Datos para el modelo de simulación: de dónde proceden y qué calidad deben tener

Disclosure: M365.FM host Mirko Peters works at iFAKT GmbH. This page describes the company factually; paid partnerships and links are labelled as advertising.

Por Mirko Peters · 2026-11-11

Los datos de un modelo de simulación proceden de sistemas, mediciones y expertos. Te explicamos las fuentes, las carencias de calidad habituales y el nivel de calidad que necesitan los datos de entrada de una simulación.

Traducido automáticamente con IA a partir de la publicación original. Lee el original en inglés

Los datos para construir el modelo de simulación proceden de tres lugares: los sistemas de negocio y de planta, la medición directa y las personas que conocen la línea. La calidad necesaria depende de la pregunta que quieras responder, no de un estándar general. Esta guía está pensada para los responsables de mejora continua a los que se pide aportar los datos para una simulación de fábrica. Verás qué necesita el modelo, de dónde procede cada elemento, qué suele salir mal, un ejemplo resuelto con cifras y un plan de seis pasos para obtener datos con la calidad suficiente.

Puntos clave

• Un modelo de simulación necesita productos y rutas, tiempos de proceso, recursos, paradas, pedidos y reglas de personal; cada elemento procede de un sistema, de una medición o de un experto.
• Los datos proceden de fuentes primarias, como los estudios con cronómetro y la observación, y de fuentes secundarias, como los sistemas ERP, MES y CAD y las previsiones.
• Las carencias habituales son tiempos predeterminados en el ERP que difieren de los reales, registros duplicados, datos que no reflejan la realidad a tiempo y variación no registrada.
• Las entradas deben ser suficientemente buenas para la pregunta: comprueba qué entradas cambian más el resultado y concentra el esfuerzo en ellas.
• Usa distribuciones y registros reales, no solo medias, porque la variación genera el tiempo de espera que quieres analizar.

Datos para el modelo de simulación: qué necesita el modelo

Un modelo de flujo de una línea necesita seis tipos de entrada. Esta lista es un resumen propio de prácticas habituales, no un estándar.

• Productos y rutas. Qué producto pasa por qué estación y en qué orden.
• Tiempos. Tiempo de proceso por producto y estación, tiempos de cambio y la variación de ambos.
• Recursos. Máquinas, herramientas y personas, su capacidad y su disponibilidad, incluidas las averías y las paradas planificadas.
• Pedidos y demanda. Tamaños de pedido, mezcla y patrón de llegada, a partir de la cartera de pedidos o de una previsión.
• Reglas. Modelo de turnos, tiempos de descanso, reglas de secuenciación y de lotes, y cómo se desplazan los operarios entre estaciones.
• Calidad. Tasas de desecho y de retrabajo, y dónde se detectan los defectos.

No necesita todos los números de la planta. Necesita los números de los que depende la pregunta, y necesita la variación, porque la variación genera la espera que quieres simular y analizar. Un modelo solo puede predecir lo que permiten sus datos.

De dónde proceden los datos de entrada de la simulación: la recogida de datos en la práctica

Un artículo de Maja Bärring y colegas en la Winter Simulation Conference de 2018 describe las fuentes en dos grupos, siguiendo trabajos anteriores de Anders Skoogh y colegas.

• Los datos primarios se recogen para el estudio: mediciones, estudios de tiempos con cronómetro y observación en la línea.
• Los datos secundarios ya existen. Incluyen referencias externas, como estándares industriales y expertos del sector, sistemas de negocio corporativos como ERP, MES, PDM y CAD, y datos específicos del proyecto, como previsiones de volumen de producción.

Para un responsable de mejora continua, la recogida de datos se ve así en la práctica. El sistema de ejecución de fabricación contiene los tiempos de ciclo reales, los eventos de parada y las cantidades por estación. El ERP contiene los pedidos, las rutas de fabricación y los tiempos planificados. El sistema CAD o PDM contiene la estructura del producto. Los planes de turnos están en planificación o en RRHH. Los tiempos de cambio de formato y la forma real de trabajar de los operarios suelen conocerse solo por observación y preguntando a los jefes de turno.

