Desde su aparición en la segunda mitad de los años 80 y su consolidación como modelo de mejora de gran impacto en los años 90 y la primera década del siglo XXI, la metodología Six Sigma se destacó por el análisis de información basado en modelos estadísticos para mejorar la toma de decisiones y para controlar y reducir la variabilidad en los procesos. Actualmente, en la era digital de gran cantidad de información (big data), nuevas formas de modelar los procesos por medio del uso de técnicas de aprendizaje de máquina (machine learning), conectividad entre máquinas (IoT), procesos de análisis y almacenamiento en nube (cloud computing), entre otros, nos preguntamos lo siguiente: ¿sigue vigente la metodología Six Sigma? El presente artículo pretende responder si es factible o no integrar estas nuevas herramientas en la metodología Six Sigma.
Para responder esta pregunta, debemos descomponer la metodología Six Sigma en los siguientes aspectos: (a) Proyectos de mejora DMAIC; (b) Herramientas de análisis y modelamiento de procesos; (c) Competencias del Black Belt y Green Belt; y (d) Rol de los Champions.
Respecto al enfoque del proyecto de mejora DMAIC, considero que aún es válido definir un problema, medir el estado actual de o de los procesos, analizar las fuentes de variación y la raíz del problema, como proponer y evaluar las mejoras para finalmente concluir el proyecto con la implementación de herramientas de control para apoyar en el sostenimiento de la mejora. Lo que debemos cambiar es complementar un nuevo orden de herramientas a aplicar en cada paso de la ruta del DMAIC. Actualmente, no estamos en el mundo de las muestras pequeñas, sino en el mundo de las muestras grandes, por lo que urge redefinir y validar propuestas de qué herramientas pueden ser usadas en cada etapa de la nueva estructura del DMAIC, sin que sea necesario cambiar el proceso lógico de pasos y etapas del modelo (Zhang & Gao 2004).
Lo mencionado previamente, nos dirige al segundo punto de este análisis: las herramientas de análisis y modelamiento de proceso. No cabe duda de que las nuevas herramientas nos abren un nuevo marco de posibilidades para entender todas las fuentes de variabilidad de los procesos. Por esta razón, debemos integrar herramientas de aprendizaje supervisados de machine learning para predecir los resultados de estos; así como incluir herramientas de agrupación de comportamientos por medio de modelos no supervisados y con menos probabilidad que nos permitirá integrar modelos de aprendizaje por refuerzo por sus características actuales de desarrollo (Perera, Jayamaha, Grigg, Tunnicliffe & Singh, 2021). En cada uno de los grupos mencionados hay diferentes propuestas que van desde árboles de decisión, bosques aleatorios, clúster y hasta redes neuronales profundas, por lo que el conocimiento de estas herramientas es un tema para considerar. El uso de estas herramientas dependerá de la complejidad de los procesos y la cantidad de datos que disponga la organización antes de iniciar con sus proyectos. Aquí se abre entonces otro punto de inflexión en la posibilidad de integrar estas nuevas herramientas a nuestros proyectos de mejora: ¿qué nuevos conocimientos deben tener nuestros especialistas en mejora?
Para responder a la interrogante planteada en el párrafo anterior, debemos explorar qué nuevos conocimientos deben ser integrados en los procesos de preparación de los Black Belts y Green Belts, quienes tienen una alta carga de horas de capacitación (actualmente un aproximado de 160 y 80 horas, respectivamente). No creería por conveniente que solo se deba sumar conocimientos, sino que también se deben eliminar algunos puntos del currículo actual de formación para tratar de mantener esta cantidad de horas mencionadas. Por ello, mi propuesta es incorporar un nuevo integrante al equipo o un nuevo tipo de Green Belt, quien tenga una formación relacionada con el perfil de científico de datos y complementar conocimientos más orientados a la analítica de procesos —sin tener que entrar al detalle profundo de los modelos— en los Black Belts y Green Belts (Perera, Jayamaha, Grigg, Tunnicliffe & Singh, 2021). Así como el modelo original fue presentado por Motorola y asumido por resto de empresas, se esperaría que alguna empresa líder en mejora ofrezca una propuesta o que alguna de las asociaciones de profesionales en tema de calidad brinde una propuesta al respecto.
Ahora tenemos que preguntarnos: ¿qué más necesitaríamos para que esta nueva versión del Six Sigma tenga éxito en las empresas? Esto se plantea para desarrollar en las empresas una cultura analítica que transforme a la empresa en un competidor analítico. Esto no se limita a solo implementar herramientas o tecnologías en la empresa, sino busca cambiar la cultura de la organización para usar la información —ojo que no digo datos— como fuentes de generación de valor. Para ello, el rol de una nueva generación de Champions es necesaria, una generación que no solo tenga conocimiento de qué se puede hacer con estas nuevas tecnologías —no considero que sea necesario que sepan exactamente en cómo, para ello existirá personal especializado— sino de cómo deben promover este cambio cultural, sin mermar la importancia de las funciones que actualmente desarrollan.
Como tema adicional, es importante mencionar el proceso de selección de proyecto, dado que ahora deberemos considerar si el proceso está maduro para poder integrar estas herramientas en el proceso de mejora o debemos esperar la implementación de procesos de mejora basados en muestras pequeñas. Por ello, estimo que existirá un periodo de transición y de convivencia entre ambos procesos de mejora mientras la empresa logra un nivel de madurez analítica necesaria para implementar este tipo de proyectos de mejora.
Finalmente, quiero mencionar que es probable que todos estos cambios generen no un relanzamiento del modelo Six Sigma, sino un rebautizo del mismo en un nuevo modelo. No obstante, será parte de cómo sea presentado y desarrollado por las primeras empresas que integren de manera exitosa estas nuevas herramientas en los procesos de mejora, sea con la misma denominación u otra, sigo convencido de que el modelo base y principios metodológicos seguirán siendo la base de los procesos de mejora en muchas empresas.
Referencias
Dogan, O., & Gurcan, O. F. (2018). Data perspective of lean six sigma in industry 4.0 era: A guide to improve quality. In Proceedings of the International Conference on Industrial Engineering and Operations Management (pp. 943-953). Southfield, MI, USA: IEOM Society.
Perera, A. D., Jayamaha, N. P., Grigg, N. P., Tunnicliffe, M., & Singh, A. (2021). The application of machine learning to consolidate critical success factors of lean six sigma. IEEE Access, 9, 112411-112424. https://doi.org/10.1109/ACCESS.2021.3103931
Zhang, Q., & Gao, J. (2004). Machine learning - the Six Sigma way. In Fifth World Congress on Intelligent Control and Automation (IEEE Cat. No. 04EX788) (pp. 1873-1875). Hangzhou, China. https://doi.org/10.1109/WCICA.2004.1341903
======================================================
También te podría interesar: