Estudio de análisis de un sistema de control de la producción mediante simulación de eventos discretos

Equation Chapter 1 Section 1 Trabajo Fin de Grado Grado en Ingeniería en Tecnologías Industriales Estudio de análisis de un sistema de control de la producción mediante simulación de eventos discretos Autor: Alejandro Ruiz Olmo Tutor: Marcos Calle Suárez Dpto. de Organización Industrial y Gestión de Empresas I Escuela Técnica Superior de Ingeniería Universidad de Sevilla Sevilla, 2025 iii Trabajo Fin de Grado Grado en Ingeniería en Tecnologías Industriales Estudio de análisis de un sistema de control de la producción mediante simulación de eventos discretos Autor: Alejandro Ruiz Olmo Tutor: Marcos Calle Suárez Profesor titular Dpto. de Organización Industrial y Gestión de Empresas I Escuela Técnica Superior de Ingeniería Universidad de Sevilla Sevilla, 2025 iv v Proyecto Fin de Grado: “Integración Híbrida MTO/MTS y Simulación de Eventos Discretos con SimPy” Autor: Alejandro Ruiz Olmo Tutor: Marcos Calle Suárez El tribunal nombrado para juzgar el Proyecto arriba indicado, compuesto por los siguientes miembros: Presidente: Vocales: Secretario: Acuerdan otorgarle la calificación de: Sevilla, 2025 El Secretario del Tribunal vi vii A mis padres, A mis abuelos, A Dios. viii ix Agradecimientos Tras estos años de trabajo y sacrificio, este camino llega a su fin. Me siento una persona enormemente afortunada por haber tenido la oportunidad de formar parte de esta Escuela, donde me he desarrollado tanto en el ámbito académico como en lo personal. Todo esto no habría sido posible si no fuera por mis compañeros y profesores quienes me han apoyado y enseñado a superarme día a día. Quisiera dedicar este trabajo a mis compañeros, por siempre estar a mi lado, y a mi familia por haberme amado incondicionalmente y haberme educado en los valores del trabajo y el esfuerzo. Sin su apoyo, nada de esto sería posible y es por ello por lo que siento que todos mis logros, son también suyos. Durante estos años, he aprendido grandes lecciones, pero una de ellas podría resumirlas todas y cada una de ellas: en la vida hay que tener fe. Y es así como conseguimos seguir hacia adelante sin importar las adversidades que se presenten ante nosotros. Si entregamos nuestro esfuerzo y confianza al Señor, seremos capaces de superar cualquier obstáculo. Quiero darle las gracias a Dios por haberme otorgado el don de creer y que gracias a Él me hace ser mejor persona y me da la fuerza necesaria para seguir hacia adelante. Alejandro Ruiz Olmo Sevilla, 2025 xvi 5.1. Estructura General del Sistema Simulado 16 5.2. Elementos del Modelo de Simulación 17 5.2.1. Pedidos MTO 18 5.2.2. Pedidos MTS 18 5.2.3. Estaciones de Trabajo 18 5.2.4. Inventario y Reposición 19 5.2.5. Técnica Operation Due Date (ODD) 19 5.2.6. Métodos de Integración y Políticas de Prioridad 20 5.2.6.1. Fixed MTS Due Dates 20 5.2.6.2. Dynamic MTS Due Dates 20 5.2.6.3. Dynamic MTS Slack Per Operation 21 5.2.6.4. Rolling MTS Due Dates 21 5.2.7. Métricas de Evaluación 21 5.2.7.1. Tardiness MTO 22 5.2.7.2. Ventas Perdidas MTS 22 5.3. Configuración de las Simulaciones 22 5.4. Parámetros del Sistema y ajuste experimental 23 6 Análisis de los Resultados 26 6.1. Resultados Fixed MTS Due Dates 26 6.2. Resultados Dynamic MTS Due Dates 27 6.3. Resultados Dynamic MTS Slack Per Remaining Operation 28 6.4. Resultados Rolling MTS Operation Due Dates 29 6.5. Mean Tardiness 30 6.6. Análisis de los 4 métodos 32 7 Conclusión 36 Referencias 39 xvii Í NDICE DE F IGURAS Figura 5-1. Diagrama de Flujo 17 Figura 6-1. Tardiness vs. Lost Sales – Fixed MTS 26 Figura 6-2. Tardiness vs. Lost Sales – Dynamic MTS 27 Figura 6-3. Tardiness vs. Lost Sales – Dynamic MTS Slack Per Remaining Operation 28 Figura 6-4. Tardiness vs. Lost Sales – Rolling MTS Operation Due Dates 29 Figura 6-5. Mean Tardiness – Fixed 30 Figura 6-6. Mean Tardiness – Dynamic MTS 30 Figura 6-7. Mean Tardiness – Dynamic MTS SPR 30 Figura 6-8. Mean Tardiness – Rolling 30 Figura 6-9. Gráfica Comparativa 32 Figura 6-10. Stock Base de 20 unidades 32 Figura 6-11. Due Date Allowance de 40-50 unidades 32 xviii Í NDICE DE T ABLAS Tabla 5-1. Propiedades del Sistema de Producción 23 Tabla 5-2. Valores de los parámetros de integración evaluados 24 Tabla 6-1. Mean Tardiness – Parámetros de Equilibrio 31 xix N OTACIÓN MTO Make to Order MTS Make to Stock MTO/MTS Make to Order / Make to Stock ATO Assemble to Order ETO Engineer to Order ODD Operational Due Dates WIP Work In Process SPT Shortest Processing Time EDD Earliest Due Date FCFS First Come First Served FIFO First In First Out LCFS Last Come First Served LIFO Last In First Out p Prioridad W Work 𝑗𝑘 Trabajo, Estación 𝐷𝑘 Due date en estación I Inventario P Pedidos en Producción T Tiempo Total Restante N Número de Operaciones No Realizadas xx 1 1 I NTRODUCCIÓN n el contexto de los sistemas de producción modernos, muchas empresas se enfrentan al desafío de atender simultáneamente dos tipos de demanda muy diferentes: aquella que requiere productos disponibles de forma inmediata (Make to Stock, MTS) y aquella que se produce únicamente tras la recepción de un pedido específico (Make to Order, MTO) [1]. La coexistencia de estas estrategias genera tensiones en la planificación y el control de la producción, especialmente en entornos complejos como los sistemas tipo JobShop [2]. La toma de decisiones sobre qué pedidos priorizar y cómo gestionar la capacidad de producción cobra especial relevancia en sistemas híbridos MTO/MTS. Una asignación ineficiente de recursos puede provocar retrasos en entregas personalizadas o, por el contrario, generar escasez de inventario y ventas perdidas. Frente a esta problemática, la simulación de eventos discretos se presenta como una herramienta poderosa para modelar el comportamiento del sistema y analizar distintas estrategias de control sin afectar a la operación real. Este Trabajo de Fin de Grado tiene como objetivo implementar, simular y comparar cuatro métodos de integración MTO/MTS, evaluando su desempeño bajo diferentes condiciones de carga del sistema. Para ello, se ha desarrollado un modelo de simulación en Python utilizando la biblioteca SimPy, simulando un entorno JobShop multietapa. A partir de los resultados obtenidos, se pretende identificar qué políticas logran un mejor equilibrio entre puntualidad en los pedidos MTO y disponibilidad para la demanda MTS, contribuyendo así a la toma de decisiones en entornos productivos híbridos. E 2 3 2 J USTIFICACIÓN Y O BJETIVOS n un entorno cada vez más competitivo, impulsado por la globalización y la creciente demanda de personalización por parte de los consumidores, las empresas se ven obligadas a buscar nuevas formas de gestionar su producción. Los sistemas tradicionales Make to Stock (MTS), basados en la fabricación anticipada y el almacenamiento de productos, y Make to Order (MTO), centrados en la producción bajo pedido, presentan limitaciones cuando se aplican por separado en entornos de alta variabilidad. Esto ha impulsado la aparición de enfoques híbridos que buscan integrar ambas estrategias, adaptándose tanto a la necesidad de inmediatez como a la demanda personalizada. En este contexto, resulta fundamental desarrollar mecanismos de control y planificación que permitan gestionar eficazmente la coexistencia de pedidos MTS y MTO dentro de un mismo sistema productivo. Este Trabajo de Fin de Grado se justifica por la necesidad de analizar, mediante simulación de eventos discretos, distintas políticas de integración MTO/MTS en sistemas tipo JobShop, donde los recursos son compartidos y los flujos de trabajo son diversos. La simulación computacional se posiciona como una herramienta clave para estudiar el comportamiento del sistema sin comprometer los recursos reales, permitiendo evaluar estrategias de control, su impacto en el rendimiento operativo y su adaptabilidad a distintas condiciones de carga. 2.1. Objetivo Analizar y comparar distintas políticas de integración MTO/MTS en entornos JobShop a través de un modelo de simulación de eventos discretos desarrollado en Python con la biblioteca SimPy, con el fin de evaluar su impacto en el cumplimiento de pedidos y la gestión del inventario 2.2. Objetivos Espec í ficos  Desarrollar un modelo de simulación en Python utilizando SimPy que represente un entorno JobShop híbrido, permitiendo reproducir las dinámicas entre pedidos MTO y MTS.  Implementar en el modelo los cuatro métodos de integración propuestos en la literatura: Fixed MTS Due Dates, Dynamic MTS Due Dates, Dynamic MTS Slack Per Remaining Operation y Rolling MTS Operation Due Dates.  Evaluar el comportamiento de cada método bajo condiciones de carga controladas, analizando el trade-off entre el porcentaje de pedidos MTO tardíos y el porcentaje de ventas perdidas MTS.  Identificar qué estrategias de integración ofrecen mejores resultados en términos de eficiencia operativa y adaptabilidad a distintas situaciones de demanda. E 4 5 3 Marco Teórico “No podemos progresar cuando estamos satisfechos con la situación actual.” —Taiichi Ohno a producción industrial comprende un conjunto de procesos y actividades destinados a transformar materias primas en productos terminados, con el objetivo de satisfacer las necesidades del mercado. Estos procesos se estructuran en lo que se conoce como sistemas de producción, los cuales definen la manera en que se organizan los recursos, los tiempos, y los flujos de trabajo dentro de una empresa. Los sistemas de producción pueden clasificarse de diversas formas, siendo una de las más relevantes aquella que distingue entre producción para stock (Make to Stock, MTS) y producción bajo pedido (Make-to-Order, MTO). La elección entre uno u otro depende de múltiples factores, como la naturaleza del producto, la variabilidad de la demanda, los tiempos de entrega requeridos y el nivel de personalización exigido. En las últimas décadas, el entorno empresarial ha evolucionado hacia un escenario de mayor complejidad y dinamismo, lo cual ha impulsado el desarrollo de sistemas de producción híbridos que combinan las ventajas del MTS y del MTO para responder de forma más ágil y eficiente a los desafíos del mercado actual [4]. Este apartado recoge los principales conceptos teóricos necesarios para el desarrollo del modelo de simulación propuesto. Se presentan las características de los sistemas MTO y MTS, el enfoque híbrido, y el entorno JobShop. 3.1. Estrategia de Producción Make to Order (MTO) La estrategia de producción Make to Order (MTO) es ampliamente utilizada en entornos industriales donde la personalización del producto o la variabilidad de la demanda son factores clave. Bajo este enfoque, los productos no se fabrican hasta que se recibe un pedido específico del cliente, lo que implica que no se mantiene inventario de productos terminados. Esta filosofía de producción permite una alta flexibilidad y una adaptación precisa a las necesidades del cliente, siendo muy utilizada en sectores como la industria aeronáutica, la automoción personalizada o la maquinaria industrial. Entre sus principales ventajas se encuentran la reducción del inventario, la minimización del riesgo de obsolescencia y la mejora de la satisfacción del cliente al recibir un producto alineado con sus expectativas. Sin embargo, también presenta desafíos importantes, como una mayor complejidad en la planificación y programación de la producción, unos elevados costes de fabricación y mayores plazos de entrega comparados con sistemas MTS. En entornos tipo JobShop, donde los recursos son compartidos entre múltiples rutas de producción, los pedidos MTO compiten constantemente por la capacidad de las estaciones. Esto hace que su gestión sea especialmente crítica, ya que cualquier retraso acumulado puede traducirse en tardiness, es decir, entregas fuera del plazo acordado, afectando directamente al nivel de servicio y la percepción del cliente. El éxito de un sistema MTO depende en gran medida de la capacidad de planificación dinámica y del uso eficiente de los recursos productivos. En este sentido, técnicas como la simulación de eventos discretos L 12 4. G ENERALIDADES DE P YTHON Y S IM P Y “Everything should be made as simple as possible, but not simpler.” — Albert Einstein a simulación de eventos discretos es una técnica ampliamente utilizada en la investigación operativa y en la ingeniería industrial para modelar y analizar sistemas complejos en los que el comportamiento depende de secuencias de eventos que ocurren en puntos específicos del tiempo [3]. Para implementar este tipo de simulaciones, se dispone de numerosas herramientas y lenguajes de programación. En el presente trabajo se ha optado por utilizar Python, junto con la biblioteca SimPy, por su potencia, flexibilidad y facilidad de uso. Python es un lenguaje de programación de alto nivel, interpretado, orientado a objetos y de propósito general, que se ha convertido en una herramienta clave en ciencia de datos, inteligencia artificial, automatización, y también en simulación de sistemas [5]. Su sintaxis clara y su amplia comunidad lo convierten en una opción ideal tanto para desarrolladores como para investigadores. Además, cuenta con una gran cantidad de bibliotecas específicas que facilitan el desarrollo de soluciones avanzadas en distintos ámbitos. SimPy es una librería de simulación de eventos discretos escrita en Python, que permite modelar sistemas dinámicos de forma sencilla y estructurada [6]. Se basa en la idea de procesos, que describen el comportamiento de los elementos del sistema a lo largo del tiempo. Estos procesos se ejecutan dentro de un entorno de simulación (Environment) y se comunican entre sí mediante eventos como esperas, solicitudes de recursos o condiciones de sincronización. Uno de los principales beneficios de SimPy es que proporciona una interfaz muy cercana al pensamiento lógico de la simulación, lo que permite traducir directamente el funcionamiento de un sistema productivo a código. Los recursos, como máquinas o estaciones de trabajo, pueden modelarse mediante objetos Resource o Priority Resource, y los tiempos de procesamiento, llegadas o colas pueden gestionarse de manera explícita. Esta capacidad resulta especialmente útil en entornos complejos como el JobShop, donde múltiples trabajos compiten por recursos compartidos bajo diferentes políticas de despacho. Otro aspecto destacable de SimPy es su compatibilidad con el ecosistema científico de Python, lo que permite combinarlo fácilmente con bibliotecas como NumPy (para cálculos numéricos), Pandas (para análisis de datos) o Matplotlib (para visualización de resultados), ofreciendo así una solución completa para el diseño, ejecución y análisis de modelos de simulación [6]. En este trabajo, Python y SimPy han sido utilizados para implementar el modelo de simulación de un sistema de producción híbrido MTO/MTS en un entorno JobShop. Gracias a su estructura modular, el modelo permite reproducir el comportamiento de pedidos MTO y MTS que comparten estaciones, aplicar diferentes reglas