El estudio de Rewers y Diakun no compara tres secuencias de una misma semana. Compara tres políticas de planificación y control para fabricar piezas estándar que forman parte de un producto personalizado montado bajo pedido. La diferencia está en qué se nivela y cómo se reponen las piezas restantes.

La simulación registra resultados distintos según el criterio: una variante termina más órdenes, otra obtiene más órdenes a tiempo y una tercera puntúa mejor en la suma publicada. Esa suma, sin embargo, no coincide con los puntos impresos en las filas. Para interpretar el caso hay que leer por separado las políticas, las medidas y la aritmética de la tabla. (Rewers y Diakun, 2021, pp. 3–4 y 8–11)

Qué problema analiza el artículo

El caso se sitúa en un sistema de montaje bajo pedido. El cliente solicita un producto final personalizado, compuesto por piezas estándar que pueden fabricarse en serie. Cuando llega la orden del producto final, planificación determina, a partir de la lista de materiales, qué piezas necesita el montaje. Los autores describen una planta con seis máquinas y alrededor de 400 tipos de piezas; cada tipo tenía asignada la máquina en la que podía producirse.

La preparación actual acumulaba grandes series de piezas, con el riesgo de que faltaran algunas referencias en el almacén de producto terminado. La pregunta del estudio es qué política de planificación y control se comportaría mejor en ese sistema modelado. (Rewers y Diakun, 2021, pp. 3–4)

Los autores recopilaron datos del sistema real para alimentar el modelo. Describen un año de historial de pedidos de los elementos, incluidas cantidades y frecuencias, además de tiempos de producción, cambios y rutas tecnológicas, como las máquinas asignadas. El artículo también indica que la entrada de simulación contenía identificador de pedido, tamaño, momento de inicio y fecha de entrega.

Son datos de entrada del modelo; los resultados que aparecen después no son observaciones de una implantación de las tres políticas. (Rewers y Diakun, 2021, pp. 3–4 y 7–8)

Esta separación importa porque el artículo combina información real con un escenario modelado. Un lector puede decir que las órdenes y tiempos históricos sirvieron como base para construir la simulación. No debe cambiar esa frase por “la variante 3 entregó más pedidos en la fábrica”: los autores compararon ejecuciones del modelo, no una prueba operativa posterior.

El estudio se refiere a 2.570 órdenes como conjunto de la comparación, pero eso no convierte cada cifra de salida en una medición de producción real. (Rewers y Diakun, 2021, pp. 7–9)

Las tres políticas, sin mezclarlas

La variante 1 fabrica todas las piezas bajo pedido. Después de recibir una orden del producto terminado, el departamento de piezas recibe el requerimiento correspondiente a la lista de materiales y programa la producción. En la lógica ilustrada, la orden activa el lote de piezas necesario para el producto.

No se reserva en esta variante la nivelación de una clase de referencias: la regla descrita para todas las piezas es fabricar bajo pedido. (Rewers y Diakun, 2021, pp. 3–4 y 8)

La variante 2 divide las referencias por rotación. Para las piezas que se necesitaban en mayor cantidad y con mayor frecuencia, los autores aplican nivelación y establecen un plan de producción permanente. Las piezas para el montaje se toman del almacén. Las demás referencias, las de rotación baja, siguen fabricándose bajo pedido, como en la variante 1.

En esta alternativa conviven un flujo nivelado para una parte de las referencias y la respuesta a pedido para el resto. (Rewers y Diakun, 2021, pp. 4–6)

La variante 3 mantiene la nivelación para las piezas de alta rotación. Lo que cambia frente a la variante 2 es el control del resto: esas piezas tienen un nivel de stock y su producción empieza cuando una unidad se retira del almacén para el montaje. El artículo describe esta regla como control por supermercado.

No basta con llamar “niveladas” a las variantes 2 y 3; para leer el resultado hay que recordar qué hace cada una con las referencias de baja rotación. (Rewers y Diakun, 2021, pp. 4–6)

La clasificación de alta rotación tampoco aparece como una etiqueta arbitraria que el lector pueda asignar por intuición. La figura del método ordena varios pasos: seleccionar los productos vendidos en mayor cantidad y frecuencia mediante análisis ABC/XYZ; agrupar los seleccionados por similitud tecnológica; determinar el indicador EPEI; calcular los niveles de stock; y establecer la secuencia y cantidad del plan nivelado. El artículo presenta ese flujo como el procedimiento aplicado en su estudio.

