TRABAJO FINAL DE HERRAMIENTAS DE CONTROL DE CALIDAD
EMPRESA OLVA COURIER
Olva Courier es una empresa de transporte y courier que realiza envíos de sobres y paquetes a nivel nacional e internacional. La empresa tiene más de 30 años de experiencia y más de 285 oficinas en todo el Perú. Olva Courier es líder en servicios de logística y transporte en Perú, ofreciendo envíos de sobres y paquetes a nivel nacional e internacional. Se especializa en la entrega, asegurando que los paquetes lleguen a su destino de manera eficiente y segura.
1 GRAFICA DE CONTROL POR VARIABLE
1.1 GRAFICA DE CONTROL: PROMEDIO - RANGO
La Gráfica de Control: Promedio - Rango, también conocida como Gráfica X-R, es una herramienta esencial que se utiliza para monitorear la variabilidad y la estabilidad de un proceso a lo largo del tiempo1. En el contexto de Olva Courier, una empresa de envíos que maneja documentos, paquetes y mercancías de diversos tamaños y pesos, esta gráfica sería particularmente útil para asegurar que los pesos de los envíos se mantengan dentro de los límites aceptables y que el proceso de pesaje sea consistente y confiable.
library(SixSigma)
library(qcc)
#Prueba de Normalidad
library(nortest)
ad.test(datos_documentos$peso)##
## Anderson-Darling normality test
##
## data: datos_documentos$peso
## A = 0.46676, p-value = 0.2486##
## Anderson-Darling normality test
##
## data: datos_paquetes$peso
## A = 0.56955, p-value = 0.1378##
## Anderson-Darling normality test
##
## data: datos_mercancias$peso
## A = 0.45376, p-value = 0.26721.1.1 Para el peso de los documentos
muestra1<-rep(1:34,each=5,len=dim(datos_documentos)[1])
sample1 <-qcc.groups(data= datos_documentos$peso,sample= muestra1)
#Grafica
graf1_prom<-qcc(sample1, type="xbar")
##
## Call:
## qcc(data = sample1, type = "xbar")
##
## xbar chart for sample1
##
## Summary of group statistics:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.962000 2.091500 2.163000 2.162118 2.223500 2.346000
##
## Group sample size: 5
## Number of groups: 34
## Center of group statistics: 2.162118
## Standard deviation: 0.2028223
##
## Control limits:
## LCL UCL
## 1.890003 2.434232##
## Call:
## qcc(data = sample1, type = "R")
##
## R chart for sample1
##
## Summary of group statistics:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.0700000 0.3500000 0.4800000 0.4717647 0.5825000 0.9400000
##
## Group sample size: 5
## Number of groups: 34
## Center of group statistics: 0.4717647
## Standard deviation: 0.2028223
##
## Control limits:
## LCL UCL
## 0 0.9975322Interpretación: La Gráfica de Promedios (X-bar) indica que el centro de las estadísticas del grupo es de 2.162118 kg, con límites de control inferior (LCL) y superior (UCL) de 1.890003 kg y 2.434232 kg, respectivamente. La Gráfica de Rangos indica que el rango promedio entre el peso del documento más pesado y el más ligero dentro de los subgrupos es de 0.4717647 kg, con límites de control inferior (LCL) y superior (UCL) de 0 kg y 0.9975322 kg, respectivamente.
Esto sugiere que,el proceso de pesaje de los documentos está bajo control y es consistente.
1.1.2 Para el peso de los paquetes
muestra2<-rep(1:34,each=5,len=dim(datos_paquetes)[1])
sample2<-qcc.groups(data= datos_paquetes$peso,sample= muestra2)
#Grafica
graf2_prom<-qcc(sample2, type="xbar")
##
## Call:
## qcc(data = sample2, type = "xbar")
##
## xbar chart for sample2
##
## Summary of group statistics:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 4.938000 5.478000 5.914000 5.935882 6.332500 7.176000
##
## Group sample size: 5
## Number of groups: 34
## Center of group statistics: 5.935882
## Standard deviation: 1.243741
##
## Control limits:
## LCL UCL
## 4.267229 7.604536##
## Call:
## qcc(data = sample2, type = "R")
##
## R chart for sample2
##
## Summary of group statistics:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.560000 2.270000 2.755000 2.892941 3.472500 5.120000
##
## Group sample size: 5
## Number of groups: 34
## Center of group statistics: 2.892941
## Standard deviation: 1.243741
##
## Control limits:
## LCL UCL
## 0 6.117036Interpretación: La gráfica muestra el control estadístico del proceso de pesaje de paquetes en Olva Courier. La Gráfica de Promedios (X-bar) indica que el centro de las estadísticas del grupo es de 5.935882 kg, con límites de control inferior (LCL) y superior (UCL) de 4.267229 kg y 7.604536 kg, respectivamente. La Gráfica de Rangos indica el rango promedio entre el peso más pesado y el más ligero dentro de los subgrupos es de 2.892941 kg. Los límites de control para el rango son 0 kg (LCL) y 6.117036 kg (UCL).
En resumen, la gráfica muestra que el proceso de pesaje de paquetes en Olva Courier parece estar bajo control, ya que no se reportan puntos fuera de los límites de control.
1.1.3 Para el peso de las mercancías
muestra3<-rep(1:41,each=4,len=dim(datos_mercancias)[1])
sample3 <-qcc.groups(data= datos_mercancias$peso,sample= muestra3)
#Grafica
graf3_prom<-qcc(sample3, type="xbar")
##
## Call:
## qcc(data = sample3, type = "xbar")
##
## xbar chart for sample3
##
## Summary of group statistics:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 10.01250 11.34000 11.90750 11.83677 12.55750 13.51750
##
## Group sample size: 4
## Number of groups: 41
## Center of group statistics: 11.83677
## Standard deviation: 1.561852
##
## Control limits:
## LCL UCL
## 9.49399 14.17955##
## Call:
## qcc(data = sample3, type = "R")
##
## R chart for sample3
##
## Summary of group statistics:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.650000 2.290000 3.300000 3.215854 3.960000 6.440000
##
## Group sample size: 4
## Number of groups: 41
## Center of group statistics: 3.215854
## Standard deviation: 1.561852
##
## Control limits:
## LCL UCL
## 0 7.338257Interpretación: El promedio de los pesos de las mercancías es de 11.83677 kg. Los límites de control inferior (LCL) y superior (UCL) son 9.49399 kg y 14.17955 kg, respectivamente, la gráfica indica que el proceso de pesaje de mercancías en Olva Courier parece estar bajo control, ya que no se reportan puntos fuera de los límites de control.