de prioridad, y recoger métricas clave como el porcentaje de pedidos tardíos o ventas perdidas. Todo ello con un nivel de detalle suficiente para evaluar distintas estrategias de integración bajo condiciones controladas y reproducibles. L 13 4.1. Python La elección de un lenguaje de programación adecuado es un factor clave para el desarrollo de modelos de simulación eficientes. En este proyecto, se ha optado por utilizar Python no solo por su popularidad creciente en el ámbito académico e industrial, sino también por su orientación a la claridad, la modularidad y la reutilización del código. Más allá de ser muy accesible, Python destaca por su capacidad para adaptarse a múltiples situaciones de programación. Esta versatilidad permite estructurar el modelo de simulación de manera coherente con la lógica del sistema, favoreciendo la construcción de componentes independientes que interactúan de forma ordenada. Esto es especialmente importante en entornos como JobShop, donde intervienen múltiples tipos de pedidos y recursos compartidos. Otro aspecto clave es su comunidad activa, que proporciona soporte continuo y herramientas específicas para cada etapa del desarrollo. Desde la generación de datos aleatorios, hasta el análisis de resultados y la presentación visual de conclusiones, Python ofrece soluciones integradas que permiten mantener todo el ciclo de desarrollo dentro de un mismo entorno. En términos de portabilidad, Python también permite ejecutar el modelo en diferentes sistemas operativos sin necesidad de adaptaciones complejas, lo cual facilita tanto la validación cruzada como la replicabilidad del experimento. Estas características lo convierten en una opción particularmente adecuada para trabajos académicos donde se requiere flexibilidad, precisión y capacidad de adaptación al cambio. 4.2. Aplicación práctica de SimPy en el modelo de simulación Una vez justificada la elección de SimPy como biblioteca de simulación, es importante profundizar en cómo se ha utilizado concretamente en el desarrollo del modelo planteado en este trabajo. La estructura orientada a procesos de SimPy ha permitido trasladar con gran fidelidad la lógica de un sistema híbrido MTO/MTS en un entorno tipo JobShop, donde los elementos del sistema, pedidos, estaciones, inventario, reglas de prioridad y distintas variables de control, interactúan dinámicamente a lo largo del tiempo [6]. El modelado de los pedidos MTO y MTS se ha realizado mediante procesos independientes que se generan de forma estocástica según tasas de llegada predefinidas. Estos procesos simulan el recorrido de cada pedido a través de una o varias estaciones, gestionando las solicitudes de acceso a recursos compartidos. SimPy permite asignar prioridades a estas solicitudes, lo cual resulta fundamental para implementar las diferentes estrategias de integración entre MTO y MTS. Además, SimPy facilita la recolección de métricas durante la ejecución de la simulación. Variables como el número de pedidos tardíos, las ventas perdidas, el nivel de inventario y el uso de los recursos pueden ser registradas en tiempo real, permitiendo analizar el rendimiento del sistema sin necesidad de instrumentación externa. Una de las grandes ventajas encontradas al trabajar con SimPy ha sido su compatibilidad con técnicas de diseño modular. Cada método de integración se ha implementado como una función separada, lo que ha permitido mantener el código limpio, escalable y fácilmente adaptable. Esto ha resultado especialmente útil a la hora de comparar el comportamiento de las distintas estrategias bajo las mismas condiciones de simulación. En resumen, SimPy ha demostrado ser una herramienta flexible, potente y perfectamente adecuada para modelar sistemas de producción complejos. Su integración con Python ha permitido no solo simular el sistema, sino también automatizar experimentos, procesar resultados y generar representaciones gráficas, todo dentro de un único entorno de desarrollo. 14 4.3. Elementos clave de la simulación en SimPy El modelo de simulación desarrollado en este trabajo se ha construido utilizando las estructuras fundamentales que proporciona la biblioteca SimPy. A continuación, se detallan los principales componentes del modelo y cómo se han implementado para representar el funcionamiento del sistema de producción híbrido MTO/MTS en un entorno tipo JobShop. El objeto Environment es el núcleo del modelo en SimPy. Representa el tiempo simulado y coordina la ejecución de todos los procesos definidos. En este trabajo, se ha utilizado para gestionar la generación de pedidos MTO y MTS, así como el procesamiento de cada uno de ellos a través de las estaciones de trabajo. El entorno se inicia con env = simpy.Environment() y se activa mediante env.run(until=...), donde se define la duración de la simulación (tiempo total en unidades simuladas) [6]. En el modelo, las máquinas o estaciones por las que deben pasar los pedidos se han modelado como objetos PriorityResource, que permiten gestionar colas con prioridad. Esta elección es clave para implementar las estrategias de integración MTO/MTS, ya que permite dar preferencia a un pedido sobre otro en función de su due date o regla de prioridad. Cada estación tiene una capacidad limitada, igual a 1, lo que implica que solo puede procesar un pedido a la vez. Los eventos son la base de la simulación en SimPy. El modelo utiliza principalmente: - yield env.timeout( ): simula un retraso en el proceso, como el tiempo de procesamiento en una estación o el tiempo de espera entre pedidos. - yield recurso.request(priority=p): genera una solicitud de acceso a una estación, con prioridad p en función del método aplicado. - yield recurso.release(req): libera el recurso una vez que la operación ha sido procesada. La combinación de eventos permite modelar tanto la dinámica temporal del sistema como la lógica de control de prioridades. Uno de los enfoques clave en este trabajo ha sido la modularidad del código, permitiendo que cada componente del sistema se gestione como un bloque independiente. Las diferentes estrategias de integración se han implementado como funciones separadas que pueden activarse de forma flexible, facilitando su comparación en igualdad de condiciones. Esta estructura modular también ha permitido instrumentar el modelo para recopilar estadísticas, analizar el comportamiento del sistema y ajustar parámetros de forma sencilla sin alterar la lógica central de simulación. Además, el método de programación ha permitido realizar las simulaciones de una manera eficaz, permitiendo comparar y modificar distintos métodos, variables y parámetros en función de los resultados obtenidos y los requerimientos del problema. 