ESCUELA TÉCNICA SUPERIOR DE INGENIERÍA (ICAI) INGENIERA EN INFORMÁTICA

Tamaño: px
Comenzar la demostración a partir de la página:

Download "ESCUELA TÉCNICA SUPERIOR DE INGENIERÍA (ICAI) INGENIERA EN INFORMÁTICA"

Transcripción

1 ESCUELA TÉCNICA SUPERIOR DE INGENIERÍA (ICAI) INGENIERA EN INFORMÁTICA HERRAMIENTA DE EVALUACIÓN Y MODELADO DEL TIEMPO DE RESOLUCIÓN DE INCIDENCIAS DENTRO DEL ÁREA DE MEJORA CONTINUA EN UNA EMPRESA DEL SECTOR DE DISTRIBUCIÓN Autora: Teresa Sarmiento García Directores: Raquel Caro Carretero David Contreras Bárcena Madrid Mayo 2014

2

3 i

4 ii

5 AUTORIZACIÓN PARA LA DIGITALIZACIÓN, DEPÓSITO Y DIVULGACIÓN EN ACCESO ABIERTO ( RESTRINGIDO) DE DOCUMENTACIÓN 1º. Declaración de la autoría y acreditación de la misma. El autor D., como de la UNIVERSIDAD PONTIFICIA COMILLAS (COMILLAS), DECLARA que es el titular de los derechos de propiedad intelectual, objeto de la presente cesión, en relación con la obra 1, que ésta es una obra original, y que ostenta la condición de autor en el sentido que otorga la Ley de Propiedad Intelectual como titular único o cotitular de la obra. En caso de ser cotitular, el autor (firmante) declara asimismo que cuenta con el consentimiento de los restantes titulares para hacer la presente cesión. En caso de previa cesión a terceros de derechos de explotación de la obra, el autor declara que tiene la oportuna autorización de dichos titulares de derechos a los fines de esta cesión o bien que retiene la facultad de ceder estos derechos en la forma prevista en la presente cesión y así lo acredita. 2º. Objeto y fines de la cesión. Con el fin de dar la máxima difusión a la obra citada a través del Repositorio institucional de la Universidad y hacer posible su utilización de forma libre y gratuita ( con las limitaciones que más adelante se detallan) por todos los usuarios del repositorio y del portal e ciencia, el autor CEDE a la Universidad Pontificia Comillas de forma gratuita y no exclusiva, por el máximo plazo legal y con ámbito universal, los derechos de digitalización, de archivo, de reproducción, de distribución, de comunicación pública, incluido el derecho de puesta a disposición electrónica, tal y como se describen en la Ley de Propiedad Intelectual. El derecho de transformación se cede a los únicos efectos de lo dispuesto en la letra (a) del apartado siguiente. 3º. Condiciones de la cesión. Sin perjuicio de la titularidad de la obra, que sigue correspondiendo a su autor, la cesión de derechos contemplada en esta licencia, el repositorio institucional podrá: (a) Transformarla para adaptarla a cualquier tecnología susceptible de incorporarla a internet; realizar adaptaciones para hacer posible la utilización de la obra en formatos electrónicos, así como incorporar metadatos para realizar el registro de la obra e incorporar marcas de agua o cualquier otro sistema de seguridad o de protección. 1 Especificar si es una tesis doctoral, proyecto fin de carrera, proyecto fin de Máster o cualquier otro trabajo que deba ser objeto de evaluación académica iii

6 (b) Reproducirla en un soporte digital para su incorporación a una base de datos electrónica, incluyendo el derecho de reproducir y almacenar la obra en servidores, a los efectos de garantizar su seguridad, conservación y preservar el formato.. (c) Comunicarla y ponerla a disposición del público a través de un archivo abierto institucional, accesible de modo libre y gratuito a través de internet. 2 (d) Distribuir copias electrónicas de la obra a los usuarios en un soporte digital. 3 4º. Derechos del autor. El autor, en tanto que titular de una obra que cede con carácter no exclusivo a la Universidad por medio de su registro en el Repositorio Institucional tiene derecho a: a) A que la Universidad identifique claramente su nombre como el autor o propietario de los derechos del documento. b) Comunicar y dar publicidad a la obra en la versión que ceda y en otras posteriores a través de cualquier medio. c) Solicitar la retirada de la obra del repositorio por causa justificada. A tal fin deberá ponerse en contacto con el vicerrector/a de investigación d) Autorizar expresamente a COMILLAS para, en su caso, realizar los trámites necesarios para la obtención del ISBN. d) Recibir notificación fehaciente de cualquier reclamación que puedan formular terceras personas en relación con la obra y, en particular, de reclamaciones relativas a los derechos de propiedad intelectual sobre ella. 5º. Deberes del autor. El autor se compromete a:a) Garantizar que el compromiso que adquiere mediante el presente escrito no infringe ningún derecho de terceros, ya sean de propiedad industrial, intelectual o cualquier otro. b) Garantizar que el contenido de las obras no atenta contra los derechos al honor, a la intimidad y a la imagen de terceros. 2 En el supuesto de que el autor opte por el acceso restringido, este apartado quedaría redactado en los siguientes términos: (c) Comunicarla y ponerla a disposición del público a través de un archivo institucional, accesible de modo restringido, en los términos previstos en el Reglamento del Repositorio Institucional 3 En el supuesto de que el autor opte por el acceso restringido, este apartado quedaría eliminado. iv

7 c) Asumir toda reclamación o responsabilidad, incluyendo las indemnizaciones por daños, que pudieran ejercitarse contra la Universidad por terceros que vieran infringidos sus derechos e intereses a causa de la cesión. d) Asumir la responsabilidad en el caso de que las instituciones fueran condenadas por infracción de derechos derivada de las obras objeto de la cesión. 6º. Fines y funcionamiento del Repositorio Institucional. La obra se pondrá a disposición de los usuarios para que hagan de ella un uso justo y respetuoso con los derechos del autor, según lo permitido por la legislación aplicable, y con fines de estudio, investigación, o cualquier otro fin lícito. Con dicha finalidad, la Universidad asume los siguientes deberes y se reserva las siguientes facultades: a) Deberes del repositorio Institucional: La Universidad informará a los usuarios del archivo sobre los usos permitidos, y no garantiza ni asume responsabilidad alguna por otras formas en que los usuarios hagan un uso posterior de las obras no conforme con la legislación vigente. El uso posterior, más allá de la copia privada, requerirá que se cite la fuente y se reconozca la autoría, que no se obtenga beneficio comercial, y que no se realicen obras derivadas. La Universidad no revisará el contenido de las obras, que en todo caso permanecerá bajo la responsabilidad exclusiva del autor y no estará obligada a ejercitar acciones legales en nombre del autor en el supuesto de infracciones a derechos de propiedad intelectual derivados del depósito y archivo de las obras. El autor renuncia a cualquier reclamación frente a la Universidad por las formas no ajustadas a la legislación vigente en que los usuarios hagan uso de las obras. La Universidad adoptará las medidas necesarias para la preservación de la obra en un futuro. b) Derechos que se reserva el Repositorio institucional respecto de las obras en él registradas: retirar la obra, previa notificación al autor, en supuestos suficientemente justificados, o en caso de reclamaciones de terceros. Madrid, a.. de... de. ACEPTA Fdo. v

8 vi

9 Proyecto realizado por el alumno/a: Teresa Alicia Sarmiento García Fdo.:... Fecha:.../.../... Autorizada la entrega del proyecto cuya información no es de carácter confidencial LOS DIRECTORES DEL PROYECTO Raquel Caro Carretero Fdo.:... Fecha:.../.../... David Contreras Bárcena Fdo.:... Fecha:.../.../... Vº Bº del Coordinador de Proyectos Israel Alonso Martínez Fdo.:... Fecha:.../.../... vii

10 viii

11 ix

12 x

13 AGRADECIMIENTOS En primer lugar, por ser lo más importante, muchísimas gracias a mi familia: a mi hermana Ruth por ser un modelo a seguir en esto de la Ingeniería; a mi hermana Victoria, por tener tanta fe ciega en mi; a mi padre, por apoyarme; pero sobre todo a mi madre, por saber cuándo eran mis exámenes casi mejor que yo y por haber cursado la carrera conmigo. Ya sé que todo el mundo pensará lo mismo de la suya, pero mi madre es la mejor madre del mundo. Muchísimas gracias a los dos directores, Raquel y David, que han tenido ante todo paciencia, y que me han ayudado todo lo posible para sacar este proyecto adelante (y a tiempo). También gracias a los coordinadores, Israel y Susana, por haber sido flexibles y haber respondido a todas las dudas que les pregunté. Muchas gracias también a mis compañeros del trabajo, por proporcionarme la información necesaria para algunos apartados de esta Memoria, y por su comprensión durante la realización de este proyecto. Enormes gracias a ese grupito de gente de la carrera que se han convertido en personas muy importantes para mi, dándome ánimos y no dudando nunca de que íbamos a ser capaces de terminar. Aunque este año nos veamos menos cuando nos juntamos parece que vuelve a ser un viernes de primero de carrera. Y, en especial, muchísimas gracias a Andrea y a Alex, por haber tenido la paciencia de animarme y ayudarme cuando entraba en pánico, y recordarme que sí que era capaz. Y por último, muchas gracias a todas las personas que en estos últimos años me han apoyado positivamente, por hacer que tenga cada día más ganas de alcanzar mis sueños. Everything you want is on the other side of fear Jack Canfield xi

14 xii

15 xiii

16 xiv

17 HERRAMIENTA DE EVALUACIÓN Y MODELADO DEL TIEMPO DE RESOLUCIÓN DE INCIDENCIAS DENTRO DEL ÁREA DE MEJORA CONTINUA EN UNA EMPRESA DEL SECTOR DE DISTRIBUCIÓN. Autora: Sarmiento García, Teresa. Directores: Caro Carretero, Raquel. Contreras Bárcena, David. Entidad Colaboradora: ICAI Universidad Pontificia Comillas RESUMEN DEL PROYECTO Introducción Una Empresa que realice y sea responsable de determinados servicios, necesita llevar un control organizado para poder satisfacer las necesidades de los clientes, aportando el mayor valor en el menor tiempo posible. Aquel proceso encargado, dentro de una Empresa, de garantizar el control de los servicios, medirlos y mejorarlos a lo largo del tiempo, se conoce como el proceso de Mejora Continua. Uno de los factores clave para este proceso es la Gestión de Incidencias. Esta Gestión forma parte de un proceso previo a la Mejora Continua, siguiendo las librerías de ITIL, que se denomina como proceso de Operación. Los outputs de éste serían los inputs del proceso de Mejora Continua, de tal forma que sin una buena gestión en la fase de Operación, esta última se vería claramente afectada, proporcionando una mejora menor para la empresa en cuestión. Actualmente, existen muchas herramientas para gestionar incidencias, como por ejemplo: ServiceNow, JIRA, SAP IT Service Management Application, Remedy, entre otras. Todas ellas tienen en común un control y seguimiento de las incidencias abiertas, y de su evolución. Este control, en su mayor parte, se centra en medir si se cumple el nivel de servicio establecido en el SLA (Service Level Agreement). Esta medición consiste en calcular si el tiempo empleado en solucionar la incidencia está alcanzando el límite marcado por el SLA. Además, para saber la calidad ofrecida, permiten calcular la proporción de incidencias, una vez resueltas, que han superado, o no, el límite establecido en este acuerdo del nivel de servicio, y así tomar las medidas oportunas dependiendo del caso. xv

18 Lo que se busca con este Proyecto es el desarrollo de una herramienta (EMTRI Evaluación y Modelado del Tiempo de Resolución de Incidencias) que permita prevenir, en la medida de lo posible, esta situación de incumplimiento del nivel de servicio. Es decir, en vez de medir el tiempo de resolución de incidencias una vez resueltas, y analizar si ha habido éxito o no en función del SLA, se busca poder predecir (independientemente del SLA) el tiempo medio que se estima para resolver una incidencia, en función de tiempos pasados de incidencias ya resueltas con similar comportamiento, y con las mismas características que ésta. El cálculo del tiempo medio estimado para resolver una incidencia servirá de input para la toma de decisiones de la empresa y negociaciones iniciales en el SLA. Este Proyecto se centra en una empresa del Sector de Distribución, extrayendo una muestra real de incidencias, de la cual los tiempos serán los reales, pero la información de carácter confidencial se modificará (referencias, códigos, nombres de servicios ). Metodología Se parten de una muestra inicial de 1997 incidencias en una hoja Excel extraídas de JIRA (herramienta de dicha empresa del Sector de Distribución), que son incidencias en Servicios IT. Para el desarrollo de este proyecto se han seguido las fases a continuación indicadas: 1. Estudio de la muestra inicial de incidencias: En esta fase se busca la depuración de la muestra de incidencias, definiendo todos los conceptos empleados para cada incidencia y los servicios relacionados con estas. Se elimina aquella información innecesaria o no válida, se modifica la incompleta, y se obtiene una muestra manejable con todos los términos definidos. Se obtienen 753 incidencias cerradas que se utilizarán como muestra final, y otras 266 incidencias para pruebas. 2. Clasificación de las incidencias: Se estudian y se identifican los atributos o factores clave, en función de la importancia y la prioridad que tienen dentro de la empresa. Se definen aquellos clasificadores esenciales para determinar a qué tipo pertenece una incidencia, en función de aquellas que se caractericen por tener atributos similares. Se obtienen 26 grupos de incidencias (tipos/grupos), y 11 clasificadores. xvi

19 3. Definición y elaboración de los modelos a estudiar mediante MATLAB: Se emplean las distribuciones Exponencial, Weibull y Lognormal para modelar los tiempos de cada tipo de incidencia. Se estiman sus parámetros y se ajusta, para cada tipo, los tres modelos. Previamente, se eliminan aquellos tiempos que representen valores outliers. 4. Identificación y selección de los modelos que mejor ajustan los tiempos de los distintos tipos de incidencia: Mediante MATLAB, aplicando la técnica estadística del Test Kolmogorov Smirov, se encuentra aquel modelo (distribución) que mejor ajuste cada grupo de incidencias. 5. Calcular el intervalo de confianza al 95% del tiempo medio de resolución de cada tipo de incidencia: Se obtiene este intervalo mediante el Teorema Central del Límite (junto con la tabla t de Student Una Cola). 6. Automatizar las fases 3, 4, y 5 anteriores: Desarrollo de una herramienta (EMTRI), que realice los pasos anteriores en el mismo orden, permitiendo introducir las características (que serán los clasificadores definidos) de una incidencia, y se obtenga un reporte que incluya todo lo analizado, y la predicción del intervalo del tiempo medio de resolución. Esto lo realizará extrayendo los tiempos de una Base de Datos que contiene incidencias pasadas, y cerradas, con un campo que especifica el grupo al que pertenece (fase 2). 7. Desarrollo de un método Update que permita actualizar la Base de Datos como proceso batch o lanzado por el usuario: Importando nuevas incidencias (nuevos tiempos) cerradas de una hoja Excel, permitiendo tener una Base de Datos con retroalimentación Es un método que, además puede llamarse desde la consola del usuario, mediante el parámetro update seguido del nombre del archivo Excel. Esto, por tanto, implica una facilidad para poder definir una tarea mediante un administrador de tareas, que ejecute automáticamente este proceso. 8. Desarrollo de un método Calcular que permita obtener los intervalos del tiempo medio de resolución de un lote de incidencias: Esta funcionalidad incluye los mismos pasos anteriores repetidamente para X incidencias extraídas de una Excel, obteniendo como salida las incidencias junto con sus estimaciones. Es un método llamado desdela consola del usuario, mediante el parámetro prediction, seguido del nombre del archivo Excel. 9. Adaptar esta última funcionalidad a un entorno WEB: Creación de un Servlet que llame a EMTRI, obtenga la salida y la transforme a formato JSON. xvii

20 Tecnologías y librerías JAVA SE y JAVA EE con el servidor Apache Tomcat. Base de Datos en MySQL. Librería SSJ Stochastic Simulation in JAVA. Estimación de los parámetros. Librería JavaNPST NonParametric Statistical Test.T.Kolmogorov Smirnov. Librería Apache POI. Manipulación de ficheros Microsoft Office Excel. Librería JFreeChart. Generación de gráficos Librería JasperReport. Exportación del resultado a PDF. Software ireport Designer. Diseño y creación de plantillas de informes en PDF. Librería Google GSON. Procesamiento JSON. Resultados Se ha desarrollado una herramienta que permita, mediante las características de una incidencia, obtener un tiempo medio de resolución estimado para ésta. Además, se ha desarrollado una funcionalidad que permita actualizar la Base de Datos y otra que permita predecir el tiempo medios en lotes de incidencias. Esta última adaptada también a un entorno WEB. A continuación, se muestra el diagrama de la arquitectura de EMTRI, que representa el resultado de todo lo explicado anteriormente: xviii Figura 1.- Diagrama de Arquitectura de EMTRI

21 Como el pilar fundamental es que, en efecto, puede predecirse ese tiempo correctamente, a continuación se expone este objetivo conseguido: Figura 2.- Vista principal EMTRI 1.0 Figura 3.- Predicción EMTRI 1.0 xix

22 Conclusiones Por tanto, se dispone de una herramienta que podría suponer una mejora importante dentro de la Gestión de Servicios IT, en concreto en la Gestión de Incidencias. Esto facilitaría el proceso de Mejora Continua dentro de una organización, siendo una aplicación fácil de usar, adaptable a cualquier tipología de empresa, y que sigue una metodología general. Referencias [ITIL2014] [GART2013] [ITIL2014] Mejora Continua del Servicio. ITILv3. itilv3.osiatis.es/proceso_mejora_continua_servicios_ti.php. Fecha última visita: 20/05/2014. Magic Quadrant for IT Service Support Management Tools. Jarod Green, Jeffrey M.Brooks. Gartner Inc. Fecha última visita: 21/05/2014. El ciclo de vida de los Servicios TI. ITILv3. itilv3.osiatis.es/ciclo_vida_servicios_ti.php. Fecha última visita: 14/05/2014. xx

23 INCIDENT RESOLUTION TIME EVALUATION AND MODELLING TOOL INSIDE THE DEPARTMENT OF CONTINUOUS IMPROVEMENT IN A DISTRIBUTION COMPANY. Author: Sarmiento García, Teresa. Supervisors: Caro Carretero, Raquel. Contreras Bárcena, David. Affiliation: ICAI Universidad Pontificia Comillas ABSTRACT Introduction When a Company is responsible for mutiple Services which are offered to its clients, it needs to have a rigorous and organized control to be able to satisfy the customer s needs, adding value in as little time as possible. The process in charge, inside a company, of ensuring the control of the services, measuring and improving them along time, is called Continuous Improvement. One of the most important factors of this process is Incident Management. This management is included in a previous phase, following ITIL libraries, which is called Operation process. Operation outputs would be Continuous Improvement process inputs, which means that without a good control in Incident Management, Continuous Improvement process would be clearly affected, generating lesser improvements for this Company. Currently, there are multiple tools for incident management, for example: ServiceNow, JIRA, SAP IT Service Management Application, Remedy, among others. All of them have in common an open incident control, tracking and evolution. This control s focus is to measure if the Service Level, established in the SLA (Service Level Agreement), is being achieved. This measurement consists in calculating if the incident resolution time is getting closer to the limit established in the SLA. Also, in order to know the quality that is being offered, the amount of resolved incidents that are above (or not) the limit established by the SLA is measured, and thus the proper decisions can be made. xxi

24 The goal of this Proyect is to develop a tool (EMTRI Incident resolution Time Evaluation and Modelling) that allows prevent, whenever possible, the unfulfillment of the service level. This means, instead of measuring incident resolution time once resolved, and analyzing if they have succeeded or not according to SLA, we want be able to predict (regardless of the SLA), the estimated incident resolution mean time according to past similar incident resolution times, which have similar behaviour and characteristics. The mean time calculated for resolving incidents will be used as input for the company s decision making and the initial SLA negotiations. This Project is based in a Distribution Company, extracting a sample of real incidents where the times are accurate, but the confidential information has been modified (references, codes, Service s names ). Metodology The initial sample consists of 1997 incidents, extracting in a Worksheet from JIRA (tool that is being used by this Company), and those incidents are from IT Services. For this Project, the development the phases below have been followed: 1. Initial incidents sample analysis: Analysis of the different attributes, different services and applications, etc.. In this phase we want to filter the incident sample, defining the concepts used for each incident and the related services. The invalid or unnecessary information is deleted, the incomplete information is modified, thus obtaining a manageable sample where all the terms are defined. There are 753 closed incidents, which will be used as a final sample, and 266 incidents for testing. 2. Incident classification: The key factors are identified and analyzed, depending on the priority and on the relevance they have in the Company. The key Classifiers are defined to help determine of what type incident it is, depending to the similarity of their attributes. We obtain 26 types of incidents and 11 classifiers. 3. Elaboration and definition of the models to be analyzed through MATLAB: Exponential, Weibull and Lognormal distributions are used to model the resolution times of each incident type. The parameters of each model are calculated (through the Maximum Likelihood Estimation method) and adjusted for each type. Previously, the outlier time values are eliminated. xxii

25 4. Identification and selection of the best fitting models for each type of incident: Using MATLAB, in concrete, the Kolmogorov Smirnov Test, the best fitting model is found. 5. Calculate the 95% confidence interval of the mean resolution time of each incident type: Using the Central Limit Theorem (along with the Student s table), this interval is obtained. 6. Automate phases 3, 4 and 5: Development of a tool (EMTRI), which will follow the previous steps in the same order, allowing to introduce the characteristics (defined Classifiers) of an incident, and obtaining a report that includes the best distribution for the group this incident belongs to, the parameters of this distribution, the TK-S results, and the predicted mean resolution time interval. This will be done extracting the times of a Database that contains past and closed incidents, and with a field which specifies the group of incident they belong to. 7. Development of the Update method that allows the update of the Database as a scheduled job or triggered by the user: Importing new closed incidents (new times) from a Worksheet, allowing to have a Database with constant updates. This method can be, also, executed from the command line, using the update parameter following by the Worksheet name. This makes it easier to define a job (through a Task Manager), which will execute this process automatically. 8. Development of the Calcular method that allows to get the mean resolution time intervals for a batch of incidents: This new functionality includes the same steps as before for multipleincidents extracted from a Worksheet, obtaining an output of the incidents and their estimates. This method is called from the command line using the prediction parameter followed by the Worksheet name. 9. Adapting this previous functionality to a WEB Environment: Creation of a Servlet which calls EMTRI, obtains the output, and transforms it into JSON format. Technology and libraries JAVA SE and JAVA EE supported by Apache Tomcat. MySQL Database. SSJ Library Stochastic Simulation in JAVA. Estimationof theparameters. JavaNPST Library NonParametric Statistical Test. T.Kolmogorv Smirnov. xxiii

26 Apache POI Library. Microsoft Office Excel files (Worksheets) manipulation. JFreeChart Library. Graphics creation. JasperReport Library. Exporting the result obtained in PDF. ireport Designer Software. PDF template creation and design. Google GSON Library. JSON processing. Results We have developed a tool that allows, through an incident s characteristics, to obtain an estimated mean resolution time for it. Also, we have developed a functionality which allows the Database update and another that allows to predict the mean times of a batch of incidents. This last one, it is also adapted to WEB Environment. An Architecture diagram of the EMTRI tool is showed in the next page, which represents the result of the information explained: Figure 1.- EMTRI tool Architecture Diagram. As the main foundation is that, in fact, the mean time is correctly predicted, the results are presented in the following figures: xxiv

27 Figure 2.-Main view EMTRI 1.0 Figure 3.- Prediction EMTRI 1.0 xxv

28 Conclusions Thus, we have a tool that would mean an important improvement for the IT Services Management, in particular, for the Incident Management. This would make Continuous Improvement process inside a Company easier, being a easy-to-use application, that can be adapted to any kind of company, and follows a general methodology. References [ITIL2014] [GART2013] [ITIL2014] Mejora Continua del Servicio. ITILv3. itilv3.osiatis.es/proceso_mejora_continua_servicios_ti.php. Last visit Date: 20/05/2014. Magic Quadrant for IT Service Support Management Tools. Jarod Green, Jeffrey M.Brooks. Gartner Inc. Last visit Date: 21/05/2014. El ciclo de vida de los Servicios TI. ITILv3. itilv3.osiatis.es/ciclo_vida_servicios_ti.php. Last visit Date: 14/05/2014. xxvi

29 i

30 ii

31 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución ÍNDICE DE LA MEMORIA 1. INTRODUCCIÓN 1 2. ESTADO DEL ARTE METODOLOGÍAS EN LA MEJORA CONTINUA GESTIÓN DE SERVICIOS IT HERRAMIENTAS PARA LA GESTIÓN DE INCIDENCIAS, DENTRO DE LA GESTIÓN DE SERVICIOS IT EMPRESA CLIENTE ALCANCE DEL PROYECTO MOTIVACIÓN Y JUSTIFICACIÓN DEL PROYECTO OBJETIVOS DEL PROYECTO ESTUDIO ECONÓMICO DESCRIPCIÓN DEL PROYECTO TRATAMIENTO, DEPURACIÓN Y ANÁLISIS DE LA MUESTRA Definición de términos y restricciones Depuración y tratamiento de los datos CLASIFICACIÓN DE LAS INCIDENCIAS EN GRUPOS/TIPOS MODELADO DE DATOS Definición de conceptos y modelos Análisis y modelado de los grupos DESARROLLO DE LA APLICACIÓN EMTRI Diagrama del Diseño de la Arquitectura de EMTRI Clases principales de la aplicación EMTRI Funcionalidad principal Aplicación de escritorio Otras funcionalidades: Método Update Aplicación de escritorio Otras funcionalidades: Método Calcular Aplicación de escritorio Otras funcionalidades: Método Calcular Entorno Web con JSON RESULTADOS CONCLUSIONES Y TRABAJOS FUTUROS REFERENCIAS 179 ANEXO A: GUÍA DE USUARIO PARA EMTRI 181 ANEXO B: TABLA T DE STUDENT DE UNA COLA 193 Sarmiento García, Teresa i

32 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución ii Sarmiento García, Teresa

33 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución ÍNDICE DE FIGURAS Figura 1.-Diagrama de Arquitectura de EMTRI Resumen Figura 2.-Vista principal EMTRI 1.0 Resumen Figura 3.-Predicción EMTRI Resumen Figura 4.-Ciclo de Deming...3 Figura 5.-Fases del Ciclo de Vida de un Servicio IT según ITIL.. 4 Figura 6.-Proceso de la Gestión de Incidencias: Escalado (en función de la dificultad)...6 Figura 7.-Magic Quadrant de herramientas que dan soporte a la Gestión de servicios IT. 9 Figura 8.-Cadena de Suministro...11 Figura 9.-Organigrama Figura 10.-Horas/persona.. 18 Figura 11.-Costes. 18 Figura 12.-Esquema de Estados posibles de una Incidencia Figura 13.-Diagramas de caga de los Grupos/Tipos. 54 Figura 14.-Gráfico 1 Distribución Exponencial G Figura 15.-Distribución Weibull G01 57 Figura 16.-Distribución Lognormal G Figura 17.-Distribución Exponencial G Figura 18.-Distribución Weibull G02 63 Figura 19.-Distribución Lognormal G Figura 20.-Distribución Exponencial G Figura 21.-Distribución Weibull G03 67 Figura 22.-Distribución Lognormal G Figura 23.-Distribución Exponencial G Figura 24.-Distribución Weibull G04 71 Figura 25.-Distribución Lognormal G Figura 26.-Distribución Exponencial G Figura 27.-Distribución Weibull G05 74 Figura 28.-Distribución Lognormal G Figura 29.-Distribución Exponencial G Figura 30.-Distribución Weibull G06 78 Figura 31.-Distribución Lognormal G Figura 32.-Distribución Exponencial G Figura 33.-Distribución Weibull G07 81 Figura 34.-Distribución Lognormal G Figura 35.-Distribución Exponencial G Figura 36.-Distribución Weibull G08 85 Figura 37.-Distribución Lognormal G Figura 38.-Distribución Exponencial G Figura 39.- Distribución Weibull G09 88 Figura 40.-Distribución Lognormal G Sarmiento García, Teresa iii

34 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Figura 41.-Distribución Exponencial G Figura 42.-Distribución Weibull G10 92 Figura 43.-Distribución Lognormal G Figura 44.-Distribución Exponencial G Figura 45.-Distribución Weibull G11 96 Figura 46.-Distribución Lognormal G Figura 47.-Distribución Exponencial G Figura 48.-Distribución Weibull G12 99 Figura 49.-Distribución Lognormal G Figura 50.- Distribución Exponencial G Figura 51.-Distribución Weibull G Figura 52.-Distribución Lognormal G Figura 53.-Distribución Exponencial G Figura 54.-Distribución Weibull G Figura 55.-Distribución Lognormal G Figura 56.-Distribución Exponencial G Figura 57.-Distribución Weibull G Figura 58.-Distribución Lognormal G Figura 59.-Distribución Exponencial G Figura 60.-Distribución Weibull G Figura 61.-Distribución Lognormal G Figura 62.-Distribución Exponencial G Figura 63.-Distribución Weibull G Figura 64.-Distribución Lognormal G Figura 65.-Distribución Exponencial G Figura 66.-Distribución Weibull G Figura 67.-Distribución Lognormal G Figura 68.-Distribución Exponencial G Figura 69.-Distribución Weibull G Figura 70.-Distribución Lognormal G Figura 71.-Distribución Exponencial G Figura 72.-Distribución Weibull G Figura 73.-Distribución Lognormal G Figura 74.-Distribución Exponencial G Figura 75.-Distribución Weibull G Figura 76.-Distribución Lognormal G Figura 77.-Distribución Exponencial G Figura 78.-Distribución Weibull G Figura 79.-Distribución Lognormal G Figura 80.-Distribución Exponencial G Figura 81.-Distribución Weibull G Figura 82.-Distribución Lognormal G Figura 83.-Distribución Exponencial G iv Sarmiento García, Teresa

35 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Figura 84.-Distribución Weibull G Figura 85.-Distribución Lognormal G Figura 86.-Distribución Exponencial G Figura 87.-Distribución Weibull G Figura 88.-Distribución Lognormal G Figura 89.-Distribución Exponencial G Figura 90.-Distribución Weibull G Figura 91.-Distribución Lognormal G Figura 92.-Base de datos de EMTRI Figura 93.-Diagrama del diseño de Arquitectura de EMTRI Figura 94.-Diagrama de Clases EMTRI Figura 95.-Pantalla Inicio EMTRI Figura 96.- Pantalla Pestaña Incidencia EMTRI Figura 97.-Pestaña Result EMTRI Figura 98.-Reporte en.pdf EMTRI Figura 99.-Pantalla Inicio EMTRI Figura 100.-Upload Incidents EMTRI Figura 101.-Salida Terminal método Update EMTRI Figura 102.-Hoja Excel lote.xlsx EMTRI Figura 103.-Salida Terminal método Calcular EMTRI Figura 104.-Salida Fichero método Calcular EMTRI Figura 105.-Salida Postman String EMTRI Figura 106.-Salida Postman JSON EMTRI Figura 107.-Hoja Excel escenariosuno.xlsx. 170 Figura 108.-Salida terminal Prediction escenariouno.xlsx Figura 109.-Introducir nueva incidencias (G04). 171 Figura 110.-Salida EMTRI incidencia G Figura 111.-Hoja Excel escenariodos.xlsx Figura 112.-Salida Update escenariosdos.xlsx Figura 113.-phpMyAdmin BBDD. Se ven las incidenciasdel G04 añadidas después de la número Figura 114.-Salida EMTRI incidencia G Figura 115.-Salida EMTRI incidencia G Figura 116.-Pantalla Principal EMTRI Figura 117.-Pantalla Incidencia EMTRI Figura 118.-Ventana Características incidencia EMTRI Figura 119.-Pestaña Incidencia EMTRI Figura 120.-Ventana Modify Incident EMTRI Figura 121.-Pestaña Incidencia actualizada EMTRI Figura 122.-Pestaña Result EMTRI Figura 123.-Save Report EMTRI Figura 124.-Reporte PDF EMTRI Figura 125.-Seleccionar archivo EMTRI Sarmiento García, Teresa v

36 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Figura 126.-Buscar archivo EMTRI Figura 127.-Archivo seleccionado EMTRI Figura 128.-Mensaje OK actualización BBDD EMTRI Figura 129.-Salida terminal actualización BBDD EMTRI Figura 130.-Salida terminal predicción Lote EMTRI vi Sarmiento García, Teresa

37 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Sarmiento García, Teresa vii

38 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución viii Sarmiento García, Teresa

39 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución 1. Introducción Cuánto tiempo invertimos cada día en calcular y planificar el tiempo que nos llevará terminar una tarea? y qué implicaciones tiene que ese tiempo calculado sea erróneo? Para comenzar, centrándonos en un ámbito más general, se puede afirmar que en cualquier situación, si una persona necesita organizarse para realizar determinadas obligaciones o deberes paralelamente, necesita tener un cierto control y conocimiento del tiempo que tardará hasta completarlos. De esta forma, cada uno garantiza el cumplir sus objetivos, satisfaciendo sus necesidades, o las necesidades de los implicados. Esto es algo presente y prácticamente automático en el comportamiento de las personas. Por tanto, cuanto mayor sea la rapidez en calcular y planificar ese tiempo, mejor se lleve a cabo, y mayor exactitud tenga, mayor será la garantía de la correcta finalización (en lo que al tiempo requerido se refiere)de esas obligaciones. De la misma forma, una Empresa que realice y sea responsable de determinados servicios, necesita llevar un control organizado para poder satisfacer las necesidades de los clientes, aportando el mayor valor en el menor tiempo posible. Aquel proceso encargado, dentro de una Empresa, de garantizar este control y mejorarlo a lo largo del tiempo, junto con otros muchos roles, se conoce como Mejora Continua. Actualmente, las herramientas de Mejora Continua en una Empresa, se sitúan como esenciales en la planificación de sus procesos productivos. Es importante medir todas las mejoras para poder evaluar si las acciones puestas en marcha están dando el resultado deseado. El objetivo principal de este Proyecto reside en el desarrollo de una herramienta que sirva de soporte para la toma de decisiones y para facilitar la organización dentro de una Empresa, en el área de Mejora Continua. Concretamente, dicha herramienta se centrará en el proceso de Gestión de Incidencias pretendiendo calcular, mediante Inferencia Estadística, el tiempo necesario para la resolución de una Incidencia en función de las características y atributos de ésta. Los datos manejados son reales y extraídos de una Empresa multinacional del Sector de Distribución. Con este Proyecto se calculará automáticamente el tiempo medio hasta resolver una Incidencia, proporcionando rapidez en la estimación de los días hasta la solución de ésta, minimizando el error por escoger un tiempo equivocado, lo que va a producir una disminución de costes y pérdidas, y permitirá corregir el problema con rapidez, lo que consecuentemente mejorará y garantizará el Nivel de Servicio ofrecido a los clientes. Este Proyecto tiene su génesis en la herramienta EMSI v2.0 (Evaluación y Modelado de Sistemas Informáticos). Sarmiento García, Teresa 1

40 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución 2 Sarmiento García, Teresa

41 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Estado del Arte Metodologías en la Mejora Continua La Mejora Continuaes un concepto del siglo XX, que defiendee la mejora de los productos, servicios y procesos dentro de una empresa. A lo largo de la Historia, han habido pioneros importantes dentro de este proceso y de las distintas metodologías desarrolladas, las cuales se emplean en el día a día dentro de una Organización. El objetivo principal es ofrecer cada día mejores servicios adaptados a las siempre cambiantes necesidades de los clientes, mediante la optimización de los procesos internos, continua monitorización y medición de todas las actividades y procesos involucrados. Se trata de una autoevaluación constante con el objetivo de mejorar la calidad y la eficiencia de los procesos internos de la Organización. Medición de: Conformidad los procesos de adecúan a los nuevos modelos y protocolos. Calidad se cumplen los objetivos preestablecidos en plazo y forma. Rendimiento los procesos son eficientes y rentables. Valor los servicios ofrecen el valor esperado y se diferencian de los competencia.[itil2014] de la Entre las distintas metodologías que se incluyen dentro de la Mejora Continua, cabe destacar el ciclo PDCA: P(Plan), D(Do), C(Check), A(Act), también conocido como ciclo de Deming (creado por el pionero Walter Shewhart, renombradoo por Edward Deming) ), que constituye la columna vertebral de todos los procesos, productos y/o servicios de Mejora Continua [IMSI2014]: 1. Plan: definir los objetivos y los medios para conseguirlos. 2. Do: implementar la visión establecida 3. Check: comprobar que se alcanzann los objetivos previstos con los recursos asignados. 4. Act:analizar y corregir las desviaciones detectadas así como proponer mejoras a los procesos utilizados. Plan Act Do Check Sarmiento García, Teresa Figura 4.- Ciclo de Deming. 3

42 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Aparte de esta principal, existen otras metodologías como Six Sigma, Kaizen ( Hoy mejor que ayer, mañana mejor que hoy! ), con el mismo propósito que el ciclo PDCA. Algunos de los principios más importantes de la Mejora Continua son: Keep It Simple (KIS, Mantenlo Simple), Garbage In Garbage Out (GIGO, Si entran datos erróneos, saldrán datos erróneos), Trust but Verify (Confiamos en ello pero vamos a probarlo), If you can t measure it you can t manage it (Si no lo puedes medir, no lo podrás gestionar). Para aplicar estas metodologías y herramientas dentro de las empresas, existen diversos sistemas de gestión que las implementan: ISO 9001,ISO 14001, OHSAS Gestión de Servicios IT La Mejora Continua forma parte de la última fase del Ciclo de Vida de un Servicio IT. Un Servicio IT (Servicio de Tecnologías de la Información) es un conjunto de actividades que buscan responderr a las necesidades de un cliente por medio de un cambio en los medios informáticos y tecnológicos, es decir, un desarrolloo informático (software) que sirve como medio para entregar valor a los clientes. Para una correcta Gestiónde Servicios IT, desarrollo de Tecnologías de la Información y operaciones relacionadas con la misma, se emplea un conjunto de conceptos y buenas prácticas que sirven comoo guía y que se recogen en Biblioteca de Infraestructura de Tecnologías de Información (ITIL). [SLID2014] [ITIL2014] ITIL ofrece una visión global de la vida de un servicio desde su diseño hasta su eventual abandono sin por ello ignorarr los detalles de todos los procesos y funciones involucrados en la eficiente prestación del mismo. Este Ciclo de Vida consta de las siguientes fases: 1.Estrategia 2.Diseño 3.Transición 4.Operación 5.Mejora Figura 5.- Fasess del Ciclo de Vida de un Servicio IT según ITIL. 1. Estrategia del Servicio: propone tratar la gestión de servicios no sólo como una capacidad sino como un activo estratégico. 2. Diseño del Servicio: cubre los principios y métodos necesarios para transformar los objetivos estratégicos en portafolios de servicios y activos Transición del Servicio: cubre el proceso de transición para la implementación de nuevos servicios o su mejora. Sarmiento García, Teresa

43 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución 4. Operación del Servicio: cubre las mejores prácticas para la gestión del día a día en la operación del servicio. 5. Mejora Continua del Servicio: proporciona una guía para la creación y mantenimiento del valor ofrecido a los clientes a traces de un diseño, transición y operación del servicio optimizado. [ITIL2014.2] Dentro de la fase de Operación, se encuentra el proceso de Gestión de Incidencias. Este proceso tiene como objetivo resolver de la manera más rápida y eficaz posible, cualquier incidente que cause una interrupción en el servicio. Se entiende como incidente/incidencia:cualquier evento que no forma parte de la operación estándar de un servicio y que causa, o puede causar, una interrupción o una reducción de calidad del mismo. [ECON2007] El proceso de Mejora Continua del Servicio depende directamente de la fase de Operación pues ésta representa la principal fuente de información para la optimización de los procesos y actividades involucrados en la prestación del servicio. La fase de Operación es la fase más importante de cara al cliente, ya que, aunque los servicios estén bien diseñados, si en esta fase algo falla, p.ej. una Incidencia causa que unos resultados sean erróneos, la percepción del cliente puede ser negativa. Debido al hecho de que la Gestión de Incidencias representa una de las partes más importantes de la fase de Operación y que los resultados de esta fase sirven como inputs para el proceso de Mejora Continua, se puede afirmar que el no llevar a cabo una correcta Gestión de Incidencias implica una mala monitorización y optimización para la siguiente fase. A su vez, gracias al proceso de Mejora Continua, se localizan aquellos cambios que se deben realizar en la Gestión de Incidencias para prevenir en el futuro, errores que se han cometido en el pasado. Además, este proceso proporciona, con sus resultados, posibles mejores formas para gestionar las incidencias. Por tanto en esta última fase se buscan y se desarrollan estas mejoras, impactando en muchos casos, en las herramientas que se emplean para, entre otros objetivos, la Gestión de Incidencias. Estas herramientas son claves en la prestación de Servicios. Son herramientas que permiten un control, seguimiento y soporte de todas las Incidencias, junto con la documentación necesaria. Actualmente, existen muchas herramientas para esta Gestión, entre ellas se encuentran: ServiceNow, Remedy, Service Center, JIRA, etc.. Dependiendo de cada Organización, se escogerá aquella herramienta que mejor se ajuste asus necesidades y de sus requerimientos, cumpliendo siempre con los objetivos de la Gestión de Incidencias: 1. Detectar cualquier alteración en los Servicios IT. 2. Registrar y clasificar estas alteraciones. Sarmiento García, Teresa 5

44 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución 3. Asignar el personal encargado de restaurar el Servicio según se defina en el SLA correspondiente (documento que recoge el Nivel de Servicio que se presta al cliente final). [ECON2007] Figura 6.- Proceso de la Gestión de Incidencias: Escalado (en función de la dificultad). Fuente: [ITIL2014.3] Cabe destacar que la Gestión de Incidencias es un proceso que no se debe confundir con Gestión de Problemas (también dentro de la fase de Operación), aunque ambos procesos están muy interrelacionados. Mientras que la Gestión de Incidencias busca la solución de un fallo que afecta al Nivel de Servicio prestado al cliente, restaurándolo así de nuevo, Gestión de Problemas busca analizar la causa raíz y desarrolla la solución óptima para evitar que vuelva a suceder. [ITIL2014.3] 2.3 Herramientas para la Gestión de Incidencias, dentro de la Gestión de Servicios IT Como se ha explicado antes, estas herramientas ayudan a mantener un control y seguimiento de las incidencias dentro de una Organización. Controlan la apertura de incidencias, la documentación, el cierre de éstas, el cumplimiento del SLA La herramienta empleada en este caso, desde la cual se extraen los datos utilizados en este Proyecto, es la herramienta JIRA. JIRA es un producto comercial, una aplicación basada en web para el seguimiento de errores, de incidenciasy para la gestión operativa de proyectos. JIRA también se utiliza en áreas no técnicas para la administración de tareas. La herramienta fue desarrollada por la empresa australiana Atlassian. Inicialmente JIRA se utilizó para el desarrollo de software, sirviendo de apoyo para lagestión de requisitos, seguimiento del estatus y más tarde para el seguimiento de errores. JIRA puede ser utilizado para la gestión de procesos y para la mejora de procesos, gracias a sus funciones para la organización de flujos de trabajo y la fácil visibilidad de éstos. [ATLA2014] JIRA proporciona además la posibilidad de extraer reportes (en Excel) de las incidencias, escogiendo los filtros que se quiera, pudiendo obtener así toda la información que esté almacenada de cada una de las Incidencias que pasen esos filtros. En la actualidad, existen diversas herramientas, aparte de JIRA, que sirven para gestionar los Servicios IT, siguiendo la librería ITIL. Estas herramientas son en su mayoría 6 Sarmiento García, Teresa

45 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución comerciales, es decir, de pago. Son aplicaciones muy extensas que gestionan cada una de las operaciones dentro de la fase de Operaciones del ciclo de vida de un servicio. Para nuestro caso y sobre estas herramientas, nos fijaremos, dentro de la parte de Gestión de Incidencias, en la gestión y métricas de los tiempos de resolución de éstas. Para poder entender bien cómo está en la actualidad este ámbito, se va a realizar un recorrido por aquellas herramientas más comunes, y se comentará su funcionalidad en este ámbito. Como se ha comentado, al margen de JIRA existen muchas herramientas. Cada una de estas tiene su ventaja competitiva con respecto a las demás, es decir, aquello que hace que se diferencie o se especialice de una forma que otra herramienta no hace. Las principales del mercado, y más comunes, junto con sus ventajas, son las siguientes [GART2013]: Axios Systems: SaaS o assystsaas. La ventaja competitiva de esta herramienta es la simplificación en la comunicación entre usuarios de negocio y usuarios IT. Proporciona visibilidad desde ambas perspectivas. Por otra parte, no gestiona directamente métricas de las operaciones de los servicios IT, siendo una herramienta, por tanto, más a alto nivel. BCM Software:Remedy. Esta herramienta sigue la metodología de mejores prácticas ITIL, proporcionando un seguimiento en los procesos de gestión de incidencias. Es una herramienta bastante rápida, especializada en la gestión de versiones, con una fácil y simple forma de instalación: menor configuración posible. Por el contrario, esta es una herramienta para más bajo nivel, no proporcionando la suficiente visibilidad para emplearse en la toma de decisiones. Cherwell Software:Cherwell Service Management. Se centra en la realización de un buen proceso de reporting. Proporciona las ventajas de un cuadro de mando(dashboard) proporcionando visibilidad para la parte de negocio. Vuelve a ser otro tipo de herramienta a alto nivel, no proporcionando la información necesario sobre los servicios IT y la gestión de Incidencias. IBM: IBM SmartCloud Control Desk (SCCD).Esta herramienta proporciona un punto de vista end-to-end del servicio IT, es decir, de todos los procesos en los que un servicio está involucrado, desde la creación de este servicio hasta su mantenimiento. Tiene implementada la función de autoticketing assignment, que para nuestro caso de la Gestión de Incidencias aplicaría de la siguiente forma: implementa la asignación de incidencias de forma automática en función de criterios como balanceamiento de tareas/workloads, metodología round robin, Esta herramienta tiene como gran dificultad que no es una herramienta intuitiva, necesitando una formación para llegar a manejarla correctamente. Además, tiene una difícil integración con software que no pertenezca a IBM. LANDesk: LANDesk Service Desk Suite. Es una herramienta complementario a la herramienta Service Desk. Su mayor ventaja reside en el gran potencial que hay en su Sarmiento García, Teresa 7

46 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Análisis y Gestión de la Información. Proporciona la habilidad de construir distintas métricas mediante el uso de los indicadores KPIs correspondientes y mediante factores críticos de éxito para el negocio. ServiceNow.Es una herramienta muy consistente y fácil de implementar dentro de cualquier tipo de compañía. Proporciona una visión a medio-alto nivel para poder servir de perspectiva cara al negocio, sin perder el objetivo de cada uno de los procesos de la fase de operaciones de un servicio IT. Proporciona un histórico de aquellas aplicaciones o servicios IT. Su capacidad máxima reside en su reporting y sus funciones de cuadros de mando. SAP IT Service Management Application.Sigue el procedimiento ITIL en procesos como Gestión de Incidencias, Problemas, Cambios Una de sus ventajas competitivas es la Gestión del Nivel de Servicio que ofrece: mide la capacidad de cumplir con lo establecido en los Service Level Agreements (SLA). Establece en la herramienta los criterios de esos acuerdos, para que se pueda informar del estado. Además, se mide el desarrollo de estos procesos (p.ej. una incidencia), y en función de esta métrica que se obtiene como resultado, exporta información sobre la cumplimentación del Nivel de Servicio. [SAPS2014] Para visualizar estos datos más esquemáticamente, la firma Gartner Inc. especializada en la investigación de las tecnologías de la información, publicó diversos estudios e investigaciones sobre el mercado, sobre las distintas compañías que venden software para la gestión de servicios IT. Definen dos tipos de criterios para diferencias las distintas compañías: visibilidad (completeness of visión) y habilidad en la ejecución (ability of execution).estos criterios son plasmados en lo que denominan Gartner Magic Quadrant (MQ). En función de estos criterios, cada compañía se establece es un cuadrante: Leaders, Challengers, Visionaries o Niche Players. A continuación, mostramos el Magic Quadrant correspondiente a estas herramientas (sus compañías) y a otras no especificadas, establecido por la investigación llevada a cabo por la firma Gartner [GART2013]: 8 Sarmiento García, Teresa

47 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Figura 7.- Magic Quadrant de herramientas que dan soporte a la Gestión de servicios IT. Fuente: [GART2013] Concretando más en nuestro ámbito: el tiempo de resolución de incidencias, todas las herramientas comentadas orientadas a una perspectiva de gestión de Servicios IT (no a muy alto nivel), como por ejemplo SAP, proporcionan métricas, KPIs y reportes acerca de este tiempo. Cada una, lo realiza de forma diferente (en función de su objetivo, explicado en cada punto), pero todas proporcionan una información partiendo de la misma base: buscar si se cumple el tiempo establecido en el SLA. Estas herramientas van midiendo el tiempo desde que se abre una incidencia, gestionan su evolución, y miden cuánto tiempo falta hasta que se alcance el definido en el SLA. Exportan reportes de aquellas incidencias que, después de ser resueltas, han cumplido con el SLA o no, e incluso se encargan de gestionar la prioridad, y cambiarla, en el caso de que se acerque la fecha final. Es decir, todas estas herramientas calculan y manejan ese tiempo, realizando métricas, en función de los resultados obtenidos y los resultados que se busca obtener. Esto, por ejemplo, da lugar a: llevar un seguimiento de cuál es la proporción de incidencias resueltas y que su tiempo de resolución está dentro del máximo permitido, sobre aquellas que incumplen este SLA, implicando en muchas ocasiones, una penalización. En definitiva, son reportes/métricas/indicadores que realmente son outputs de estas herramientas, siendo la base de referencia el tiempo acordado en el SLA. Sarmiento García, Teresa 9

48 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Estos productos software, como se ha comentado, son productos software comerciales. También existe algún producto Open-Source, como sucede para la herramienta OTRS. OTRS se caracteriza, además de por ser un software libre, porque integra en un único producto las diferentes necesidades en a Gestión de un Servicio IT, con una arquitectura altamente modular y un Código Abierto completamente personalizable. [EXEV2014] 2.4 Empresa Cliente Todas las empresas, en su día a día, emplean el uso de alguna de las herramientas mencionadas anteriormente, y aplican los conceptos de ITIL a los Servicios IT que tienen implantados. Entre todas las tipologías de empresas, este Proyecto se centra en una Organización del Sector de Distribución, concretamente el de la Industria Alimentaria. El concepto de distribución en sí se puede definir como poner el producto a disposición del consumidor final en la cantidad demandada, en el momento en el que lo necesite y en el lugar donde desee adquirirlo, todo ello en una forma que estimule su adquisición en el punto de venta y a un coste razonable.[sanr2001] Las empresas de distribución centradas en el Sector Alimentario son variadas, mostrando, a continuación, las tres principales tipologías [SODI2004]: Supermercados: Tiendas en libre servicio cuya superficie de venta media es de cerca de m2, y cuya oferta de productos de gran consumo representan del orden de un 90% del total. Constituyen el formato dominante en Europa. Hipermercados:Nacidos en los años 60 en Francia, son dominantes en este país. Se caracterizan por una gran superficie de venta, de m2 a más de m2, con una media de m2, una gran variedad, incluso en el sector no alimentario (hasta referencias), una localización periférica, con extensos aparcamientos, precios bajos obtenidos por compresión de los costes y horarios de apertura extensivos. Centros de Descuentos:Este formato se desarrolló en Alemania a partir de los años setenta. Tienen un número limitado de referencias, son pequeñas superficies, precios muy bajos y recurren en masa a las marcas de distribuidores. En nuestro caso, la Empresa entraría dentro de la segunda tipología. Es decir, una Empresa multinacional, con varios Hipermercados y centros de Distribución en diferentes localizaciones, ofreciendo a los clientes no sólo productos de alimentación, si no más, alcanzando grandes volúmenes de unidades y referencias. Como se puede suponer, una empresa que base su estrategia en una correcta distribución de sus productos, necesita un riguroso control de la Cadena de Suministro (Supply Chain) y de la Logística interna de la organización. Se puede definir la Cadena de Suministrocomo un conjunto de todas aquellas partes involucradas de manera directa o indirecta en la satisfacción de la solicitud de un cliente. La cadena de suministro incluye no solamente al fabricante y al 10 Sarmiento García, Teresa

49 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución proveedor, sino también a los transportistas, almacenistas, vendedores al detalle, e incluso a los mismos clientes. [ADEU2009] Proveedor Materias Primas Producción Aprovisionamiento Distribución Producto Proveedor Figura 8.- Cadena de Suministro. Para una organización del Sector de Distribución con tipología de Hipermercado, no sólo compran a Proveedores, gestionann el Aprovisionamientoo (Almacenes, empleando la Logística, ) y la Distribución (Transporte, empleando la Logística, ) de los productos, si no que, además, en la mayoría de los casos fabrican sus propios productos (generalmente de Marca Blanca), obteniendo de Proveedores las materias primas necesarias para la producción y, posteriormente, realizando el Aprovisionamiento y Distribución comentados. Como se explicaba anteriormente, independientementee de la Empresa, todas las organizaciones necesitan medir, monitorizar y optimizar sus procesos y servicios IT (Mejora Continua). Un pilar a destacar en una empresa de este Sector es que, para una correcta gestión de la Cadena de Suministro, se requieren procesos tecnológicos (informáticos) que controlen, monitoricen, gestionen, y ayuden a la Organización en cuestión, para cada uno de los eslabones de esta cadena. Estos procesos sería lo que anteriormente denominamos como Servicios (procesos) IT. Por supuesto, además de los servicios que prestan Nivel de Servicio para la Gestión de la Cadena de Suministro (garantizando la satisfacción del clientee final), existen muchos otros procesos y servicios IT, independientes de estos eslabones en sí, que ayudan a la gestión de una Organización del Sector de Distribución. Por tanto, e integrando todo lo comentado, este tipo de organización también implementa cada una de las fases que ITIL define. Todos los Servicios IT que se prestan para mejorar la calidad del Servicio y la satisfacción del cliente final, tienen que ser medidos y monitorizados buscando una mejora continua, generando el menor número de incidentes o problemas (minimizando el tiempo de respuesta y las pérdidas) ), y aportando el mayor valor posible. Sarmiento García, Teresa 11

50 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución 12 Sarmiento García, Teresa

51 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución 3. Alcance del Proyecto 3.1 Motivación y justificación del Proyecto En este apartado, y como conclusiones del apartado Introducción y Estado del Arte, se pretende justificar el desarrollo de una herramienta que permita una mejora en la resolución de incidencias. En primer lugar, clarificar que la Empresa (la denominaremos como Empresa Cliente)estudiadasubcontrata los servicios de una Empresa Consultora, que es la responsable de la dirección de los procesos de Mejora Continua de la Empresa Cliente. Si partimos de la base de que, para mejorares necesario, entre otros objetivos, optimizar los procesos de gestión de Servicios IT dentro de esta Empresa estudiada, cómo de importante puede ser el controlar y tener conocimiento del tiempo en el que un problema, o incidencia en un Servicio IT que de soporte a determinados procesos, se soluciona? Si para buscar la máxima satisfacción del cliente (mayor valor, mayor nivel de Servicio) se precisa de mediciones constantes y diarias, y de pautas establecidas en el proceso de Mejora Continua, esto lleva a una mejora constante en una de las secciones de la fase previa: Gestión de Incidencias. Esta Gestión no incluye sólo la implantación de una solución que restaure el Servicio, si no que también se tiene en cuenta: si la solución se implanta en el tiempo requerido para minimizar pérdidas, el tiempo empleado en predecir y establecer este tiempo, y la cumplimentaciónde ese plazo (SLA Service Level Agreement Acuerdo de Nivel de Servicio). Un SLA es uncontrato escrito entre un proveedor de servicio y su cliente con objeto de fijar el nivel acordado para la calidad de dicho servicio.este nivel busca fijar tiempos máximos en los que un servicio tiene que ser restaurado si se ha generado una incidencia. Cabe destacar la diferencia entre este punto de vista, y la perspectiva de las herramientas empleadas en la actualidad, comentadas en el apartado anterior. A diferencia de esas herramientas, no se va a emplear el tiempo de resolución de incidencias como output o resultado, si no como input. Es decir, así como las anteriores herramientas se centran en el estudio del tiempo, una vez resuelta la incidencia, para proporcionar métricas y reportes acerca del cumplimiento del Nivel de Servicio, en nuestro caso se pretende, en un primer lugar, proporcionar una estimación del tiempo, independientemente de cualquier SLA, e independientemente de si la incidencia ni si quiera se ha registrado. Lógicamente, ambos puntos de vista comentados son necesarios: El implementado actualmente, que consiste en analizar la incidencia una vez resuelta. Esto es necesario para localizar aquellos procesos que no se desarrollaron bien, y encontrar una solución. Por ejemplo, si no se ha cumplido con un nivel de servicio Sarmiento García, Teresa 13

52 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución establecido en una proporción de incidencias del X%, habiendo tardado más tiempo, una posible solución es el contratar más recursos, de tal forma que se planifiquen mejor las tareas, y se finalice a tiempo. Nuestro caso, pretendeprevenir esta situación. Si previamente conocemos un tiempo generalde resolución de una incidencia, partimos de una idea, casi al cien por cien certera, del tiempo que, en un principio, y con los recursos actuales, vamos a emplear en esa incidencia, pudiendo acordar, desde un inicio, un nivel de servicio correcto. En el primer caso se aprende de los fallos y se mejora continuamente (Mejora Continua). En el segundo caso se continúa aprendiendo de los fallos, pero se busca minimizarlos desde el principio. Si una Empresapudiesepredecir de forma inmediata, mediante el estudio de los tiempos de una muestra de Incidencias pasadas, ya cerradas y solucionadas, el tiempo hasta solventar una Incidencia,se conseguiría, más en detalle, lo siguiente: 1. Una alta probabilidad de acierto en la estimación inicial. Cómo influye esto a la Organización? En que el tiempo que se requiere para la implantación de una solución es acertado, causando la minimización de los costes y de las pérdidas. Si se sabe casi a ciencia cierta los días hasta la realización de un desarrollo que dé solución a una Incidencia, se evitan dos situaciones: a. Fijar un plazo que no se va a cumplir, tardando más. Como consecuencia: impacto no previsto, por tanto un mayor tiempo en la restauración del Servicio, lo que implicano tener control de la situación, se incumple el SLA,disminuyendo la satisfacción del cliente (tanto Empresa Cliente, como cliente final), generandomás pérdidas de las estimadas debido a penalizaciones. A su vez, el equipo encargado del desarrollo se vería afectado de tal forma que sus miembros trabajarían mayor tiempo del establecido, siendo retribuidos económicamente en función de una estimación errónea (menor), y no de la real. b. Fijar un plazo innecesariamente amplio. Como consecuencia: generar casi voluntariamentemayores pérdidas de las necesarias, controlando la situación, pero conmayor impacto en el nivel de Servicio sin necesidad. A su vez, los miembros del equipo encargado del desarrollo de verían retribuidos económicamente por un tiempo establecidomayor que el real, implicandomayor coste. 2. Un control cada vez más perfeccionado de los tiempos necesarios para resolver Incidencias. Esto proporciona dos buenos resultados: a. Al tener conocimiento de la situación y del tiempo predicho, se controlan los procesos y se genera mayor estabilidad. Esto implica unamejora en la planificación de tareas. 14 Sarmiento García, Teresa

53 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Saber el tiempo que se necesita para llevar a cabo ciertas tareas, tiene como implicación directa una mejora en la planificación, consiguiendo así una optimización del tiempo empleado y una optimización de los recursos invertidos, facilitando alcanzar el mayor valor posible (la mayor satisfacción). Estoes aplicable no sólo en el ámbito de las distintas organizaciones, si no en la vida real de cualquier persona. b. Si se tiene una herramienta de estimación de este tiempo, se conoce el tiempo más probable, evitando invertir excesivo tiempo para garantizar los plazos en el SLA, causando disminución del tiempo de respuesta, lo cual implica mayor satisfacción del cliente (tanto Empresa Cliente, como cliente final). 3.2 Objetivos del Proyecto Por tanto, y con estas razones anteriores como motivación, se pretende elaborar una herramienta (aplicación) que sea capaz de modelar el comportamiento de una Incidencia, proporcionando el tiempo medio que se estima para la resolución de ésta. Para ello, se hace uso de la Inferencia Estadística. Partiendo de una serie de Incidencias extraídas de dicha Empresa del Sector de Distribución (tratando información de carácter confidencial), se realizarán diversos pasos que forman parte de esta rama de la Estadística, y que tienen como objetivo el evaluar y modelar el tiempo: Extracción de la muestra. Como se explicará en el siguiente apartado, se parte de una muestra de 1997 Incidencias. Concretamente, en este Proyecto se van a tratar Incidencias, que a su vez, tienen asociados problemas, por lo que con los términos Resolución de la Incidencia se hará referencia a lo largo del Proyecto no sólo a la implantación de una solución-parche para restaurar el servicio, si no también a la búsqueda de la causa raíz y de su corrección (por ello tiempos elevados en términos de días). Son Incidencias en la prestación de Servicios IT. Tratamiento y depuración de los datos. Unificar los datos, corregir errores, definir aquellos atributos que proporcionan valor. Obtener un conjunto de datos claro, válido y representativo de la población. Clasificación. Identificar, agrupando en función de similitudes, aquellos Grupos o Tiposque englobarán un conjunto de Incidencias que se comporten de la misma forma. Si se concreta y se engloba la muestra inicial en muestras más pequeñas, se garantiza una mayor efectividad en el tiempo calculado. Elaboración de un modelo y estimación de parámetros. Analizar cada Tipo o Grupo, evaluando y modelando su comportamiento mediante Distribuciones de Probabilidad. Identificar aquel modelo que mejor represente y se ajuste a cada Grupo o Tipo, mediante el contraste de hipótesis. Con el último punto, se critican y se estudian los resultados. Con las conclusiones obtenidas se predecirá un tiempo medio de Resolución. Sarmiento García, Teresa 15

54 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Por último, automatizar los pasos anteriores desarrollando una aplicación en lenguaje JAVA, que contenga una funcionalidad que permita el mismo análisis, y proporcione las mismas conclusiones. Esta aplicación se llamará EMTRI Evaluación y Modelado del Tiempo de Resolución de Incidencias. Para garantizar que esta herramienta es correcta, se realizarán pruebas a la finalización del desarrollo, y estas serán documentadas más adelante. Este Proyecto tiene su génesis en la herramienta EMSI 2.0 (Evaluación y Modelado de Sistemas Informáticos). Más adelante, en los apartados correspondientes, se indicará qué partes de EMSI ayudaron al desarrollo de EMTRI. Además, se explicará en detalle qué se empleó, qué medios de utilizaron para el desarrollo de esta herramienta, los distintos Outputs que ésta genera, se explicará en detalle el alcance, y las hipótesis de las que se parten para el entendimiento completo de este desarrollo. 16 Sarmiento García, Teresa

55 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución 4. Estudio Económico Para la implantación de esta herramienta, es necesario un equipo de una serie de personas encargadas en la investigación de la tipología de empresa, sus departamentos, sus servicios, la metodología a seguir y el desarrollo de la herramienta en sí junto con sus respectivas pruebas. Por tanto, para este proyecto se calcula que se necesitarán los siguientes miembros: Dos usuarios del Negocio (Business Users): 60 /h. por persona 140 /h. Jefe de Proyecto: 50 /h. Analista: 35 /h. Diseñador: 35 /h. Programador: 25 /h. Para entender un poco dónde se situarían dentro de la Organización, a continuación se muestra el organigrama correspondiente: Figura 9. Organigrama. A continuación se vana mostrar las distintas fases de este Proyecto, y la intervención de cada uno de los miembros de este organigrama. Por un lado, en la primera tabla (Horas/persona) se tienen las horas invertidas por cada miembro en cada fase, y el total de horas por miembro. En la segunda tabla (Costes), se tienen los costes de cada fase por cada miembro, y los costes totales por miembro. Estos costes son el resultado de la multiplicación del precio unitario por hora y persona, por el número de horas invertidas. Sarmiento García, Teresa 17

56 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Figura 10. Horas/persona. Figura 11. Costes. 18 Sarmiento García, Teresa

57 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución El presupuesto totalestimado para la realización del Proyecto sería de por 597 horas estimadas. Este presupuesto y estas horas hacen referencia a, aproximadamente, 75 días laborables, lo que correspondería a casi 4 meses de duración del Proyecto. Por último, este presupuesto no incluye gastos directos que se produzcan por conceptos tales como: adquisición de documentación específica o productos software determinados, necesarios para el desarrollo del Proyecto, u otros gastos extraordinarios en los que se incurra. Sarmiento García, Teresa 19

58 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución 20 Sarmiento García, Teresa