La Gráfica de Rangos para el peso de las mercancías en Olva Courier muestra que el rango promedio de variabilidad en los pesos es de 3.215854 kg, con límites de control de 0 kg (LCL) y 7.338257 kg (UCL). Esto indica que la mayoría de los rangos de peso entre las mercancías más pesadas y más ligeras dentro de los subgrupos se mantienen dentro de estos límites, lo que sugiere que el proceso de pesaje es relativamente estable.
1.2 GRAFICA DE CONTROL: PROMEDIO - DESVIACION
La Gráfica de Control: Promedio - Desviación es una herramienta valiosa en el ámbito del control de calidad y la gestión de procesos, que permite a las empresas monitorear y analizar la variabilidad y el rendimiento de sus procesos a lo largo del tiempo. En el contexto de Olva Courier, podría ser utilizada para controlar el costo de envío de sus servicios para los tipos de productos que envía.
Si Olva Courier desea asegurar que los costos de envío se mantengan dentro de un rango aceptable y que cualquier variación significativa sea rápidamente identificada y abordada, la Gráfica de Control: Promedio - Desviación mostraría la media de los costos de envío para subgrupos de datos recopilados en intervalos regulares, mientras que la gráfica de desviación reflejaría la variabilidad de esos costos. La línea central representaría el promedio de los costos de envío, y los límites de control, establecidos a una distancia de varias desviaciones estándar de la línea central, indicarían la variación esperada del proceso.
## # A tibble: 6 × 6
## id_envio tipo_producto peso costo_envio destino_envio tiempo_entrega
## <chr> <chr> <dbl> <dbl> <chr> <dbl>
## 1 P001 Mercancías 13 15.3 Provincia 3
## 2 P002 Documentos 2.37 3.11 Lima Metropolitana y … 1
## 3 P003 Documentos 2.3 4 Lima Metropolitana y … 1
## 4 P004 Documentos 2.36 4.36 Lima Metropolitana y … 1
## 5 P005 Documentos 1.88 3.83 Provincia 3
## 6 P006 Paquetes 6 9 Lima Metropolitana y … 1##
## Anderson-Darling normality test
##
## data: datos_documentos$costo_envio
## A = 0.51318, p-value = 0.1911##
## Anderson-Darling normality test
##
## data: datos_paquetes$costo_envio
## A = 0.32695, p-value = 0.517##
## Anderson-Darling normality test
##
## data: datos_mercancias$costo_envio
## A = 0.54568, p-value = 0.15841.2.1 Para el costo de los documentos
##
## Call:
## qcc(data = sample1, type = "xbar")
##
## xbar chart for sample1
##
## Summary of group statistics:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.962000 2.091500 2.163000 2.162118 2.223500 2.346000
##
## Group sample size: 5
## Number of groups: 34
## Center of group statistics: 2.162118
## Standard deviation: 0.2028223
##
## Control limits:
## LCL UCL
## 1.890003 2.434232##
## Call:
## qcc(data = sample1, type = "S")
##
## S chart for sample1
##
## Summary of group statistics:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.0320936 0.1454041 0.1943884 0.1924774 0.2483787 0.3670559
##
## Group sample size: 5
## Number of groups: 34
## Center of group statistics: 0.1924774
## Standard deviation: 0.2047663
##
## Control limits:
## LCL UCL
## 0 0.4020848Interpretación: El gráfico de control promedio - desviación muestra que el proceso para el costo de los documentos está bajo control estadístico, ya que no hay puntos fuera de los límites de control y no se observan patrones no aleatorios.
1.2.2 Para el costo de los paquetes
##
## Call:
## qcc(data = sample2, type = "xbar")
##
## xbar chart for sample2
##
## Summary of group statistics:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 4.938000 5.478000 5.914000 5.935882 6.332500 7.176000
##
## Group sample size: 5
## Number of groups: 34
## Center of group statistics: 5.935882
## Standard deviation: 1.243741
##
## Control limits:
## LCL UCL
## 4.267229 7.604536##
## Call:
## qcc(data = sample2, type = "S")
##
## S chart for sample2
##
## Summary of group statistics:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.2170253 0.9234086 1.0910063 1.1720168 1.4355737 2.3311435
##
## Group sample size: 5
## Number of groups: 34
## Center of group statistics: 1.172017
## Standard deviation: 1.246845
##
## Control limits:
## LCL UCL
## 0 2.448341Interpretación: El gráfico de control promedio - desviación muestra que el proceso para el costo de los paquetes está bajo control estadístico, ya que no hay puntos fuera de los límites de control y no se observan patrones no aleatorios.
1.2.3 Para el costo de las mercancias
##
## Call:
## qcc(data = sample3, type = "xbar")
##
## xbar chart for sample3
##
## Summary of group statistics:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 10.01250 11.34000 11.90750 11.83677 12.55750 13.51750
##
## Group sample size: 4
## Number of groups: 41
## Center of group statistics: 11.83677
## Standard deviation: 1.561852
##
## Control limits:
## LCL UCL
## 9.49399 14.17955##
## Call:
## qcc(data = sample3, type = "S")
##
## S chart for sample3
##
## Summary of group statistics:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.2824299 0.9593183 1.3839165 1.4346212 1.6995784 3.0080448
##
## Group sample size: 4
## Number of groups: 41
## Center of group statistics: 1.434621
## Standard deviation: 1.557141
##
## Control limits:
## LCL UCL
## 0 3.250919Interpretación: El gráfico de control promedio - desviación muestra que el proceso para el costo de las mercancias está bajo control estadístico, ya que no hay puntos fuera de los límites de control y no se observan patrones no aleatorios.