15 16 5 D ESCRIPCIÓN DEL P ROBLEMA n este capítulo se presenta el sistema productivo que ha sido modelado [4] con el objetivo de analizar y comparar distintas estrategias de integración entre productos fabricados bajo pedido (Make to Order, MTO) y productos fabricados para inventario (Make to Stock, MTS). Esta descripción constituye la base conceptual del modelo de simulación y recoge los elementos clave que definen el comportamiento del sistema, sus restricciones operativas y los objetivos de rendimiento que se pretenden optimizar. El problema abordado se enmarca en un entorno productivo complejo del tipo JobShop, donde distintos tipos de pedidos deben atravesar rutas variables a través de un conjunto compartido de estaciones de trabajo [2]. Esta compartición de recursos genera conflictos en la asignación de capacidad, especialmente cuando conviven pedidos con diferentes naturalezas, urgencias y formas de planificación. En particular, la competencia entre pedidos MTO y órdenes de reposición MTS introduce la necesidad de aplicar políticas de control que determinen qué pedido debe tener prioridad en cada momento [4]. La principal dificultad de este tipo de sistemas reside en equilibrar dos objetivos habitualmente contrapuestos: por un lado, garantizar la entrega puntual de los pedidos MTO, que suelen estar sujetos a compromisos con el cliente; y por otro, mantener niveles de inventario adecuados para satisfacer la demanda inmediata de productos MTS sin incurrir en costes por exceso de stock o pérdida de ventas [1]. Esta tensión operacional hace necesario el estudio de diferentes métodos de integración que regulen el orden de procesamiento en función del estado del sistema [4]. A lo largo de los siguientes apartados se detallará la estructura del sistema simulado, los elementos que lo componen, la lógica de comportamiento implementada y las métricas utilizadas para evaluar su rendimiento. Esta descripción permitirá comprender con claridad las condiciones bajo las cuales se han comparado los diferentes métodos propuestos y justificar la validez de los resultados obtenidos mediante simulación [3]. 5.1. Estructura General del Sistema Simulado El sistema simulado en este trabajo representa una planta de producción multietapa que opera bajo un entorno tipo JobShop, caracterizado por una alta flexibilidad y rutas de producción variables para los distintos pedidos [2]. En este entorno se procesan dos tipos de productos que compiten por los mismos recursos: los productos MTO, fabricados específicamente bajo pedido del cliente, y los productos MTS, producidos para inventario con el fin de satisfacer la demanda inmediata del mercado. El sistema está compuesto por un conjunto de seis estaciones de trabajo, cada una con capacidad limitada para procesar un solo pedido a la vez. Las estaciones pueden ser compartidas por los pedidos MTO y MTS, lo que implica que en todo momento es necesario decidir cuál de ellos debe ser atendido, introduciendo un problema de priorización con implicaciones directas en el rendimiento global [4]. Los pedidos MTO llegan al sistema siguiendo un patrón de llegada aleatorio, simulado mediante una E 17 distribución exponencial (λ = 1,234) [3]. Cada pedido MTO tiene una ruta de procesamiento definida de forma aleatoria a través de una o varias estaciones de forma creciente, y una fecha límite de entrega (due date) generada al momento de su entrada al sistema. El objetivo es completar su procesamiento antes de dicha fecha, penalizando los retrasos a través de la métrica tardiness. Por otro lado, los productos MTS también se generan aleatoriamente (λ = 0,18) [3], pero no requieren personalización. En lugar de eso, su demanda se satisface directamente desde un inventario. Cuando no hay stock disponible, la venta se considera perdida (lostsales). Para mantener el nivel de inventario disponible, el sistema genera órdenes de reposición que deben atravesar todas las estaciones de forma secuencial, como si fueran pedidos normales, pero sin ruta personalizada. La complejidad del sistema simulado radica en la necesidad de tomar decisiones en tiempo real sobre qué pedido debe pasar por cada estación en cada momento. Para ello, se han implementado diferentes métodos de integración entre MTO y MTS, los cuales definen cómo calcular la prioridad de cada pedido y en qué condiciones deben ser procesados [4]. Estas políticas son el eje central del análisis realizado en este trabajo. El sistema se ha implementado utilizando la biblioteca SimPy, que permite reproducir fielmente la dinámica de este tipo de entornos mediante procesos, eventos y recursos simulados [6]. El comportamiento de los pedidos, la competencia por las estaciones, la evolución del inventario y el registro de métricas clave han sido programados de forma que el modelo sea modular y fácilmente adaptable a diferentes escenarios. Para visualizar la interacción de los elementos en el proceso de simulación, se ha realizado la representación de un diagrama de flujo a continuación: Figura 5-1. Diagrama de Flujo 5.2. Elementos del Modelo de Simulación El modelo de simulación desarrollado busca representar con alta fidelidad el comportamiento operativo de un sistema de producción híbrido Make-to-Order / Make-to-Stock (MTO/MTS) en un entorno JobShop, bajo condiciones de incertidumbre y competencia por recursos. La construcción del modelo se ha realizado mediante programación en Python, apoyándose en la biblioteca de simulación de eventos discretos SimPy [6]. Esta herramienta permite describir procesos complejos de forma estructurada, con una lógica orientada a eventos que facilita el modelado realista de los flujos de producción, la gestión de inventarios y la priorización dinámica de pedidos. El sistema se compone de múltiples elementos, cuyas relaciones determinan el desempeño global. En este apartado se describen en profundidad los componentes clave del modelo, su lógica de funcionamiento y su impacto sobre el comportamiento observado en los experimentos de simulación. 18 5.2.1 Pedidos MTO Los pedidos del tipo Make to Order representan unidades de producción personalizadas, que no se fabrican hasta recibir una solicitud explícita por parte de un cliente. Esta lógica responde a la necesidad de adaptarse a demandas individuales, evitando el almacenamiento innecesario y reduciendo el riesgo de obsolescencia del producto [1]. En el modelo, los pedidos MTO se generan según una distribución exponencial con una tasa media de llegada λ = 1.234, reflejando una entrada aleatoria y continua de órdenes en el sistema [3]. Cada pedido MTO, al ser generado, se caracteriza por: Una ruta de procesamiento personalizada, que consiste en una selección aleatoria de entre 1 y 6 estaciones, en orden ascendente. Esta variabilidad replica la naturaleza caótica de los entornos JobShop, donde los flujos de producción no están estandarizados y cada pedido sigue un itinerario único [2][4]. Un due date, asignado como la suma del tiempo actual (env.now) y un intervalo aleatorio uniforme entre 30 y 40 unidades de tiempo, siguiendo una práctica común en simulación de sistemas de producción para representar compromisos contractuales con margen acotado [3]. El procesamiento de los pedidos MTO se realiza por etapas. En cada estación asignada, el pedido solicita acceso con una prioridad que se calcula a través de técnicas derivadas del método Operation Due Date (ODD), una estrategia clásica de programación en entornos JobShop que asigna urgencia a cada operación en función de su cercanía al vencimiento del pedido completo [7]. 5.2.2. Pedidos MTS Los pedidos Make to Stock representan demandas estándar del mercado que deben ser satisfechas de forma inmediata mediante inventario disponible. Este enfoque responde a la necesidad de ofrecer alta disponibilidad con plazos de entrega reducidos, una característica crítica en sectores con productos homogéneos y de alta rotación [1][9]. Estos pedidos también se generan de forma aleatoria, siguiendo una distribución exponencial con λ = 0.18. A diferencia de los MTO, los pedidos MTS no requieren fabricación individual. Su atención depende exclusivamente de la existencia de inventario: Si hay unidades en stock, la venta se realiza de forma instantánea. Si el inventario es insuficiente, se registra una venta perdida, medida según la métrica lostsales representando una pérdida directa de oportunidad comercial. El sistema implementa una política de stock base para mantener un nivel de inventario objetivo. Siempre que el inventario disponible cae por debajo de ese umbral, se generan nuevas órdenes de reposición, que deben atravesar la cadena productiva completa antes de reintegrar unidades al inventario [8]. Este enfoque refleja fielmente políticas de control de inventarios comúnmente utilizadas en la industria, donde el nivel de servicio se garantiza manteniendo niveles constantes de existencias para productos de alta demanda [1]. 