de código que minimizan el trabajo de programación del usuario y con esto las oportunidades de cometer errores. Además, el programa compila el código escrito inmediatamente al aplicarlo a cada objeto, de manera que si existe algún error de sintaxis aparece una ventana emergente (compiler console) indicando el lugar en donde se produjo el error para su corrección inmediata. Usando estas herramientas se aseguró que todo el código utilizado había sido programado adecuadamente y que no existían errores de sintaxis. Revisión de la animación El modelo construido fue corrido para revisar que la animación se veía y se comportaba de acuerdo a lo esperado. Para hacer esto el modelo se corrió a una velocidad lenta y se observaron diferentes áreas del modelo para buscar inconsistencias. También se revisaron los porcentajes de pasajeros generados de cada tipo, de maletas que pasan al sector de inspección manual y los porcentajes de pasajeros que van a la aduana. Todos estos valores coincidieron con los valores obtenidos del modelo conceptual previamente realizado. Además se aseguró que las rutas de desplazamiento fueran correctas y que los tiempos de movimiento se acercaran a los del sistema real.

69


Revisión de variables de desempeño Un modelo de simulación puede funcionar correctamente (haber sido verificado) y aun así no ser una representación exacta del sistema. Por esta razón los modelos de simulación deben de ser verificados y validados. Si un modelo está basado en información exacta y el modelo ha sido verificado para que trabaje como se espera, entonces se puede decir que el modelo es válido. Para asegurar la validez del modelo se pueden usar diferentes técnicas, sin embargo en este estudio se usara la técnica más común de validación: comparación del desempeño del modelo con el desempeño del sistema real (prueba de hipótesis respecto a la media o a la varianza). Para poder validar el modelo se decidió usar como variable de desempeño comparativa el tiempo promedio que los pasajeros pasan en el sistema. Para hacer esto se tomó una muestra aleatoria de 80 pasajeros en el sistema real y se calculó el tiempo que a estos les tomo salir del sistema (23.59 minutos). Luego se procedió a correr el modelo de simulación usando 15 réplicas estadísticamente independientes y se hizo una prueba de medias de una muestra compararon ambos valores usando una prueba de hipótesis (ver figura 32).

Figura 32. Prueba de hipótesis para la validación del modelo de simulación. Fuente: Elaboración propia, utilizando los software Excel y PHStat

70


Como se observa en la Figura 32, la hipótesis nula no se puede rechazar y por lo tanto se puede decir que el tiempo promedio que a los pasajeros les toma salir del sistema es estadísticamente igual al tiempo promedio de salida del sistema generado por el modelo de simulación. Por lo tanto, el modelo se considera válido y listo para usarse en la evaluación de escenarios y su análisis subsiguiente.

4.4

Explorar escenarios para mejorar el desempeño del sistema La simulación de eventos discretos no provee por sí mismo una solución a

un problema, sino que provee los medios para evaluar soluciones propuestas al estimar como estas se comportan cuando son simuladas. Con el modelo del área de migración del aeropuerto ya construido y validado ahora es necesario identificar las causas del problema bajo y estudio, generar ideas para solucionarlo y analizar estas posibles soluciones en modelos de simulación construidos a partir del modelo que ha sido validado. 4.4.1 Identificación de causas del problema Como se estableció inicialmente, el problema bajo estudio era el largo tiempo que tienen que esperar los pasajeros para salir del área de migración del aeropuerto. Si bien es cierto el promedio de este tiempo es 24.6 + 1.06 minutos, hay pasajeros (los últimos) que les toca esperar hasta 43 minutos para terminar todo el proceso. Para identificar las causas de esta espera tan larga se realizó un diagrama de causa efecto (Figura 33) en donde se identificó cuatro posibles factores del problema: retraso en la revisión en migración, en la entrega del equipaje, en la revisión de las maletas y en el pago en aduana. De estos cuatro factores solo se analizaron los retrasos en migración y en la entrega de equipaje, los cuales se vislumbraron como los lugares con mayores oportunidades de mejora del sistema. •