59 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución 5. Descripción del Proyecto 5.1 Tratamiento, depuración y análisis de la muestra En este apartado se va a llevar a cabo todo el tratamiento de datos. Partimos de una muestra de 1997 Incidencias reales que guardamos en una Excel. Estas Incidencias han sido extraídas de la herramienta JIRA de dicha empresa del Sector de Distribución. Representan errores en los Servicios IT, es decir, errores a nivel tecnológico, a nivel de Software. Cabe tener en cuenta, como se ha comentado, que esta muestra contiene información real, confidencial, de esta empresa, por tantolos tiempos serán reales, pero los nombres, determinadas referencias o códigos se variarán, debido a que se trata de información de carácter confidencial. Puesto que esta muestra incluye numerosas filas (Incidencias distintas) y columnas (atributos) a las cuales les falta información, no está completa, o bien es errónea y por tanto tienen que ser eliminadas, se va a llevar a cabo, a continuación, una depuración de datos para conseguir una muestra final que sirva para el estudio. Además, después de esta depuración y tratamiento, se van a analizar los datos para poder conseguir agrupar varias incidencias con características similares bajo el mismo Grupo o Tipo, de tal forma que luego se pueda tener varias muestras para obtener distintos modelos en función del Tipo/Grupo de Incidencia. Pero, en primer lugar, y para comprender cada uno de los términos empleados, a continuación se van a definir los distintos campos (términos) y sus restricciones, que se encuentran en la muestra inicial y que se van a tratar. Es necesario recordar que la definición de estos términos se realiza desde el punto de vista de la Empresa externa que lleva los servicios de Mejora Continua (externalizados)de la Empresa principal Definición de términos y restricciones Fecha de Entrega Real (F.Real) : Fecha firmada en el SLA con el cliente, es decir, la fecha teórica en la que planea que se actualizaráy se implantará la solución de la incidencia, proceso también denominado Subida a Producción. Fecha de Producción (F.Prod) : Fecha que, al final, es la que se lleva a cabo en la práctica, es decir, la definitiva y la real. NOTA.-La F.Real NUNCA puede ser mayor que la F.Prod: tiene sentido puesto que, o bien se acuerda con lo establecido en el SLA: (F.Prod=F.Real), o se pospone la subida: (F.Prod>F.Real). Creado (F.Creación). Es la Fecha de Creación de la incidencia. Este campo, como se observa en la Excel, viene con el formato fecha+hora, y aunque se cambie de formato, Sarmiento García, Teresa 21

60 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución internamente Excel guarda la hora. Esto afectará a uno de los puntos más adelante explicados. NOTA.- La fecha de creación tiene que ser anterior a la F.Real/F.Prod. Si esto no es así, habrá que modificarlo como se verá más adelante. Estado.Este campo es muy importante, puesto que representa la fase en la que se encuentra la incidencia en el momento de la extracción de la información.hay variosestados, que se indican a continuación: Figura 12.- Esquema de Estados posibles de una Incidencia. o o o o o o Borrador.Fase inicial de la creación del correctivo/incidencia donde se incorpora la información básica para realizar el análisis. En análisis y definición. Fase cuyo objetivo es la creación de un documento funcional con la solución al problema o la cancelación de la Incidencia en JIRA. Pte. Planificación. Tras conocer la solución adoptada en la fase anterior, se remite al cliente la información anterior. Se envía además del análisis (documento), la estimación (horas) que se calcula para el desarrollo de la solución tecnológica de la incidencia y las Fechas. Se espera la aceptación por parte del cliente. NOTA.- Cuando se habla de cliente, se refiere a que este servicio de la empresa del Sector de Distribución en cuestión está externalizado y lo lleva a cabo una consultora. Estimado - Planificado. Todo correctivo que haya estado en esta fase indica que el cliente ha aceptado la solución y la estimación remitida en la fase anterior. En desarrollo. Con este estado se da a entender que el desarrollo está ya en curso. Resolved.El desarrollo ha finalizado y las pruebas se han pasado satisfactoriamente. 22 Sarmiento García, Teresa

61 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución o o o o o Piloto Extensión Implantado. El desarrollo ya está en producción. *Piloto y extensión no aplica obligatoriamente en todas las incidencias. El Piloto sería un previo al definitivo que se sube a producción. Validado.El cliente da el visto bueno al desarrollo realizado. (Closed. La incidencia se cierra.) Reopened. La incidencia es reabierta: no funciona según lo esperado. Sucede en la fase de Implantado, antes de ser Validado, el desarrollo falla. (Cancelado. Una incidencia que se ha cancelado por algún motivo. P.ej. en Análisis se rechaza la JIRA y se cancela). Tipo de Incidencia. Puede ser Correctivo NO CRÍTICO o Correctivo CRÍTICO. Correctivo No Crítico quiere decir que tiene carácter preventivo: su urgencia es menor. Correctivo Crítico por el contrario quiere decir que es del carácter de problema por lo que su urgencia es mayor. Prioridad. Es el campo que indica la prioridad de la incidencia. o En el caso de Correctivos CRITICOS, la prioridad sólo puede ser Crítica. o En el caso de Correctivos NO CRITICOS, la prioridad puede ser: Mayor o Menor. Su nombre indica el grado de urgencia dentro de que en sí sea no crítica. Usuario Apertura. Este campo indica la persona/usuario que genera(crea) la incidencia. En los datos originales, los valores de este campo pueden ser diferentes: o 3N. Aquellos usuarios que forman parte del departamento de 3N. Este departamento se encarga de resolver incidencias más complicadas y que tengan que ver con el código (Desarrolladores, Analistas, p.ej.). o 2N. Aquellos usuarios que forman parte del departamento de 2N. Resuelven incidencias más fáciles y que no son de código: Administradores de Sistemas. o 1N. Aquellos usuarios que forman parte del departamento de 1N. Serían los usuarios que forman parte del Centro de Servicios. Es el eslabón más sencillo y más a alto nivel. o ADMONISC. Es un tipo de usuario que se creó para otra consultora externa. Esta consultora accedía siempre con este usuario. o Otros. Casos no estándares. Usuarios que se salen de la norma. Reaperturas. Indica el número de veces que se ha reabierto el problema. Esto quiere decir que la solución de la incidencia volvió a fallar, y se ha vuelto a reabrir la misma, para volver a solucionarlo. Se va a suponer que en el caso de los registros que tienen este campo con celdas en blanco, que sucede en 54 casos, son 0 reaperturas. Estimación(hr). Este campo es el que indica las horas realesempleadas en un problema/incidente. No es lo mismo que la F.Real o la F.Prod. Se deben destacar y diferenciar estos dos puntos siguientes para evitar confusión: Sarmiento García, Teresa 23

62 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución o o Un concepto es la F.Real que se ha marcado en el SLA. Esta fecha la marca el cliente para establecer un acuerdo (ya sea porque no lo necesitan para antes, porque otras incidencias tienen más prioridad, porque se necesita justo en esa fecha ) de cuándo tendrá que estar la solución de la Incidencia, es decir, hasta cuándo se dispone para tener la solución, en términos de días. Y otra concepto totalmente distinto, es el número de horas reales dedicadas por los empleados para resolver estas incidencias. Por poner un ejemplo, más extremo, que lo clarifique más: una incidencia puede tener como F.Real dos meses más tarde después de la F.Creación, y haberle dedicado a su solución 4 horas. Esto se debe a que, como los empleados desempeñan muchas y diversas tareas paralelamente, no se van a invertir todas las horas de la jornada laboral en el desarrollo de la solución de esta sola Incidencia. NOTA.-Esta estimación se acuerda también en el SLA y está directamente relacionada con la F.Real. Esta estimación representará el coste. NOTA2.-Cuando el valor es cero,significa que no se le ha asignado una estimación porque es una incidencia que se mete en el pack con otras porque:el tiempo que necesita para su resolución es muy pequeño otiene relación con otras Incidencias las cuales sí que tienen una estimación y al resolverlas se resuelve ésta el coste es cero. Rechazos Estimación. Este campo representaría cuántas veces se ha rechazado la estimación presentada en el SLA antes de ser aceptada y validada. Fecha Piloto (F.Piloto). Es la fecha en la que se ha subido a producción el piloto. El piloto sería como una prueba para ver como funciona la solución, implicando una F.Prod más tarde. Puede haber piloto o no: o Si no hay piloto:las F.Piloto y F.Prod son iguales. o Si hay piloto.las F.Piloto y F.Prod son distintas. Distintas pero siempre: F.Piloto<F.Prod. Nivel de Seguridad.Es un campo del que, de forma inicial, no se posee mucha información, pero se sabe que representaría el nivel de impacto que tiene el incidente. Este campo tiene varios valores posibles: o Soporte. Indica aquellas incidencias que afectan a las herramientas de soporte de la empresa, a las aplicaciones y al código. o Factoría. Aquellas incidencias relacionadas con los procesos de fabricación, el control de inventarios, de los artículos, o Público. Posee sólo 1 caso, y se relaciona con el des-almacenamiento de paletas. No se conoce la definición exacta. o Otros.Aquellos registros que poseen celdas en blanco, hay sólo 2 casos. Se desconoce el nivel de seguridad. 24 Sarmiento García, Teresa

63 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Origen.Este campo representaría dónde se ha generado la incidencia, es decir el punto de inicio del fallo. Puede ser que este punto de inicio coincida en el mismo lugar desde el cual se abre la Incidencia o no. Puede tener los siguientes valores: o Mejora. Contiene 185 casos. Con este valor, se indica que el Origen de la Incidencia viene dado por una propuesta del equipo de Mejora de mejorar un determinado proceso. Luego, se abrirá esta Incidencia empleando una de las herramientas: JIRA, Patrol, que utiliza la empresa. o Patrol.Contiene 169 casos. Es una herramienta para la Gestión del Nivel de Servicio. Desde aquí no sólo se detectan Incidencias, si no que también se abren Incidencias. Esta aplicación, es una aplicación creada por BMC Software. Esta herramienta proporcionauna gran solución integrada que a través de un continuo proceso único de perfeccionamiento permite la rápida implementación de una avanzada gestión del nivel de servicio. El proceso permite que las empresas midan sus nivel de servicio en términos de tiempo de respuesta a usuarios finales en transacciones de negocio y edita informes conformes a los acuerdos del nivel de servicio. Es además el único que permite una diagnosis automática de las causas de posibles fallos (Incidencias), centralizando la detección de Incidencias y lanzando las pertinentes alarmas, y predice el impacto que estos cambios tendrán en el servicio suministrado. Proporciona el control centralizado de las aplicaciones y bases de datos en un entorno informático distribuido. Es capaz de automatizar tareas. o o Usuario.Contiene 592 casos. Un usuario que trabaja en el cliente. Abrirá la respectiva Incidencia empleando una de las herramientas que utiliza la empresa. Celdas en blanco (otros). Contiene 86 casos. Sería Otro, es decir, otro origen distinto y particular con respecto a los anteriores. Incidencias Enlazadas.Es un campo que indica si la incidencia en particular está relacionada con otras. Es decir, si el origen del fallo de esta Incidencia, ha causado otras Incidencias (una, o más de una, ). ÁREA y Proyecto.Estos dos atributos son los más importantes. Encontramos las siguientes Áreas (con sus respectivos Proyectos): Área Datawarehouse (DWH) Primero, se define el concepto de Datawarehouse: Es un depósito dónde se almacenan los datos que la organización utiliza para saber cómo esta funcionando. Datawarehouse es un componente del modelo de Bussines Intelligence, Sarmiento García, Teresa 25

64 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución en cuya base se encuentra el almacén, la infraestructura conformada por la base de datos donde se integra toda la información; sobre él están las herramientas para presentar informes y hacer consultas; más arriba está la estrategia de inteligencia de negocios formada por metodologías que se ciñen a las mejores practicas, la cultura organizacional y las habilidades de desarrollo con las que se cuenta para sacar mayor provecho de la infraestructura y de las aplicaciones. El objetivo de este componente es emplearlo para poder convertir datos en información útil, en utilizar datos para conocer el desempeño de una organización. Por lo tanto, son aquellas Incidencias relacionadas con los procesos que gestionan este almacén de datos dentro de la empresa. Área SUPPLY Esta área se refiere a Supply Chain, es decir, a la logística de la cadena de suministro: controla el movimiento y el flujo de los pedidos. Esta área es el área más importante dentro de una empresa del sector de distribución, por ello es el área de la cual tenemos más Incidencias (más de la mitad son de esta área), porque es la mayor y agrupa numerosas aplicaciones y procesos distintos. Esta área controla todos aquellos proyectos que tienen relación con la cadena de suministro(explicada brevemente en el apartado 2. Estado del Arte): desde la compra de artículos a proveedores, el almacenamiento (a cualquier nivel), al reparto a domicilio de los clientes, por ejemplo. Debido a esto, esta área tiene diversos procesos que no tienen relación entre sí, que están en fases totalmente distintas dentro de la cadena de suministro, por lo que, a diferencia del resto de las áreas, se estudiará el campo Proyecto (que es el campo que hace referencia al aplicativo/conjunto de procesos en cuestión) de tal forma que este campo, para esta área, sí afectará a la agrupación de los datos (ya se analizará en el apartado 3.3). Tenemos los siguientes Proyectos/Aplicativos dentro de esta muestra (consideramos que estos son el total de los proyectos que hay puesto que no se tienen más casos en esta muestra): Aprovisionamiento Centro: Este Proyecto hace referencia a la gestión de Aprovisionamiento (explicada brevemente en el apartado 2. Estado del Arte) de cada uno de los distintos centros del cliente. Cuando se refiere a Centro se refiere a aquellos almacenes logísticos que dan soporte a un número concreto de tiendas en función de la provincia. Tienen asignadas unas tiendas concretas. Este Proyecto gestiona información de cada uno de estos centros (p.ej. el centro de Santiago de Compostela). Por lo tanto, estas Incidencias son incidencias que se generan por fallos en distintos procesos que gestionan información de estos Centros y sus operaciones. Aprovisionamiento plataforma: Este Proyecto hace referencia a la gestión de Aprovisionamiento de las plataformas logísticas. Estas plataformas logísticas son las que dan soporte a los distintos centros. Tienen cada plataforma logística asignada unos Centros Logísticos concretos. Por lo tanto, estas Incidencias son incidencias que se 26 Sarmiento García, Teresa

65 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución generan por fallos en distintos procesos que gestionan información de estas Plataformas y sus operaciones. Facturación: Proyecto que gestiona facturas sobre clientes o anexos. Son incidencias relacionadas con errores en procesos que se ejecutan, en procesos online o batch, en algunas vistas de las aplicaciones, en el código de algunas páginas, etc. que se relacionan con todas las distintas facturas que se tienen que generar o los datos que se necesitan para generar estas facturas. Gestión operativa: Este proyecto agrupa todas aquellas operaciones puramente rutinarias dentro de la Cadena de Suministro del cliente. Puede ser: el tratamiento de los pedidos entre un eslabón y el siguiente, el seguimiento del almacenamiento en cajas de cada uno de los artículos de cada uno de los pedidos, etc. Agrupa Incidencias en procesos que gestionan estas operaciones de gestión. Reparto domiciliario: Aquellas Incidencias de los procesos que gestionan aquellos artículos que están dentro de un reparto a domicilio y su respectivo cliente. Procesos que gestionan estas operaciones. Gestión de productos frescos: Proyecto que controla aquellos fallos en los procesos que gestionan productos frescos. Incidencias sobre estos procesos. Gestión del margen Productos frescos: Proyecto que controla aquellos fallos en los procesos que gestionan el margen de los productos frescos. Incidencias sobre estos procesos. GIS Comercial: Proyecto que gestiona los procesos relacionados con las herramientas que controlan la gestión de flotas (para transporte), optimización y gestión de rutas de reparto, generación de informes temáticos o alfanuméricos, etc. Agrupa Incidencias en estos procesos. Importación pedidos: Incidencias sobre aquellos procesos que gestionan el tratamiento de los nuevos pedidos, la importación de éstos. Litigios: Incidencias sobre los procesos que gestionan aquellos productos que son litigios. Los litigios son aquellos artículos/productos de un pedido que no pasan el estándar mínimo de calidad, por lo que son retirados. Requieren una gestión distinta al resto de los artículos (se almacenan en distintos almacenes, etc.). Mantenimiento: Incidencias sobre los procesos que gestionan el mantenimiento de los artículos. Cuidados especiales, revisiones. Etc. Sarmiento García, Teresa 27

66 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Nivel Servicio Tienda: Incidencias sobre los procesos que gestionan la información del Nivel de Servicio de cada Tienda. Es decir, el stock que cada tienda debe tener, cada cuándo debería hacer un pedido, qué artículos deben estar disponibles siempre en cada tienda, etc.. Promociones: Incidencias sobre los procesos que gestionan las distintas promociones que se ofrecen en las distintas tiendas de distribución. Proveedores: Incidencias sobre los procesos que gestionan toda la información de los distintos Proveedores que esta empresa tiene. Área Aplicación Tienda Esta Área incluye todas aquellas Incidencias relacionadas con el software (CRM) que se emplea internamente dentro de la Empresa. Éste es uno concreto del mercado, pero debido a que esto es información confidencial, no se va a proporcionar, en el desarrollo de este proyecto, el nombre de este Software. Incluye Incidencias que tratan de fallos en los procesos que gestionan este Software. Es la aplicación que los usuarios finales de la empresa utilizan en las tiendas. Sería el CRM (Customer Relationship Management) Interno de la Empresa. Un CRM es un Sistema informático de apoyo a la gestión de las relaciones con los clientes, a la venta y al marketing. Es un sistema que administra un almacén de datos con la información de la gestión de ventas y de los clientes de la empresa. Área Referencial (REF) Departamento que se encarga de la información de los artículos. Este departamento se encarga de todo lo relacionado con esta información: crea artículos, les pone el proveedor, calcula el precio, los adjudica a las tiendas, etc.. Área Transporte - Infolog Departamento que se encarga de los procesos que gestionan todo lo referente al transporte y a la logística de transporte de los distintos productos y pedidos. Estas Incidencias se generan sobre estos procesos. Esta área viene marcada por la herramienta Infolog: concebida para optimizar y controlar la función de transporte. Agrupa Incidencias sobre los procesos de la Empresa, relacionadas con esta herramienta. 28 Sarmiento García, Teresa

67 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Depuración y tratamiento de los datos Como se ha indicado anteriormente, se parte de 1997 datos. Es decir, 1997 registros de distintas incidencias, con 74 columnas = 74 campos. Los registros están en un inicio en dos bloques. Uno de 996 y el otro de Hay que destacar lo siguiente: Este conjunto de datos es extraído el 15 de Octubre de 2013, por lo que las incidencias que están en estos datos tienen un Estado correspondiente a ese momento, pudiendo ahora, p.ej., estar en Closed si en el momento de la extracción estaban en Desarrollo. Es decir, Las 1997 incidencias extraídas en ese momento, estaban en sus respectivos estados, aquellas todavía no solucionadas tenían sus respectivas F.Prod y F.Real futuras (que pueden ya haber quedado atrás con respecto a la fecha actual) y las que estaban solucionadas sí que la F.Prod es, lógicamente, antes del 15 de Octubre. Se ha llevado a cabo una correcta depuración de los datos, siguiendo los puntos a continuación descritos: 1. Se han eliminado todas aquellas filas en las que estaban incorrectas debido a que en el campo de la columna de F.Prod y F.Real están vacías (ambas). Esto da un total de 954 filas eliminadas entre los dos bloques, de tal forma que ya se puede usar una Excel más manejable, juntando todos los registros en una misma Excel con: 1043 datos. 2. Los registros que quedan, tienen que contener o bien ambos campos F.Prod y F.Real o bien uno de ellos. Se modifican aquellos registros que tienen uno y no el otro, haciendo p.ej. en el caso de que falte F.Prod.: F.Prod=FReal. Y viceversa. Así garantizamos que todos los registros tienen ambas fechas límite. También se aplica esta mismo a un caso especial: o Hay 2 registros que tienen en la F.Prod, la fecha mal introducida (con año 1930), por lo que en estos 2 registros, sustituimos esta fecha por la F.Real correspondiente. 3. Una vez ya juntos los 1043 datos, se eliminan aquellas columnas que se consideran que no dan valor. Teníamos en un inicio 74 columnas. Después de eliminar las innecesarias, nos han quedado 25 columnas. 4. A estas columnas, se añaden 5 columnas más (quedando así 30 campos) que son: o o o Tiempo SLA: El tiempo que se ha planeado que se debe tardar en subir la incidencia a producción (subir la solución) firmado en el Service Level Agreement. Tiempo SLA = F.Real F.Creación. Tiempo Real: El tiempo real en el que se tarda/se va a tardar en subir la incidencia. Tiempo Real = F.Prod F.Creación. Columnas T.F.Prod-F.Piloto, T.F.Real-F.Piloto, T.F.Prod-F.Real. Sirven para saber aquellos registros que están bien o no, es básicamente para ayudar a la depuración de datos y se calcula como el mismo nombre indica. Sarmiento García, Teresa 29

