Introducción

Hoy en día, entre las herramientas y filosofías más destacadas para la mejora de procesos se encuentra Seis Sigma (SS). Esta metodología con enfoque estadístico tiene como objetivo reducir los defectos a niveles mínimos de 3.4 defectos por millón de oportunidades. El origen de esta práctica se remonta a la empresa de Motorola en la década de 1980, como estrategia dirigida a revolucionar la gestión de la calidad (^{Harry & Schroeder, 2006}).

DMAIC (de la denominación original del inglés DMAIC por sus fases Define-Measure-Analyze-Improve-Control) es la metodología de mejora en donde se aplican las herramientas de SS (^{Pyzdek, 2003}). Las fases se llevan a cabo de manera secuencial y estandarizada para garantizar una estrategia sistemática que permita la identificación y solución de un problema. Una de las particularidades de DMAIC a diferencia de otros métodos de mejora continua es su análisis avanzado y su rigor estadístico (^{George et al., 2005}; ^{Montgomery, 2005}). En la fase Definir se establecen los objetivos dentro del proceso. En Medir se dimensiona el sistema actual y se definen métricos para el monitoreo del proyecto. En Analizar se busca identificar los medios para reducir la brecha entre la situación actual y el objetivo. En Mejorar se implementan las mejoras, utilizando herramientas estadística, mientras que en Controlar se busca establecer mecanismos para monitorear el rendimiento y utilizando en algunos casos la estadística para el monitoreo del proceso (^{Pyzdek, 2003}).

En este contexto, en el ámbito tecnológico se ha desarrollado la Industria 4.0 (I4.0), que utiliza tecnologías digitales avanzadas dentro de los procesos de manufactura industrial. En 2019 las empresas generaban alrededor de siete exabytes de información, mientras que los proveedores y consumidores aportaban otros seis exabytes, se estima que esta cifra haya superado actualmente los 40 exabytes (^{Gupta et al., 2020}). La creciente disponibilidad de grandes volúmenes de datos representa una oportunidad dentro de las organizaciones para potenciar la metodología de SS, donde su rigor estadístico - la cual se basa tradicionalmente en datos preprocesados - debe adaptarse a entornos más dinámicos y complejos. Es en este contexto donde las HAAD - que integran las cuatro Áreas de Análisis Avanzado (ABD, MD, MP, AA) - pueden ser utilizadas junto con la metodología DMAIC (^{Schafer et al., 2019}).

Por un lado, ABD permite el manejo de grandes cantidades de datos en tiempo real generados dentro de los procesos, facilitando el análisis de información relevante para la toma de decisiones (^{Kumar et al., 2021}; ^{Narkhede et al., 2024}).

Complementariamente, MD permite analizar grandes conjuntos de datos observacionales -conjunto de datos desorganizados que pueden contener valores atípicos, datos faltantes o distribuciones irregulares- para descubrir relaciones ocultas que se escapan a los métodos tradicionales. Por su parte, MP reconstruye y monitorea procesos reales a través de los registros de eventos, permitiendo corregir y optimizar el desempeño en tiempo real. Cabe destacar su aplicación en diversas áreas como manufactura, salud y finanzas (^{Horsthofer-Rauch et al., 2024}; ^{Razi Ahmed et al., 2019}).

Finalmente, AA puede ser utilizado para monitorear y/o predecir las condiciones dentro de los equipos, detectar patrones anormales en los datos de un proceso y proporcionar percepciones interpretables en datos de alta dimensión. Su valor radica en su capacidad para optimizar recursos, reducir tiempos de producción y minimizar el consumo de energía, donde las capacidades de SS pueden ser insuficientes (^{Weichert et al., 2019}; ^{Yamamoto et al., 2024}).

Este trabajo busca responder a la pregunta: ¿Cómo se integran las HAAD con las herramientas de la metodología DMAIC dentro de las mejoras de procesos industriales? tradicionalmente la literatura de aplicaciones reporta el uso de las herramientas clásicas de DMAIC -como las siete herramientas básicas, el diseño de experimentos (DDE) y regresión lineal- (^{Abd Elnaby et al., 2024}; ^{Raut, 2020}; ^{Yang et al., 2021}). Sin embargo, estudios recientes muestran un creciente interés por integrar las técnicas especializadas HAAD -como agrupamiento (del área AA), descubrimiento de procesos (del área MP), o K-medias (del área MD)- (^{Antony et al., 2019}), cuya sinergia permite, por ejemplo: (1) en Definir, usar la técnica de Agrupamiento (área MD) para identificación de problemas; (2) en Medir, Identificar puntos de mejora por medio del análisis predictivo (área ABD); (3) en Analizar, Identificar causas raíz a través de descubrimiento de procesos o verificación de conformidad (VC); (4) en Mejorar, optimizar procesos a través de AA - árboles de decisión o análisis de componentes principales -; (5) Por último, en Controlar utilizar el monitoreo en tiempo real (área ABD) para monitorear el rendimiento y asegurar que las mejoras se mantengan a lo largo del tiempo. Estos son solo algunos ejemplos de las técnicas que pueden ser utilizadas dentro de las fases de DMAIC (^{Maged et al., 2024}; ^{Tissir et al., 2023}).

Considerando el potencial en estas vinculaciones y ante la complejidad de los procesos actuales, esta investigación se enfoca en cómo la integración de HAAD-DMAIC puede utilizarse para definir un SMCA que automatice el sistema completo y garantice los mejores resultados (^{Addo-Tenkorang & Helo, 2016}; ^{Manimuthu et al., 2022}). Por lo que es necesario identificar dichas vinculaciones para construir una base teórica que permita proponer un esquema ilustrativo del SMCA.

Aunque la automatización de las fases de DMAIC es una solución prometedora, la integración efectiva de tecnologías avanzadas en cada etapa del ciclo sigue siendo un área poco explorada. Si bien la literatura ha abordado cómo implementar las técnicas especializadas de HAAD en fases específicas de DMAIC (^{Bhat et al., 2021}; ^{Feng et al., 2020}; ^{Pongboonchai-Empl et al., 2023}), aún no se ha explorado a fondo su integración coherente y continua en todo el ciclo, que permita un sistema autónomo con intervención mínima. Para ello se realizó una RSL con el objetivo de conocer dicha integración y que ayude a definir un SMCA como también identificar los vacíos en la literatura.

A partir de estos hallazgos, este estudio busca proponer un EIS, que cual sirva como guía para el desarrollo de un SMCA con un enfoque secuencial. El esquema demuestra cómo con el uso de las técnicas especializadas (descubrimiento de procesos, K-medias, etc. (^{Pongboonchai-Empl et al., 2023})) en conjunción con las herramientas clásicas (SIPOC, Ishikawa, etc. (^{Pyzdek, 2003})) se puede automatizar cada fase DMAIC - desde la identificación de problemas hasta el control sostenible -, utilizando RStudio como el software de desarrollo, el esquema identifica las librerías necesarias para cada etapa. El objetivo del EIS es servir de base a futuras investigaciones que busquen desarrollos SMCA para mecanismos inteligentes para el análisis en tiempo real de procesos.

Cabe mencionar el trabajo de ^{Garza et al. (2016)} el cual propone una simulación discreta utilizando como base la metodología de DMAIC para un proceso de mejora a partir de técnicas multicriterio, como el Proceso Analítico Jerárquico. Este proceso guarda relación con la estrategia de complementar el proceso de mejora, pero diferenciándose en el uso de herramientas estando las de esta investigación relacionadas al campo de la Inteligencia Artificial.

En adelante, el resto del artículo se organiza de la siguiente manera; en la sección 2 se presenta la Metodología correspondiente al desarrollo de la RSL y el EIS, en la sección 3 se presentan los Resultados obtenidos a partir de la RSL donde se aprecian tendencias, áreas de investigación y fuentes de información relevantes para la base de la investigación, junto con el EIS resultante de la información obtenida; en la sección 4 se presenta la Discusión de los resultados obtenidos en este trabajo, en este apartado se analiza las implicaciones y las contribuciones concretas de este estudio, como cierre en la sección 5 se exponen las Conclusiones del trabajo de investigación, destacando las oportunidades clave, las limitaciones identificadas y cuáles líneas de investigación son importantes para la continuación de la línea de estudio.

Metodología

Esta RSL identifica el estado del arte en cuanto a la integración de las técnicas especializadas HAAD en las fases DMAIC para el mejoramiento de los procesos y aprovechamiento de los datos disponibles. La Figura 1 muestra el esquema de la RSL definida con base al método propuesto por ^{Macias-Aguayo et al. (2022)}, el cual se adapta a los principios de ^{Kitchenham & Charters (2007)} para revisiones sistemáticas en ingeniería de software basado en la metodología PRISMA (por sus siglas en inglés preferred reporting items for systematic reviews and meta-analyses; ^{Page et al., 2021}). Este método permite transparentar el proceso de selección de estudios y coadyuva el rigor en las etapas de alcance de investigación, selección de artículos y temas de discusión organizados.

Fuente: elaboración propia

Figura 1 Metodología desarrollada a partir de ^{Macias-Aguayo et al. (2022)}  

En la Tabla 1 se muestra el contenido detallado para el desarrollo de las etapas “alcance de investigación”, “límite de investigación” y “selección de artículos”, de acuerdo con el método propuesto.

Se aplica un proceso de filtrado de dos etapas: (1) revisión de resúmenes para descartar aquellos documentos que no están alineados con el tema de investigación, y (2) revisión exhaustiva de los documentos completos para selección de los más relevantes. En ambas etapas se realiza una extracción de datos. Los detalles de filtrado y de extracción se detallan en la Tabla 2.

A partir de los hallazgos de la RSL, se busca identificar las vinculaciones entre HAAD-DMAIC para el desarrollo de un EIS que demuestre la aplicación secuencial a lo largo de todo el ciclo de mejora incorporando técnicas de todas las áreas de análisis avanzado (ABD, MD, MP y AA). Como plataforma para el desarrollo, se utiliza RStudio por su amplio catálogo de paquetes especializados (p. ej. randomForest para modelos predictivos, bupaR para minería de procesos, neuralnet para redes neuronales). El objetivo es establecer las bases para un sistema con mínima intervención humana y que complete el ciclo DMAIC.

Para la definición de los vínculos se busca: (1) conectividad entre fases que permita cumplir con la secuencialidad del sistema; (2) factibilidad técnica en RStudio, identificando la disponibilidad de librerías específicas para las actividades. Una vez definidas las vinculaciones se establecerán los pasos necesarios para el desarrollo, esto constituirá una guía para posteriores investigaciones que busquen desarrollar SMCA´s.

Resultados

La Figura 2 muestra el diagrama del desarrollo de la RSL y de manera general su desarrollo, los criterios de inclusión y de exclusión, condiciones de selección y consideraciones importantes. Este esquema proporciona una visión estructurada de la estrategia de búsqueda, filtrado y análisis que sustenta los hallazgos de esta investigación.

Fuente: elaboración propia

Figura 2 Diagrama de flujo del desarrollo de la revisión sistemática de literatura 

Definición y alcance de búsqueda

Después de realizada la fase “Definición y Alcance de Búsqueda” se tienen un total de 1,189 documentos. La Figura 3 muestra cómo el número de artículos se ha incrementado, también se puede apreciar la distribución entre las diferentes plataformas, así como un incremento en publicaciones, lo que indica un creciente interés en los temas que abordan este estudio.

Fuente: elaboración propia

Figura 3 Tendencia en la cantidad de artículos por año (2019-2024) y por plataforma en la búsqueda inicial 

Selección de documentos (primer filtro)

Después de la revisión de los resúmenes en los documentos, se identificaron aquellos que cumplían con los requerimientos mencionados en la Tabla 2, de manera que se relacionen con la investigación. Se excluyeron documentos inaccesibles, artículos duplicados, idiomas no incluidos, libros, capítulos de libros y memorias de congreso dejando un total de 62 documentos.

Información general es extraída, tal como se muestra en la Figura 4 la cantidad de publicaciones son similares en el periodo analizado. ScienceDirect es la plataforma con más documentos (17), seguida de Taylor & Francis (16) y Springer (12). La Figura 5 indica que la mayoría de los documentos son de tipo estudios de caso (16), seguido por revisiones sistemáticas (13) y revisiones de literatura (10).

Fuente: elaboración propia

Figura 4 Distribución en revistas por año (2019-2024) de documentos que combinan HAAD y DMAIC 

Fuente: elaboración propia

Figura 5 Tipo de los artículo que trata de manera conjunta HAAD y DMAIC 

La Figura 6 presenta la distribución disciplinaria de los 62 artículos analizados, la mayoría se concentra en Ingeniería (32%) seguida de Manufactura (23%), disciplinas donde el uso de DMAIC es más común y donde la integración con HAAD es más prometedora. Esta distribución valida el enfoque hacia el sector industrial del estudio y destaca cómo estas disciplinas lideran la investigación de SMCA´s.

Fuente: elaboración propia

Figura 6 Distribución de documentos entre las distintas disciplinas 

Selección de documentos (segundo filtro)

Una revisión exhaustiva de los documentos permite identificar aquellos alineados completamente con la investigación, estos cumplen con los requerimientos mencionados para el segundo filtro en la Tabla 2. Este filtro final asegura la selección de artículos importantes que fundamenten esta sinergia. Su análisis proporciona la base teórica para la propuesta del EIS además sirve como marco teórico en discusiones futuras sobre implementación de HAAD-DMAIC.

En total 18 artículos se seleccionaron, la Figura 7 muestra la distribución temporal y de área de investigación, se destaca (1) IA, ciencia de datos y excelencia operacional (seis documentos), que abordan técnicas analíticas puras y (2) I4.0 y excelencia operacional (cinco documentos), enfocadas en implementación tecnológica.

Fuente: elaboración propia

Figura 7 Tendencia del tema de estudio distribuido por área de investigación 

Se lleva a cabo una extracción de datos clave sobre las vinculaciones, esto permite tanto proponer un marco teórico que ayude en futuras investigaciones como también identificar los vacíos actuales en la literatura. La Figura 8 se muestra un resumen de las vinculaciones directas entre HAAD-DMAIC.

(^{Abu Bakar et al., 2015}; ^{Belhadi et al., 2023}; ^{Chi et al., 2007}; ^{Chiarini & Kumar, 2021}; ^{Gaudard et al., 2009}; ^{Koppel & Chang, 2021}; ^{Kregel et al., 2021}; ^{Laux et al., 2017}; ^{Palací-López et al., 2020}; ^{Sanchez-Marquez & Jabaloyes Vivas, 2020}) Fuente: elaboración propia

Figura 8 Vinculaciones HAAD-DMAIC por fase y Área de Análisis Avanzado 

Algunas vinculaciones destacables dentro de la literatura muestran las siguientes integraciones: En la fase de Medir, ^{Sekar et al. (2023)} proponen una vinculación entre los sistemas integrados de monitoreo de eficiencia y el mapeo de la cadena de valor (VSM por sus siglas en inglés) que permite más precisión en los datos y un sistema iterativo de mejora, paralelamente ^{Bhat et al. (2021)} integra la VC y Capacidad de Proceso para confirmar que este se mantenga dentro de control estadístico.

La fase de Analizar, donde se tiene la mayor información en cuanto a integraciones, destaca el estudio de ^{Feng et al. (2020)} que utiliza la RNA y los algoritmos genéticos multiobjetivo buscando soluciones óptimas de manera complementaria con el análisis de varianza (ANOVA por sus siglas en inglés analysis of variance) y el diseño taguchi, ambas dentro del área de AA, en procesos de moldeo por inyección de plásticos, optimizando el espacio de diseño comprimido y mejorando la calidad del producto.

^{Maged et al. (2024)} establece para la fase de Mejorar el uso del DDE junto con el algoritmo genético de memoria a corto y largo plazo (LSTM-GA por sus siglas en inglés long short term memory genetic algorithm) dentro del área AA, el cual identifica relaciones causales entre las variables sin necesidad de experimentación adicional lo que optimiza el proceso de mejora.

En la fase de Control, ^{Maged et al. (2024)} propone el uso de reconocimiento de patrones en gráficos de control como alternativa dentro del área AA, ya que esta herramienta podría detectar patrones anormales en el proceso de manera rápida y confiable. Adicionalmente, en la Tabla 3 se presentan algunas referencias dentro de la literatura que vinculan técnicas especializadas HAAD con las fases DMAIC.

Tabla 3 Vinculación HAAD con las fases DMAIC 

Fase	Técnica HAAD	Cita
Definir	Minería de video	(Dogan & Gurcan, 2018; Gupta et al., 2020)
	Procesamiento de lenguaje natural (PLN)	(Maged et al., 2024)
	Proceso analítico jerárquico con redes neuronales
Medir	Red neuronal	(Maged et al., 2024)
Analizar	Detección de fallas	(Maged et al., 2024)
	K-Medias
	Máquina de soporte vectorial (MSV)
	Memoria a corto y largo plazo (LSTM, por sus siglas en inglés)
	Minería de video	(Dogan & Gurcan, 2018)
	Reglas de asociación	(Dogan & Gurcan, 2018; Gupta et al., 2020)
Mejorar	Optimización por enjambre de partículas (OEP)	(Maged et al., 2024)
	Redes de transformadores
	Predicción estadística	(Dogan & Gurcan, 2018)
Controlar	Métodos de control estadístico de procesos multivariante con autoencoder variacional y estadístico T² de Hotelling (CEPM-AEV-T²)	(Maged et al., 2024)
	Técnicas de aprendizaje profundo aplicadas a datos

Fuente: elaboración propia

Esquema Ilustrativo de simulación

La Figura 9 muestra el EIS, esta propuesta cumple con los criterios de autonomía y secuencialidad establecidos dentro de los objetivos del estudio, se considera el desarrollo bajo la plataforma de RStudio y funge como guía para el desarrollo de sistemas tales como el establecido bajo el concepto SMCA.

Fuente: elaboración propia

Figura 9 Esquema Ilustrativo de simulación (EIS) 

El EIS determina qué pasos técnicos son necesarios para llevar a cabo la simulación tanto para las técnicas especializadas como para las herramientas clásicas. El criterio de definición de las vinculaciones está determinado en base en la relevancia de las técnicas dentro de cada fase y adaptación completa con la fase siguiente, de tal manera que permita una secuencia autónoma del sistema. Además, se buscó utilizar vinculaciones dentro de las cuatro áreas de análisis avanzado lo cual enriquece la información del esquema presentado. A diferencia del trabajo expuesto por ^{Garza et al. (2016)}, el cual se centra en el desarrollo de la metodologia DMAIC a través de la conjunción de técnicas de simulación, de toma de decisiones multi-atributo, de control estadístico y gestión de calidad, para la mejora en términos de recursos y de percepción en la satisfacción del cliente, en un rubro específico, el enfoque en el trabajo actual busca conectar las fases DMAIC con herramientas propias dentro del área de la inteligencia artificial y utiliza como base la simulación para demostrar su funcionamiento coherente dentro de un esquema de herramientas propuesto.

En la fase de Definir (SIPOC-descubrimiento de procesos) el vínculo permite delimitar el problema e identificar las entradas y salidas del proceso de manera automática, esta información es usada en la fase de Medir (MD-capacidad de proceso (Cp, Cpk)) donde las técnicas de Minería de Datos (p. ej. Detección de valores atípicos, normalización y escalado de datos, etc.) identifican patrones críticos y prepara los datos para el análisis de capacidad, este cuantifica el cumplimiento actual del proceso y establece una base métrica que sirve para la fase de Analizar (análisis predictivo-análisis de regresión) donde se modelan relaciones entre variables mediante regresión para entender su impacto y se entrenan modelos predictivos -como bosque aleatorio, regresión logística y RNA - para anticipar comportamientos del proceso. Después, en la fase de Mejorar (RNP-MSR) se utilizan las variables identificadas en la fase anterior para encontrar los valores óptimos y se potencia con el uso de la RNP para refinamiento de búsqueda de valores y definición de relaciones complejas. Por último, en la fase de Controlar (monitoreo en tiempo real-gráficos de control) la vinculación permite establecer un sistema de monitoreo con datos actuales del proceso donde el gráfico de control mantiene el proceso dentro de lo establecido.

La Figura 10 muestra las librerías de RStudio necesarias para el desarrollo de las actividades correspondientes al EIS, se destaca el uso de DiagrammeR - para creación de diagramas y gráficos de flujo - que dentro de la fase de Definir permite el mapeo del proceso, así como la generación estructural del SIPOC. Asímismo, outliers, caret y mice - detección de valores atípicos, normalización e imputación de datos faltantes - se utilizan para llevar a cabo las técnicas de MD dentro de la fase de Medir, mientras que qcc lleva a cabo el análisis de capacidad. En la fase de Analizar se destaca DataExplorer - para análisis exploratorios de datos - previo al manejo de los modelos de regresión y predicción llevados a cabo por un lado con lm y glm -para ajustar modelos de regresión - y por el otro con caret y randomForest - para entrenamiento y construcción de modelos predictivos -. Para la fase de Mejorar son clave rsm y DoE.base - para desarrollo de MSR - junto con keras y tensorflow - para la implementación de RNP -. Por último, en la fase de Controlar se pueden mencionar qcc (análisis de capacidad y gráficos de contorl) y shiny - para la creación de gráficos de control y monitoreo en tiempo real. Esta información aporta una base técnica que sirve como guía para el desarrollo de este SMCA.

Fuente: elaboración propia

Figura 10 Paqueterías de soporte en RStudio 

Discusión

Esta investigación busca establecer las bases en cuanto a la integración entre las técnicas especializadas HAAD y las herramientas clásicas DMAIC que permitan el desarrollo de sistemas de mejora autónoma - tales como SMCA - para la mejora de procesos industriales. Los hallazgos de la RSL indican un creciente interés en el tema, donde predominan estudios de caso (26%) seguido por revisiones sistemáticas (21%), lo cual indica una fase activa de investigación. La mayoría de los trabajos se orientan a aplicaciones de ingeniería (32%) y manufactura (23%) lo que valida la relevancia de aplicación industrial de este estudio. A partir del análisis de 18 fuentes clave se destacan técnicas especializadas como RNP, RNA y VC con seis vinculaciones seguido por descubrimiento de procesos y análisis predictivo con cinco vinculaciones, dichas técnicas están vinculadas de manera diversa a las herramientas clásicas DMAIC (ver Figura 8) lo que demuestra su flexibilidad. Por otro lado, las herramientas clásicas más abordadas son el análisis de causa raíz con ocho vinculaciones (áreas MD, MP, AA) seguido por análisis estadístico con cuatro vinculaciones (áreas ABD, MP). Por

Entre los hallazgos clave identificados: (1) se identifica un vacío significativo en la literatura dentro de las fases de Definir y Medir para el área de AA en contraste con la fase de Analizar, que presenta un catálogo amplio de vinculaciones. Esta diferencia se debe a que las herramientas de AA se adaptan mejor a análisis de datos estructurados típicos en etapas avanzadas de la metodología. (2) Un patrón similar se observa en MD, con ausencia de vinculaciones en la fase de Controlar (ver Figura 8), lo cual puede asociarse a la naturaleza estructurada de los datos en esta etapa final. (3) El área de ABD cuenta con herramientas para todas las fases - destacándose en Analizar -, pero con pocas vinculaciones en la fase de Mejorar, mientras que el área de MP muestra una distribución equilibrada en todas las fases.

Por último, el monitoreo de procesos y DDE con tres vinculaciones cada una (áreas MD, AA). Estudios similares como el de ^{Pongboonchai-Empl et al. (2023)} han aportado información valiosa en cuanto a las vinculaciones actuales, similar a esta investigación se menciona el uso de RNA como principal técnica HAAD aunque se mencionan que son ANOVA y el control estadístico de procesos las herramientas DMAIC más asistidas, por otro lado se identifica una fortaleza dentro de la fase de Analizar similar a este estudio mientras que se mantienen vacíos importantes para las fases de Definir y Medir. Esta investigación, por su parte propuso el desarrollo de un EIS donde se identificaron vinculaciones clave que permiten un sistema secuencial y autónomo a través de todas las fases DMAIC. Este esquema integró todas las áreas de análisis avanzado (ABD, MD, MP y AA), lo que destacó el uso de descubrimiento de procesos-SIPOC (área de MP) en la fase de Definir, seguido por MD-capacidad de proceso (área de MD) que permite: (1) cuantificar los hallazgos de la fase anterior (2) identificar los patrones críticos en los datos y (3) definir una base métrica para las fases posteriores. En la fase de Analizar y Mejorar se emplean técnicas del área de AA como análisis predictivo-análisis de regresión y RNP-MSR respectivamente, estas técnicas muestran una interconexión natural entre fases gracias a su complementariedad metodológica. Finalmente, en Controlar se implementa el monitoreo en tiempo real-control charts (área de ABD) completando así el ciclo. Esta secuencia considera los hallazgos en la RSL al utilizar áreas de análisis avanzado especificas - como MD y MP - para abordar los vacíos dentro de las primeras fases, asímismo optando por técnicas del área de AA para las fases de Analizar y Mejorar. Estudios similares como el de ^{Garza et al. (2016)}, propone la metodología DMAIC utilizando como complemento la simulación para la mejora de cierto proceso la presente investigación se enfocó en la utilización de la simulación como un marco de validación que permita demostrar la coherencia y factibilidad del sistema bajo las condiciones de autonomía presentadas.

Para el desarrollo del EIS se seleccionó el software RStudio como plataforma central debido a la flexibilidad para desarrollar diversas actividades requeridas en el EIS, tales como; (1) disponibilidad de paqueterías especializadas (p. ej. bupaR para minería de procesos, caret para manejo de modelos, entre otros), (2) capacidad de análisis estadísticos, (3) disponibilidad de herramientas visuales y reportes y (4) generación de datos sintéticos. Estas características muestran suficiencia para la propuesta del EIS, donde los pasos metodológicos necesarios, así como las librerías en RStudio requeridas para el desarrollo del SMCA han sido identificadas para futuras investigaciones.

En este sentido, este trabajo sirve como base para futuras investigaciones, sustentado en la RSL, respalda la viabilidad en la integración de HAAD-DMAIC para el desarrollo de SMCA´s teóricos como el propuesto en el esquema de este estudio. El EIS no solo cumple con los objetivos de cubrir todas las fases de manera secuencial, sino que también establece un precedente en cuanto al uso de práctico de RStudio. Esto sirve como antecedente para los futuros desarrollos simulados que permitan validar la factibilidad de este tipo de sistemas (SMCA) y pueden ser llevados a la práctica en ambientes industriales reales.

Conclusión

Esta investigación demuestra la integración de técnicas especializadas HAAD y herramientas clásicas DMAIC para el desarrollo de sistemas autónomos de mejora teóricos tal como se planteó en los objetivos iniciales. Dentro de los hallazgos en la RSL se identificó que, aunque existen vacíos considerables en las fases de Definir y Medir (área de AA) y Controlar (área de MD), existen opciones dentro de las demás áreas de análisis avanzado que pueden llenar estos espacios permitiendo generar un EIS secuencial y autónomo. El esquema, con base en RStudio, utiliza varias paqueterías especializadas que permiten cubrir todas las actividades dentro de las fases definidas en el EIS, desde descubrimiento de procesos-SIPOC en Definir, hasta monitoreo en tiempo real-gráficos de control en Controlar. La principal contribución de esta investigación es un marco teórico-metodológico para esta integración con el enfoque de autonomía. Trabajos futuros se pueden enfocar en extender el alcance teórico en la presentación del SMCA, mediante la evaluación de viabilidad de la simulación propuesta del EIS, a fin de continuar con el desarrollo de esta área de investigación. Por otra parte, es importante explorar el desarrollo de nuevas vinculaciones entre estos dos campos con la intención de generar estrategias analíticas con un alto nivel de autonomía.