Ampliación de la fabricación 45 veces: cómo LMAC Group utilizó Simio para transformar una operación de fabricación de metales

El desafío

Introducción

Cuando una empresa neozelandesa de fabricación de metal necesitó ampliar la producción de su producto patentado de 600 a 26.000 unidades (45 veces más), se enfrentó a una decisión estratégica crítica. ¿Podrían conseguir esta espectacular ampliación manteniendo la fabricación en sus instalaciones y reduciendo los costes unitarios? En lugar de tomar decisiones de inversión de capital basadas en suposiciones, se asociaron con LMAC Group para desarrollar un enfoque basado en datos utilizando el software de simulación Simio.

Este estudio de caso examina cómo LMAC Group utilizó la simulación para modelizar todo el proceso de producción, identificar restricciones, probar escenarios de optimización y diseñar una fábrica para el futuro capaz de alcanzar ambiciosos objetivos de producción. El proyecto demuestra cómo la tecnología de simulación puede transformar la toma de decisiones en el sector manufacturero proporcionando datos concretos antes de la implementación física, reduciendo en última instancia el riesgo y optimizando las inversiones de capital.

Antecedentes del cliente

LMAC Group es una empresa neozelandesa de consultoría de productividad fundada en 2005. Con consultores en Nueva Zelanda, Australia, la región Asia-Pacífico y Europa, LMAC se especializa en ayudar a las organizaciones a lograr un alto rendimiento a través de mejoras operativas estratégicas. Su enfoque integra metodologías lean, optimización de procesos e implantación de tecnología para impulsar la transformación tanto a nivel organizativo como industrial.

"Nos enorgullecemos de ser independientes", explica Adam, el representante de LMAC que dirigió este proyecto. "Nuestro trabajo consiste en ayudar a las organizaciones a comprender su estrategia, la transformación que deben llevar a cabo para alcanzarla y, a continuación, ofrecer asesoramiento independiente basado en qué software, qué automatización o en qué mercados deberían introducirse."

El cliente de este caso práctico es una empresa neozelandesa de fabricación de metales especializada en ingeniería, fabricación y producción de productos metálicos. Había desarrollado un producto propio que había completado con éxito una producción piloto de 600 unidades utilizando sus instalaciones, equipos y mano de obra existentes. El producto había tenido éxito en el mercado, lo que generó una necesidad urgente de ampliar drásticamente la producción para satisfacer la demanda.

Planteamiento del reto

La empresa de fabricación de metal se enfrentaba a un complejo reto de escalado con múltiples limitaciones y objetivos:

• Volumen de producción: Aumentar la producción de 600 unidades a aproximadamente 26.000 unidades en el mismo plazo, es decir, multiplicar por 45 la producción.
• Reducción de costes: Reducir simultáneamente el coste de producción por unidad para mantener la competitividad.
• Fabricación in situ: Mantener la producción en Nueva Zelanda en lugar de externalizarla a instalaciones en el extranjero, apoyando el empleo local y manteniendo el control de calidad.
• Flexibilidad del producto: Adaptarse a las variaciones de tamaño y forma del producto manteniendo el mismo proceso de producción básico.
• Optimización de la inversión de capital: Tomar decisiones basadas en datos sobre modificaciones de las instalaciones, adquisición de nuevos equipos o rediseño completo para alcanzar la escala requerida.

El proceso de fabricación implicaba múltiples pasos: corte por láser de chapas metálicas en componentes, plegado, montaje y acabado. La configuración existente había sido suficiente para la prueba piloto, pero era evidente que habría que modificarla para alcanzar el espectacular objetivo de ampliación.

"El reto para ellos ahora es cómo escalar la producción", explica Adam. "El piloto en sí tuvo mucho éxito. Pero para alcanzar la escala que necesitan, van a tener que buscar una nueva instalación o, al menos, optimizar de algún modo la actual".

• Antes de comprometerse a un gasto de capital significativo, la empresa necesitaba comprender:
• La capacidad de producción potencial máxima de la configuración actual de su fábrica.
• Las restricciones específicas que limitan la producción en la configuración actual
• Las posibles estrategias de optimización que podrían aplicarse sin grandes inversiones de capital.
• El diseño óptimo para el futuro en caso de que se necesitaran nuevos equipos o instalaciones.

La solución

Enfoque de simulación

LMAC Group se asoció con Simio para desarrollar un enfoque de simulación exhaustivo que diera respuesta a estas preguntas críticas. El proyecto siguió una metodología estructurada:

1. 1. Mapeo del proceso y recopilación de datos

El equipo comenzó por cartografiar todo el proceso de producción utilizando software de diseño para documentar cada paso del flujo de fabricación. Recopilaron datos detallados sobre

• Tiempos de procesamiento de las máquinas
• Tiempos de preparación de cada operación
• Requisitos de manipulación de materiales
• Patrones de movimiento de los trabajadores
• Capacidad y ubicación de los almacenes

Estos datos proporcionaron la base para construir un modelo de simulación preciso.

2. Desarrollo del modelo actual

En colaboración con Simio, LMAC desarrolló un modelo de simulación detallado que representaba el proceso de producción completo, desde la materia prima hasta el producto acabado. El modelo incluía

Modelización del flujo de materiales: La simulación realizaba un seguimiento de las chapas metálicas desde el almacenamiento inicial, pasando por las operaciones de corte (en las que las chapas más grandes se transformaban en múltiples componentes más pequeños), hasta el almacenamiento de los componentes, pasando por varias estaciones de procesamiento (plegado, conformado, etc.) y, por último, hasta el montaje y el almacenamiento del producto acabado.

Modelización del comportamiento de los trabajadores: Uno de los aspectos más complejos del modelo era representar con precisión el comportamiento de los trabajadores, incluyendo:

• Transporte de materiales entre estaciones
• Manejo de máquinas que requieren intervención manual
• Priorización de tareas en función de los requisitos de producción
• Movimiento de lotes de materiales cuando proceda

"El mayor obstáculo para este modelo en concreto, a la hora de modelar a los propios trabajadores, es entender cómo priorizamos correctamente el agarre en una máquina y el picking de una estantería", explica Chiara, la ingeniera de soluciones de Simio que trabajó en el proyecto.

Modelización de estanterías de almacenamiento: El equipo desarrolló una sofisticada lógica de procesos para modelar el almacenamiento y la recuperación de componentes de las estanterías de toda la instalación:

• Interrumpir el almacenamiento de productos específicos cuando sea necesario.
• Liberación de productos en función de las necesidades de producción
• Seguimiento de los niveles de inventario en cada ubicación de almacenamiento

Procesamiento de máquinas: El modelo incorporó representaciones precisas de las capacidades de cada máquina, incluyendo:

• Tiempos de procesamiento para distintas variaciones de productos
• Requisitos de preparación entre cambios de producto
• Limitaciones de capacidad

3. Desarrollo de escenarios y experimentación

Una vez establecido el modelo de referencia, el equipo diseñó experimentos para probar diversos escenarios de optimización:

Estrategias de asignación de trabajadores: Probar diferentes enfoques de asignación de trabajadores y priorización de tareas para optimizar la utilización de los recursos.

Modificaciones del patrón de turnos: Evaluación del impacto de la implementación de varios turnos para aumentar la producción sin equipos adicionales.

Modificaciones de equipos: Evaluar el impacto potencial de añadir capacidad a máquinas específicas identificadas como limitaciones.

Ajustes de la capacidad de almacenamiento: Comprobación de si el aumento de la capacidad de almacenamiento en puntos clave mejoraría el flujo global.

Cada escenario se evaluó en función del rendimiento (unidades completadas), la utilización de las máquinas, la utilización de los trabajadores y la identificación de cuellos de botella en la producción.