68 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución 5. Se ha quitado el hipervínculo de la columna Clave utilizando una macro. En los datos iniciales extraídos de JIRA este campo era hipervínculo para acceder a la aplicación JIRA. Se modifica. 6. Se igualan los formatos de los campos de fechas, para que se trabaje con el mismo formato. 7. En el campo de F.Creacion(=Creado), el valor viene en fecha+hora, por lo que al hacer Tiempo SLA, el resultado vendría con decimales ya que esos decimales lo dan las horas. Se redondea para que déel valor exacto. 8. Como se ha explicado antes, la F.Real NO puede ser mayor que la F.Prod, por lo que se eliminan aquellos registros, que estén en este caso. Para ello se hace un filtrado del campo T.F.Prod-F.Real, de forma que se eliminan aquellos en negativo. Se eliminan un total de 9 filas/registros/incidencias. Quedan ahora 1034 incidencias. 9. Sólo puede haber dos tipos de incidencias (No Crítico o Crítico) de modo que en este campo y todavía sin depurar, aparecen en un inicio otros dos tipos preventivo y problema, que no sería correcto pues los únicos dos valores posibles son los previamente indicados. Por lo tanto se MODIFICA el campo de Tipo de Incidencia aquellos registros que tienen Preventivo se sustituye por Correctivo NO CRÍTICO, y aquellos registros que tienen Problema se sustituye el valor por Correctivo CRÍTICO. 10. Con respecto al campo de Prioridad, existen fallos también en los datos iniciales. Por ejemplo: aparece prioridad Crítica en Correctivos No Críticos (tendría que ser Mayor), o aparece prioridad Mayor en Correctivos Críticos (Tendría que ser Crítico). Por lo que ya explicado en el punto 6 arriba, se modifican estos casos y se corrigen. 11. En el campo de Prioridad de nuevo, aparecen dos registros que contienen en este campo el valor de Bloqueante. Teniendo en cuenta que no se tiene una definición clara de qué significa este valor, y además que sólo hay dos registros se 1034 que contienen este valor, se eliminan, para así evitar que por dos, se pueda hacer una incorrecto análisis estadístico. Por lo que quedan: 1032 incidencias/registros. 12. Como se ha indicado antes, la F.Creación tiene que ser mayor o igual que la F.Real (por lo tanto, que la F.Prod). Para eso, filtrando por el campo de Tiempo SLA, por los números en negativo, tenemos aquellos registros que se encuentren en este caso. Encontramos 178 registros que incumplen la condición, es decir, que tienen valor negativo en este campo Tiempo SLA. Esto es el resultado de errores en la aplicación JIRA o de quién abrió la incidencia. Para solucionar esto, se considera que modificar este campo no repercutiría mucho al ser pocos casos (178 de 1032). Se recuerda que este campo tenía fecha+hora, por lo que estos 178 lo forman no solo los negativos :-1,- 2 sino también aquellos valores que aunque aparezca un 0, sería (p.ej.) -0,3. Esto es (como ya se explicó) porque se redondeó y aparece 0, aunque realmente es negativo. 30 Sarmiento García, Teresa

69 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Estos casos serían sustituidos también por la media para evitar cualquier inconveniente. Para esto hacemos los siguiente: o Para sustituirlo con valores con sentido, calculamos la media (PROMEDIO en Excel) de los =854 casos que están correctos dentro de la columna Tiempo SLA, es decir aquellos con valor =0 o >0. o El resultado del PROMEDIO fue: 51días. o Con esta media, sustituiremos aquellos 178 valores negativos por: Creado = F.Real-51. o Una vez modificado. Se observa como en el campo de Tiempo Real (también influido por las horas de Creado) son todos positivos. Esto es debido a que si F.Real<=F.Prod y F.Creacion<=FReal F.Creacion<=F.Prod. 13. Se redondean también los valores del campo TiempoReal 14. Con respecto al campo de Usuario Apertura, como se ha comentado antes, hay distintos tipos. Analizando cuántos hay de cada tipo y la información que se obtiene, se agrupa y se modifica de la siguiente forma: o o 3N. Aquí se agrupan 584 registros. Otros. Aquí se agruparían no sólo los que se salen de la norma (cualquier otro tipo de usuario), sino los del tipo ADMONISC y de 1N, pero sobretodo los usuarios de 2N. Aquí se agrupan 448 registros. NOTA: Esto se organiza así puesto que de 3N hay 584, sino agrupamos el resto en un mismo conjunto, quedarían escasos registros en cada tipo. Por lo tanto, y en resumen, se encuentran dos casos:aquellos que se dedican a incidencias más complicadas y de código (3N), y aquellos que no (Otros), y estos podrían ser: 1N, 2N, ADMONISC 15. Con respecto al campo de Reaperturas, se modifica aquellos registros que tengan este campo con celdas en blanco, se pone 0 (como se indició antes que se haría). Además, se encuentran 2 registros que teniendo el valor de Reopened tienen en este campo (Reaperturas) el valor 0. Se supone un error de la aplicación o la incorrecta introducción de datos, por lo que como sabemos que, mínimo, una reapertura ha tenido, se sustituye en ambos casos por un Con respecto al campo de Rechazos Estimación, se modifican aquellos registros que tengan celda en blanco en este campo, y se pone un 0. Se supone que si tiene la celda en blanco, ha habido 0 rechazos. 17. Con respecto al campo de Estimación(hr), hay 54 filas que están con celdas en blanco. Para cambiar esto usando algo con lógica, volveremos a usar el recurso del PROMEDIO, empleado anteriormente para el caso de la F.Creación. Como son pocos Sarmiento García, Teresa 31

70 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución casos, hacer esta modificación no repercutiría negativamente. Se siguen los siguientes puntos: o Se calcula la media con todos aquellos registros que sí que tengan valor en este campo (978 casos). o La media da como resultado: 15,30 horas. o Se cambia en aquellos registros con celdas en blanco en este campo por el valor 15,30 horas. 18. En el campo Fecha Piloto hay 2 registros como en el caso de F.Prod anteriormente indicado, en el que el año no aparece correctamente y tiene un valor Modificamos de la misma forma en este caso, indicando que sería igual a la F.Prod. 19. En el campo Fecha Piloto, se modifican los registros en los que aparece este campo vacío, y se supone que si está vacío es porque no hay piloto, por lo que para evitar celdas en blanco, igualamos la F.Piloto a la F.Prod. 20. Con respecto al campo de Nivel de Seguridad, como hemos visto antes, hay distintos valores que puede tener. Analizando, se ha observado lo siguiente: o Soporte. En este caso hay 991 registros. o Factoría. En este caso hay 38 registros. o Público y Otros (celdas en blanco). Entre estos dos casos encontramos 3 registros. Por lo tanto, se va a optar por modificar y agrupar de forma que no queden tan pocos (3) de un tipo, y pueda interferir en el análisis estadístico. La solución sería considerar: Soporte. Con 991 registros. Otros. Que podría ser: Factoría, Público, o bien celdas en blanco (desconocido), y agruparía 41 casos. De tal forma que o bien una incidencia SI afecta a las herramientas empleadas, a los programas o al código, o NO. 21. Con respecto al campo de Origen, se dividirá (habiendo analizando el número que hay de cada tipo) de la siguiente manera: o o o o Mejora. Como se dijo antes. Patrol. Como se dijo antes. Usuario. Como se indicó antes. Otros. Se sustituirán las celdas vacías por Otros. 22. Con respecto al campo Fecha Piloto: Una vez que ya están todos los registros con este campo, se observa que lo que nos aporta este campo es saber si ha habido piloto o no, es decir si ha habido previamente a al versión definitiva una versión de prueba. Esto se 32 Sarmiento García, Teresa

71 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución veía en que si coincidía con la F.Prod había piloto, y si no coincidían, no había piloto. Por lo tanto, se va a sustituir el campo de F.Piloto por Piloto y tendrá los siguientes valores modificados en función del filtrado del campo de ayuda T.F.Prod-F.Piloto: o o o Si. Si el campo de T.F.Prod-F.Piloto> 0 (las fechas son distintas, pero F.Prod>F.Piloto siempre). 122 registros/incidencias. No. Si el campo de T.F.Prod-F.Piloto = 0 (las fechas son iguales, F.Prod=F.Piloto). 910 registros/incidencias. Quedarían las columnas T.F.Prod-F.Piloto y T.F.Real-F.Piloto apuntando a una referencia nula, aunque estan creadas. 23. Campo Incidencias Enlazadas. Analizando el número de incidencias que tienen relación con otras, con cuántas si es más de 1, etc., se ha decidido modificar este campo de forma que puede tener los siguientes valores: o o o Valor = 0. Si no tiene ninguna incidencia enlazada, es decir, la celda está en blanco. 101 registros. Valor = 1. Si tiene una incidencia enlazada, es decir, en el campo aparece sólo una clave de una incidencia. 732 registros. Valor = 2+. Si tiene más de una incidencia relacionada (afecta a más de una), es decir, en el campo aparecen más de una clave de una incidencia. 199 registros. Después de estos cambios para organizar de forma más comprensible los datos, vamos a comenzar con la adaptación de estos datos para poder llevar a cabo el análisis para este proyecto. En primer lugar, se recuerda que se pretende hacer una análisis estadístico, de tal forma que se pueda calcular el tiempo en la resolución de una incidencia con una función de distribución. Para ello, partimos de los 1032 registros que teníamos antes. Como comentamos sobre los distintos valores que puede tener el campo de Estado, para poder empezar necesitamos dividir estos datos en aquellos que ya están cerrados y aquellos que no. Se recuerda que en el momento en el que se hizo la extracción, había Incidencias que estaban ya cerradas, otras que todavía estaban abiertas (y que actualmente pueden ser que ya estén cerradas y solucionadas). Por lo que se van a dividir las 1032 Incidenciasen aquellas cerradas en aquel momento, y aquellas que no estaban cerradas, que, por lo tanto, significa que aunque tuviesen una F.Prod estimada pudo a ver variado, por lo que extraer de ahí el tiempo de resolución de la Incidencia no sería recomendable. Dividiendo según este criterio, tenemos aquellas incidencias Closed por un lado, y por otro lado aquellas que no están Closed. Dentro de las que no están cerradas, pueden haber Incidencias en cualquier estado, desde Borrador hasta Reopened (es decir, que es una Sarmiento García, Teresa 33

72 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Incidencia que se va a tratar nuevamente pero que, previamente, se desarrolló una solución a ese mismo problema, y volvió a fallar). Se divide entonces de la siguiente forma: Closed y Cancelado: 766 Incidencias. Restantes: 266 Incidencias. Dentro de las 766 Incidencias, hay Incidencias que tienen estado Cancelado. Teniendo en cuenta que la proporción de Incidencias Canceladas sobre las Cerradas es de 13 sobre 766. Con esto, la mejor decisión es: eliminar aquellas 13 Incidencias con estado Cancelado. Por lo tanto, finalmente se tienen 1019 Incidencias: 753 Incidencias que están Cerradas y se utilizarán como muestra para llevar a cabo este proyecto. 266 Incidencias que están Abiertas y se utilizarán, algunas de estas, para el apartado de Resultados, después del desarrollo de la herramienta, más adelante. El siguiente y último paso, es añadir una columna que tenga los códigos de Incidencias de la siguiente forma: INC + núm, eliminando aquella columna del código real, evitando así que pueda contener este proyecto información de carácter confidencial. 34 Sarmiento García, Teresa

73 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución 5.2 Clasificación de las Incidencias en Grupos/Tipos Para este apartado, ya se comienza a trabajar sobre aquellas Incidencias que estén en la muestra (no en las que servirán de Pruebas). Por lo tanto, se va a trabajar sobre las 753 Incidencias. En primer lugar, se han escogido los siguientes clasificadores en función de la prioridad que se da a cada uno de ellos: 1. Área. En esta Empresa, aquellas Incidencias dentro de la misma área tienen tendencia a tener un comportamiento similar, puesto a que, entre otras cosas, los responsables de las distintas Incidencias que se generan, son los mismos y principalmente porque cada Área es un departamento que posee su propio SLA, de acuerdo con la Organización, que tiene que cumplir a la hora de la Gestión de Incidencias. Pueden ser: a. DWH b. SUPPLY c. Aplicación Tienda d. REF Referencial e. Transporte Infolog 2. Tipo de Incidencia. Otro campo muy importante en esta Organización es el de la criticidad. Es el que marca la urgencia de la Incidencia. Las Incidencias agrupadas bajo CRÍTICO tendrán un tratamiento más similar entre ellas que con las Incidencia agrupadas bajo NO CRÍTICO : a. Correctivo CRÍTICO b. Correctivo NO CRÍTICO 3. Prioridad (dentro del No Critico). Por el mismo motivo que con el anterior clasificador, éste que sólo se emplea para las Incidencias que con el clasificador 2 tenían valor NC, agruparía en aquellas que tienen un comportamiento similar con mayor urgencia o menor urgencia. a. Mayor b. Menor 4. Origen. Una vez divididas con los clasificadores más importantes y claves dentro de la Mejora Continua de esta Organización, nos centramos en el siguiente clasificador con mayor prioridad: saber dónde se ha generado la Incidencia. Las opciones ya comentadas en el apartado 3.1: a. Mejora b. Patrol c. Usuario d. Otros Sarmiento García, Teresa 35

74 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución 5. Usuario Apertura. En función del orden que se está siguiente, el siguiente clasificador con mayor prioridad después de Dónde se ha generado la Incidencia es Quién ha creado la Incidencia : a. 3N b. Otros (1N, 2N.) 6. Nivel de Seguridad. Una vez que se sabe el Origen y el Usuario en ese Origen, es necesario analizar el alcance de esa Incidencia, es decir, el impacto: a. Soporte b. Otros 7. Se relaciona con otras incidencias? (=Relación). Con este clasificador, ya es cuando aplicamos hipótesis. Puesto que la información que se tenía, nos daba clasificadores hasta N.Seguridad pero no son un número de clasificadores suficientes, se ha empleado la información que se posee del resto de campos para crear más clasificadores. Se considera éste (Relación) uno de gran importancia (después de N.Seg.) porque si una Incidencia no tiene relación con ninguna otra, se puede decir que su alcance es menor, mientras que con cuantas más Incidencias tenga relación una en concreto, más crítica se supone que será resolución porque el origen de esta Incidencia es más crítico y por ello, ha habido más Incidencias generadas (ha impactado sobre algún proceso crítico). Puede ser: a. No b. Sólo con 1 c. Con 2 o más de 2 (2+) 8. Estimación. El número de horas empleadas en la resolución de una Incidencia, se considera un clasificador importante. Aunque esto no sea determinante y vaya sujeto un poco al contexto y ala situación, por lo general, Incidencias con estimación alta tendrán más similitud entre sí que con Incidencias con estimación muy baja: a. Horas = 0. (Se recuerda que eran aquellas muy simples que o bien están muy relacionadas con otras Incidencias, las cuales ya tienen su estimación y al resolverlas éstas ya se resuelven las otras, o bien porque son Incidencias tan simples que apenas llevan tienen complicación.) b. Horas > 0 9. Reaperturas. Si una Incidencia se ha reabierto, la hipótesis es que es una incidencia más complicada, puesto que, a pesar de haberla intentado solucionar y haberla creído solucionada, ha vuelto a fallar. Dos opciones: a. =0 reaperturas b. >0 reaperturas 36 Sarmiento García, Teresa

75 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución 10. Piloto. Si una Incidencia tiene Piloto, es porque se considera que su solución es clave y si debe probar antes con el piloto. Por los mismos motivos que en los anteriores clasificadores, se emplea este. Dos opciones: a. Si b. No Estos atributos se han escogido como clasificadores porque se ha empleado la información aportada por personas que trabajan en esta Empresa, y por las hipótesis que se han hecho. Se muestran en el orden que se van a aplicar, ya que ese orden expresa la prioridad de la anterior sobre la siguiente, y las justificaciones son las que se han comentado previamente. Todo esto se considera un análisis cualitativo: se marcan estos clasificadores y este orden, puesto que influirán en el tratamiento de la resolución de las Incidencias. Es necesario explicar el por qué no se acaba de indicar el clasificador Proyecto (Un proyecto hace referencia a un Aplicativo). Este clasificador, sólo se va a emplear para el Área de SUPPLY y se explicará en detalle más adelante el por qué. Sobre el resto de áreas, este clasificador no se va a emplear y el razonamiento es el siguiente: La diferenciación en los distintos Proyectos/Aplicativos dentro de las áreas REF, DWH, Aplicación Tienda o Transporte Infolog, no sería significativo, puesto que, dentro de esta Empresa, en estas áreas, se conoce que la variabilidad de las incidencias no está relacionada directamente con los distintos Aplicativos, puesto que todos ellos pertenecen a un Área más concreta que abarca procesos relacionados entre sí y que todos trabajan sobre lo mismo. Son Proyectos/Aplicativos muy similares con objetivos similares y muy relacionados entre sí. Muchos de los procesos de cada Área se usan para varios de los Aplicativos dentro de esa Área: p.ej. para el caso de aquellos que se encargan de asignar artículos a tiendas también emplean el cálculo del precio, puesto que dependiendo de la localización de la tienda, puede asignarse un precio diferente. Por lo tanto, a la Organización no le interesa que los distintos Aplicativos se usen como un clasificador, puesto que, a diferencia de, por ejemplo, el Origen, que sí que influencia en el tiempo en la resolución de la incidencia, (no es lo mismo un origen que otro), el tiempo de resolución de una Incidencia dentro de una Aplicación de Referencial (p.ej.), tiene igual probabilidad de ser el mismo que el de otra Incidencia dentro de otra Aplicación de esta Área. Por último, antes de empezar con la división en Grupos, se van a indicar los criterios de división, para emplear una cierta lógica en los grupos que se crean: Criterios de división 1. Se van a crear un número de entre 20 y 30 Grupos (Tipos de Incidencias). Para concretar, se marca la media, 25 Grupos. Esto es para tener una cantidad de Grupos buena para el desarrollo de este proyecto y así tener varios modelos. Sarmiento García, Teresa 37

76 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución 2. Por lo tanto, si hay 753 Incidencias, y se buscan 25 Grupos, tendremos una media de 31 Incidencias por Grupo. 3. Como es imposible que en todos los grupos coincidan justo 31 Incidencias, se va a indicar como regla la siguiente solución: una variabilidad de más o menos 10 Incidencias, para así evitar que no aporte información un grupo debido a que tenga muy pocas Incidencias en la muestra, p.ej.. Por lo tanto, se escoge el siguiente Intervalo: Grupos de Incidencias. Con el 31 como media, más o menos en la mitad. 4. No puede haber ningún grupo que tenga menos de 21 Incidencias, salvo que sea porque sea así en un origen y no se pueda cambiar o por el siguiente punto. 5. Cualquier Grupo que tengamás de 42 Incidencias, debe subdividirse con el siguiente clasificador correspondiente, siempre y cuando uno de los grupos NO quede menor que el mínimo indicado: 15. El valor mínimo que puede tener un grupo es 15 Incidencias (salvo, como en el punto anterior, en un inicio ya venga dado así). 6. Cualquier Grupo resultante que contenga entre 21 y 42 incidencias (incluidas), salvo que el número sea muy cercano a 42 y haya una razón justificada, no se puede subdividir. En el caso de que sea un número cercano a 42, no se recomienda, pero sí se puede aceptar. Una vez establecidos los criterios, se comienza con la agrupación. 31 Incidencias (ÁREA=DWH) de DataWarehouse No se subdivide más, puesto que 31 Incidenciasestá en el intervalo ideal ([21,42]) de número de Incidencias por Grupos G01 37 Incidencias (ÁREA = Transporte Infolog). No se subdivide más, puesto que 37 Incidencias está en el intervalo ideal ([21,42]) de número de Incidencias por Grupos G02 11 Incidencias (ÁREA = Aplicación Tienda). Aunque esté muy fuera del intervalo ideal de Incidencias ([21,42]), no hay otra opción de agrupación de estas incidencias dentro de esta ÁreaG03 Ahora, a continuación, analizamos los otros dos grupos grandes de Incidencias, que van a requerir divisiones y subdivisiones en función de los otros campos que se van a emplear para su análisis como clasificadores. 38 Sarmiento García, Teresa

77 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Por lo tanto, siguiente por el área Referencial, y para medir la variabilidad y poder agrupar en Tipos las distintas Incidencias, nos basamos en los campos anteriormente indicados que pueden ser la causa de diferenciación entra unas Incidencias y otras: 1.ÁREA 2.Tipo de Inc. 3..Prioridad 4.Origen 5. Usuario Apertura 6.Nivel de Seguridad 7.Relación 8.Estimación 9.Reaperturas 10.Piloto De las 247(AREA=REF) Incidencias o 177Incidencias son NO CRÍTICAS: No se analiza la Prioridad porque no sería significativa, ya sea Mayor o Menor. Hay 64 Incidencias con Origen: Mejora, Otros, Patrol. No se analizaa Usuario Apertura o N.Seg. porque no es significativo. Sarmiento García, Teresa Incidencias Relacionadas: o Hay 41 Incidencias que tienen 0 o sólo 1 relación con otra Incidencia (Está dentro del Intervalo)G04 o Hay 23 Incidencias que tienen 2 o más Incidencias relacionadas. (Está dentro del Intervalo)G05 Hay 113 Incidencias con Origen: Usuario: 56 Incidencias tienen Usuario Apertura: 3N. N.Seguridad no se analiza porque no es significativo: todos son Soporte para este grupo. Incidencias relacionadas no se analiza porque no es un clasificadorsignificativo: hay 10 incidencias relacionadas con 2 o más con respecto a 46 relacionadas con 1, es decir, sería una muestra muy pequeña. Por lo que se obtiene: o Estimación: Hay 35 Incidencias con Estimación = 0 (Está dentro del Intervalo) G06 Hay 21 Incidencias con Estimación > 0 (Está dentro del Intervalo) G07 39