Retrasos en la revisión en migración: Se observó que normalmente 4 agentes de migración atienden a todos los pasajeros que ingresan al aeropuerto, uno está asignado a los pasajeros 71


nacionales y 3 asignados a pasajeros internacionales y casos especiales. Solo cuando los pasajeros internacionales han sido atendidos uno de los agentes asignados a ellos atiende a los nacionales y los otros dos se retiran a cumplir con otras ocupaciones. También se observó que varios pasajeros se colocan en filas equivocadas generando confusión y retraso y que algunos de ellos no llevan llenos los formularios migratorios y de aduanas lo que genera que el tiempo de atención se aumente.

Figura 32. Diagrama de causa y efecto para la espera en migración. Fuente: Elaboración propia

Posibles Soluciones: o Identificar cual es la cantidad y distribución optima de agentes de migración a asignar dependiendo de la cantidad y distribución de pasajeros para minimizar el tiempo de espera. Para hacer esto se puede obtener de parte de las líneas aéreas unos minutos luego del despegue del avión la cantidad y la distribución de pasajeros que vienen en los vuelos para poder hacer una asignación dinámica de agentes de migración. Para lograr una solución más integral se requeriría de letreros luminosos configurables que permitieran la

72


asignación de pasajeros nacionales e internacionales de acuerdo a la decisión de distribución y cantidad de agentes calculada. o Asignar un agente bilingüe que se encargue de guiar pasajeros a las filas correctas y que ayude a llenar los formularios de migración y aduana antes de llegar al mostrador. •

Retrasos en la entrega y recuperación de maletas Observando tanto el sistema real como el modelo simulado se identificó que la causa más importante de retrasos en recuperación de maletas es la falta de agilidad de parte de las compañías encargadas de colocar el equipaje en el carrusel. Debido a esto a pesar que se logre mejorar el tiempo de salida de los pasajeros de migración no se puede mejorar el tiempo de estadía en todo el sistema. Posibles Soluciones: o Realizar un proyecto DMAIC-SIM específico para el proceso de colocado de equipaje en los carruseles del aeropuerto para buscar reducir el tiempo de entrega del equipaje en por lo menos un 20%.

4.4.2 Optimización del número y distribución de oficiales de migración Esta etapa se inició construyendo un sub-modelo del área específica de migración (Figura 33), es decir las llegadas de los pasajeros, su traslado hacia los mostradores de migración y su procesamiento. Con este sub-modelo se buscó encontrar la mejor configuración (cantidad y distribución) de oficiales de migración para la atención eficiente de los pasajeros. Para hacer esto se partió del modelo validado y se borró todo lo que no estaba dentro del foco de análisis haciendo algunos cambios que facilitaran la realización de un estudio de optimización en el sub-sistema. Las varias estaciones de migración fueron simuladas usando dos procesadores a los que se le podía aumentar el número de entidades que podían procesar simultáneamente (uno para atender pasajeros nacionales y otro para atender pasajeros internacionales). Se asumió que los pasajeros con situaciones especiales harían una tercera fila pero no tendrían oficiales de migraciones especiales para atenderlos, sino que serían atendidos por el resto de los oficiales 73


pero de manera prioritaria (pasarían al frente de las otras dos filas). Igualmente se programó el sub-modelo de manera que si los oficiales encargados de atender pasajeros internacionales ya no tenían pasajeros que atender pasaran a atender pasajeros nacionales y viceversa.