1.3 GRAFICA DE CONTROL: INDIVIDUAL - RM
Utilizando la Gráfica de Control: Individual - RM (Rango Móvil), Olva Courier monitorea de cerca el Tiempo de entrega para envíos dentro de Lima Metropolitana y Callao y hacia las Provincias. Este enfoque permite a la empresa detectar rápidamente cualquier desviación del proceso estándar de entrega, identificando tanto retrasos inusuales como mejoras significativas en la eficiencia. Al analizar individualmente cada entrega y compararla con el rango de entregas anteriores, Olva Courier se compromete a mantener un servicio confiable y puntual, reforzando su reputación como líder en soluciones logísticas en el mercado peruano.
datos[datos$destino_envio == "Lima Metropolitana y Callao",] -> datos_limacallao
datos[datos$destino_envio == "Provincia",] -> datos_provincia1.3.1 Para tiempo de entrega en Lima Metropolitana y Callao
#Datos
data_t_limacallao<-datos_limacallao$tiempo_entrega
mov.samples<-cbind(data_t_limacallao[1:265],data_t_limacallao[2:266])
graf1_prom_movil<-qcc(data_t_limacallao,type="xbar.one")
## [1] 233 234Interpretación: En promedio, Olva Courier está entregando paquetes en Lima Metropolitana y Callao en un tiempo de aproximadamente 2.1 días, con la mayoría de las entregas variando entre 1 y 3 días. En la grafica de rangos de los envíos, se observan puntos fuera de estos límites, sería una señal para investigar posibles causas de variación y tomar medidas correctivas. Entonces se procede a identificar estos puntos y quitar del estudio.
# Eliminando Grupos
data_limpia1 =data_t_limacallao[-c(233 ,234)]
# #Datos finales
mov.samples1<-cbind(data_limpia1[1:263],data_limpia1[2:264])
graf2_prom_movil<-qcc(data_limpia1,type="xbar.one")
Ahora se observa que no hay puntos más allá de los límites de control y la desviación estándar es relativamente baja, esto sugiere que el proceso de entrega es bastante estable y consistente.
1.3.2 Para tiempo de entrega en Provincias
##
## Anderson-Darling normality test
##
## data: datos_provincia$tiempo_entrega
## A = 23.331, p-value < 2.2e-16#Datos
data_t_provincia<-datos_provincia$tiempo_entrega
mov.samples2<-cbind(data_t_provincia[1:233],data_t_provincia[2:234])
graf3_prom_movil<-qcc(data_t_provincia,type="xbar.one")
## [1] 140Interpretación: En promedio, Olva Courier está entregando paquetes en Provincias en un tiempo de aproximadamente 3.4 días, con la mayoría de las entregas variando entre 2 y 4 días. En la gráfica de rangos de los envíos, se observan puntos fuera de estos límites, sería una señal para investigar posibles causas de variación y tomar medidas correctivas. Entonces se procede a identificar estos puntos y quitar del estudio.
# Eliminando Grupos#
data_limpia2 =data_t_provincia[-c(140)]
# #Datos finales
mov.samples2<-cbind(data_limpia2[1:232],data_limpia2[2:233])
graf4_prom_movil<-qcc(data_limpia2,type="xbar.one")
## integer(0)Ahora se observa que no hay de los límites, esto indica que el proceso de entrega es estable, lo cual es crucial para mantener la confianza de los clientes en la puntualidad de Olva Courier en los envios en Provincias.
2 GRAFICA DE CONTROL POR ATRIBUTO
2.1 Grafica np
La Gráfica np es una herramienta de control de calidad que se utiliza para monitorear el número de unidades no conformes o defectuosas en un proceso de medición. Es especialmente útil en situaciones donde se inspeccionan subgrupos de tamaño constante y se desea rastrear la cantidad de instancias defectuosas. Una empresa de envíos como Olva Courier, donde la eficiencia y la calidad del servicio son cruciales, la Gráfica np puede ser empleada para asegurar que los paquetes entregados cumplan con los estándares de calidad establecidos.
En este caso, Olva Courier inspecciona 100 paquetes cada día para detectar posibles defectos, como daños en el embalaje o retrasos en la entrega. La Gráfica np mostraría el número de paquetes defectuosos identificados cada día, proporcionando una visión clara de la calidad del proceso de inspección y entrega.
muestra_np <- 100
dias <- 30
datos_np <- read_excel("OLVACOURIER PARTE2.xlsx", sheet = "ATRIB1")
gráfica_np <- qcc(datos_np$defectuosos, type = "np",
sizes = rep(muestra_np, dias),
title = "Gráfica np de Paquetes Defectuosos por Día en Olva Courier")
##
## Call:
## qcc(data = datos_np$defectuosos, type = "np", sizes = rep(muestra_np, dias), title = "Gráfica np de Paquetes Defectuosos por Día en Olva Courier")
##
## np chart for datos_np$defectuosos
##
## Summary of group statistics:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 2.000000 4.000000 5.000000 5.666667 7.750000 11.000000
##
## Group sample size: 100
## Number of groups: 30
## Center of group statistics: 5.666667
## Standard deviation: 2.312046
##
## Control limits:
## LCL UCL
## 0 12.6028Interpretación. La Gráfica np de Olva Courier revela que, durante un período de 30 días, inspeccionando 100 paquetes diarios, el número promedio de paquetes defectuosos fue de aproximadamente 5.67 con una variabilidad representada por una desviación estándar de 2.31. Los límites de control, que van de 0 a 12.60, indican que el proceso de inspección y entrega se mantiene dentro de un rango aceptable de calidad.
2.2 Grafica p
Una herramienta útil para este propósito es la Gráfica p, que permite monitorear la proporción de paquetes defectuosos en subgrupos de tamaño variable.
Olva Courier desea evaluar la calidad de sus servicios de entrega diariamente, pero el número de paquetes inspeccionados varía cada día debido a fluctuaciones en la demanda y la capacidad operativa. La Gráfica p es ideal para este escenario, ya que proporcionaría una visión clara de la proporción de defectos independientemente del tamaño del subgrupo.