78 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución 57 Incidencias tienen Usuario Apertura: Otros. N. Seguridad no se analiza porque no es significativo: todos son Soporte para este grupo. El clasificador Relación tampoco se analiza. Esto es por dos motivos: el primero (y como pasará en más casos más adelante) es porque a este nivel, sólo tiene en cuenta el valor 1 y 2+, el valor 0 no está contemplado, por lo que no contempla todas las opciones y podría dar lugar a error. El segundo, porque aun así aunque se subdividiese, un grupo quedaría con 12 Incidencias (<15). Por lo que pasamos al siguiente clasificador establecido. o Hay 18 Incidencias con Estimación > 0 (Está dentro del Intervalo) G08 o Hay 39 Incidencias con Estimación = 0 (Está dentro del Intervalo) G09 o 70 son CRÍTICAS: No se analiza la Prioridad porque dentro de incidencias CRITICAS no aplica. Aquí volvemos a encontrar una situación similar a una anterior: si subdividimos por el campo Origen, no se tiene en cuenta el Origen Mejora, por lo que sería inexacta esta opción y podría dar lugar a resultados erróneos. En cambio, si dividimos por el siguiente clasificador (Usuario Apertura), sí que están contempladas todas las opciones(u.ap.=3n u Otros). E, igual que en el caso de antes, aunque sí se pudiese subdividir por Origen, uno de los grupos tendría menos de 15 Incidencias (14). Hay 32 Incidencias con Usuario Apertura = 3N (Está dentro del Intervalo) G10 Hay 38 Incidencias con Usuario Apertura = Otros. En este caso, se va a realizar una excepción. Aunque 38 Incidencias están dentro del intervalo aconsejable que se indicó en un inicio, este grupo de Incidencias es con el único (como se verá en el resto de análisis) con el que se puede emplear el clasificador Nivel de Seguridad. Por lo tanto, puesto que este clasificador aporta mucha información (es un campo importante), y además puesto que la subdivisión por éste quedaría con dos grupos con un número de Incidencias > 15, se va a subdividir, ya que no se incumple la regla del mínimo, pero sí que se hace la excepción con respecto a que haya 38 Incidencias ([21,42]). Hay 18 Incidencias con N.Seguridad = Soporte (Está dentro del Intervalo) G11 Hay 20 Incidencias con N.Seguridad = Otros (Está dentro del Intervalo) G12 40 Sarmiento García, Teresa

79 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución El último conjunto a analizar sería el Área de SUPPLY. En esta Área se agrupan siguientes proyectos, dentro de esta muestra de 753 Incidencias: Aprovisionamiento Centro: 82 Incidencias. Aprovisionamiento plataforma: 92 Incidencias. Facturación: Hay 39 Incidencias. Gestión operativa:142 Incidencias. Reparto domiciliario: 29 Incidencias. Gestión de productos frescos: Hay 8 Incidencias. Gestión del margen Productos frescos: 3 Incidencias. GIS Comercial: 1 Incidencia. Litigios: 6 Incidencias. Mantenimiento: 1 Incidencia. Nivel Servicio Tienda: 5 Incidencias. Promociones: 16 Incidencias. Proveedores: 1 Incidencia. Importación pedidos: 3 Incidencias. Como se dijo anteriormente, a diferencia del resto de Áreas, SUPPLY abarca todos aquellos procesos de las Aplicaciones/Proyectos de la cadena de suministro. Como se ha explicado en el punto del Estado del Arte, la cadena de suministro abarca muchas etapas, totalmente distintas: desde pedidos a proveedores, el almacenamiento (a cualquier nivel), al reparto a domicilio de los clientes, por ejemplo. Esto nos deja claro que son procesos totalmente independientes, que no se relacionan entre sí puesto que, p.ej., un proceso que se use para el aprovisionamiento de artículos no se va a emplear para la compra a proveedores, es decir, trabajan sobre pedidos, sobre artículos, sobre promociones, transportistas, etc. En las otras Áreas, todos los procesos trabajan sobre lo mismo y eran Áreas muy concretas (Datawarehouse, Infolog Transporte, REF Información de artículos, ), por lo que no era significativo el diferenciar entre sus distintos Proyectos, pero sí entre los clasificadores indicados. Esto nos indica que para el área de SUPPLY sí que nos afecta el Proyecto/Aplicación, puesto que el tiempo de resolución de una Incidencia depende directamente de si, por ejemplo, nos encontramos en un proceso clave de la cadena de suministro (que pueda afectar al cliente más directamente, como el reparto a domicilio), o a un proceso interno que sea menos crítico (determinado control de las paletas en uno de los almacenes). Y es necesario puntualizar sobre qué Proyecto nos encontramos, ya que difiere cada uno mucho del resto de Proyectos. Como también se ha dicho anteriormente, SUPPLY es el Área más importante, puesto que la cadena de suministro en una empresa del sector de distribución es clave, y esta Área reúne todos aquellas Incidencias sobre procesos, aplicaciones, etc. de esta cadena de suministro. Esto se corrobora, observando que más de la mitad de Incidencias son de SUPPLY (esta Área tiene más procesos que el resto, puede haber más fallos porque hay más procesos dónde fallar, es decir, habrá mayor número de Incidencias en SUPPLY). Sarmiento García, Teresa 41

80 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Por lo tanto, los clasificadores esquema, a continuación: que se emplearán para SUPPLY se muestran en el 1.ÁREA 2.Proyecto/Aplicativo 3.Tipo de Inc. 4.Prioridad 5.Origen 6.Usuario Apertura 7.Nivel de Seguridad 8.Relación 9.Estimación 10.Reaperturas 11.Piloto De las 427 (AREA=SUPPLY) Incidencias: o o o o 39 Incidencias son del proyecto de Facturación (Está dentro del Intervalo) G13 29 Incidencias son del proyecto Reparto Domiciliarioo (Está dentro del Intervalo) G14 82 Incidencias son de Aprovisionamiento Centro: 34 Incidencias son NO CRÍTICAS (Está dentro del Intervalo)G15 48 Incidencias son CRÍTICASG16 Este grupo no se puede subdividir más por motivos ya comentados en situaciones similares. El siguiente clasificador Origen, no reúne todas las opciones, pudiendo dar resultados erróneos. Y el resto de clasificadores, o bien ocurre la misma situación que con Origen, o bien, al subdividir, queda un grupo con un número de Incidencias mucho menos que 15. Por lo que este caso sería una excepción (no está dentro del intervalo), y se deja de esta forma. 92 Incidencias son del proyecto Aprovisionamiento Plataforma: 25 Incidencias son NO CRÍTICAS(Está dentro del Intervalo) G17 67 Incidencias son CRÍTICAS: Para este grupo, se presenta un problema igual a los anteriores: el clasificador Origen no tiene en cuenta la opción Mejora, cuando, aunque son pocas Incidencias aquellas que tienen este valor para este atributo, podría darse el caso de que entrase una Incidencia en esta rama y que tuviese el valor de Mejora puesto que existe. Intentando buscar otras opciones usando como clasificadoress los siguientes posibles, se ha visto: - Con Usuario Apertura, la proporción es de 1 Incidencia con valor Otros contra 66 con valor 3N. - N.Seguridadd sólo tiene el valor Soporte para esta rama. - La Relación es en casi todos los casos (60) valor Sarmiento García, Teresa

81 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución - Con Estimación, Piloto y Reaperturas sucede lo mismo: una proporción de un valor en muy bajo número con respecto al otro. Por lo tanto, no queda otra opción que usar el clasificador Origen, teniendo en cuenta que se acepta un posible error, puesto que 67 Incidencias está muy alejado del Intervalo marcado. Se va a clasificar en Usuario y en Otros&Patrol asumiendo en esta última la posible opción de el valor de Mejora (y por tanto el posible error), por lo que se obtiene: 21 Incidencias con valor Origen igual a Otros, Patrol y Mejora(Está casi dentro del Intervalo y es mayor que 15)G18 46 Incidencias con valor Origen igual a Usuario (No hay suficiente variedad en los siguientes clasificadores para subdividirlo más, por lo tanto es una excepción al Intervalo fijado)g19 o 142 Incidencias son del proyecto Gestión Operativa: 83 Incidencias son CRÍTICAS: En este caso, vuelve a suceder lo ya repetido anteriores veces. Con el clasificador siguiente, Origen, el valor de Mejora no está contemplado. Si escogemos el siguiente en orden, Usuario Apertura, tenemos un grupo (aquel con Usuario Apertura = Otros) que contiene 10 Incidencias (<<15). Y con los clasificadores siguientes pasa algo similar que con Usuario Apertura (<<15). Por lo tanto, se va a asumir el riesgo de no contemplar el valor de Mejora, dentro de la subdivisión Otros. 17 Incidencias tienen Origen igual a Otros(Está dentro del Intervalo) G20 26 Incidencias tienen Origen igual a Patrol (Está dentro del Intervalo) G21 40 Incidencias tienen Origen igual a Usuario (Está dentro del Intervalo) G22 o 59 Incidencias son NO CRÍTICAS: 36 Incidencias tienen Origen igual a Usuario (Está dentro del Intervalo)G23 23 Incidencias tienen Origen distinto de Usuario, es decir, pueden ser Otros, Patrol o Mejora (Está dentro del Intervalo)G24 43 Incidencias pertenecen a otros proyectos distintos de los anteriores, los cuales pueden ser: Gestión de productos frescos: Hay 8 Incidencias. Gestión del margen Productos frescos: 3 Incidencias. Sarmiento García, Teresa 43

82 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución GIS Comercial: 1 Incidencia. Litigios: 6 Incidencias. Mantenimiento: 1 Incidencia. Nivel Servicio Tienda: 5 Incidencias. Promociones: 16 Incidencias. Proveedores: 1 Incidencia. Importación pedidos: 3 Incidencias. Aunque hemos supuesto anteriormente que partimos de que sólo hay estos proyectos, ya que son los únicos que tenemos en la muestra, y aunque pueda dar lugar a un posible error, al tener esta opción se podría incluir en este saco a aquellas Incidencias que no pertenecen a un proyecto concreto de los anteriores (Aprov.Ctro., Aprov.Pltfma. ) Hay 16 Incidencias dentro de estos proyectos que sean NO CRÍTICAS (No está dentro del Intervalo, pero es mayor que 15, el mínimo, por lo que por eso se opta por subdividir en este grupo) G25 Hay 27 Incidencias dentro de estos proyectos que sean CRÍTICAS (Está dentro del Intervalo) G26 Con esto, hemos finalizado el tratamiento de los datos, la depuración, el análisis y la agrupación en Grupos/Tipos de Incidencias para poder pasar al siguiente apartado. Más adelante, se podrá ver las características de cada uno de los Grupos y sus respectivos modelos. 44 Sarmiento García, Teresa

83 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución 5.3 Modelado de datos Una vez finalizado el apartado anterior, empezamos con el modelado de cada uno de los Grupos anteriormente calculados, pero previamente se explicarán unos conceptos necesarios para poder entender bien este apartado Definición de conceptos y modelos Estadística descriptiva. Inferencia Estadística. Diagrama de caja. Outliers. La Estadística descriptiva es una gran parte de la estadística que se dedica a recolectar, ordenar, analizar y representar un conjunto de datos, con el fin de describir apropiadamente las características de este. Es una de las partes más básicas de la Estadística. Nos sirve para poder realizar inferencias y sacar conclusiones a partir de datos imperfectos. En este Proyecto, se pretende, mediante la Inferencia Estadística, analizar nuestros conjuntos de datos y poder predecir su comportamiento futuro. Para ello se empleará el uso de distribuciones de probabilidad continuas, intentando encontrar aquella que mejor se ajuste a cada conjunto de datos, mejor represente su comportamiento y mejor represente su tendencia futura. Pero, previamente a esto, es necesario emplear ciertas técnicas de la Estadística descriptiva. Nuestra variable es aleatoria continuaen este Proyecto es Tiempo t hasta la resolución de la Incidencia (en días), es decir, es una variable que puede tomar cualquier valor dentro de un rango predeterminado: toma valores a lo largo de todo un intervalo de valores. Cuando se analiza una muestra de una variable continua, es necesario, previamente, localizar aquellos valores que no son representativos de esta muestra (outliers). Esto es porque a la hora de analizar, mediante la Inferencia Estadística, su comportamiento, la media y la varianza juegan un papel fundamental. Por tanto, la media y la varianza de la muestra no pueden verse influenciadas por valores que no serían representativos puesto que esto daría un resultado erróneo. El diagrama de caja [1]es una de las herramientas de la Estadística descriptiva para aquellas variables continuas. Son una representación visual que describe varias características importantes al mismo tiempo, suministrando información sobre los valores mínimo y máximo, los cuartiles Q1, Q2 o mediana y Q3, la existencia de valores atípicos (outliers), y sobre la dispersión y la simetría de la distribución de nuestra muestra. El punto clave de este diagrama, es que analiza los datos en función del valor de la mediana en lugar de la media, de tal forma que cuando hay valores que no son representativos, se ve claro comparando la mediana con la media, siendo ambas muy diferentes (sobre la media influyen los valores de aquellos ejemplos no significativos de la muestra). Sarmiento García, Teresa 45

84 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Está compuesto por un rectángulo, la "caja", y dos brazos, los "bigotes". Unesquema se muestra a continuación: o o o El cuartil Q1 contiene el 25% de los datos. Este punto sería el inferior de la caja del diagrama de caja. El cuartil Q2 contiene el 50% de los datos, es decir, sería la mediana de la muestra. Este punto sería el que marcaría la línea interior de la caja del diagrama de caja. El cuartil Q3 contiene el 75% de los datos. Este punto sería el superior de la caja del diagrama de caja. Para poder calcular los bigotes del diagrama, es necesario primero localizar el Límite Inferior (Li) y el Límite Superior (Ls). Como se muestra en la imagen, para calcular estos valores se requiere el Rango Inter Cuartílico (RIC), que seria la diferencia entre Q3 y Q1. Los bigotes, se extienden hasta los valores máximo y mínimo de la serie o hasta 1.5 veces el RIC, y cuando los valores se extienden más allá serían valores atípicos o outliers. Entonces: Li = Q1 RIC 1.5 Límite Inferior. De tal forma que el valor de la muestra igual a este Li o mayor sería el punto del bigote inferior. Ls = Q3 + RIC 1.5 Límite superior. De tal forma que el valor de la muestra igual a este LS o menor sería el punto del bigote superior. Cualquier valor por debajo del Li, o por encima del Ls, serían los valores outliers o atípicos. También se conoce el concepto de valor extremadamente atípico, que sería aquellos inferiores a Q1 RIC 3 y superiores a Q3 + RIC Sarmiento García, Teresa

85 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Distribuciones de probabilidad continuas. o Distribución Exponencial La distribución Exponencial se emplea muy a menudo dentro de la Inferencia Estadística para modelar el comportamiento de una variable continua. Es la equivalente, en continuo, de la distribución geométrica discreta. La distribución Exponencial describe procesos que se caracterizan por: Representar el tiempo t hasta que ocurre determinado evento. El tiempo que pueda ocurrir desde cualquier instante dado t, hasta que ello ocurra en un instante t f, no depende del tiempo transcurrido anteriormente en el que no ha pasado nada. Es decir, los tiempos son aleatorios: no tienen memoria. Es una distribución de probabilidad continua con parámetro, cuya función de densidad se muestra a continuación: ; 0 0 [2] Con Y con función de distribución acumulada: ; [3] La media de esta distribución, la Esperanza E(t), sería igual al parámetro. Es decir, la media y la varianza de esta distribución: Media = E(t) = Varianza = V(t) = o Distribución Weibull La distribución Weibull es otra distribución que también se emplea con frecuencia, en la Inferencia Estadística, para modelar el comportamiento de una variable continua. Esta distribución modela la distribución de eventos cuando la tasa de estos eventos (por ejemplo: fallos o resolución de Incidencias) es proporcional a una potencia del tiempo. La función de densidad de una variable aleatoria que sigue una distribución Weibull, es: ;, 0 [4] 0 Sarmiento García, Teresa 47

86 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución 0 á 0 á Y con función de distribución acumulada: ;, [5] Un valor <1 indica que la tasa de fallos (o en nuestro caso: de resolución de Incidencias) decrece con el tiempo. Cuando =1, indica que la tasa de resolución de Incidencias es constante en el tiempo. En este caso, coincide con la distribución Exponencial. Un valor >1, indica que la tasa de resolución de Incidencias crece con el tiempo. La media y la varianza de esta distribución se muestran a continuación: Media = E(t) = Γ 1 Varianza = V(t) = Γ 1 Γ 1 Siendo Γ la función Gamma. o Distribución Lognormal La distribución Lognormal es otra distribución que también se emplea con frecuencia, en la Inferencia Estadística, para modelar el comportamiento de una variable continua. Es una distribución de probabilidad de una variable aleatoria continua cuyo logaritmo está normalmente distribuido. Es decir, si X es una variable aleatoria que sigue una distribución Lognormal,, 6. Además, una variable puede ser modelada como Lognormal si puede ser considerada como un producto multiplicativo de muchos pequeños factores independientes. La función de densidad de una variable aleatoria que sigue una distribución Lognormal tiende a ser: ;, 0 [7] ó ó á Y con función de distribución acumulada: ;, La media y la varianza de esta distribución se muestra a continuación: Media = E(t) = Varianza = V(t) = 1 48 Sarmiento García, Teresa [8]

87 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Estimación de Máxima Verosimilitud (MLE). En Estadística, la estimación por máxima verosimilitud (MLE en inglés), es un método para ajustar una muestra a un modelo y encontrar sus parámetros. Cuando se tiene un conjunto de datos, el cual se quiere modelar mediante una distribución pero se desconocen los parámetros para esta distribución, empleando este método se puede obtener su o sus parámetro/s, que sean los más próximos a los verdaderos valores. Obviamente hay otros métodos, como el de los Mínimos Cuadrados, pero este es el que se va a emplear en este Proyecto. Se supone que se parte de una muestra de una variable aleatoria continua X=,, con n observaciones independientes que se distribuyen mediante una función de densidad (probabilidad) con parámetro desconocido f(x;), pudiendo ser un vector de parámetros. Se supone, además, que se tiene una familia parametrizada de funciones de densidad, es decir, para cada valor del parámetro, existe una función de densidad perteneciente a esta familia. Por lo tanto, la función de densidad conjunta de todas las observaciones, considerando el vector X de datos fijo, y variable, sería:,, Obteniendo como Función de Verosimilitud:, El método de máxima verosimilitud lo que busca es maximizar esta función, encontrando el valor de que maximiza,. Es decir, el valor (o los valores) para los cuales la derivada de la Función de Verosimilitud se anula (se busca el máximo). Para corroborarlo, se aconseja que, con la ayuda de la segunda derivada, se compruebe que el resultado es estrictamente negativo y no positivo, y garantizar así que se trata de un máximo y no un mínimo. Como esto equivaldría a un producto de probabilidades o de densidades, y la derivada de un producto es bastante compleja de por sí, en la práctica se emplea el logaritmo de la Función de Verosimilitud, ya que es preferible derivar una suma. Al ser el logaritmo una función creciente, es equivalente maximizar que ln. Por tanto: Sarmiento García, Teresa 49 ln ln Y los estimadores de máxima verosimilitud serían aquellos que cumplen:

88 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución 0 0 1,2 9 Test de Kolmogorov-Smirnov (K-S). Nivel de significación. Estadístico K-S D. P-valor. Se parte de una muestra de una variable aleatoria continua X, con tamaño n de la muestra. Se pretende conocer si esta muestra sigue una distribución de probabilidad concreta f(x) y, para esto, es necesario analizar la bondad del ajuste: es decir, si esta distribución f(x) ajusta los datos de esta muestra correctamente. Para esto, se emplea el Test de Kolmogorov-Smirnov. Este se emplea para aquellas variables continua, sin importar el tamaño de la muestra. Antes de comenzar con la explicación del desarrollo de este método, es necesario conocer algunos conceptos: o Hipótesis. En Estadística, a la hora de plantear si una muestra X se ajusta mediante una distribución f(x) o no, se emplea el contraste de hipótesis. La hipótesis nula hace siempre referencia a que La muestra X se ajusta mediante la distribución f(x) y se representa como, mientras que si se rechaza la hipótesis nula, quiere decir que se estaría aceptando la hipótesis alternativa La muestra X no se ajusta mediante la distribución f(x) representada como. o Nivel de significación. Un resultado es estadísticamente significativo cuando no es probable que haya sido debido al azar, es decir, cuánto menor sea, más fuerte será la evidencia de que un hecho no se debe a una mera coincidencia. El nivel de significación se emplea para la verificación de una hipótesis: se define como la probabilidad de tomar la decisión de rechazar la hipótesis nula. o P-valor (pvalue). Este valor muestra la probabilidad de haber obtenido el resultado que se ha obtenido si se supone que la hipótesis nula es cierta. Si el p- valor es menor que el nivel de significación establecido () indica que lo más probable es que se rechace la hipótesis nula. Cuánto mayor sea el p-valor, mejor será el ajuste (más lejos de la región de rechazo ). En este test se compara la distribución acumulada de la distribución teórica con la distribución acumulada observada. Se determina el punto en el que estas dos distribuciones muestran la mayor divergencia: Se calcula la distribución acumulada empírica de la muestra X, es decir, se acumula las equi-probabilidades individuales i: 1,2. 50 Sarmiento García, Teresa

89 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Se calcula la distribución acumulada teórica. Se calculan las diferencias: y. Se escoge la mayor diferencia, siendo esta el valor del estadístico del Test Kolmogorov-Smirnov D. Mediante la tabla de Kolmogorov-Smirnov, se busca el valor correspondiente a los grados de libertad (en K-S es n) y el nivel de significación establecido, obteniendo,. Conclusión: o Si D, No se rechaza o Si D, Se rechaza, se acepta El p-valor sería la probabilidad que recogería el estadístico D, es decir P(D), por tanto si D, significa que el p-valor >, mientras que, si D,, el p-valor. En este Proyecto se va a emplear la herramienta MATLAB para este apartado. Esta herramienta, a parte de calcular el resultado del Test Kolmogorov-Smirnov con el estadístico D, calcula el p-valor, de tal forma que no sólo nos proporciona el resultado al comparar Dy,, si no que además, al proporcionarnos el p-valor, se puede corroborar el resultado comparando éste con el nivel de significación. Además, teniendo en cuenta que proporciona este p-valor, si más de una distribución se aproxima correctamente a la muestra X, aquella que mejor se ajuste será aquella que proporcione el mayor p-valor, o lo que es equivalente, el menor valor del estadístico D. Teorema Central del Límite (TCL)[10] Se parte de una muestra de una variable aleatoria continua X, con tamaño n de la muestra. Este teorema defiende lo siguiente: Si se tiene un conjunto de variables aleatorias continuas e independientes,, con n suficientemente grande, y todas ellas siguen el mismo modelo de distribución con media y varianza distinta de cero, la suma de éstas se distribuye mediante la distribución normal: 1 N, Por tanto, este teorema es de gran utilidad en la Inferencia Estadística. Permite hallar un intervalo para, de tal forma que se puede predecir cómo se comportará la media de la variable aleatoria continua X que se está estudiando, considerando que está formada por muchas (n suficientemente grande) variables aleatorias independientes. Sarmiento García, Teresa 51