La figura no es una plantilla universal con umbrales listos para copiar a otro proceso. (Rewers y Diakun, 2021, p. 5, Fig. 2)

Así, el contraste entre las variantes 2 y 3 no es “con stock” frente a “sin stock” en términos absolutos. En ambas, piezas salen del almacén para el montaje. La distinción descrita es cómo se planifica la reposición de las referencias de baja rotación: bajo pedido específico en la variante 2 o para recuperar el nivel fijado cuando hay una retirada en la variante 3.

Si se omite esta diferencia, el lector no puede explicar por qué las dos alternativas producen resultados distintos. (Rewers y Diakun, 2021, pp. 5–6 y Fig. 7)

Cómo se construyó la comparación

El modelo de eventos discretos se preparó en FlexSim. La lógica de control cambió para representar cada variante, mientras que los autores emplearon datos del sistema real como entradas. El horizonte simulado fue de 2.401 horas del sistema: 100 jornadas de trabajo de tres turnos, más una hora de margen para terminar el proceso. El modelo se asumió determinista y se ejecutó una vez por variante. (Rewers y Diakun, 2021, pp. 7–8, Figs. 6–7)

“Una vez por variante” es una pieza central para interpretar los números. El artículo presenta una comparación entre tres salidas de modelo bajo esas condiciones; no presenta una distribución de resultados de múltiples corridas, variación entre repeticiones o intervalos de incertidumbre. Por tanto, una diferencia entre dos cifras no prueba por sí misma que una política causaría la misma diferencia en otra ejecución, con otros parámetros o en otra planta.

La lectura correcta es más acotada: en la corrida publicada, bajo los supuestos descritos, las salidas fueron diferentes. (Rewers y Diakun, 2021, p. 8)

El artículo eligió cuatro criterios. El primero cuenta el número total de órdenes completadas durante la simulación. El segundo cuenta las que se completaron dentro del plazo asumido; los autores concretan la referencia temporal como el momento en que una pieza se necesitaba para el montaje. El tercero es el tiempo medio de espera desde la entrada de la orden hasta su ejecución.

El cuarto expresa el uso del tiempo de trabajo disponible de las máquinas mediante porcentajes de fabricación, cambio y tiempo de inactividad. No son cuatro formas de medir lo mismo: cada criterio responde a una pregunta diferente. (Rewers y Diakun, 2021, pp. 6 y 8–11)

Los costes de producción y almacén no se incluyeron en la comparación. Los autores justifican esa decisión por el tamaño reducido de las piezas y por la prioridad de la empresa hacia la puntualidad de las órdenes frente al coste. Esta elección ayuda a entender qué objetivo reflejan los resultados: el modelo fue evaluado con medidas de ejecución temporal y uso de máquina, no mediante un balance total de coste.

No se puede usar la puntuación para afirmar que la alternativa con más puntos también minimiza el coste económico. (Rewers y Diakun, 2021, p. 4)

Cuatro resultados que contestan preguntas distintas

En el número de órdenes completadas, la variante 1 queda primera con 1.883, seguida de la variante 3 con 1.580 y la variante 2 con 1.512. La diferencia entre la primera y la tercera es de 303 órdenes; entre la primera y la segunda, de 371. Es una comparación del total terminado en el horizonte simulado.

No indica cuántas de esas órdenes acabaron a tiempo ni cuánta espera media tuvo cada una. (Rewers y Diakun, 2021, pp. 8–9, Fig. 8)

En órdenes completadas a tiempo, el orden cambia. La variante 3 registra 713; la variante 2, 586; y la variante 1, 474. Por simple resta, la variante 3 supera a la 1 en 239 órdenes y a la 2 en 127 en ese criterio. La definición que emplea el estudio relaciona la puntualidad con la necesidad de la pieza para el montaje.

No debe traducirse automáticamente como pedidos enviados al cliente en una fecha de expedición, porque la medida descrita trata de piezas requeridas para montar el producto. (Rewers y Diakun, 2021, pp. 6 y 9, Fig. 9)

En espera media, la variante 1 alcanza 262 horas, la variante 2 202 y la variante 3 180. La variante 3 queda 22 horas por debajo de la 2 y 82 por debajo de la 1 según los valores publicados. Esta medida no es un plazo prometido para cada pedido individual: es una media del modelo.