5.2.3. Estaciones de Trabajo El sistema cuenta con seis estaciones de trabajo que representan recursos físicos compartidos. Cada estación tiene capacidad unitaria y puede atender tanto pedidos MTO como MTS. En el modelo, se han implementado como objetos PriorityResource de SimPy [6], lo que permite asignar prioridades explícitas 19 a cada solicitud de uso. Las estaciones actúan como cuellos de botella potenciales en el sistema. Dado que todos los pedidos deben solicitar acceso a las estaciones según su ruta, y que solo puede procesarse un pedido a la vez, el orden de prioridad con que se atienden las solicitudes tiene un impacto directo sobre las métricas de rendimiento. Esta lógica reproduce con realismo las condiciones críticas de planificación en entornos JobShop, donde los conflictos por recursos son determinantes [2]. 5.2.4. Inventario y Reposición La gestión del inventario para productos MTS se basa en una política de nivel objetivo, también conocida como base stock. Esta política es ampliamente utilizada en sistemas donde se desea mantener una alta disponibilidad de productos, compensando la variabilidad de la demanda con una cantidad fija de stock predefinido [8][9]. Cada vez que el inventario total (inventario físico más unidades en tránsito) cae por debajo del valor base, el sistema genera automáticamente las órdenes de reposición necesarias. Estas órdenes son procesadas como trabajos estándar dentro del entorno simulado, pasando secuencialmente por las seis estaciones. Esto significa que las órdenes de reposición compiten directamente con los pedidos MTO por los recursos del sistema, lo que introduce una complejidad adicional en la toma de decisiones sobre qué pedidos deben ser atendidos primero. 5.2.5. Técnica Operation Due Date (ODD) La técnica Operation Due Date (ODD) es una regla de despacho ampliamente utilizada en la programación de trabajos en entornos tipo JobShop, donde las rutas de los pedidos son variables y los recursos son compartidos entre múltiples flujos. Su objetivo principal es distribuir el tiempo restante hasta el due date final de un pedido entre las operaciones que aún faltan por ejecutar, otorgando así a cada una una “fecha límite local” o due date operativo que guíe la asignación de prioridades [7]. Esta lógica permite transformar un compromiso de entrega global en metas parciales para cada estación, facilitando la toma de decisiones descentralizadas en entornos complejos y congestionados. En el modelo implementado en este trabajo, la lógica ODD se ha adoptado en su formulación clásica, basada en una expresión sencilla pero efectiva. La fecha límite operativa de una determinada operación, denotada como 𝐷𝑘, se calcula restando a la fecha de entrega total del pedido, 𝐷, un margen proporcional al número de operaciones pendientes. Esta relación se expresa mediante la ecuación: 𝐷𝑘= 𝐷 − 5 × (𝑊 − 𝑗𝑘) (5-1) donde 𝑊 representa el número total de estaciones que componen la ruta asignada al pedido y 𝑗𝑘 indica la posición de la operación actual dentro de dicha secuencia. El valor constante 5 corresponde a una estimación conservadora del tiempo de procesamiento por operación, lo cual permite distribuir de forma uniforme el margen temporal disponible entre las estaciones restantes. A medida que el pedido avanza a lo largo de su ruta, el valor de 𝐷𝑘 disminuye, lo que incrementa su urgencia relativa en el sistema y favorece su atención prioritaria en las últimas etapas, especialmente si ha habido retrasos acumulados en fases anteriores [4]. Esta estrategia presenta diversas ventajas. Por un lado, permite estructurar el flujo de trabajo de forma alineada con los compromisos de entrega establecidos al inicio del proceso, sin requerir modelos complejos de asignación dinámica. Por otro, su implementación en herramientas de simulación como SimPy resulta directa, ya que el valor de 𝐷𝑘 puede utilizarse como criterio de prioridad en las colas de recursos. Además, facilita su combinación con otras variables del sistema, como el nivel de inventario, la carga en curso o el número de operaciones restantes, dando lugar a variantes más sofisticadas de control de flujo, como las incluidas en los métodos dinámicos evaluados en este trabajo. 20 En definitiva, la técnica Operation Due Date proporciona un marco sólido y flexible para orientar la ejecución de pedidos en entornos con múltiples restricciones, permitiendo traducir los objetivos estratégicos de puntualidad en criterios operativos de planificación local. 5.2.6. Métodos de Integración y Políticas de Prioridad El objetivo del modelo radica en la definición de reglas de prioridad que determinan el orden de procesamiento en cada estación. En este trabajo se han implementado cuatro métodos distintos para asignar prioridad a los pedidos MTS, basados en el artículo de Fleischmann et al. [4] y adaptados para ser evaluados en condiciones de simulación. Cada método propone una lógica diferente para calcular el due date operativo (Operation Due Date) de cada pedido, afectando así su posición en la cola de espera. A continuación, se describen de forma detallada. 5.2.6.1. Fixed MTS Due Dates Este método establece una política simple: asignar a cada orden MTS un due date calculado como el tiempo actual más una constante 𝛿. Esta fecha se mantiene fija durante todo el recorrido del pedido por las estaciones. La prioridad en cada estación se calcula restando un múltiplo del número de operaciones restantes, aplicando la estrategia ODD clásica [7]. 𝐷 = 𝑡 + 𝛿 (5-2) Este enfoque se caracteriza por su baja complejidad y fácil implementación. Sin embargo, su naturaleza estática implica que no reacciona ante cambios del sistema, lo que puede generar ineficiencias si el inventario cae rápidamente o si se produce una congestión repentina en las estaciones. En situaciones de alta demanda MTS o escasez de stock, esta estrategia tiende a producir altas tasas de ventas perdidas, al no anticiparse a las necesidades reales del sistema. 5.2.6.2. Dynamic MTS Due Dates Este enfoque introduce un mecanismo de adaptación a la realidad operativa del sistema. El due date de cada pedido MTS se calcula en función del inventario disponible (I), el número de pedidos en producción (P) y la tasa de llegada esperada 𝜆𝑆, a lo que se suma un parámetro 𝛼 que actúa como colchón de seguridad: 𝐷 = 𝑡 + 𝐼+𝑃 𝜆𝑆+ 𝛼 (5-3) Esta fórmula permite estimar el momento en el que se espera que el inventario se agote, y anticiparse a ello generando una reposición con la antelación necesaria. Esta estrategia es especialmente efectiva en entornos donde la demanda es volátil y donde los retrasos en la reposición pueden tener un impacto considerable sobre el nivel de servicio. Su principal ventaja es su capacidad para reducir las ventas perdidas, ya que actúa proactivamente y de manera dinámica, observando en cada momento el inventario tanto en proceso como en stock, al momento de despachar. No obstante, esta misma agresividad puede generar presión adicional sobre los pedidos MTO, elevando los niveles de tardanza en contextos donde la capacidad del sistema es limitada. 