Figura 33. Sub-modelo de llegada de pasajeros y atención en migración. Fuente: Elaboración propia, utilizando el software Flexsim

Para el estudio de optimización se usó el software Optquest en conjunto con Flexsim. El criterio de optimización usado fue minimizar el tiempo en espera de los pasajeros en las filas y las variables de estudio (variables dependientes) fueron el número de oficiales de migración asignados a atender a cada tipo de pasajero. Como actualmente la capacidad máxima de oficiales que pueden atender pasajeros es 6 (número de mostradores disponibles), se usó como una restricción el hecho que la suma de los oficiales no debe sobrepasar 6. Se usaron 4 variables dependientes, el promedio de estadía en las filas y el número de entidades procesadas en cada fila. Con estas variables se construyó la función objetivo a minimizar (promedio ponderado). Las variables, restricciones y función objetivo usadas puede observarse en la Figura 34. El resultado del estudio de optimización sugirió que deberían de usarse 4 oficiales de migración para atender pasajeros internacionales y 2 para atender pasajeros nacionales. En vista que la intención de este estudio es evaluar qué sucedería ante diferentes escenarios, se procedió a investigar cual sería la 74


configuración apropiada si se estuviera limitado a solo usar 3 o 4 oficiales de migración. Los resultados del estudio de optimización arrojaron que en ambos casos solo un oficial debería de ser asignado a los pasajeros nacionales y el resto a los pasajeros internacionales, esto debido a que el tiempo que toma atender a una pasajero nacional es menor. Usando estas 3 propuestas se realizaron ajustes en el modelo original agregándole la condición de que si uno de los oficiales se queda sin trabajo (se acaban los pasajeros que está atendiendo), este pasa a atender los pasajeros de las otras líneas. Estos escenarios se corrieron haciendo 10 réplicas de cada uno de ellos y los resultados fueron comparados entre sí. Los resultados para el tiempo total que les tomo a los pasajeros salir del sistema y el tiempo que esperaron en la fila de pasajeros nacionales e internacionales fueron los mostrados en la Figura 35.

Figura 34. Pantalla de optimización de atención en migración. Fuente: Elaboración propia, utilizando el software Flexsim

75


Figura 35. Resultados de corrida de escenarios para oficiales de migración. Fuente: Elaboración propia, utilizando el software Excel

De estas tablas se puede apreciar que los resultados del sistema original (la forma en que se maneja actualmente) son comparables a los del sistema mejorado usando solo 3 oficiales (0% de mejoría). A medida que más oficiales de migración se agregan al sistema el tiempo promedio en fila disminuye (9% y 11% de mejoría). Sin embargo también se puede observar que para el escenario que usa 6 oficiales de migración el tiempo promedio total en el sistema no es significativamente inferior al tiempo promedio obtenido con 4 oficiales (ver Figura 36). En vista que con 6 oficiales el tiempo promedio en fila si es significativamente bajo, la única explicación es que a pesar que los pasajeros son despachados con prontitud, estos se quedan atascados en el resto del proceso (recolección y revisión de equipaje). Por lo que se sugiere: •

Si se mejora el tiempo de entrega y revisión de maletas, usar 6 oficiales para atender a todos los pasajeros, 2 de ellos atendiendo pasajeros nacionales (centroamericanos incluidos) y los restantes 4 atendiendo pasajeros internacionales.

Si no se mejora el tiempo de entrega y revisión de maletas, usar solo 4 oficiales, 1 para pasajeros nacionales y los otros 3 para internacionales.

76


Figura 36. Diagrama de caja y bigote de escenarios para oficiales de migración. Fuente: Elaboración propia, utilizando el software Excel y PHStat

4.4.3 Llenado de los formularios de migración y aduana Una de las situación que genera más retrasos en el área de migración es que hay una cantidad importante de pasajeros no traen los formularios de registro migratorio llenos. De acuerdo a conversaciones con el jefe de migración en el aeropuerto de San Pedro Sula, hasta un 30% de los pasajeros llenan estos formularios hasta que están siendo atendidos por el oficial de migración. Utilizando una muestra de 30 personas se calculó el tiempo promedio que toma llenar el registro migratorio y se obtuvo un tiempo promedio de llenado de 1.26 minutos. Para revisar que significaría en mejora de tiempo de espera el hacer este cambio, se identificaron los valores atípicos existentes dentro de las muestras tomadas usando puntuaciones z) y al 30% de estos datos se les rebajo 1.26 minutos. Luego se volvió a calcular la distribución estadística teórica que mejor representaba el nuevo set de datos y se obtuvieron los resultados mostrados en la Figura 37. Los cambios en los tiempos de proceso de los oficiales de migración se implementaron en el modelo de simulación y se corrieron 10 réplicas