A continuación, se realizará una Gráfica p, considerando que el número de paquetes inspeccionados varía cada día durante un mes:
datos_p <- read_excel("OLVACOURIER PARTE2.xlsx", sheet = "ATRIB2")
gráfica_p <- qcc(datos_p$defectuosos,
sizes = datos_p$inspeccionados, type = "p",
title = "Gráfica p de Proporción de Paquetes Defectuosos en Olva Courier")
##
## Call:
## qcc(data = datos_p$defectuosos, type = "p", sizes = datos_p$inspeccionados, title = "Gráfica p de Proporción de Paquetes Defectuosos en Olva Courier")
##
## p chart for datos_p$defectuosos
##
## Summary of group statistics:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.01219512 0.03509199 0.04624432 0.04863827 0.06451613 0.07526882
##
## Summary of group sample sizes:
## sizes 82 84 85 86 87 88 91 93 94 96 98 104 105 106 107 108 111 114 115 116
## counts 1 1 1 2 1 3 1 3 2 1 1 1 2 2 1 1 1 1 1 1
##
## sizes 118 120
## counts 1 1
##
## Number of groups: 30
## Center of group statistics: 0.04863222
## Standard deviation: 0.2150979
##
## Control limits:
## LCL UCL
## 0 0.1186242
## 0 0.1151892
## ...
## 0 0.1075392Interpretación. La Gráfica p de Olva Courier, que evalúa la calidad del servicio de entrega diario a través de la proporción de paquetes defectuosos, muestra que durante 30 días, la proporción media de defectos fue de aproximadamente 0.0486. Los límites de control, con un LCL de 0 y un UCL que oscila entre 0.1075 y 0.1186, indican que el proceso se mantiene dentro de un rango controlado y estable.
2.3 Grafica c
La Gráfica c es una herramienta de control estadístico de procesos que se utiliza para monitorear el número de defectos en unidades de tamaño constante. Es ideal para procesos donde es posible que ocurran múltiples defectos en una sola unidad de inspección. La Gráfica c puede ser utilizada para rastrear y analizar el número de defectos encontrados en cada paquete durante el proceso de inspección. Por ejemplo, si un paquete tiene un daño en el embalaje y un retraso en la entrega, se contarían como dos defectos separados para ese paquete.
Sabemos que, Olva Courier implementa un sistema de control de calidad donde cada paquete es inspeccionado antes de ser enviado al cliente. Cada defecto, ya sea un daño físico, documentación incorrecta o retraso en el procesamiento, se registra meticulosamente. La Gráfica c mostraría el número total de defectos encontrados cada día, proporcionando información valiosa sobre la eficacia del proceso de inspección y permitiendo a la empresa identificar tendencias, variaciones y áreas de mejora.
datos_c <- read_excel("OLVACOURIER PARTE2.xlsx", sheet = "ATRIB3")
gráfica_c <- qcc(datos_c$defectuosos, type = "c",
title = "Gráfica c de defectos por Paquete en Olva Courier")
##
## Call:
## qcc(data = datos_c$defectuosos, type = "c", title = "Gráfica c de defectos por Paquete en Olva Courier")
##
## c chart for datos_c$defectuosos
##
## Summary of group statistics:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.000000 1.250000 2.000000 2.433333 3.750000 6.000000
##
## Group sample size: 1
## Number of groups: 30
## Center of group statistics: 2.433333
## Standard deviation: 1.559915
##
## Control limits:
## LCL UCL
## 0 7.113077Interpretación. La Gráfica c de Olva Courier, que muestra el número total de defectos encontrados en los paquetes inspeccionados diariamente, revela que durante un período de 30 días, el número medio de defectos por día fue de 2.43, con una desviación estándar de 1.56. Los límites de control, con un LCL de 0 y un UCL de 7.11, indican que la mayoría de los días, el número de defectos se mantuvo dentro de un rango aceptable, lo que sugiere que el proceso de inspección es efectivo. Sin embargo, la presencia de días con hasta 6 defectos señala oportunidades para mejorar aún más la calidad del servicio. Olva Courier puede utilizar estos datos para identificar las causas de los defectos y tomar medidas correctivas, con el objetivo de reducir la variabilidad y mejorar la satisfacción del cliente.
2.4 Grafica u
La Gráfica u es una herramienta de control estadístico de procesos que se utiliza para monitorear la cantidad de defectos por unidad en muestras de tamaño variable. Es particularmente útil en situaciones donde las unidades de inspección no son homogéneas en tamaño, como es el caso de Olva Courier que maneja paquetes de diferentes dimensiones y pesos.
La Gráfica u podría emplearse para evaluar la calidad de los envíos. Dado que Olva Courier maneja paquetes de diversos tamaños, es importante tener una medida que permita comparar la calidad de manera justa, independientemente del tamaño del paquete. La Gráfica u proporciona esta medida al ajustar el número de defectos por el tamaño de la unidad, lo que permite una comparación equitativa.
datos_u <- read_excel("OLVACOURIER PARTE2.xlsx", sheet = "ATRIB4")
gráfica_u <- qcc(datos_u$defectuosos, sizes = datos_u$tamaño_paquete, type = "u",
title = "Gráfica u de Defectos por Unidad en Olva Courier")
##
## Call:
## qcc(data = datos_u$defectuosos, type = "u", sizes = datos_u$tamaño_paquete, title = "Gráfica u de Defectos por Unidad en Olva Courier")
##
## u chart for datos_u$defectuosos
##
## Summary of group statistics:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.0000000 0.5000000 1.0000000 0.9638889 1.3833333 2.0000000
##
## Summary of group sample sizes:
## sizes 1 2 3 4 5
## counts 6 6 9 4 5
##
## Number of groups: 30
## Center of group statistics: 0.8953488
## Standard deviation: 0.9462287
##
## Control limits:
## LCL UCL
## 0 2.534265
## 0 2.534265
## ...
## 0 2.164848Interpretación. La Gráfica u de Olva Courier, que ajusta el número de defectos por el tamaño de la unidad para cada paquete, muestra que durante 30 días, la tasa promedio de defectos por unidad fue de 0.8953 con una desviación estándar de 0.9462. Los límites de control, con un LCL de 0 y un UCL que varía hasta 2.5343, indican que el proceso de inspección es generalmente estable y que la calidad de los envíos se mantiene dentro de un rango aceptable. Sin embargo, la variabilidad en la tasa de defectos sugiere que hay espacio para mejorar la consistencia en la calidad de los paquetes, independientemente de su tamaño.
3 ANÁLISIS DE CAPACIDAD DE PROCESOS
Olva Courier, una empresa líder en servicios de mensajería y paquetería en Perú, este análisis sería fundamental para asegurar que sus procesos de entrega y distribución cumplen con los estándares de calidad y eficiencia requeridos.
Olva Courier quiere aplicar el Análisis de Capacidad de Proceso para mejorar su cadena de suministro y logística de distribución. La empresa debe centrarse en variables clave como los tiempo de recepcion, tiempo de procesamiento, tiempo de transito y tiempo de entrega. En este caso se analizará el tiempo de entrega total (en horas).