Por qué los datos suelen no ser suficientemente buenos

Bärring y sus colegas estudiaron dos empresas con cinco entrevistados, así que los resultados son orientativos, no generales. En el caso que recogía los datos manualmente desde el ERP y hojas de cálculo, describen problemas que muchas plantas reconocerán:

• Se usaban valores predeterminados del ERP en lugar de tiempos reales, por lo que no estaba claro qué tiempos utilizar.
• El mismo artículo estaba almacenado tanto en el sistema ERP como en hojas de cálculo.
• Las etiquetas eran inconsistentes y cada departamento las usaba de forma diferente.
• La realidad cambiaba, pero el sistema no.

Los autores señalan también que los sistemas ERP priorizan los valores deterministas frente a los estocásticos, por lo que a menudo falta la variación que necesita una simulación. En el segundo caso, la adquisición automática evitó cinco de los ocho desafíos que enumeran. El artículo recomienda, entre otras cosas, asignar la propiedad de los datos a las funciones dentro de la empresa. Una encuesta de Skoogh, Perera y Johansson publicada en Simulation Modelling Practice and Theory reveló que alrededor del 80 % de los usuarios de simulación todavía dependen de procedimientos de trabajo muy manuales para los datos de entrada.

Ruta de fabricación y lista de materiales en una simulación

Hay dos tipos de datos maestros que suelen causar problemas. La ruta de fabricación indica qué operaciones necesita un producto, en qué orden, en qué recurso y con qué tiempo. La lista de materiales indica qué piezas forman el producto. Para un modelo de flujo, la ruta de fabricación suele ser la columna vertebral, y la lista de materiales importa cuando pueden faltar piezas o cuando una estación espera a un subconjunto.

Las rutas de fabricación del ERP suelen ser valores de planificación, definidos una vez y rara vez actualizados, que es el problema que describen Bärring y sus colegas. Antes de cargar una ruta en un modelo, compara sus tiempos con los tiempos reales del MES para el mismo producto y estación. Comprueba que la secuencia de operaciones sigue coincidiendo con la planta, y que la lista de materiales muestra las variantes que realmente fabricas. No rellenes un hueco con datos simulados, también llamados datos sintéticos, y olvides etiquetarlos.

¿Qué calidad deben tener los datos de una simulación?

La respuesta es: lo suficientemente buenos para la decisión. Averill Law, en su artículo sobre errores habituales en el modelado de simulación, pide registrar las distribuciones de los datos de entrada y validar el modelo, y recomienda recoger datos de todas las posibles fuentes de aleatoriedad del sistema siempre que sea posible. Advierte de dos errores: sustituir una entrada aleatoria por su media, lo que en su ejemplo elimina la cola por completo, y elegir una distribución normal por costumbre, lo que en uno de sus ejemplos produjo un error de salida del 39 %.

Una forma práctica de decidir cuánto esfuerzo dedicar es ordenar las entradas según su efecto y según la incertidumbre de cada parámetro. Law también recomienda el análisis de sensibilidad para ver qué factores afectan más a las medidas de rendimiento. Esta clasificación es una ayuda de planificación propia, no un estándar:

1. Grado A: medido y comprobado. Úsalo para las entradas que más mueven el resultado, como el tiempo de ciclo del cuello de botella y el patrón de paradas que lo precede.
2. Grado B: tomado de un sistema y comprobado con una muestra. Úsalo para entradas con un efecto medio.
3. Grado C: juicio de experto. Úsalo para entradas con poco efecto, y anota la suposición.

Por último, comprueba el conjunto completo mediante validación: ¿el modelo reproduce la salida de la línea real? Si no lo hace, revisa primero las entradas de grado A.