77


estadísticamente independientes. Los resultados comparativos obtenidos se observan en la Figura 38.

Figura 37. Tiempo de atención mejorado para pasajeros individuales por tipo. Fuente: Elaboración propia, utilizando el software Excel

Figura 38. Resultados de escenarios con reducción de tiempos en migración Fuente: Elaboración propia, utilizando el software Excel

Como se puede observar, la reducción en el tiempo total que le toma a los pasajeros salir del sistema producto de la mejora propuesta es del 12% del tiempo 78


original y solo 1% del tiempo previamente mejorado. Sin embargo, la reducción en el tiempo en fila en el caso de los pasajeros nacionales es del 9% del tiempo previamente mejorado aunque no se observó mejoría en el tiempo en fila de los pasajeros internacionales. Al igual que en el caso de la redistribución de oficiales de migración, existe un cuello de botella para mejorar el tiempo de espera que se encuentra delante de las estaciones de migración. Igualmente, se sugiere: •

Colocar un agente de migración bilingüe que se asegure que los pasajeros que están haciendo fila se coloquen en la línea correcta y tengan sus formularios llenos antes de llegar a las estaciones de migración.

4.4.4 Programar un proyecto DMAIC-Sim para la recuperación de equipaje Para poder revisar si el mejorar el tiempo de colocación del equipaje en el carrusel mejoraría el tiempo de salida de los pasajeros se corrió el modelo de simulación haciendo un ajuste de reducción del 20% al tiempo de entrega del equipaje medido. Los resultados obtenidos de dicha simulación (con 10 réplicas estadísticamente independientes) se pueden observar en la Figura 39.

Figura 38. Resultados de escenarios con reducción de tiempos en carrusel Fuente: Elaboración propia, utilizando el software Excel

79


Como se puede observar, con una reducción en el 20% del tiempo de entrega inicial de las maletas al carrusel adicional a las otras mejoras sugeridas se logra una reducción del 20% del tiempo de salida del sistema con respecto al tiempo original y una mejora del 8% con respecto al tiempo previsto con la última mejora sugerida (cambios en distribución de oficiales de migración e incorporación de un oficial que ayuda al llenado de formularios mientras se espera en fila). De acuerdo al modelo usado, si se implementan las mejoras propuestas se espera tener un tiempo de estadía promedio en el sistema, con un 95% de confianza de entre 18.86 y 20.23 minutos.

4.5

Implementar un sistema para mantener y controlar la mejora La última fase del proyecto es el asegurarse que las variables que se ha

identificado que producirán mejoras en el rendimiento del sistema puedan mantenerse dentro de los límites definidos. De esta manera se busca lograr que las mejoras estimadas mediante la simulación puedan llevarse a cabo y perduren a través del tiempo. Para hacer esto se propone la creación de un plan de control que mida el estado actual del sistema y sirva de alerta para mantener la calidad. Se sugiere tomar las siguientes medidas: •

Instalar rótulos luminosos programables que permitan cambiar los títulos mostrados y así re-asignar las estaciones de atención para pasajeros nacionales e internacionales de acuerdo a la necesidad.

Asegurarse de mantener la proporción de oficiales atendiendo pasajeros nacionales e internacionales que ha sido descrita previamente.

Colocar una persona que verifique que todos han llenados sus formularios y que ayude a le ayude a llenarlos a aquellos que no lo han hecho todavía.