Tampoco equivale a la fecha de entrega cumplida; por eso el artículo mantiene la espera y las órdenes a tiempo como criterios separados. (Rewers y Diakun, 2021, pp. 6 y 9–10, Fig. 10)

En tiempo de máquina, la variante 2 tiene el porcentaje de procesamiento publicado más alto, 86,54%, seguida de la variante 3 con 86,48%; la variante 1 registra 73,85%. La diferencia entre las dos primeras es de 0,06 puntos porcentuales. En setup, los valores son 10,44%, 13,51% y 13,52%; en inactividad, 15,71%, 0% y 0%.

La tabla reproduce estos datos tal como aparecen; no demuestra por sí sola que más procesamiento sea siempre preferible, porque el resultado depende del criterio de evaluación y de lo que se deja fuera, en particular los costes. (Rewers y Diakun, 2021, pp. 9–11, Fig. 11 y Tabla 1)

Los porcentajes de tiempo de máquina también merecen una comprobación aritmética antes de reutilizarlos. Para la variante 2, los valores impresos de procesamiento y setup suman 100,05% (86,54 + 13,51), con 0% de inactividad. La tabla no explica esa diferencia respecto a 100%. Es mejor conservar las cifras publicadas y señalar la suma, en vez de normalizarlas por cuenta propia o reemplazar una cifra sin evidencia. (Rewers y Diakun, 2021, p. 11, Tabla 1)

La puntuación total no se puede reproducir tal como está impresa

Para resumir los cuatro criterios, los autores asignan de uno a tres puntos a cada variante en cada fila: tres al mejor valor de esa fila y uno al peor. Después suman los puntos y consideran mejor la variante con el total más alto. La tabla impresa asigna a las variantes 1, 2 y 3 estos puntos: en A, 3/2/1; en B, 1/2/3; en C, 1/2/3; y en D, 1/3/2. (Rewers y Diakun, 2021, pp. 7 y 11, Tabla 1)

Al sumar esas cuatro filas, el resultado es 6 para la variante 1, 9 para la 2 y 9 para la 3. Sin embargo, la última fila de la tabla publica 6, 8 y 10. El texto de resultados y conclusiones llama mejor a la variante 3 según el método de puntuación, pero la fila de totales no se deriva de los puntos visibles. No es una diferencia de redondeo: se trata de sumar enteros.

Con el material publicado no hay base para decidir qué puntuación querían asignar o dónde está la discrepancia. (Rewers y Diakun, 2021, p. 11, Tabla 1 y conclusión)

Esta inconsistencia impide tratar el 10 como un total verificado. Sí se puede describir lo que la tabla y el texto dicen por separado: la narrativa presenta a la variante 3 como la mejor puntuación; la tabla imprime 6/8/10 en el total; las filas de puntos suman 6/9/9. Un resumen que repita solo “la variante 3 obtuvo diez puntos” escondería el conflicto.

Un resumen que cambie el total a 9 sin aclararlo también lo corregiría por cuenta propia. Lo más fiel es mostrar ambas lecturas y dejar el dato sin resolver. (Rewers y Diakun, 2021, p. 11)

La puntuación además incorpora una decisión de evaluación: cuatro criterios reciben puntos y luego se agregan. El artículo no incluye costes en esos criterios y no presenta un análisis de sensibilidad que muestre cómo cambia el ranking si se prioriza una métrica sobre otra. Por eso, el resultado no se debe presentar como una función de valor completa de la empresa.

La tabla intenta condensar resultados heterogéneos, pero su suma es inconsistente y el objetivo del caso privilegia la puntualidad frente al coste. (Rewers y Diakun, 2021, pp. 4, 7 y 11)

Una forma prudente de leer el caso

Un lector puede convertir el artículo en una comparación de preguntas, no en una recomendación automática. Primero identifica qué decisión se modela: todas las piezas bajo pedido, nivelación de las de alta rotación con el resto bajo pedido, o nivelación de alta rotación con reposición del resto a stock. Después escoge la salida que corresponde a su pregunta. Si el interés es completar más órdenes, el dato publicado favorece a la variante 1.