90 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución En este Proyecto se empleará este Teorema para calcular, para cada grupo/tipo de Incidencias, un intervalo del tiempo medio hasta la resolución de la Incidencia. Se habrá realizado previamente el TK-S para saber qué distribución se ajusta a cada Grupo, por lo que se tendrá y de esta distribución. Se necesita tener en cuenta dos observaciones: o Se considera la media, pero a la hora de analizar la varianza, hay tener en cuenta que es la varianza muestral y no la poblacional, por lo que será necesario calcular la cuasi-varianza para poder emplear el TCL. Renombrando la varianza = : 1 o Se busca un intervalo con una confianza al 95% ( 0.05), valor más común en la Inferencia estadística, para así proporcionar un posible rango de valores para el tiempo medio (este intervalo lo proporciona la Distribución Normal). Si la muestra contiene ejemplos demasiado dispersos (varianza alta), es conveniente reducir el intervalo de confianza. Para calcular el estadístico que proporcione este intervalo, se empleará la tabla t de Student, en lugar de la tabla de la Normal estándar. Esto es debido a que la Normal es menos exacta y sería correcta para tamaños 100. Por lo tanto, t de Student ajusta mejor los datos. La variable aleatoria continua tiempo medio hasta la resolución de la Incidencia, mediante el Teorema Central del Límite,sigue una distribución normal ;, por lo tanto, considerando la tabla de la t de Student de dos colas, obtendríamos el intervalo del tiempo medio hasta la resolución de la Incidencia, al nivel de significación : ; 1 Siendo y la varianza y la media de la distribución que sigue la variable aleatoria continua tiempo t hasta la resolución de la Incidencia. Por último, destacar que, a pesar de que hay algún grupo con un tamaño de muestra pequeño, se va a considerar n suficientemente grande en todos los Tipos de Incidencias, y se aplicará este Teorema. 52 Sarmiento García, Teresa

91 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Análisis y modelado de los grupos En este apartado nos vamos a centrar en aproximar cada uno de los Grupos de Incidencias con las distintas distribuciones explicadas anteriormente. Para ello, vamos a emplear la herramienta MATLAB, y las distintas funciones que se ofrecen en Statistics Toolbox, importando los datos de la hoja Excel que contiene estos grupos. De esta forma, se pretende, en función de las características de una Incidencia que se pueda presentar, dar un intervalo al tiempo medio de resolución, el que más se ajuste. Para ello, se van a analizar los tiempos de cada muestra (dentro de cada Grupo) y se va a modelar esta variable aleatoriacontinua tiempo t hasta la resolución de una Incidencia con cada una de estas distribuciones, y encontrar aquella que mejor aproxime estos datos, para así, poder proporcionar un intervalo para eltiempo medio hasta la resolución de una Incidencia del tipo GXX. Se extraen los datos del libro Excel DATOSfinales.xlsx, de la hoja Grupos donde para cada grupo, están sus tiempos (de cada una de las Incidencias) en días. En primer lugar, y antes de poder empezar a analizar uno por uno los distintos grupos, es necesario localizar aquellos valores que no sean representativos de cada una de las muestras, es decir, los outliers. Estos valores no serán eliminados del conjunto de Incidencias, pero sí que no se tendrán en cuenta para el análisis que se realizará de cada uno de los Grupos. Esto mismo se aplicará en la parte del desarrollo del software, como se explicará más adelante. Este estudio previo se realiza empleando la técnica del diagrama de cajas, explicado anteriormente, para cada uno de los grupos. Mediante MATLAB, se aplica la función boxplot enviándole como parámetro el conjunto de Grupos con sus Incidencias y obtenemos, en la siguiente página,los diagramas de cajas de los distintos Grupos: Sarmiento García, Teresa 53

92 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Figura 13.- Diagramas de caga de los Grupos/Tipos Podemos observar que están marcados aquellos tiempo t que se consideran outliers. En la Excel dónde se tienen los distintos grupos, se marcarán aquellos outliers para poder facilitar el análisis de los distintos modelos para cada grupo. En total para los 26 Grupos (Tipos) de Incidencias se eliminan 22 casos. Una vez localizados estos outliers para poder llevar acabo el análisis, ya se puede comenzar. G01: Incidencias relacionadas con Datawarehouse Se va a comenzar analizando este primer grupo. Como este es el primero que se analiza, se va a explicar a continuación, y sólo para este primer grupo, cada uno de los pasos detalladamente. En primer lugar, importamos los datos correspondientes desde la hoja Excel a MATLAB (quitando el valor Outlier). Estos datos están en la segunda hoja (DATOSfinales.xlsx, 2), en la primera columna (por ser el primer grupo, A2:A31): Distribución Exponencial Comenzamos analizando la distribución Exponencial. Teniendo en la variable G01la muestra, lo siguiente sería calcular el parámetro. Esto se va a hacer empleando función de la Estimación de Máxima Verosimilitud (MLE) que proporciona MATLAB. Esta función es la función expfit, a la que se le pasa el array G01y nos devuelve el valor MLE de mu = 54 Sarmiento García, Teresa

93 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Con este valor, ya tenemos el parámetro necesario paraa esta distribución, con valor. Con esto, llamamos a la función (a la que se le mandan como parámetros G01 y mu) exppdf.esta función devuelve para cada valor dentro de t dentro de G01, su correspondiente f(t) de la distribución exponencial. Y a continuación, con la funciónn plot(g01,exponencial), función de distribución Exponencial: obtenemos la gráfica de esta Figura 14.- Gráfico 1Distribución Exponencial G01 Una vez que tenemos los tiempos t del G01 ajustados por la distribución Exponencial, vamos a analizar mediante el Test de Kolmogorov-Smirnov la bondad del ajuste. En primer lugar, se va considerarr la hipótesis nula (h=0) de que la muestra (G01) sigue una distribución Exponencial. Si se rechaza la hipótesis nula (h= 1) significa que la muestra no se ajusta mediante la función de distribución Exponencial. Para esto, emplearemos de nuevo MATLAB. Con esta herramienta, se va a emplear la función kstest(al 0.05 de nivel de significación) paraa llevar a cabo este test. En MATLAB, es necesario calcular (para enviar como parámetro a la función) la funciónn de distribución acumulada de la Exponencial. De tal forma: o o Comoo primer parámetro, se envía una matriz n x 1 (siendo n el tamaño de la muestra) que corresponde al número detiempost del G01. El segundo parámetro, sería una matriz de n x 2 (siendo n el tamaño de la muestra) que estaría formada por una primera columna que corresponde a los datos t del G01, y una segunda columna que correspondee a su respectiva función de distribución Exponencial acumulada de dichos tiempos t. Sarmiento García, Teresa 55

94 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Por lo que, seguimos lo siguientes pasos, partiendo del valor ya calculado mumle: Obtenemos así, la F(t), que no la f(t), que sería la función acumulada que se busca. A su lado derecho, se tiene la matriz n x 2 con los datos como se ha comentado antes. Una vez tenemos ambos parámetros que hace falta enviar a la función kstest, se emplea esta función, obteniendo lo siguiente: Se obtiene h=1, lo cual significa que se rechaza la hipótesis nula (h=0), es decir, se rechaza la hipótesis de que la muestra se ajusta con una distribución Exponencial. Además, el p- valor es menor que el nivel de significación establecido (0.05), lo cual corrobora que se rechaza la hipótesis nula, los tiempos t del tipo de Incidencias G01 no se ajustan mediante una distribución Exponencial. Distribución Weibull A continuación, se va a analizar el ajuste de estos tiempos mediante la distribución Weibull. Teniendo en la variable G01la muestra, lo siguiente sería calcular losparámetros y. Esto se va a hacer empleando función de la Estimación de Máxima Verosimilitud (MLE) que proporciona MATLAB para el caso de Weibull. Esta función es la función wblfit, a la que se le pasa el array G01y nos devuelve dos valores, cada uno correspondiente a cada uno de los parámetros y. 56 Sarmiento García, Teresa

95 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Hemos obtenido = y = Con estos valores, ya tenemos los parámetros para esta distribución. Por lo tanto, llamamos a la función (a la que se le mandan como parámetros G01,, ) wblpdf. Esta función devuelve para cada valor de t dentro de G01, su correspondiente f(t) de la distribución de Weibull. Y a continuación, con la función plot(g01,weibull), obtenemos la gráfica de esta función de distribución Weibull: Figura 15.- Distribución Weibull G01 Una vez que tenemos los tiempos t del G01 ajustados por la distribución Weibull, se va a analizar, como se hizo para la distribución Exponencial, mediante el Test de Kolmogorov- Smirnov la bondad del ajuste. Como se ha hecho previamente, se va a considerar la hipótesis nula (h=0) de que la muestra (G01) sigue una distribución Weibull. Si se rechaza esta hipótesis nula (h=1) significa que la muestra no se ajustaría mediante la función de distribución Weibull. Se emplea de nuevo MATLAB. Se va a emplear la función kstest de nuevo, y se necesitan, como se ha explicado anteriormente, lo siguientes parámetros a enviarle: o o Como primer parámetro, se envía una matriz n x 1 (siendo n el tamaño de la muestra) que corresponde a los datos t del G01. El segundo parámetro, sería una matriz de n x 2 (siendo n el tamaño de la muestra) que estaría formada por una primera columna que corresponde a los datos t del G01, Sarmiento García, Teresa 57

96 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución y una segunda columna que corresponde a su respectiva función de distribución Weibull acumulada de dichos tiempos t. Por lo que, seguimos lo siguientes pasos, partiendo de los parámetros calculados y (wmle(1), wmle(2)): Obtenemos así, la F(t), que no la f(t), que sería la función acumulada que se busca. A su derecha, creamos la matriz n x 2 con los datos como se ha comentado antes. Una vez tenemos ambos parámetros que hace falta enviar a la función kstest, se emplea esta función, obteniendo lo siguiente: Obtenemos h=0, lo cual quiere decir que no se permite rechazar la hipótesis nula, es decir, se acepta que la muestra de tiempos t del grupo de Incidencias G01 sigue una distribución Weibull. Además, el p-valor es mayor que el nivel de significación (0.05), lo cual también garantiza que no se rechaza la hipótesis nula y que los tiempos t del G01 sí se ajustan mediante una distribución Weibull. Distribución Lognormal datos. A continuación, se va a analizar el ajuste mediante la distribución Lognormal de estos Partiendo de la variable G01 que contiene la muestra, como se hizo anteriormente, lo siguiente sería calcular los parámetros y de esta distribución. Esto se va a hacer, de 58 Sarmiento García, Teresa

97 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución nuevo,empleando función de la Estimación de Máxima Verosimilitud (MLE) que proporciona MATLAB para el caso de Lognormal. Esta función es la función lognfit, a la que se le pasa el array G01y nos devuelve dos valores y : Hemos obtenido = y = Con estos valores, ya tenemos los parámetros para esta distribución. Por lo tanto, llamamos a la funciónlognpdf. Esta función devuelve para cada valor dentro de t dentro de G01, su correspondiente f(t) de la distribución Lognormal. Y a continuación, con la función plot(g01,lognormal), obtenemos la gráfica de esta función de distribución Lognormal para estos datos: Figura 16.- Distribución Lognormal G01 Teniendo ya los tiempos t del G01 ajustados por la distribución Lognormal, se va a analizar, mediante el Test de Kolmogorov-Smirnov, la bondad del ajuste. Como se ha hecho anteriormente, se va a considerar la hipótesis nula (h=0) de que la muestra (G01) sigue una distribución Lognormal. Si se rechaza esta hipótesis nula (h=1) significa que la muestra no se ajustaría mediante la función de distribución Lognormal. Se emplea de nuevo MATLAB. Se va a emplear la función kstest de nuevo, y se necesitan, como se ha explicado anteriormente, lo siguientes parámetros a enviarle: o Como primer parámetro, se envía una matriz n x 1 (siendo n el tamaño de la muestra) que corresponde a los datos t del G01. Sarmiento García, Teresa 59

98 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución o El segundo parámetro, sería una matriz de n x 2 (siendo n el tamaño de la muestra) que estaría formada por una primera columna que corresponde a los datos t del G01, y una segunda columna que corresponde a su respectiva función de distribución Lognormal acumulada de dichos tiempos t. Por lo que, seguimos lo siguientes pasos, partiendo de los parámetros calculados y (lognmle(1), lognmle(2)): Obtenemos así, la F(t), que no la f(t), que sería la función acumulada que se busca. A su derecha, creamos la matriz n x 2 con los datos como se ha comentado antes. Una vez tenemos ambos parámetros que hace falta enviar a la función kstest, se emplea esta función, obteniendo lo siguiente: Obtenemos h=0, lo cual quiere decir que no se permite rechazar la hipótesis nula, es decir, se acepta que la muestra de tiempos t del grupo de Incidencias G01 sigue una distribución Lognormal. Además, el p-valor es mayor que el nivel de significación (0.05), lo cual también garantiza que no se rechaza la hipótesis nula y que los tiempos t del G01 sí se ajustan mediante una distribución Lognormal. Para finalizar, se escoge la distribución que mejor se ajusta a los tiempos t del G01. Para esto, vamos a comparar los valores del p-valor, puesto que cuando el p-valor es alto, quiere decir que más se ajusta a la distribución. Teniendo en cuenta que la distribución Exponencial no ajustaba los datos, sólo quedan dos opciones: Weibull y Lognormal: pvalueweibull = Sarmiento García, Teresa

99 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución pvaluelognormal = pvalue-weibull > pvalue-lognormalla distribución Weibull ajusta mejor los tiempos t del tipo de Incidencias G01. Tiempos t del G , Por lo tanto, se va a calcular a continuación el intervalo de confianza en un 95%, nivel de significación 0.05, del tiempo medio en días que se estima para resolución de una Incidencia del tipo G01, mediante la distribución Weibull, distribución que mejor ajusta los datos. Esto se va a realizar mediante el Teorema Central del Límite (TCL), explicado anteriormente. En primer lugar, se va a calcular mediante MATLAB la media y la varianza de la distribución Weibull de estos tiempos, empleando la función wblstats enviándole como parámetros a esta función y (wmle(1),wmle(2)): Mediante el TCL se tiene lo siguiente, dónde es la varianza (var) de esta distribución: ; ; Por tanto, el intervalo de confianza al 95% del tiempo medio en días que se estima para la resolución de una Incidencia del tipo G01, mediante la distribución Weibull, es:. í í. G02: Incidencias relacionadas con la logística del Transporte y la herramienta Infolog (Área Transporte-Infolog). Como se dijo en el análisis del G01, desde el G02 en adelante, teniendo ya una descripción detallada de cada uno de los pasos, se van a indicar las conclusiones sin entrar en tanto detalle. En primer lugar, importamos los datos correspondientes desde la hoja Excel a MATLAB. Sarmiento García, Teresa 61

100 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Distribución Exponencial Comenzamos analizando la distribución Exponencial. Mediante MATLAB se obtiene el valor del parámetro mu = Por lo tanto para esta distribución, su parámetro La gráfica de esta distribución es la siguiente: Figura 17- Distribución Exponencial G02 Una vez que tenemos los tiempos t del G02 ajustados por la distribución Exponencial, vamos a analizar mediante el Test de Kolmogorov-Smirnov la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Exponencial. Mediante MATLAB nos quedaría lo siguiente: Se obtiene h=0, lo cual significa que no se puede rechazar la hipótesis nula, es decir, no se rechaza la hipótesis de que la muestra se ajusta con una distribución Exponencial. Además, el p-valor es mayor (aunque por muy poco) que el nivel de significación establecido (0.05), lo cual corroboralos tiempos t del tipo de Incidencias G02 se pueden ajustar mediante una distribución Exponencial. 62 Sarmiento García, Teresa

101 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Distribución Weibull Teniendo en la variable datos la muestra, lo siguiente sería calcular los parámetros y. Mediante MATLAB se obtiene y La gráfica de esta distribución , es la siguiente: Figura 18.- Distribución Weibull G02 Una vez que tenemos los tiempos t del G02 ajustados por la distribución Weibull, vamos a analizar mediante el Test de Kolmogorov-Smirnov la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Weibull. Mediante MATLAB nos quedaría lo siguiente: Se obtiene h=0, lo cual significa que no se puede rechazar la hipótesis nula, es decir, no se rechaza la hipótesis de que la muestra se ajusta con una distribución Weibull. Además, el p- valor es mayor que el nivel de significación establecido (0.05), lo cual corrobora que los tiempos t del tipo de Incidencias G02 se ajustan mediante una distribución Weibull. Distribución Lognormal Partiendo de la variable datos la muestra, lo siguiente sería calcular los parámetros y de esta distribución. Mediante MATLAB se obtiene y La gráfica , se muestra a continuación: Sarmiento García, Teresa 63

102 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Figura 19. Distribución Lognormal G02 Una vez que tenemos los tiempos t del G02 ajustados por la distribución Lognormal, vamos a analizar mediante el Test de Kolmogorov-Smirnov la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Lognormal. Mediante MATLAB nos quedaría lo siguiente: Se obtiene h=0, lo cual significa que no se puede rechazar la hipótesis nula, es decir, no se rechaza la hipótesis de que la muestra se ajusta con una distribución Lognormal. Además, el p-valor es mayor (aunque por poco) que el nivel de significación establecido (0.05), lo cual corrobora que los tiempos t del tipo de Incidencias G02 se pueden ajustar mediante una distribución Lognormal. Para finalizar, se escoge la distribución que mejor se ajusta a los tiempos t del G02. Para esto, escogemos aquella distribución que proporciona el mayor p-valor: pvalueweibull = La distribución Weibull ajusta mejor los tiempos t del tipo de Incidencias G02. Tiempos t del G , Por lo tanto, se va a calcular a continuación el intervalo de confianza en un 95%, nivel de significación 0.05, del tiempo medio en días que se estima para resolución de una Incidencia del tipo G02, mediante la distribución Weibull, distribución que mejor ajusta los datos.en primer lugar, se va a calcular mediante MATLAB la media y la varianza de la 64 Sarmiento García, Teresa

103 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución distribución Weibull de estos tiempos, empleando la función wblstats enviándole como parámetros a esta función y. Mediante el TCL se tiene lo siguiente: ; Por tanto, el intervalo de confianza al 95% del tiempo medio en días que se estima para la resolución de una Incidencia del tipo G02, mediante la distribución Weibull, es:. í í. G03: Incidencias relacionadas con la Aplicación Tienda, es decir, el CRM de esta Empresa del sector de Distribución. En primer lugar, importamos los datos correspondientes desde la hoja Excel a MATLAB (quitando el valor outlier). Distribución Exponencial Comenzamos analizando la distribución Exponencial. Mediante MATLAB se obtiene el valor del parámetro mu = Por lo tanto para esta distribución, su parámetro La gráfica de esta distribución es la siguiente:. Sarmiento García, Teresa 65

104 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Figura 20. Distribución Exponencial G03 Una vez que tenemos los tiempos t del G03 ajustados por la distribución Exponencial, vamos a analizar mediante el Test de Kolmogorov-Smirnov la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Exponencial. Mediante MATLAB nos quedaría lo siguiente: Se obtiene h=0, lo cual significa que no se puede rechazar la hipótesis nula, es decir, no se rechaza la hipótesis de que la muestra se ajusta con una distribución Exponencial. Además, el p-valor es mayor que el nivel de significación establecido (0.05), lo cual corrobora los tiempos t del tipo de Incidencias G03 se pueden ajustar mediante una distribución Exponencial. Distribución Weibull Teniendo en la variable G03la muestra, lo siguiente sería calcular los parámetros y. Mediante MATLAB se obtiene y La gráfica de esta distribución , es la siguiente: 66 Sarmiento García, Teresa

105 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Figura 21. Distribución Weibull G03 Una vez que tenemos los tiempos t del G03 ajustados por la distribución Weibull, vamos a analizar mediante el Test de Kolmogorov-Smirnov la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Weibull. Mediante MATLAB nos quedaría lo siguiente: Se obtiene h=0, lo cual significa que no se rechaza la hipótesis de que la muestra se ajusta con una distribución Weibull. Además, el p-valor es mayor que el nivel de significación establecido (0.05), lo cual corrobora que los tiempos t del tipo de Incidencias G03 se ajustan mediante una distribución Weibull. Distribución Lognormal Partiendo de la variable G03la muestra, lo siguiente sería calcular los parámetros y de esta distribución. Mediante MATLAB se obtiene y La gráfica , se muestra a continuación: Sarmiento García, Teresa 67

106 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Figura 22. Distribución Lognormal G03 Una vez que tenemos los tiempos t del G03 ajustados por la distribución Lognormal, vamos a analizar mediante el Test de Kolmogorov-Smirnov la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Lognormal. Mediante MATLAB nos quedaría lo siguiente: Se obtiene h=0, lo cual significa queno se rechaza la hipótesis de que la muestra se ajusta con una distribución Lognormal. Además, el p-valor es mayor que el nivel de significación establecido (0.05), lo cual corrobora que los tiempos t del tipo de Incidencias G03 se pueden ajustar mediante una distribución Lognormal. Para finalizar, se escoge la distribución que mejor se ajusta a los tiempos t del G03. Para esto, escogemos aquella distribución que proporciona el mayor p-valor: pvalue-weibull = La distribución Weibull ajusta mejor los tiempos t del tipo de Incidencias G03. Tiempos t del G , Por lo tanto, se va a calcular a continuación el intervalo de confianza en un 95%, nivel de significación 0.05, del tiempo medio en días que se estima para resolución de una Incidencia del tipo G03, mediante la distribución Weibull, distribución que mejor ajusta los datos. En primer lugar, se va a calcular mediante MATLAB la media y la varianza de la distribución Weibull de estos tiempos: 68 Sarmiento García, Teresa