#Graficas de control
library(SixSigma)
library(qcc)
datos_capacidad <- read_excel("OLVACOURIER PARTE2.xlsx", sheet = "CAPACIDAD")3.0.1 Grafica de control: Promedio - Rango
3.0.1.1 Prueba de Normalidad
\(H_0\): El tiempo de entrega de los productos presenta distribución normal.
\(H_1\): El tiempo de entrega de los productos NO presenta distribución normal.
\(\alpha = 0.05\)
##
## Anderson-Darling normality test
##
## data: datos_capacidad$Tiempo_Total_Entrega_horas
## A = 0.53475, p-value = 0.1671Decisión: p_valor = 0.1671 No se rechaza la Hipotesis Nula.
Conclusion: A un nivel de significación del 5% el tiempo de entrega de los productos presenta distribución normal.
#Datos agrupados por muestra
muestra_capacidad <- rep(1:20,each=5,len=dim(datos_capacidad)[1])
sampl<-qcc.groups(data=datos_capacidad$Tiempo_Total_Entrega_horas,muestra_capacidad)
sampl## [,1] [,2] [,3] [,4] [,5]
## 1 35 31 30 26 23
## 2 32 22 30 31 23
## 3 32 23 26 36 30
## 4 29 24 26 29 36
## 5 20 37 29 22 30
## 6 27 28 28 26 36
## 7 32 33 28 35 33
## 8 31 28 32 24 25
## 9 37 26 32 28 32
## 10 20 31 30 35 27
## 11 28 31 32 29 35
## 12 29 31 34 29 33
## 13 38 30 25 21 31
## 14 35 25 25 33 22
## 15 26 28 32 32 26
## 16 23 20 29 37 29
## 17 28 36 32 30 36
## 18 24 30 31 25 30
## 19 24 28 24 30 36
## 20 27 30 28 30 33
##
## Call:
## qcc(data = sampl, type = "xbar")
##
## xbar chart for sampl
##
## Summary of group statistics:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 27.60 28.00 28.90 29.26 29.95 32.40
##
## Group sample size: 5
## Number of groups: 20
## Center of group statistics: 29.26
## Standard deviation: 4.578676
##
## Control limits:
## LCL UCL
## 23.11706 35.40294##
## Call:
## qcc(data = sampl, type = "R")
##
## R chart for sampl
##
## Summary of group statistics:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 5.00 7.00 10.50 10.65 13.00 17.00
##
## Group sample size: 5
## Number of groups: 20
## Center of group statistics: 10.65
## Standard deviation: 4.578676
##
## Control limits:
## LCL UCL
## 0 22.5191Visualizando las graficas de control de promedio y rangos, se establece que el proceso se encuentra bajo control.
#Calculo de los parametros del proceso
dato4.promedio= mean(datos_capacidad$Tiempo_Total_Entrega_horas)
dato4.promedio## [1] 29.26## [1] 4.342926#Estimacion de % de defectuoso del proceso
#LIE = 18 # Límite Inferior de Especificación en horas
#LSE = 48 # Límite Superior de Especificación en horas
def.LCS=pnorm(q=48,mean=dato4.promedio,sd=dato4.sigma,lower.tail=FALSE)
def.LCS## [1] 7.97788e-06## [1] 0.004760988## [1] 0.4768966#Capacidad de Procesos
myqcc<-qcc(data=sampl, type="xbar", plot=FALSE)
#Capacidad a corto plazo = capacidad
process.capability(object=myqcc, spec.limits = c(18, 48))
##
## Process Capability Analysis
##
## Call:
## process.capability(object = myqcc, spec.limits = c(18, 48))
##
## Number of obs = 100 Target = 33
## Center = 29.26 LSL = 18
## StdDev = 4.579 USL = 48
##
## Capability indices:
##
## Value 2.5% 97.5%
## Cp 1.0920 0.9400 1.2437
## Cp_l 0.8197 0.7093 0.9301
## Cp_u 1.3643 1.1957 1.5329
## Cp_k 0.8197 0.6882 0.9513
## Cpm 0.8457 0.7072 0.9840
##
## Exp<LSL 0.7% Obs<LSL 0%
## Exp>USL 0% Obs>USL 0%Interpretación: El análisis de Capacidad a Corto Plazo para Olva Courier muestra que el proceso tiene una capacidad de Cp de 1.09, lo que indica una buena capacidad del proceso para cumplir con las especificaciones. La probabilidad estimada de defectos es de 0.004760988 (aproximadamente 0.48%), lo que sugiere que el proceso es bastante confiable. Los límites de especificación están establecidos en 18 horas para el LSL (Límite Inferior de Especificación) y 48 horas para el USL (Límite Superior de Especificación), y el análisis muestra que los tiempos de entrega están bien dentro de estos límites. Esto indica que Olva Courier está operando con un alto nivel de calidad y eficiencia en sus entregas.
Índices de capacidad de manera general:
El análisis de Capacidad a Corto Plazo para Olva Courier muestra que el proceso de entrega tiene un índice de capacidad Cp de 1.0920, lo cual indica que, en general, el proceso es capaz de cumplir con las especificaciones de tiempo de entrega entre 18 y 48 horas. Sin embargo, los índices Cp_l y Cp_k de 0.8197 están por debajo de 1, lo que sugiere que hay una variabilidad más cercana al límite inferior de especificación (LSL), lo que podría indicar un riesgo ligeramente mayor de entregas tardías. Por otro lado, el índice Cp_u de 1.3643 refleja una menor variabilidad cerca del límite superior de especificación (USL), lo que implica que es menos probable que las entregas sean demasiado tempranas. El índice Cpm de 0.8457, que es menor que 1, señala que cuando se considera el objetivo de 33 horas, el proceso muestra más variabilidad de la deseada. Esto sugiere que, aunque el proceso es capaz, hay oportunidades para mejorar la alineación con el objetivo y reducir la variabilidad para aumentar la confiabilidad en los tiempos de entrega. La probabilidad esperada de entregas por debajo del LSL es del 0.7%, lo que indica un buen control del proceso, aunque siempre hay espacio para la mejora continua.
