Maestría en Ingeniería · 2022
Mejora de la capacidad del proceso operativo de una empresa de recolección de residuos sólidos urbanos, integrando Lean Six Sigma y ciencia de datos
Éste trabajo de investigación determina las acciones de mejora en la capacidad del proceso de recolección de residuos sólidos urbanos integrando Lean Six Sigma y Ciencia de Datos, para un caso de estudio en la ciudad de Manizales Caldas; lo anterior, con el fin de optimizar procesos logísticos en la recolección de residuos sólidos urbanos. Este proyecto partió de un enfoque cuantitativo no experimental, iniciando con la extracción de los datos del sistema de información GEOASEO, identificando y caracterizando las variables del modelo de datos hasta el entrenamiento de modelos que permiten la predicción del tiempo y las toneladas recogidas del proceso, como variables de calidad requeridas para este modelo de negocio. Esta investigación es aplicada a la industria de recolección de las ciudades, utilizando herramientas de Lean Six Sigma innovando su análisis al incluir la ciencia de datos como elemento estratégico en la selección de la relación entre las variables y el entrenamiento de los modelos que permiten predecir el comportamiento del sistema en su estado actual; además integró el resultado de la capacidad del proceso, los sistemas de gestión actuales en el caso de estudio. En este sentido, esta investigación se permite argumentar la necesidad de ajustar las planeaciones estratégicas por medio del análisis histórico de los datos y de máquinas de aprendizaje que retroalimentan las condiciones cambiantes del modelo. La solución presentada permite dar respuesta a la necesidad específica de optimizar el proceso de recolección de residuos sólidos urbanos, para este caso, en la cuidad de Manizales.
Texto completo 132 páginas con texto
Leer la tesis completa Ficha en el repositorio
Contenido
- Tabla 1. Antecedentes Asociados A La Industriap. 21
- Tabla 2. Antecedentes Asociados A Lean Six Sigmap. 23
- Tabla 3. Antecedentes Asociados A La Ciencia De Los Datosp. 25
- Tabla 4. Causas y efectos asociados al modelo de negociop. 28
- Tabla 5. causas y efectos asociados al manejo de los datosp. 33
- Tabla 6. Definiciones Básicasp. 44
- Tabla 7. Índices De Capacidad Del Procesop. 50
- Tabla 8. Definición De Variables Categóricasp. 75
- Tabla 9. Definición Variables Numéricasp. 75
- Tabla 10. Muestra Hoja De Rutas De Planeaciónp. 77
- Tabla 11. Estadística Descriptiva General Datos Planeaciónp. 78
- Tabla 12. Algunas Estadísticas Descriptivas Para Las Variables Mencionadasp. 90
- Tabla 13. Matriz De Varianza/Covarianza Entre Las Variablesp. 92
- Tabla 14. Resultados De Análisis De Componentes Principalesp. 93
- Tabla 15. Algunos Resultados Importantes De PCAp. 93
- Tabla 16. Resultados Tiempo Total Experimento 1p. 97
- Tabla 17. Resultados Toneladas Recogidas Experimento 1p. 97
- Tabla 18. Resultados Km Total Experimento 1p. 97
- Tabla 19. Resultados Número de Compactaciones Experimento 1p. 98
- Tabla 20. Resultados Tiempo Total Experimento 2p. 98
- Tabla 21. Resultados Toneladas Recogidas Experimento 2p. 99
- Tabla 22. Resultados Km Total Experimento 2p. 99
- Tabla 23. Resultados Número de Compactaciones Experimento 2p. 99
- Tabla 24. Resultados Tiempo Total Experimento 3p. 100
- Tabla 25. Resultados Toneladas Recogidas Experimento 3p. 100
- Tabla 26. Resultados Km Total Experimento 3p. 101
- Tabla 27. Resultados Número de Compactaciones Experimento 3p. 101
- Tabla 28. Resultados Entrenamiento Con Red Neuronalp. 103
- Figura 1. Área Problemáticap. 34
- Figura 2 Software Geoaseop. 40
- Figura 3 Módulos Software Geoaseop. 41
- Figura 4 Diagrama Del Marco Teóricop. 43
- Figura 5 Niveles De Madurez Tecnológicap. 63
- Figura 6 Diseño Metodológico De La Investigaciónp. 65
- Figura 7. Desarrollo Solución Objetivo 1p. 66
- Figura 8 Diseño De Modelos De Ciencia De Datosp. 71
- Figura 9 Diseño De Macro Rutasp. 79
- Figura 10 Concepto De Frecuencia De Recolecciónp. 80
- Figura 11 Concepto De Numero De Viajesp. 81
- Figura 12 Cantidad De Macro Rutas Por Día De Ejecuciónp. 82
- Figura 13 . Cantidad De Rutas Por Díasp. 82
- Figura 14 Cantidad De Muestras Por Código De La Rutap. 83
- Planeadasp. 84
- Figura 17 Cantidad De Rutas Con Un Número De Viajes Asociadosp. 85
- Planeadosp. 85
- Figura 19 Rutas Ejecutadasp. 86
- Figura 20 Cantidad De Rutas Ejecutadas Por Día De La Semanap. 87
- Figura 21 Frecuencia De Cada Una De Las Rutasp. 88
- Figura 22 .Histograma Para Toneladas Recogidas Del Total De Rutasp. 88
- Figura 23 Histograma Del Tiempo Total Consumido Para El Total De Rutasp. 89
- Figura 24 Histograma De Los Kilómetros Totales Recorridos Para Las Rutasp. 89
- Figura 25 Histograma Del Número De Viajes Para Las Rutasp. 90
- Figura 26 . Círculo De Correlaciones - Relación De Linealidadp. 91
- Figura 27 Peso De Las Variables En Relación Con Los Componentes Principalesp. 92
- Figura 28 Capacidad Del Proceso Toneladasp. 95
- Figura 29 Capacidad Del Proceso Tiempop. 95
- Figura 30 Capacidad Del Proceso Kilómetrosp. 96
- Figura 31 Estructura De La red Neuronal Empleadap. 102
- Figura 32 Diagrama De Caja Tiempo Total vs Predicción Tiempo Totalp. 103
- Figura 34 Diagrama De Caja Km Total vs Predicción Km Totalp. 104
- Compactacionesp. 104
- Figura 36 Resultados Enero-Mayo Para Tiempo Totalp. 105
- Figura 37 Resultados Enero-Mayo Para Toneladas Recogidasp. 106
- Figura 38 Modelo De Negocio Desarrollo De Softwarep. 107
- Figura 39 Casos de Uso Desarrollo De Softwarep. 108
- Geoaseop. 40
- Figura 41 Menú de Ingreso De La Plataformap. 110
- Figura 42 Pantalla Principalp. 110
- Figura 43 Estructura De La Plataformap. 112