21 5.2.6.3. Slack per Remaining Operation Este método incorpora una lógica de distribución dinámica de holgura, tomando en cuenta no solo el tiempo disponible sino también el número de operaciones restantes. El objetivo es asignar a cada operación una porción justa del tiempo total disponible antes del agotamiento del inventario, ajustado mediante un parámetro 𝛽: 𝐷𝑘= 𝑡 + 𝐼+𝑃 𝜆𝑆−𝑇 𝑁+ 𝛽 (5-4) Donde T es el tiempo total estimado restante para completar el pedido, y N es el número de operaciones aún no realizadas. Este enfoque permite afinar la prioridad en función de la etapa del proceso en la que se encuentra el pedido. Se trata de un método sofisticado que busca equilibrar eficiencia y flexibilidad. En escenarios de congestión, permite retrasar los pedidos MTS en sus primeras operaciones, priorizando los pedidos MTO, para luego recuperar el tiempo perdido en las últimas estaciones. Esta dinámica puede ser clave para optimizar ambos flujos sin sacrificar la estabilidad del sistema. Al igual que el método anterior, se tiene en cuenta el inventario en stock y en proceso en el momento de despachar, asignando las 𝐷𝑘 de manera dinámica. 5.2.6.4. Rolling Operation Due Dates Este método establece un due date uniforme y creciente para cada operación de los pedidos MTS, calculado como el tiempo actual más un valor fijo 𝛾. De esta manera, todos los pedidos MTS reciben una prioridad que se incrementa linealmente con el tiempo, lo que evita que queden indefinidamente relegados por los pedidos MTO. 𝐷𝑘= 𝑡 + 𝛾 (5-5) Esta estrategia actúa como un mecanismo de protección frente a la exclusión prolongada de pedidos MTS cuando hay una acumulación continua de MTO con alta urgencia. Aunque no es sensible al estado del inventario, su efecto de presión constante fuerza la entrada de pedidos MTS en la producción cuando se acumulan demasiadas postergaciones. 5.2.7. Métricas de Evaluación El comportamiento del sistema bajo cada política de integración se ha evaluado mediante dos métricas clave, elegidas por su relevancia operativa y su capacidad para reflejar los objetivos contradictorios del entorno híbrido: cumplimiento de plazos en pedidos personalizados (Make to Order) y nivel de servicio para productos estándar (Make to Stock). De esta manera, se mide el porcentaje de pedidos tardíos (tardiness) y el porcentaje de ventas perdidas (lostsales). Además, hemos introducido en este estudio en Mean Tardiness, una métrica cuyo objetivo es reflejar la media de unidades de tiempo que llegan tarde los pedidos MTO, de manera que se controle no solo el porcentaje de pedidos que llegan tarde, sino además cuanto de tarde llegan. 28 rotura de stock. En el otro extremo, si 𝛼 otorga más importancia a reabastecer el inventario MTS (tomando valores negativos), las pérdidas de venta disminuyen drásticamente, pero la tardanza en pedidos MTO se vuelve más pronunciada. En cuanto a la zona de máximo equilibrio, para un valor entorno a 𝛼 = -1, se observa que se obtienen unos valores de 4,6% de ventas perdidas y un 4,5% en relación a los pedidos tardíos, mostrando así una mejora en comparación al primer método. Los resultados obtenidos reafirman que el método Dynamic MTS Due Dates representa una solución altamente eficaz y adaptativa para entornos híbridos MTO/MTS. Su capacidad de responder dinámicamente a las condiciones del sistema permite un uso más eficiente de los recursos y un mejor equilibrio entre los objetivos conflictivos de disponibilidad y puntualidad. Esta estrategia no solo supera en rendimiento a enfoques estáticos, sino que además ofrece al gestor de producción un control fino y parametrizable sobre las prioridades operativas del sistema. 6.3. Resultados Dynamic MTS Slack Per Remaining Operation El tercer método considerado es el Dynamic MTS Slack per Remaining Operation. Esta estrategia representa un refinamiento del enfoque dinámico anterior. Si bien también calcula fechas de vencimiento ficticias en tiempo de despacho, en este caso se introduce un criterio adicional el cual considera no solo el estado actual del inventario y las órdenes MTS en curso, sino también cuántas operaciones le faltan al trabajo MTS y cuánta holgura temporal queda disponible por operación. Esto permite evaluar con mayor precisión la urgencia real de los MTS. La lógica base es que no todos los trabajos MTS son igual de prioritarios debido a que si a un trabajo le faltan muchas operaciones y aún hay suficiente stock, puede esperar. Pero si está cerca de completarse y el inventario empieza a bajar, su prioridad aumenta. Este criterio operativo proporciona un mayor nivel de sensibilidad y adaptación al contexto, en comparación con los dos métodos anteriores. Figura 6-3. Tardiness vs. Lost Sales – Dynamic MTS Slack Per Remaining Operation En cuanto a los resultados gráficos obtenidos, la curva muestra claramente un comportamiento progresivo de trade-off entre las dos métricas analizadas. Se observa cómo el sistema, al ajustar el parámetro de control 𝛽, puede recorrer un abanico amplio de combinaciones entre ambos objetivos. En especial, destaca que para valores bajos de pérdida de ventas (entre el 4% y el 8%) se alcanzan valores muy reducidos de tardanza, lo cual indica un rendimiento notable en rangos de equilibrio operativo. Además, se puede observar que se alcanza un punto de alto equilibrio entorno al valor 𝛽 = 0, donde se presenta aproximadamente un 4,3% de pedidos MTO con retraso y un 3,8% de ventas perdidas en cuanto a los pedidos MTS. 29 Este comportamiento demuestra que el método Dynamic MTS Slack per Remaining Operation es especialmente eficaz cuando se busca mantener un rendimiento equilibrado para ambos flujos de trabajo, sin sacrificar la puntualidad de los pedidos MTO ni caer en excesos de stock. Su capacidad para tener en cuenta el avance real de cada trabajo y adaptarse al momento del sistema lo convierte en una estrategia recomendable para entornos con altas exigencias de rendimiento y variabilidad operativa. 6.4. Resultados Rolling MTS Operation Due Dates El cuarto y último método analizado es el Rolling MTS Operation Due Dates. Esta estrategia se diferencia del resto por presentar un enfoque más directo y simplificado. En lugar de asignar fechas de vencimiento basadas en inventario, consumo o número de operaciones, este método establece que las órdenes MTS solo se consideran para producción si no hay ninguna orden MTO suficientemente urgente en la cola de espera. Este planteamiento introduce un parámetro de control que define qué tan urgente debe ser una orden MTO para seguir teniendo prioridad. Mientras esa condición se cumpla, los trabajos MTS son pospuestos sistemáticamente. Es un mecanismo simple pero efectivo para garantizar que la producción se centre en los pedidos personalizados, especialmente en entornos donde la puntualidad en los MTO es crítica para el negocio. Figura 6-4. Tardiness vs. Lost Sales – Rolling MTS Operation Due Dates En cuanto a la curva obtenida, se observa nuevamente una relación de compromiso entre el porcentaje de ventas MTS perdidas y el porcentaje de pedidos MTO con retraso. Aunque los valores de tardanza MTO pueden mantenerse muy bajos con pérdidas de venta moderadas, el comportamiento del sistema deja entrever una limitación clara, a partir de cierto punto, no es posible seguir reduciendo las ventas perdidas sin que el porcentaje de tardanza aumente de forma brusca. La curva muestra un cambio abrupto de pendiente entre el 4% y el 6% de pérdidas, lo que indica que el sistema pasa rápidamente de una situación muy favorable para MTO a una en la que MTS comienza a recibir más atención. Sin embargo, en comparación con los métodos dinámicos anteriores, el margen de maniobra en términos de control fino es mucho más limitado. 