#Capacidad a largo plazo = desempeño
Sigma_Total=sd(datos_capacidad$Tiempo_Total_Entrega_horas)
Sigma_Total## [1] 4.342926
##
## Process Capability Analysis
##
## Call:
## process.capability(object = myqcc, spec.limits = c(18, 48), std.dev = Sigma_Total)
##
## Number of obs = 100 Target = 33
## Center = 29.26 LSL = 18
## StdDev = 4.343 USL = 48
##
## Capability indices:
##
## Value 2.5% 97.5%
## Cp 1.1513 0.9911 1.3113
## Cp_l 0.8642 0.7493 0.9792
## Cp_u 1.4384 1.2615 1.6152
## Cp_k 0.8642 0.7273 1.0012
## Cpm 0.8724 0.7282 1.0163
##
## Exp<LSL 0.48% Obs<LSL 0%
## Exp>USL 0% Obs>USL 0%Interpretación: El análisis de Capacidad a Largo Plazo para Olva Courier indica que el proceso de entrega tiene un índice de capacidad Cp de 1.1513, lo cual sugiere que el proceso es generalmente capaz de cumplir con las especificaciones de tiempo de entrega entre 18 y 48 horas. Sin embargo, los índices Cp_l y Cp_k de 0.8642 están por debajo de 1, lo que implica que hay una variabilidad más cercana al límite inferior de especificación (LSL), lo que podría indicar un riesgo ligeramente mayor de entregas tardías. Por otro lado, el índice Cp_u de 1.4384 refleja una menor variabilidad cerca del límite superior de especificación (USL), lo que implica que es menos probable que las entregas sean demasiado tempranas. El índice Cpm de 0.8724, que es menor que 1, señala que cuando se considera el objetivo de 33 horas, el proceso muestra más variabilidad de la deseada. La probabilidad esperada de entregas por debajo del LSL es del 0.48%, lo que indica un buen control del proceso. En general, estos resultados sugieren que mientras Olva Courier es capaz de entregar paquetes dentro del rango de tiempo deseado, hay oportunidades para mejorar la consistencia y alineación del proceso con el objetivo de entrega.
4 GRAFICA DE CONTROL ESPECIALES
Olva Courier, como empresa de logística, se enfrenta al desafío de optimizar estos tiempos para garantizar entregas rápidas y satisfacer las expectativas de sus clientes. En el caso de Olva Courier, los tiempos de carga y descarga pueden verse afectados por diversos factores como la cantidad de envíos, los destinos, y condiciones no regulares como mal tiempo, tomas de carretera, entre otros. En el contexto de Olva Courier, podríamos utilizar Grafica de Control CUSUM y Grafica de Control EWMA para monitorear los tiempos de carga y descarga y detectar desviaciones respecto a los tiempos objetivo establecidos por la empresa.
4.1 Graficas de Control CUSUM
La Gráfica de Control CUSUM (Sumas Acumuladas) es una herramienta estadística que nos permite monitorear y detectar cambios en la media de un proceso a través del tiempo. Es particularmente útil para identificar desviaciones pequeñas pero persistentes de un valor objetivo. En el contexto de Olva Courier, podríamos utilizar esta gráfica para monitorear los tiempos de carga y detectar desviaciones respecto a los tiempos objetivo establecidos por la empresa.
El tiempo de carga en Olva Courier se refiere al período que se necesita para cargar los paquetes y productos en los vehículos de transporte para su envío. Este proceso incluye la preparación de los artículos, la documentación necesaria y la organización física de la carga dentro del vehículo. Es un factor crucial en la logística ya que afecta directamente la rapidez con la que los productos pueden ser enviados a su destino.
datos_especiales <- read_excel("OLVACOURIER PARTE2.xlsx", sheet = "ESPECIALES")
library(nortest)
ad.test(datos_especiales$tiempos_carga) #p-value = 0.4504##
## Anderson-Darling normality test
##
## data: datos_especiales$tiempos_carga
## A = 0.35364, p-value = 0.4504
## List of 14
## $ call : language cusum(data = datos_especiales$tiempos_carga)
## $ type : chr "cusum"
## $ data.name : chr "datos_especiales$tiempos_carga"
## $ data : num [1:50, 1] 30.7 29.6 30.9 28.1 32.3 31.2 28.4 30.1 31.4 31.1 ...
## ..- attr(*, "dimnames")=List of 2
## $ statistics : Named num [1:50] 30.7 29.6 30.9 28.1 32.3 31.2 28.4 30.1 31.4 31.1 ...
## ..- attr(*, "names")= chr [1:50] "1" "2" "3" "4" ...
## $ sizes : int [1:50] 1 1 1 1 1 1 1 1 1 1 ...
## $ center : num 30.1
## $ std.dev : num 2.08
## $ pos : num [1:50] 0 0 0 0 0.543 ...
## $ neg : num [1:50] 0 0 0 -0.479 0 ...
## $ head.start : num 0
## $ decision.interval: num 5
## $ se.shift : num 1
## $ violations :List of 2
## - attr(*, "class")= chr "cusum.qcc"##
## Call:
## cusum(data = datos_especiales$tiempos_carga)
##
## cusum chart for datos_especiales$tiempos_carga
##
## Summary of group statistics:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 25.20 28.80 30.60 30.13 31.18 33.80
##
## Group sample size: 1
## Number of groups: 50
## Center of group statistics: 30.134
## Standard deviation: 2.077001
##
## Decision interval (std.err.): 5
## Shift detection (std. err.): 1# Ahora la gráfica CUSUM asumiendo Media = 30, Desviación Estándar = 2
CUSUM1<-cusum(data = datos_especiales$tiempos_carga,sizes =1,
center =30 , std.dev = 2)
##
## Call:
## cusum(data = datos_especiales$tiempos_carga, sizes = 1, center = 30, std.dev = 2)
##
## cusum chart for datos_especiales$tiempos_carga
##
## Summary of group statistics:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 25.20 28.80 30.60 30.13 31.18 33.80
##
## Group sample size: 1
## Number of groups: 50
## Center of group statistics: 30
## Standard deviation: 2
##
## Decision interval (std.err.): 5
## Shift detection (std. err.): 1Interpretación: La gráfica de control CUSUM para los tiempos de carga y descarga muestra que el proceso está operando de manera estable y dentro del intervalo de decisión de 5 errores estándar. La detección de cambio se establece en 1 error estándar, lo que indica que la gráfica está diseñada para identificar desviaciones pequeñas pero significativas del valor objetivo. El centro de las estadísticas del grupo es 30.13717 y la desviación estándar es 2.077912, lo que sugiere que los tiempos están agrupados alrededor de un valor central con una variabilidad moderada. Con un tamaño de grupo de 1 y 50 grupos, la gráfica proporciona una visión detallada de la variabilidad del proceso a lo largo del tiempo.