Tomar el tiempo en que arriba el primer pasajero y el tiempo en el que sale el último pasajero y dividirlo entre el número de pasajeros atendidos. Con estos datos se crea una gráfica R y X-barra y se observa si los datos se mantienen dentro de control. Si no se mantienen dentro de control hay que tomar acciones correctivas.

80


Capítulo 5.

CONCLUSIONES Y RECOMENDACIONES

Este capítulo revisa una lista de conclusiones alcanzadas referente a la metodología utilizada y a los resultados obtenidos del presente estudio. Además se presentan algunas recomendaciones para el personal del aeropuerto y para aquellos que busquen continuar el trabajo iniciado con este estudio.

5.1

Conclusiones sobre la metodología utilizada Este trabajo propuso la utilización de una metodología de resolución de

problemas que busca integrar los pasos del proceso DMAIC con la simulación de eventos discretos. La metodología propuesta, denominada DMAIC-Sim, se compone de 5 pasos que incluyen identificar y definir el problema que debe resolverse, construir un modelo del sistema para medir su desempeño, analizar el sistema mediante simulación para identificar causas que afectan su desempeño, explorar escenarios para mejorar el desempeño del sistema e implementar un sistema para mantener y controlar la mejora. Esta metodología fue utilizada para construir inicialmente un modelo conceptual y luego uno modelo de simulación del área bajo estudio. Este modelo fue validado utilizando una prueba de hipótesis del valor promedio del tiempo de transito real dentro del sistema del sistema. Este modelo fue luego usado para proponer mejoras en el área de recibo de pasajeros del aeropuerto Ramón Villeda Morales de San Pedro Sula, con el propósito de disminuir el tiempo de transito de dichos pasajeros. El desarrollo de este proyecto sirve igualmente para sentar las bases de futuros proyectos de mejora que quieran realizarse siguiendo la metodología descrita en este informe.

5.2

Conclusiones sobre los resultados obtenidos Utilizando el modelo de simulación construido y validado se procedió a

realizar un estudio de optimización sobre la cantidad y distribución de oficiales de migración que deben de atender a los pasajeros que arriban al aeropuerto. 81


También se realizaron corridas de simulación para diferentes escenarios con los que se llegó a las siguientes conclusiones: •

El tiempo promedio que le toma a los pasajeros abandonar el aeropuerto es de 24.58 + 1.06 minutos (línea base del modelo de simulación).

El tiempo promedio de estadía de los pasajeros cuando se cuenta con 6 oficiales de migración, 4 atendiendo pasajeros internacionales y 2 atendiendo a pasajeros nacionales es de 21.78 + 0.81 min.

El tiempo promedio de estadía de los pasajeros cuando se cuenta con 4 oficiales de migración, 3 atendiendo pasajeros internacionales y 2 atendiendo a pasajeros nacionales es de 22.12 + 0.97 min.

La diferencia entre tiempos de estadía con 6 y 4 oficiales de migración no es tan significativa debido al cuello de botella que se forma en el carrusel de recolección de equipaje y en la inspección de maletas.

Si se asegurara que los pasajeros traen llenos sus formularios de migración antes de ser atendidos por los oficiales el tiempo de estadía de los pasajeros seria de 21.42 + 0.43 minutos.

Si se logra una disminución del 20% en el tiempo de entrega de las maletas al carrusel de recolección de equipaje, además de las medidas antes mencionadas, el tiempo de estadía de los pasajeros seria de 19.54 + 0.68 minutos.

5.2

Recomendaciones

Basado en los resultados obtenidos del estudio realizado siguiendo la metodología DMAIC-Sim se recomienda: •

Tener 6 oficiales de migración atendiendo a los pasajeros con 4 de los oficiales atendiendo pasajeros internacionales y 2 atendiendo a los pasajeros nacionales.