30 Por lo tanto, el método Rolling MTS Operation Due Dates resulta particularmente adecuado para entornos donde el enfoque está claramente orientado a cumplir con los plazos de entrega de pedidos MTO y donde se puede aceptar cierto nivel de pérdida en los productos MTS. Su simplicidad de implementación y su comportamiento predecible lo convierten en una opción orientada a escenarios con pocos recursos de planificación o necesidades operativas muy centradas en la puntualidad MTO. Sin embargo, los métodos vistos previamente le dominan debido a que se enfocan en un estudio dinámico del entorno de simulación. 6.5. Mean Tardiness Con el objetivo de enriquecer el estudio original y aportar una perspectiva cuantitativa adicional, se incorpora el análisis del Mean Tardiness (tardanza media) como medida complementaria al porcentaje de pedidos tardíos. Esta métrica permite no solo cuantificar cuántos pedidos MTO no se entregan a tiempo, sino también cuánto se retrasan en promedio, lo cual es fundamental desde el punto de vista del impacto operativo y de la percepción del cliente. Con la incorporación del Mean Tardiness al entorno experimental para cada uno de los cuatro métodos principales de integración de pedidos MTS en un entorno predominantemente MTO, se obtienen los resultados mostrados a continuación: Figura 6-5. Mean Tardiness – Fixed Figura 6-6. Mean Tardiness – Dynamic MTS Figura 6-7. Mean Tardiness – Dynamic MTS SPR Figura 6-8. Mean Tardiness – Rolling 31 Método Parámetro Equilibrio Mean Tardiness (u.t.) Fixed MTS Due Dates 𝛿 = 60 5,76 Dynamic MTS Due Dates 𝛼 = –1 4,74 Dynamic MTS Slack per Remaining Operation 𝛽 = 0 4,55 Rolling MTS Operation Due Dates 𝛾 = 6 5,44 Tabla 6-1. Mean Tardiness – Parámetros de Equilibrio Los resultados muestran, de forma contundente, que los métodos dinámicos presentan un desempeño superior respecto al método estático basado en fechas ficticias fijas. En particular, el método Dynamic MTS Slack per Remaining Operation no solo confirma ser el más sofisticado, sino también el más eficiente en términos de reducción de la tardanza media, con un valor de 4,55 unidades de tiempo en el punto de equilibrio entre prioridades MTS y MTO. Este estudio no solo valida empíricamente las conclusiones del artículo original, sino que además añade una nueva dimensión analítica que refuerza la idoneidad del uso de información dinámica del estado actual del stock y el inventario en proceso en las decisiones de despacho. Al integrar esa información en los métodos dinámicos en tiempo real se logra gestionar con mayor precisión la asignación de recursos y se minimizan tanto los retrasos como la severidad de estos. Cabe destacar también que el método Rolling MTS Operation Due Dates, a pesar de su simplicidad conceptual, logra un resultado mejor que el método estático, posicionándose como una alternativa viable en entornos donde se prioriza la facilidad de implementación sin sacrificar el rendimiento de manera drástica. En conclusión, el análisis del Mean Tardiness no solo complementa, sino que fortalece con argumentos numéricos adicionales la superioridad de las políticas dinámicas en la gestión híbrida MTO/MTS, convirtiéndose en una métrica esencial para una evaluación más profunda del sistema y una toma de decisiones más informada a nivel operativo. 32 6.6. Análisis de los 4 métodos En la presente gráfica se ilustra el comportamiento conjunto de los cuatro métodos de integración Make to Stock (MTS) analizados, mediante la representación de sus respectivos resultados a raíz de nuestro entorno de simulación. Figura 6-9. Gráfica Comparativa A la luz de los resultados, se confirma que los métodos más complejos y dinámicos, Dynamic MTS Slack per Remaining Operation y Dynamic MTS Due Dates, obtienen un mejor rendimiento en la gestión del equilibrio entre ambos objetivos, en comparación a los enfoques más simples y rígidos como Fixed MTS Due Dates y Rolling MTS Operation Due Dates. Con el fin de analizar la robustez de los métodos de integración estudiados, se ha llevado a cabo una variación controlada de dos parámetros clave del sistema en el entorno de simulación: el nivel de stock base (de 13 a 20) y el due date allowance (de un rango uniforme de 30–40 a 40–50 unidades de tiempo). Figura 6-10. Stock Base de 20 unidades Figura 6-11. Due Date Allowance de 40-50 unidades 33 Estas modificaciones tienen como objetivo observar cómo se comporta el entorno bajo condiciones operativas distintas y verificar si se mantiene la consistencia en el comportamiento relativo de las políticas de despacho. Los resultados, representados en las gráficas comparativas, muestran que, las tendencias generales de las curvas se mantienen inalteradas. Específicamente, las reglas de despacho dinámicas siguen superando a la política fija, y el orden relativo de rendimiento entre métodos permanece estable. Este hallazgo refuerza la validez estructural de las políticas propuestas, confirmando que no solo funcionan bien en condiciones específicas, sino que también conservan su eficacia relativa bajo variaciones relevantes del sistema. Además, se observa que los métodos de integración tienen un comportamiento diferenciado según la carga del sistema y el equilibrio entre las necesidades de pedidos MTO y MTS. Los métodos Dynamic MTS Due Dates y Slack per Remaining Operation muestran una mayor adaptabilidad bajo condiciones de alta variabilidad, al ajustar dinámicamente las prioridades en función del inventario y la producción en curso. Esto los convierte en métodos más eficaces para mantener niveles bajos de ventas perdidas (MTS) sin deteriorar gravemente la puntualidad de los pedidos MTO, especialmente cuando la demanda de ambos productos se intensifica. La capacidad de anticipar la escasez de inventario y modular el ritmo de reposición les otorga una ventaja clara frente a métodos más rígidos. En cambio, el método Fixed MTS Due Dates, al emplear una lógica estática, resulta más efectivo en entornos de baja carga o demanda estable. Bajo escenarios dinámicos, su falta de reacción ante la variabilidad conduce a un aumento en ventas perdidas, ya que no prioriza adecuadamente la reposición ante caídas de stock inesperadas. Es un enfoque sencillo, pero con limitaciones en contextos reales de alta competencia y demanda fluctuante. Por otro lado, el método Rolling MTS Due Dates, al incrementar progresivamente la urgencia de los pedidos MTS, actúa como un mecanismo de compensación que puede evitar la exclusión prolongada de estos productos. Sin embargo, su independencia del estado real del inventario lo convierte en una estrategia menos eficiente que las adaptativas, ya que puede generar presión innecesaria sobre el sistema. Desde una perspectiva práctica, los resultados obtenidos tienen implicaciones significativas para la toma de decisiones estratégicas y operativas en entornos productivos híbridos. En particular, la elección del método de integración entre pedidos MTO y MTS debe alinearse estrechamente con el perfil de demanda, el grado de flexibilidad del sistema productivo y los objetivos estratégicos de la organización. En fábricas con alta variabilidad en la demanda, como