No hay puntos más allá de los límites, lo que indica que no se han detectado cambios sustanciales en el proceso que requieran intervención. Esto es esencial para mantener la eficiencia en las operaciones de Olva Courier y asegurar la satisfacción del cliente.
4.2 Graficas de Control EWMA
La Gráfica de Control EWMA (Media Móvil Ponderada Exponencialmente) ayuda a detectar pequeños desplazamientos en la media del proceso. Es especialmente útil en situaciones donde es crítico identificar cambios sutiles que podrían indicar problemas potenciales en el proceso.
El tiempo de descarga en Olva Courier es el tiempo que se tarda en descargar los paquetes y productos de los vehículos de transporte una vez que han llegado a su destino. Esto incluye la manipulación de los artículos desde el vehículo hasta el almacén o área de entrega, así como la confirmación de la recepción y la actualización de los registros de seguimiento.
##
## Anderson-Darling normality test
##
## data: datos_especiales$tiempos_descarga
## A = 0.22739, p-value = 0.8041# Grafica de control especial: EWMA
ewma<-ewma(data=datos_especiales$tiempos_descarga, lambda = 0.2, nsigmas = 2.5)
##
## Call:
## ewma(data = datos_especiales$tiempos_descarga, lambda = 0.2, nsigmas = 2.5)
##
## ewma chart for datos_especiales$tiempos_descarga
##
## Summary of group statistics:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 11.600 24.800 32.750 32.178 37.900 57.000
##
## Group sample size: 1
## Number of groups: 50
## Center of group statistics: 32.178
## Standard deviation: 9.199957
##
## Smoothing parameter: 0.2
## Control limits:
## LCL UCL
## [1,] 27.57802 36.77798
## [2,] 26.28715 38.06885
## ...
## [50,] 24.51137 39.84463Interpretación: La gráfica de control EWMA para los tiempos de descarga en Olva Courier muestra que el proceso tiene una media central de 32.178 minutos con una desviación estándar de 9.199957. El parámetro de suavizado lambda es 0.2, lo que indica un nivel moderado de ponderación de las observaciones más recientes en la serie de tiempo. Los límites de control, calculados con 2.5 sigmas, varían entre 24.51137 y 39.84463 a lo largo de las 50 observaciones.
Esto significa que los tiempos de descarga son relativamente consistentes, con la mayoría de los datos cayendo dentro de los límites de control establecidos. No hay indicaciones de cambios significativos o tendencias anormales en el proceso, lo que sugiere que está bajo control y no se requieren acciones correctivas inmediatas.
5 GRAFICA DE CONTROL MULTIVARIADA
En Olva Courier, la eficiencia en el proceso de carga y descarga es un aspecto crítico que impacta directamente en la capacidad de la empresa para cumplir con sus compromisos de entrega y mantener altos niveles de satisfacción del cliente. La optimización de estos procesos es esencial para garantizar que los paquetes se manejen de manera efectiva y eficiente, minimizando los tiempos de espera y maximizando la productividad.
Olva Courier, consciente de la importancia de la agilidad en sus operaciones logísticas, ha implementado un sistema de monitoreo basado en la Gráfica de Control Multivariada, enfocándose en dos variables clave: el Tiempo de carga y el Tiempo de descarga. Estas métricas son vitales para evaluar la eficiencia operativa tanto en los centros de distribución como en los puntos de entrega
Variables:
Tiempo de carga: El periodo que tardan los operarios en organizar y cargar los paquetes en los vehículos de reparto.
Tiempo de descarga: El tiempo que se invierte en descargar los paquetes en los puntos de entrega o en los centros de distribución para su posterior clasificación.
datos_multi <- read_excel("OLVACOURIER PARTE2.xlsx", sheet = "MULTIVARIADA")
library(mvnormtest)
#| realizar la prueba multivariada
mshapiro.test(t(as.matrix(datos_multi)))##
## Shapiro-Wilk normality test
##
## data: Z
## W = 0.98991, p-value = 0.6573##
## Anderson-Darling normality test
##
## data: datos_multi$tiempos_carga
## A = 0.28343, p-value = 0.6263##
## Anderson-Darling normality test
##
## data: datos_multi$tiempos_descarga
## A = 0.15359, p-value = 0.9568#| Correlación de Pearson
cor_pearson <- cor.test(datos_multi$tiempos_carga,
datos_multi$tiempos_descarga,
method = "pearson")
cor_pearson##
## Pearson's product-moment correlation
##
## data: datos_multi$tiempos_carga and datos_multi$tiempos_descarga
## t = -1.2165, df = 98, p-value = 0.2267
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
## -0.31093601 0.07627866
## sample estimates:
## cor
## -0.1219668Cumple con la normalidad univariada como multivariada.
Una correlación de -0.1219668 entre el tiempo de carga y tiempo de descarga indica una relación negativa muy débil entre estas dos variables. Los tiempos de carga y descarga son casi independientes entre sí. Un proceso de carga largo no implica necesariamente que el proceso de descarga será corto, y un proceso de descarga rápido no garantiza que el tiempo de carga haya sido breve. Dado que la correlación es muy cercana a cero, sugiere que otros factores, además del tiempo de carga, podrían estar influyendo en el tiempo de descarga, y viceversa.
library(qcc)
sample_carga<-qcc.groups(data= datos_multi$tiempos_carga,
sample=datos_multi$muestra)
graficoE_P<-qcc(data=sample_carga, type="xbar")
sample_descarga<-qcc.groups(data= datos_multi$tiempos_descarga,
sample=datos_multi$muestra)
graficoS_P<-qcc(data=sample_descarga, type="xbar")
Se observa que el proceso se encuentra bajo control para las diferentes gráficas.