Colocar una persona bilingüe en el área de migración a guiar a los pasajeros a las líneas correctas y asegurar que estos hayan llenado sus formularios de migración. 82


Realizar un estudio de como disminuir el tiempo de entrega del equipaje al carrusel para capitalizar en la disminución del tiempo de espera en el área de migración.

Realizar un estudio de como optimizar el área de inspección y revisión de equipaje para mejorar así el tiempo de espera del pasajero en el sistema.

Obtener información en tiempo real de la cantidad de pasajeros y si son nacionales o internacionales de parte de las líneas áreas para hacer la asignación y distribución de oficiales de migración de acuerdo a este dato.

83


Bibliografía Appelt, S., Batta, R., Lin, L., Drury, C. (2007). Simulation of passenger check-in at a medium sized US airport. Proceedings of the 2007 Winter Simulation Conference. Banks, J., Carson, J.S. (1984). Discrete-event system simulation, Prentice-Hall. Bersbach, P. (2009, Octubre 27). The first step of DMAIC – Define. Recuperado de http://www.sixsigmatrainingconsulting.com/uncategorized/the-first-step-ofdmaic-%E2%80%93-define/ Brue, G., (2002). Six Sigma for Managers. McGraw-Hill. Ferrin, D.M., Muthler, D., Miller, M.J. (2002). Six sigma and simulation, so what´s the correlation? Proceedings of the 2002 Winter Simulation Conference. Gatersleben, M.R, van der Weij, S.W. (1999). Analysis of passanger flows in an airport terminal. Proceedings of the 1999 Winter Simulation Conference. Gladwin, B. (2003). Six Sigma & Simulation White Paper, recuperado de http://www.promodel.com/challenge/White%20Paper_Simulation%20Enhan ces%20Six%20Sigma.pdf Harrell C., Ghosh, B.K., Bowden, R. (2000). Simulation using promodel. McGraw-Hill. Kontoyiannakis, K., Serrano E., Tse, K., Lapp, M., Cohn A. (2009). A simulation framework to evaluate airport gate allocation policies under extrem delay conditions. Proceedings of the 2009 Winter Simulation Conference. Law, A.M. (2009). How to build valid and credible simulation models. Proceedings of the 2009 Winter Simulation Conference.

84


Manivannan, M. (2007, Agosto). Introducci贸n a seis sigma. Metalforming, 48-53. McCarty, T., Bremer, M., Daniels, L. (2004). Six sigma black belt handbook. McGraw-Hill Norgren, W.B. (2002). Flexsim simulation environment, Proceedings of the 2002 Winter Simulation Conference. Ramakrishnan, S., Drayar, C.M., Srihari, K. (2008). Using simulation with design for six sigma in a server manufacturing environment. Proceedings of the 2008 Winter Simulation Conference. Redacci贸n. (2010, Diciembre 21) Han llegado 30,000 viajeros este mes a San Pedro Sula. La Prensa. Recuperado el 22 de diciembre de 2010 de http://laprensa.hn Reina R., entrevista personal, 29 Octubre de 2010 Solding, P., Gullander, P. (2009). Concepts for simulation based value stream mapping. Proceeding of the 2009 Winter Simulation Conference. Standridge, C.R., and J.H. Marvel. (2006). Why lean needs simulation. In Proceedings of the 2006 Winter Simulation Conference, ed. L. F. Perrone, F. P. Wieland, J. Liu, B. G. Lawson, D. M. Nicol, and R. M. Fujimoto. Sturrock, D.T. (2009). Tips for succesful practice of simulation. Proceedings of the 2009 Winter Simulation Conference. Takakuwa S., Oyama, T. (2003). Simulation analysis of international-departure passenger flows in an airport terminal, Proceedings of the 2003 Winter Simulation Conference. White, K.P., Ingalls, R.G. (2009). Introduction to simulation. Proceedings of the 2009 Winter Simulation Conference.

85


Uso de la Simulación y Seis Sigma en el Aeropuerto de San Pedro Sula