Detalles de la aplicación

La implementación del proyecto de simulación implicó varias fases clave y desafíos técnicos:

Proceso de desarrollo del modelo

El equipo adoptó un enfoque iterativo por capas para construir el modelo de simulación:

• Capa de base: Establecimiento inicial del flujo básico del proceso sin trabajadores para validar la secuencia de producción.
• Desarrollo de la lógica de almacenamiento: Creación de una lógica de proceso sofisticada para modelar los bastidores de almacenamiento y el flujo de componentes entre operaciones.

"Cuando empezamos a modelar, lo más importante al iniciar un modelo es realmente dividir las piezas en subproyectos de tamaño manejable", explicó Chiara. "Teníamos que empezar por cómo era el flujo en general. Al principio no nos centramos demasiado en las asignaciones de los trabajadores, sino que empezamos por modelar correctamente el flujo, los procesos y las áreas de almacenamiento".

• Implementación del comportamiento de los trabajadores: Añadir trabajadores con una lógica de toma de decisiones compleja para representar un comportamiento realista.

"Necesitábamos utilizar la lógica de procesos para añadir algún tipo de toma de decisiones que nos permitiera modificar su comportamiento y decir: vale, en función de tu capacidad de transporte, que va a ser la cantidad máxima, ¿cuándo quiero que vayas a recoger el producto? ¿Quiero que lo recojas cuando haya 25 unidades disponibles? ¿Quiero que esperes cuando estén disponibles las 50? ¿O quiero que vayas cogiendo de una en una?". describió Chiara.

• Integración de datos: Conectar el modelo a tablas de datos que permitieran modificar fácilmente parámetros como los tiempos de procesamiento, las capacidades y los horarios de los trabajadores.
• Configuración del experimento: Crear un planteamiento estructurado para probar distintos escenarios y recopilar resultados.

Retos técnicos y soluciones

El equipo encontró y superó varios retos técnicos durante la implementación:

Modelado de bastidores de almacenamiento: Al principio, el equipo utilizó servidores para modelar las zonas de almacenamiento, pero este enfoque resultó ser limitado. Pasaron a utilizar estanterías con lógica de proceso personalizada para interrumpir la retención y liberar los productos según fuera necesario.

"Pasamos a utilizar estanterías. Pero, ¿cómo podemos interrumpir la conservación de productos específicos en determinados momentos? Para ello, utilizamos la ayuda de algunos de nuestros bits SIM para comprender cuál era la lógica de proceso básica que queríamos utilizar para interrumpir la retención", explica Chiara.

Priorización de trabajadores: Desarrollar una lógica que garantice que los trabajadores dan prioridad a las tareas más críticas en lugar de estancarse en patrones ineficientes.

"Teníamos que tenerlo todo en cuenta. Y el mayor obstáculo para este modelo en concreto, a la hora de modelar a los propios trabajadores, es entender cómo priorizamos correctamente el agarre en una máquina y la recogida de una estantería". señala Chiara.

Modelado del movimiento de lotes: Creación de una lógica flexible para representar a los trabajadores que mueven materiales en lotes de distintos tamaños en función de las características del producto.

Validación y verificación

El equipo validó el modelo comparando sus resultados con los resultados de producción conocidos de la prueba piloto de 600 unidades. Esto garantizó que la simulación representaba con precisión el sistema de producción actual antes de utilizarla para predecir escenarios futuros.

Impacto en la empresa

Resultados e impacto empresarial

El proyecto de simulación aportó varias perspectivas e impactos empresariales valiosos:

Análisis de la capacidad actual

La simulación de referencia confirmó que la configuración actual de la fábrica no podía alcanzar el volumen de producción objetivo de 26.000 unidades en el plazo especificado. Esto validó la necesidad de una optimización significativa del proceso o de una inversión de capital en nuevos equipos.

Identificación de limitaciones

El modelo identificó limitaciones específicas en el proceso de producción:

Ineficiencia en la asignación de trabajadores: La simulación puso de manifiesto que, en ocasiones, los trabajadores estaban infrautilizados en algunas áreas y creaban cuellos de botella en otras. Al visualizar el movimiento y la utilización de los trabajadores, el equipo identificó oportunidades para mejorar la asignación de tareas.