5.0.1 Grafica T2 de Hotelling - Considerando todos los datos
grafico<-mqcc(data=datos_multi[,-3], type="T2", pred.limits = TRUE)
grafico1<-mqcc(data=datos_multi[,-3], type=c("T2.single"), pred.limits = TRUE)
##
## Call:
## mqcc(data = datos_multi[, -3], type = "T2", pred.limits = TRUE)
##
## T2.single chart for datos_multi[, -3]
##
## Summary of group statistics:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.004772 0.529479 1.358054 1.980000 2.855238 9.867436
##
## Number of variables: 2
## Number of groups: 100
## Group sample size: 1
##
## Center:
## tiempos_carga tiempos_descarga
## 32.577 26.953
##
## Covariance matrix:
## tiempos_carga tiempos_descarga
## tiempos_carga 21.868254 -4.103415
## tiempos_descarga -4.103415 51.759890
## |S|: 1115.06
##
## Control limits:
## LCL UCL
## 0 10.00577
##
## Prediction limits:
## LPL UPL
## 0 11.24622##
## Call:
## mqcc(data = datos_multi[, -3], type = c("T2.single"), pred.limits = TRUE)
##
## T2.single chart for datos_multi[, -3]
##
## Summary of group statistics:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.004772 0.529479 1.358054 1.980000 2.855238 9.867436
##
## Number of variables: 2
## Number of groups: 100
## Group sample size: 1
##
## Center:
## tiempos_carga tiempos_descarga
## 32.577 26.953
##
## Covariance matrix:
## tiempos_carga tiempos_descarga
## tiempos_carga 21.868254 -4.103415
## tiempos_descarga -4.103415 51.759890
## |S|: 1115.06
##
## Control limits:
## LCL UCL
## 0 10.00577
##
## Prediction limits:
## LPL UPL
## 0 11.24622En resumen, la Gráfica T2 de Hotelling sugiere que la mayoría de los tiempos de carga y descarga están bajo control, pero siempre es importante estar atentos a los puntos fuera de la elipse para tomar acciones correctivas si es necesario. La matriz de covarianza y los límites de control indican que, aunque hay variabilidad en los tiempos, esta se mantiene dentro de un rango aceptable, lo que permite a Olva Courier mantener una operación eficiente.
La ellipseChart muestra visualmente estos datos, con una elipse que representa los límites de control y predicción. Los puntos dentro de la elipse están bajo control. La identificación de puntos con números permite rastrear datos específicos que podrían requerir atención.
5.0.2 Grafica T2 de Hotelling - Considerando el promedio de cada muestra
datos_multi$muestra <- factor(datos_multi$muestra)
promedio.tiempo.carga<- tapply(datos_multi$tiempos_carga,
datos_multi$muestra,mean)
promedio.tiempo.descarga <- tapply(datos_multi$tiempos_descarga,
datos_multi$muestra,mean)
datos2= as.data.frame(cbind(promedio.tiempo.carga,promedio.tiempo.descarga))
grafico2<-mqcc(data=datos2, type="T2", pred.limits = TRUE)
grafico21<-mqcc(data=datos2, type=c("T2.single"), pred.limits = TRUE)
##
## Call:
## mqcc(data = datos2, type = "T2", pred.limits = TRUE)
##
## T2.single chart for datos2
##
## Summary of group statistics:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.123589 0.800295 1.159716 1.900000 2.324825 7.387545
##
## Number of variables: 2
## Number of groups: 20
## Group sample size: 1
##
## Center:
## promedio.tiempo.carga promedio.tiempo.descarga
## 32.577 26.953
##
## Covariance matrix:
## promedio.tiempo.carga promedio.tiempo.descarga
## promedio.tiempo.carga 4.191212 -1.607833
## promedio.tiempo.descarga -1.607833 8.953780
## |S|: 34.94206
##
## Control limits:
## LCL UCL
## 0 8.285928
##
## Prediction limits:
## LPL UPL
## 0 15.69219##
## Call:
## mqcc(data = datos2, type = c("T2.single"), pred.limits = TRUE)
##
## T2.single chart for datos2
##
## Summary of group statistics:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.123589 0.800295 1.159716 1.900000 2.324825 7.387545
##
## Number of variables: 2
## Number of groups: 20
## Group sample size: 1
##
## Center:
## promedio.tiempo.carga promedio.tiempo.descarga
## 32.577 26.953
##
## Covariance matrix:
## promedio.tiempo.carga promedio.tiempo.descarga
## promedio.tiempo.carga 4.191212 -1.607833
## promedio.tiempo.descarga -1.607833 8.953780
## |S|: 34.94206
##
## Control limits:
## LCL UCL
## 0 8.285928
##
## Prediction limits:
## LPL UPL
## 0 15.69219La Gráfica T2 de Hotelling para los promedios de cada muestra de tiempo de carga y descarga en Olva Courier muestra que el proceso está bajo control, con la mayoría de los puntos de datos cayendo dentro de los límites de control y predicción. Los límites de control y predicción amplios reflejan una variabilidad aceptable en el proceso.
Se observa que no hay puntos fuera de la elipse, lo que indica que el proceso de carga y descarga es estable y que las operaciones de Olva Courier son eficientes.
6 CONCLUSIONES
Los gráficos de control por variables en el contexto de Olva Courier han demostrado ser herramientas valiosas para monitorear y mejorar la eficiencia operativa de la empresa. Los gráficos de control por variables son esenciales para mantener la calidad y eficiencia en la logística de Olva Courier.
Las gráficas xbar, R, np, p, c y u muestran que el proceso de entrega es consistente y estable, con la mayoría de los puntos dentro de los límites de control, lo que sugiere que las variaciones en el tiempo de entrega son predecibles y controladas.
La implementación de gráficas de control y el análisis de capacidad de proceso demuestran el compromiso de Olva Courier con la mejora continua y la satisfacción del cliente, asegurando entregas puntuales y paquetes en buen estado.
Olva Courier debe ajustar sus operaciones para mantenerse a la vanguardia en el sector de mensajería y paquetería, asegurando que cada paquete llegue a su destino de manera oportuna y eficiente. La empresa debe comprometerse a una mejora constante, utilizando datos precisos para tomar decisiones informadas que beneficien tanto a la organización como a sus clientes.
En conclusión, Olva Courier está realizando un trabajo efectivo al mantener bajos los niveles de defectos en sus paquetes, lo cual es crucial para la satisfacción del cliente y la reputación de la empresa. La consistencia en estos resultados refleja un proceso de inspección robusto y un compromiso con la mejora continua, asegurando que la mayoría de los paquetes lleguen a su destino en condiciones óptimas.
Universidad Nacional Agraria La Molina, 20200317@lamolina.edu.pe↩︎
Universidad Nacional Agraria La Molina, 20200339@lamolina.edu.pe↩︎