Ejemplo: tiempo de la ruta frente al tiempo real

Este es un ejemplo ilustrativo con cifras supuestas, no un caso medido. Una línea fabrica un único producto. La ruta del ERP indica 42 segundos por pieza en la estación cuello de botella. El MES muestra un tiempo de ciclo real mediano de 47 segundos durante cuatro semanas.

• Producción por hora con el tiempo de la ruta: 3.600 ÷ 42 = 85,7 piezas.
• Producción por hora con el tiempo real: 3.600 ÷ 47 = 76,6 piezas.
• La hoja de ruta sobrestima la tasa en un 12 por ciento aproximadamente: 85,7 ÷ 76,6 = unos 12 %. En un turno de 8 horas, eso equivale a unas 686 frente a 613 piezas, una diferencia de 73 piezas.

Un modelo alimentado con la hoja de ruta haría una predicción que la línea nunca ha alcanzado, y cualquier mejora medida contra ese modelo parecería peor de lo que es.

La misma lógica se aplica a las paradas. Supongamos que el MES registra siete paradas con duraciones de 2, 3, 3, 4, 5, 6 y 40 minutos. La suma es de 63 minutos, así que la media es de 9 minutos, mientras que la mediana es de 4 minutos. Un modelo con una parada constante de 9 minutos nunca muestra la parada de 40 minutos que vacía el buffer, y muestra más paradas medias de las que realmente tiene la línea. Representa gráficamente las duraciones registradas, calcula su dispersión y úsalas directamente o con una distribución estadística ajustada a ellas. Estima sus parámetros a partir de los registros.

Aprovechar bien los datos: un plan en seis pasos

1. Enumera las preguntas. La pregunta determina qué datos de entrada necesitas.
2. Enumera los elementos de los seis grupos anteriores y marca aquellos de los que más depende la pregunta.
3. Indica la fuente y el responsable de cada uno, por ejemplo el MES para las paradas, el ERP para los pedidos o un observador para los cambios de formato.
4. Compara las fuentes. Contrasta los tiempos de la hoja de ruta con el MES y comprueba que los identificadores y las unidades coinciden entre sistemas.
5. Mide las diferencias con un método de grado A para los datos de entrada que importan, y registra las suposiciones para el resto.
6. Valida y conserva los datos. Compara el modelo con la línea real, guarda el conjunto con una fecha y nombra a un responsable de actualizarlo.

Errores comunes

• Cargar la hoja de ruta del ERP sin comprobarla. Los valores planificados no son valores reales.
• Usar solo medias. Cada dato de entrada es una variable con dispersión, no un número único. La variación genera el tiempo de espera, y la media lo elimina.
• Recopilar todo. El esfuerzo sin una pregunta malgasta un tiempo que el proyecto no tiene, y el volumen de datos oculta lo que importa.
• Mezclar definiciones. Una parada, un cambio de formato o un ciclo pueden significar cosas distintas en sistemas diferentes.
• No tener responsable. Las cifras que nadie mantiene quedan obsoletas en el siguiente cambio.
• Saltarse la validación. Sin una comparación con la línea real, no sabes si los datos de entrada son lo bastante buenos.

Cómo puede ayudar el software

Un grafo de conocimiento que vincula productos, pasos del proceso y recursos puede reducir los datos duplicados y contradictorios, porque cada hecho se almacena una sola vez. Polaris Designer de iFAKT es un módulo de iFAKT Polaris que construye un grafo de conocimiento producto-proceso-recurso (PPR) como fuente única de verdad para productos, pasos del proceso y recursos. No sustituye la comprobación frente a los tiempos reales, a los responsables ni la validación del modelo. Con cualquier herramienta, pregunta cómo importa los datos de tu ERP y de tu MES, y cómo se registran los cambios.

Siguiente paso

Toma la estación cuello de botella de una línea y compara el tiempo de la hoja de ruta en el ERP con el tiempo de ciclo real en el MES de las últimas cuatro semanas. Si difieren, habrás encontrado el primer hueco en los datos para construir el modelo de simulación, y sabrás por dónde empezar.