Si es completar más a tiempo o reducir la espera media, las salidas favorecen a la 3. Si se mira el porcentaje de procesamiento, la variante 2 queda ligeramente por encima de la 3. El ranking no es intercambiable con la prioridad que se quiere resolver. (Rewers y Diakun, 2021, pp. 4–6 y 8–11)

También conviene separar el criterio de la variante del resultado medido. “Nivelar las piezas de alta rotación” describe una regla de control; “713 órdenes a tiempo” es una salida del modelo. La primera no es un resultado y la segunda no explica por sí sola qué mecanismo causó la diferencia. El modelo cambia reglas de planificación entre variantes y calcula sus consecuencias bajo sus entradas y supuestos.

La página puede explicar esa comparación, pero no atribuir cada resultado a una regla aislada sin pruebas adicionales. (Rewers y Diakun, 2021, pp. 4–8)

S1 y S2 aparecen como hojas de apoyo relacionadas con los parámetros de pedidos y productos. Ayudan a distinguir datos aportados al ejercicio de los resultados de simulación que presenta el artículo. No deben confundirse con las salidas: una hoja de pedidos no equivale a la serie de órdenes completadas en cada variante. La conclusión sobre el caso sigue dependiendo del modelo y de la corrida que describen los autores. (Rewers y Diakun, 2021, pp. 11–12, material suplementario)

Qué límites acompañan a los resultados

El alcance es un sistema de piezas estándar en un producto final personalizado bajo pedido. Los autores describen un proceso concreto con seis máquinas y cientos de tipos de piezas; no informan de una muestra de múltiples empresas. En su discusión sobre nivelación, el artículo advierte que no encaja en todos los procesos y contrapone la producción estándar en serie con entornos de producción continua o de piezas únicas.

Conviene atribuir esa delimitación a los autores y no convertirla en una clasificación universal de fábricas. (Rewers y Diakun, 2021, pp. 2–4 y 11)

Tampoco se debe transformar el resultado en una promesa de implantación. El estudio no mide el efecto posterior a introducir una política en una planta española, no establece una obligación regulatoria local y no ofrece un valor de referencia para el mercado español.

La afiliación institucional de los autores es la Universidad Tecnológica de Poznań, en Polonia; eso identifica la procedencia académica del artículo, pero no autoriza a inferir que las cifras representen a todas las industrias polacas o españolas. (Rewers y Diakun, 2021, p. 1)

Antes de trasladar la pregunta a otro contexto, habría que comprobar si se parece al problema modelado: piezas estándar, una demanda de montaje bajo pedido, referencias con diferencias de cantidad y frecuencia, rutas conocidas y máquinas asignadas. Aun si esos rasgos coincidieran, seguiría siendo necesario evaluar los criterios propios y los costes que aquí no se incorporaron.

El estudio sirve para mostrar cómo cambia una comparación cuando se mezclan reglas de nivelación y reposición; no da una autorización ni una pauta para elegir un sistema concreto. (Rewers y Diakun, 2021, pp. 3–8 y 11)

Preguntas frecuentes

Las respuestas siguientes se refieren al mismo artículo primario de Rewers y Diakun (2021, pp. 4–11): PLOS ONE.

¿Qué diferencia las tres políticas del estudio?

La variante 1 fabrica todas las piezas bajo pedido. La 2 nivela las piezas de alta rotación y fabrica el resto bajo pedido. La 3 nivela las de alta rotación y repone las demás para mantener un nivel de stock.

¿Qué política completó más pedidos?

La variante 1 completó 1.883 pedidos, frente a 1.512 en la variante 2 y 1.580 en la 3. La variante 3, en cambio, tuvo más pedidos a tiempo. Son resultados de una simulación, no de una implantación.

¿Por qué pedidos completados y pedidos a tiempo no son lo mismo?

El primer criterio cuenta órdenes terminadas durante la simulación. El segundo cuenta las que se terminaron dentro del plazo asumido, cuando la pieza se necesitaba para el montaje. Una política puede completar más órdenes y aun así completar menos dentro del plazo.

¿El artículo demuestra que la variante 3 es la mejor?

El texto del artículo la presenta como mejor por su puntuación total. Sin embargo, los puntos impresos para las cuatro filas suman 6, 9 y 9, mientras que la fila de sumas muestra 6, 8 y 10. No es posible reconciliar ambos resultados con la tabla publicada.

¿Se pueden trasladar estos resultados a una planta en España?

No de forma directa. El artículo simula un único sistema y una corrida determinista por variante, sin incluir costes de producción ni almacén. No mide el efecto de implantación ni ofrece un benchmark español.