por ejemplo aquellas del sector electrónico, textil o automoción con lanzamientos frecuentes, campañas estacionales o pedidos personalizados recurrentes, es fundamental contar con políticas de prioridad dinámicas. Estas permiten ajustar de forma reactiva las decisiones de producción ante cambios inesperados en los pedidos o en el nivel de inventario. Métodos como Slack per Remaining Operation o Dynamic MTS Due Dates resultan especialmente eficaces en este contexto, ya que logran equilibrar la necesidad de reponer inventario sin poner en riesgo el cumplimiento de pedidos personalizados. Por el contrario, en entornos con demanda más estable y predecible, como puede ser el caso de plantas dedicadas a productos químicos, componentes metálicos estándar o bienes de consumo de rotación media, podría optarse por métodos más simples como Fixed MTS Due Dates. Estos métodos, aunque menos flexibles, permiten una planificación más directa y con menor carga computacional, lo cual puede ser ventajoso cuando se prioriza la estabilidad operativa o cuando los recursos informáticos y humanos son limitados. En cualquier caso, la selección del método debe considerar explícitamente el coste de oportunidad asociado a cada tipo de fallo operacional, es decir, tanto el coste de retrasar un pedido MTO (por ejemplo, perder la confianza del cliente o pagar penalizaciones contractuales) como el de no disponer de stock MTS (lo que puede suponer la pérdida directa de ventas o la fuga de clientes a la competencia). En sectores como la distribución alimentaria o farmacéutica, donde la falta de stock puede suponer pérdidas inmediatas o incluso comprometer la salud del consumidor, este aspecto es especialmente crítico. 34 En resumen, los métodos dinámicos muestran un mejor desempeño general en contextos exigentes y volátiles, pero su implantación requiere un sistema de control maduro y recursos técnicos acordes. Las estrategias más sencillas siguen teniendo cabida en entornos estables, siempre que se adapten cuidadosamente al contexto productivo. En última instancia, una correcta integración entre los objetivos de servicio al cliente, los recursos disponibles y las limitaciones del sistema será la clave para seleccionar la política de integración más adecuada. 35 36 7 C ONCLUSIÓN lo largo de este Trabajo de Fin de Grado se ha llevado a cabo un análisis del comportamiento de un sistema productivo híbrido MTO/MTS, modelado mediante simulación de eventos discretos en un entorno JobShop. Se han implementado y comparado cuatro estrategias de integración entre productos fabricados bajo pedido y para inventario, evaluando su rendimiento operativo bajo distintas condiciones de carga y configuraciones del sistema, en un entorno de programación en Python, utilizando la librería de simulación SimPy. Los resultados obtenidos permiten afirmar que las políticas dinámicas de prioridad, especialmente aquellas que incorporan información contextual como el inventario disponible, la carga en curso y el número de operaciones restantes, presentan un desempeño superior frente a métodos estáticos. En particular, el enfoque Dynamic MTS Slack per Remaining Operation se ha consolidado como el más eficaz, logrando un equilibrio óptimo entre la puntualidad de los pedidos MTO y la disponibilidad de productos MTS, incluso en escenarios de alta variabilidad. Además, se ha introducido una mejora metodológica mediante el análisis del mean tardiness, que ha permitido cuantificar la severidad de los retrasos y reforzar las conclusiones del estudio. Esta métrica adicional ha aportado una perspectiva adicional y operativamente útil, alineada con los objetivos reales de los entornos industriales modernos. Junto a ella, se ha comprobado que las tendencias de comportamiento de las reglas de despacho se mantienen estables incluso al modificar parámetros clave del sistema, como el nivel de inventario base o el margen de fechas de entrega. Esta robustez evidencia que las estrategias evaluadas no solo son eficientes, sino también fiables y generalizables ante condiciones variables. A pesar de los resultados obtenidos y del valor analítico que ofrece el modelo desarrollado, es importante reconocer las limitaciones inherentes que afectan al grado de fidelidad con respecto a un entorno industrial real. En primer lugar, el modelo no contempla costes de cambio o setups asociados a la transición entre productos, un factor crítico en muchas líneas de producción, especialmente aquellas con alta variedad y bajo volumen. Este aspecto podría influir de forma significativa en la asignación óptima de prioridades, ya que el coste de reconfiguración puede superar los beneficios de adelantar un pedido concreto. Asimismo, no se han incluido averías, mantenimientos preventivos o correctivos, ni restricciones relacionadas con la fiabilidad de los recursos productivos. Esta simplificación implica que la disponibilidad de máquinas es total y constante durante toda la simulación, lo que puede alejarse de la realidad operativa de algunas plantas. Otro aspecto por destacar es la rigidez en las rutas de producción: cada producto sigue una secuencia fija de estaciones, sin posibilidad de rutas alternativas o flexibles. En muchos sistemas productivos modernos, especialmente aquellos con tecnologías de fabricación avanzada, esta flexibilidad es clave para mejorar la utilización de recursos y reducir los cuellos de botella presentes. A 37 Por último, el modelo ha sido parametrizado con datos teóricos y distribuciones genéricas, sin realizar una simulación basada en datos reales de una planta específica. Esto implica que, si bien los resultados son útiles para identificar tendencias y evaluar comportamientos relativos entre métodos, su extrapolación directa a casos reales debe realizarse con detenimiento para evaluar y garantizar la eficiencia de los métodos estudiados. A partir de las limitaciones señaladas, se proponen diversas líneas de investigación futuras con el objetivo de enriquecer el modelo, incrementar su complejidad progresiva y aproximarlo a escenarios industriales reales. Una primera extensión natural sería la incorporación de costes económicos explícitos, tales como costes de inventario, penalizaciones por retraso, costes de cambio de referencia o pérdidas asociadas a ventas no atendidas. Esto permitiría no solo analizar el rendimiento operativo, sino también optimizar el sistema en términos económicos, facilitando la toma de decisiones desde un punto de vista financiero. Otra mejora relevante consistiría en introducir averías estocásticas, mantenimientos programados y disponibilidad variable de recursos, lo cual reflejaría mejor las interrupciones propias de la operación diaria y permitiría analizar la robustez de cada política de integración bajo condiciones adversas. Finalmente, una línea especialmente valiosa sería la validación empírica del modelo utilizando datos reales de una planta industrial concreta, lo que permitiría afinar parámetros, evaluar la viabilidad práctica de los métodos propuestos y generar recomendaciones directamente aplicables en un entorno productivo real. En definitiva, este trabajo aporta valor mediante análisis complementarios y validaciones cruzadas, ofreciendo una visión completa, crítica y aplicada de la integración híbrida MTO/MTS. Las herramientas, modelos y conclusiones presentadas constituyen una base sólida para la toma de decisiones en entornos productivos reales que busquen maximizar simultáneamente eficiencia, flexibilidad y nivel de servicio.