Limitaciones de capacidad de las máquinas: El modelo puso de relieve las máquinas específicas que limitaban el rendimiento general, proporcionando objetivos claros para posibles aumentos de capacidad.

"Los cuadros de mando que muestran aspectos como la utilización de las máquinas son muy útiles en este caso, ya que nos permiten saber cuánto podemos producir al día o a la semana. Pero hay que ver dónde las máquinas están faltas de material, dónde tienen tiempos de inactividad", explica Adam.

Limitaciones de capacidad de almacenamiento: La simulación identificó puntos del proceso en los que la insuficiente capacidad de almacenamiento creaba cuellos de botella.

Oportunidades de optimización

Las pruebas de escenarios revelaron varias oportunidades de optimización:

Impacto del patrón de turnos: La implementación de operaciones de doble turno aumentó significativamente la producción sin necesidad de inversión de capital.

Mejoras en la asignación de trabajadores: La modificación de las reglas de asignación de trabajadores mejoró el flujo y redujo el tiempo de espera, aumentando la eficiencia general.

Optimización del tamaño de los lotes: El ajuste del tamaño de los lotes para el transporte de materiales optimizó el movimiento de los trabajadores por toda la instalación.

Planificación de inversiones basada en datos

Quizás lo más importante es que la simulación proporcionó una base de datos para las decisiones de inversión de capital:

Cálculo del ROI: Al modelizar el impacto de los nuevos equipos o de las modificaciones de las instalaciones antes de su implantación, la empresa pudo calcular el ROI previsto con mayor precisión.

Reducción de riesgos: La capacidad de probar múltiples escenarios redujo virtualmente el riesgo asociado a las grandes inversiones de capital.

Planificación de la implantación por fases: La simulación ayudó a identificar qué mejoras tendrían el mayor impacto, lo que permitió priorizar la implantación por fases.

Conclusión y aplicaciones futuras

La colaboración entre el grupo LMAC y Simio ha dado como resultado una solución de simulación completa que ha dado respuesta a las preguntas críticas de la empresa de fabricación de metales sobre el aumento de la producción. El enfoque demostró cómo la tecnología de simulación puede salvar la distancia entre las capacidades actuales y los requisitos futuros, reduciendo el riesgo y optimizando las decisiones de inversión.

"Mucha de la lógica que hemos podido desarrollar aquí en términos de trabajadores, en términos de bastidores, en términos de ese primer servidor también, porque ese primer servidor toma una pieza y produce múltiples piezas... realmente nos ha dado una base para poder llevar esto a otros clientes también, porque muchos de estos desafíos de los que estamos hablando aquí son muy comunes en la fabricación", concluyó Adam.

La siguiente fase del proyecto consistirá en desarrollar un modelo 3D detallado de la futura fábrica propuesta, incorporando el flujo de materiales, el movimiento de la mano de obra y la disposición de los equipos. Este modelo permitirá calcular con precisión la rentabilidad de las inversiones de capital y facilitará la planificación de la implantación.

El planteamiento demostrado en este estudio de caso tiene una amplia aplicabilidad a las organizaciones manufactureras que se enfrentan a retos de escala similares, en particular las que tratan de mantener la producción nacional al tiempo que compiten a escala mundial. Los elementos clave transferibles incluyen

• Modelización de procesos de principio a fin: La capacidad de simular sistemas de producción completos en lugar de componentes aislados.
• Simulación del comportamiento de los trabajadores: Modelización sofisticada de los recursos humanos para optimizar la asignación e identificar las necesidades de formación.
• Pruebas de escenarios: Experimentación virtual con diferentes configuraciones antes de la implantación física.
• Toma de decisiones basada en datos: Sustitución de suposiciones por datos concretos para la planificación de inversiones de capital.

A medida que las organizaciones de fabricación de todo el mundo se enfrentan a una presión cada vez mayor para optimizar las operaciones, reducir los costes y responder rápidamente a las demandas del mercado, los enfoques de simulación como el demostrado por LMAC Group y Simio se convertirán en herramientas cada vez más valiosas para la toma de decisiones estratégicas y la excelencia operativa.