107 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Mediante el TCL se obtiene lo siguiente: ; Por tanto, el intervalo de confianza al 95% del tiempo medio en días que se estima para la resolución de una Incidencia del tipo G03, mediante la distribución Weibull, es:. í í. G04: Incidencias relacionadas con el área Referencial (todos los procesos relacionados con la información de los artículos), que son No Críticas, con cualquier prioridad, con Origen en el departamento de Mejora, la herramienta Patrol u Otro origen no contemplado, con cualquier Usuario de Apertura y Nivel de Seguridad y siendo la raíz un fallo que sólo ha causado esta Incidencia o una más como máximo (Relación = 0 o 1). En primer lugar, importamos los datos correspondientes desde la hoja Excel a MATLAB. Distribución Exponencial Comenzamos analizando la distribución Exponencial. Mediante MATLAB se obtiene el valor del parámetro mu = Por lo tanto para esta distribución, su parámetro La gráfica de esta distribución es la siguiente: Sarmiento García, Teresa 69

108 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Figura 23. Distribución Exponencial G04 Una vez que tenemos los tiempos t del G04 ajustados por la distribución Exponencial, vamos a analizar mediante el Test de Kolmogorov-Smirnov la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Exponencial. Mediante MATLAB nos quedaría lo siguiente: Se obtiene h=0, lo cual significa que no se puede rechazar la hipótesis nula, es decir, no se rechaza la hipótesis de que la muestra se ajusta con una distribución Exponencial. Además, el p-valor es mayor (aunque por poca diferencia) que el nivel de significación establecido (0.05), lo cual corrobora los tiempos t del tipo de Incidencias G04 se pueden ajustar mediante una distribución Exponencial. Distribución Weibull Teniendo en la variable G04la muestra, lo siguiente sería calcular los parámetros y. Mediante MATLAB se obtiene y La gráfica de esta distribución , es la siguiente: 70 Sarmiento García, Teresa

109 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Figura 24. Distribución Weibull G04 Una vez que tenemos los tiempos t del G04 ajustados por la distribución Weibull, vamos a analizar mediante el Test de Kolmogorov-Smirnov la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Weibull. Mediante MATLAB nos quedaría lo siguiente: Se obtiene h=0, lo cual significa que no se rechaza la hipótesis de que la muestra se ajusta con una distribución Weibull. Además, el p-valor es mayor que el nivel de significación establecido (0.05), lo cual corrobora que los tiempos t del tipo de Incidencias G04 se ajustan mediante una distribución Weibull. Distribución Lognormal Partiendo de la variable G04la muestra, lo siguiente sería calcular los parámetros y de esta distribución. Mediante MATLAB se obtiene y La gráfica , se muestra a continuación: Sarmiento García, Teresa 71

110 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Figura 25. Distribución Lognormal G04 Una vez que tenemos los tiempos t del G04 ajustados por la distribución Lognormal, vamos a analizar mediante el Test de Kolmogorov-Smirnov la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Lognormal. Mediante MATLAB nos quedaría lo siguiente: Se obtiene h=0, lo cual significa que no se rechaza la hipótesis de que la muestra se ajusta con una distribución Lognormal. Además, el p-valor es mayor que el nivel de significación establecido (0.05), lo cual corrobora que los tiempos t del tipo de Incidencias G04 se pueden ajustar mediante una distribución Lognormal. Para finalizar, se escoge la distribución que mejor se ajusta a los tiempos t del G04. Para esto, escogemos aquella distribución que proporciona el mayor p-valor: pvalue-weibull = La distribución Weibull ajusta mejor los tiempos t del tipo de Incidencias G04. Tiempos t del G , Por lo tanto, se va a calcular a continuación el intervalo de confianza en un 95%, nivel de significación 0.05, del tiempo medio en días que se estima para resolución de una Incidencia del tipo G04, mediante la distribución Weibull, distribución que mejor ajusta los datos. En primer lugar, se va a calcular mediante MATLAB la media y la varianza, obteniendo la media = y la varianza = Sarmiento García, Teresa

111 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Mediante el TCL se obtiene lo siguiente: ; Por tanto, el intervalo de confianza al 95% del tiempo medio en días que se estima para la resolución de una Incidencia del tipo G04, mediante la distribución Weibull, es:. í í. G05: Incidencias relacionadas con el área Referencial (todos los procesos relacionados con la información de los artículos), que son No Críticas, con cualquier prioridad, con Origen en el departamento de Mejora, la herramienta Patrol u Otro origen no contemplado, con cualquier Usuario de Apertura y Nivel de Seguridad y siendo la raíz un fallo que ha causado otras dos Incidencias, a parte de ésta, o más (Relación=2+). En primer lugar, importamos los datos correspondientes desde la hoja Excel a MATLAB. Distribución Exponencial Comenzamos analizando la distribución Exponencial. Mediante MATLAB se obtiene el valor del parámetro mu = Por lo tanto para esta distribución, su parámetro La gráfica de esta distribución es la siguiente: Figura 26. Distribución Exponencial G05 Sarmiento García, Teresa 73

112 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Una vez que tenemos los tiempos t del G05 ajustados por la distribución Exponencial, vamos a analizar mediante el Test de Kolmogorov-Smirnov la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Exponencial. Mediante MATLAB nos quedaría lo siguiente: Se obtiene h=1, lo cual significa que se rechaza la hipótesis nula, es decir, la muestra no se ajusta a una distribución Exponencial. Además, el p-valor es menor que el nivel de significación establecido (0.05), lo cual corrobora quelos tiempos t del tipo de Incidencias G05 no se pueden ajustar mediante una distribución Exponencial. Distribución Weibull Teniendo en la variable G05la muestra, lo siguiente sería calcular los parámetros y. Mediante MATLAB se obtiene y La gráfica de esta distribución , es la siguiente: Figura 27. Distribución Weibull G05 Una vez que tenemos los tiempos t del G05 ajustados por la distribución Weibull, vamos a analizar mediante el Test de Kolmogorov-Smirnov la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Weibull. Mediante MATLAB nos quedaría lo siguiente: 74 Sarmiento García, Teresa

113 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Se obtiene h=0, lo cual significa que no se rechaza la hipótesis de que la muestra se ajusta con una distribución Weibull. Además, el p-valor es mayor que el nivel de significación establecido (0.05), lo cual corrobora que los tiempos t del tipo de Incidencias G05 se ajustan mediante una distribución Weibull. Distribución Lognormal Partiendo de la variable G05la muestra, lo siguiente sería calcular los parámetros y de esta distribución. Mediante MATLAB se obtiene y La gráfica , se muestra a continuación: Figura 28. Distribución Lognormal G05 Una vez que tenemos los tiempos t del G05 ajustados por la distribución Lognormal, vamos a analizar mediante el Test de Kolmogorov-Smirnov la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Lognormal. Mediante MATLAB nos quedaría lo siguiente: Sarmiento García, Teresa 75

114 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Se obtiene h=0, lo cual significa que no se rechaza la hipótesis de que la muestra se ajusta con una distribución Lognormal. Además, el p-valor es mayor que el nivel de significación establecido (0.05), lo cual corrobora que los tiempos t del tipo de Incidencias G05 se pueden ajustar mediante una distribución Lognormal. Para finalizar, se escoge la distribución que mejor se ajusta a los tiempos t del G05. Para esto, escogemos aquella distribución que proporciona el mayor p-valor: pvalue-lognormal = La distribución Lognormal ajusta mejor los tiempos t del tipo de Incidencias G05. Tiempos t del G , Por lo tanto, se va a calcular a continuación el intervalo de confianza en un 95%, nivel de significación 0.05, del tiempo medio en días que se estima para resolución de una Incidencia del tipo G05, mediante la distribución Lognormal, distribución que mejor ajusta los datos. En primer lugar, se va a calcular mediante MATLAB la media y la varianza empleando al función lognstat, obteniendo la media = y la varianza = Mediante el TCL se obtiene lo siguiente: ; Por tanto, el intervalo de confianza al 95% del tiempo medio en días que se estima para la resolución de una Incidencia del tipo G05, mediante la distribución Lognormal, es:. í í. G06: Incidencias relacionadas con el área Referencial (todos los procesos relacionados con la información de los artículos), que son No Críticas, con cualquier prioridad, con Origen en un Usuario (de las tiendas, p.e.), con un usuario del departamento de 3N que es el Usuario de Apertura, con cualquier Nivel de Seguridad o cualquier Relación con otras Incidencias, y siendo su estimación = 0 (es decir, que se agrupa en el coste de otra Incidencia). En primer lugar, importamos los datos correspondientes desde la hoja Excel a MATLAB. 76 Sarmiento García, Teresa

115 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Distribución Exponencial Comenzamos analizando la distribución Exponencial. Mediante MATLAB se obtiene el valor del parámetro mu = Por lo tanto para esta distribución, su parámetro La gráfica de esta distribución es la siguiente: Figura 29. Distribución Exponencial G06 Una vez que tenemos los tiempos t del G06 ajustados por la distribución Exponencial, vamos a analizar mediante el Test de Kolmogorov-Smirnov la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Exponencial. Mediante MATLAB nos quedaría lo siguiente: Se obtiene h=0, lo cual significa que no se puede rechazar la hipótesis nula, es decir, la muestra se ajusta a una distribución Exponencial. Además, el p-valor es mayor que el nivel de significación establecido (0.05), lo cual corrobora que los tiempos t del tipo de Incidencias G06 sí se pueden ajustar mediante una distribución Exponencial. Distribución Weibull Teniendo en la variable G06la muestra, lo siguiente sería calcular los parámetros y. Mediante MATLAB se obtiene y La gráfica de esta distribución , es la siguiente: Sarmiento García, Teresa 77

116 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Figura 30. Distribución Weibull G06 Una vez que tenemos los tiempos t del G06 ajustados por la distribución Weibull, vamos a analizar mediante el Test de Kolmogorov-Smirnov la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Weibull. Mediante MATLAB nos quedaría lo siguiente: Se obtiene h=0, lo cual significa que no se rechaza la hipótesis de que la muestra se ajusta con una distribución Weibull. Además, el p-valor es mayor que el nivel de significación establecido (0.05), lo cual corrobora que los tiempos t del tipo de Incidencias G06 se ajustan mediante una distribución Weibull. Distribución Lognormal Partiendo de la variable G06la muestra, lo siguiente sería calcular los parámetros y de esta distribución. Mediante MATLAB se obtiene y La gráfica , se muestra a continuación: 78 Sarmiento García, Teresa

117 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Figura 31. Distribución Lognormal G06 Una vez que tenemos los tiempos t del G06 ajustados por la distribución Lognormal, vamos a analizar mediante el Test de Kolmogorov-Smirnov la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Lognormal. Mediante MATLAB nos quedaría lo siguiente: Se obtiene h=0, lo cual significa que no se rechaza la hipótesis de que la muestra se ajusta con una distribución Lognormal. Además, el p-valor es mayor que el nivel de significación establecido (0.05), lo cual corrobora que los tiempos t del tipo de Incidencias G06 se pueden ajustar mediante una distribución Lognormal. Para finalizar, se escoge la distribución que mejor se ajusta a los tiempos t del G06. Para esto, escogemos aquella distribución que proporciona el mayor p-valor: pvalue-lognormal = La distribución Lognormal ajusta mejor los tiempos tdel tipo de Incidencias G06.Tiempos t del G , Por lo tanto, se va a calcular a continuación el intervalo de confianza en un 95%, nivel de significación 0.05, del tiempo medio en días que se estima para resolución de una Incidencia del tipo G06, mediante la distribución Lognormal, distribución que mejor ajusta los datos. En primer lugar, se va a calcular mediante MATLAB la media y la varianza, obteniendo la media = y la varianza = Sarmiento García, Teresa 79

118 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Mediante el TCL se obtiene lo siguiente: ; Por tanto, el intervalo de confianza al 95% del tiempo medio en días que se estima para la resolución de una Incidencia del tipo G06, mediante la distribución Lognormal, es:. í í. G07: Incidencias relacionadas con el área Referencial (todos los procesos relacionados con la información de los artículos), que son No Críticas, con cualquier prioridad, con Origen en un Usuario (de las tiendas, p.e.), con un usuario del departamento de 3N que es el Usuario de Apertura, con cualquier Nivel de Seguridad o cualquier Relación con otras Incidencias, y siendo su estimación > 0 (es decir, que no se agrupa en el coste de otra Incidencia, no se puede incluir en el mismo paquete que otra). En primer lugar, importamos los datos correspondientes desde la hoja Excel a MATLAB, no incluyendo los valores que son outliers. Distribución Exponencial Comenzamos analizando la distribución Exponencial. Mediante MATLAB se obtiene el valor del parámetro mu = Por lo tanto para esta distribución, su parámetro La gráfica de esta distribución es la siguiente: Figura 32. Distribución Exponencial G07 Una vez que tenemos los tiempos t del G07 ajustados por la distribución Exponencial, vamos a analizar mediante el Test de Kolmogorov-Smirnov la bondad del ajuste. Se considera 80 Sarmiento García, Teresa

119 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución la hipótesis nula de que la muestra sigue una distribución Exponencial. Mediante MATLAB nos quedaría lo siguiente: Se obtiene h=0, lo cual significa que no se puede rechazar la hipótesis nula, es decir, la muestra se ajusta a una distribución Exponencial. Además, el p-valor es mayor que el nivel de significación establecido (0.05), lo cual corrobora que los tiempos t del tipo de Incidencias G07 sí se pueden ajustar mediante una distribución Exponencial. Distribución Weibull Teniendo en la variable G07la muestra, lo siguiente sería calcular los parámetros y. Mediante MATLAB se obtiene y La gráfica de esta distribución , es la siguiente: Figura 33. Distribución Weibull G07 Una vez que tenemos los tiempos t del G07 ajustados por la distribución Weibull, vamos a analizar mediante el Test de Kolmogorov-Smirnov la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Weibull. Mediante MATLAB nos quedaría lo siguiente: Sarmiento García, Teresa 81

120 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Se obtiene h=0, lo cual significa que no se rechaza la hipótesis de que la muestra se ajusta con una distribución Weibull. Además, el p-valor es mayor que el nivel de significación establecido (0.05), lo cual corrobora que los tiempos t del tipo de Incidencias G07 se ajustan mediante una distribución Weibull. Distribución Lognormal Partiendo de la variable G07la muestra, lo siguiente sería calcular los parámetros y de esta distribución. Mediante MATLAB se obtiene y La gráfica , se muestra a continuación: Figura 34. Distribución Lognormal G07 Una vez que tenemos los tiempos t del G07 ajustados por la distribución Lognormal, vamos a analizar mediante el Test de Kolmogorov-Smirnov la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Lognormal. Mediante MATLAB nos quedaría lo siguiente: Se obtiene h=0, lo cual significa que no se rechaza la hipótesis de que la muestra se ajusta con una distribución Lognormal. Además, el p-valor es mayor que el nivel de 82 Sarmiento García, Teresa

121 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución significación establecido (0.05), lo cual corrobora que los tiempos t del tipo de Incidencias G07 se pueden ajustar mediante una distribución Lognormal. Para finalizar, se escoge la distribución que mejor se ajusta a los tiempos t del G07. Para esto, escogemos aquella distribución que proporciona el mayor p-valor: pvalue-lognormal = La distribución Lognormal ajusta mejor los tiempos t del tipo de Incidencias G07. Tiempos t del G , Por lo tanto, se va a calcular a continuación el intervalo de confianza en un 95%, nivel de significación 0.05, del tiempo medio en días que se estima para resolución de una Incidencia del tipo G07, mediante la distribución Lognormal, distribución que mejor ajusta los datos. En primer lugar, se va a calcular mediante MATLAB la media y la varianza, obteniendo la media = y la varianza = Mediante el TCL se obtiene lo siguiente: ; Por tanto, el intervalo de confianza al 95% del tiempo medio en días que se estima para la resolución de una Incidencia del tipo G07, mediante la distribución Lognormal, es:. í í. G08: Incidencias relacionadas con el área Referencial (todos los procesos relacionados con la información de los artículos), que son No Críticas, con cualquier prioridad, con Origen en un Usuario (de las tiendas, p.e.), con un usuario de cualquier otro departamento (que no sea 3N) que es el Usuario de Apertura, con cualquier Nivel de Seguridad o cualquier Relación con otras Incidencias, y siendo su estimación > 0 (es decir, que no se agrupa en el coste de otra Incidencia, no se puede incluir en el mismo paquete que otra). En primer lugar, importamos los datos correspondientes desde la hoja Excel a MATLAB. Sarmiento García, Teresa 83

122 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Distribución Exponencial Comenzamos analizando la distribución Exponencial. Mediante MATLAB se obtiene el valor del parámetro mu = Por lo tanto para esta distribución, su parámetro La gráfica de esta distribución es la siguiente: Figura 35. Distribución Exponencial G08 Una vez que tenemos los tiempos t del G08 ajustados por la distribución Exponencial, vamos a analizar mediante el Test de Kolmogorov-Smirnov la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Exponencial. Mediante MATLAB nos quedaría lo siguiente: Se obtiene h=0, lo cual significa que no se puede rechazar la hipótesis nula, es decir, la muestra se ajusta a una distribución Exponencial. Además, el p-valor es mayor (aunque por poco) que el nivel de significación establecido (0.05), lo cual corrobora que los tiempos t del tipo de Incidencias G08 sí se pueden ajustar mediante una distribución Exponencial. Distribución Weibull Teniendo en la variable G08la muestra, lo siguiente sería calcular los parámetros y. Mediante MATLAB se obtiene y La gráfica de esta distribución , es la siguiente: 84 Sarmiento García, Teresa

123 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Figura 36. Distribución Weibull G08 Una vez que tenemos los tiempos t del G08 ajustados por la distribución Weibull, vamos a analizar mediante el Test de Kolmogorov-Smirnov la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Weibull. Mediante MATLAB nos quedaría lo siguiente: Se obtiene h=0, lo cual significa que no se rechaza la hipótesis de que la muestra se ajusta con una distribución Weibull. Además, el p-valor es mayor que el nivel de significación establecido (0.05), lo cual corrobora que los tiempos t del tipo de Incidencias G08 se ajustan mediante una distribución Weibull. Distribución Lognormal Partiendo de la variable G08la muestra, lo siguiente sería calcular los parámetros y de esta distribución. Mediante MATLAB se obtiene y La gráfica , se muestra a continuación: Sarmiento García, Teresa 85

124 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Figura 37. Distribución Lognormal G08 Una vez que tenemos los tiempos t del G08 ajustados por la distribución Lognormal, vamos a analizar mediante el Test de Kolmogorov-Smirnov la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Lognormal. Mediante MATLAB nos quedaría lo siguiente: Se obtiene h=0, lo cual significa que no se rechaza la hipótesis de que la muestra se ajusta con una distribución Lognormal. Además, el p-valor es mayor que el nivel de significación establecido (0.05), lo cual corrobora que los tiempos t del tipo de Incidencias G08 se pueden ajustar mediante una distribución Lognormal. Para finalizar, se escoge la distribución que mejor se ajusta a los tiempos t del G08. Para esto, escogemos aquella distribución que proporciona el mayor p-valor: La distribución Weibull ajusta mejor los tiempos t del tipo de Incidencias G08. Tiempos t del G , Por lo tanto, se va a calcular a continuación el intervalo de confianza en un 95%, nivel de significación 0.05, del tiempo medio en días que se estima para resolución de una Incidencia del tipo G08, mediante la distribución Weibull, distribución que mejor ajusta los datos. En primer lugar, se va a calcular mediante MATLAB la media y la varianza, obteniendo la media = y la varianza = Mediante el TCL se obtiene lo siguiente: 86 Sarmiento García, Teresa

125 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución , ; Por tanto, el intervalo de confianza al 95% del tiempo medio en días que se estima para la resolución de una Incidencia del tipo G08, mediante la distribución Weibull, es:. í í. G09: Incidencias relacionadas con el área Referencial (todos los procesos relacionados con la información de los artículos), que son No Críticas, con cualquier prioridad, con Origen en un Usuario (de las tiendas, p.e.), con un usuario de cualquier otro departamento (que no sea 3N) que es el Usuario de Apertura, con cualquier Nivel de Seguridad o cualquier Relación con otras Incidencias, y siendo su estimación = 0 (es decir, se agrupa en el coste de otra Incidencia). En primer lugar, importamos los datos correspondientes desde la hoja Excel a MATLAB. Distribución Exponencial Comenzamos analizando la distribución Exponencial. Mediante MATLAB se obtiene el valor del parámetro mu = Por lo tanto para esta distribución, su parámetro La gráfica de esta distribución es la siguiente: Figura 38. Distribución Exponencial G09 Una vez que tenemos los tiempos t del G09 ajustados por la distribución Exponencial, vamos a analizar mediante el Test de Kolmogorov-Smirnov la bondad del ajuste. Se considera Sarmiento García, Teresa 87

126 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución la hipótesis nula de que la muestra sigue una distribución Exponencial. Mediante MATLAB nos quedaría lo siguiente: Se obtiene h=0, lo cual significa que no se puede rechazar la hipótesis nula, es decir, la muestra se ajusta a una distribución Exponencial. Además, el p-valor es mayorque el nivel de significación establecido (0.05), lo cual corrobora que los tiempos t del tipo de Incidencias G09 sí se pueden ajustar mediante una distribución Exponencial. Distribución Weibull Teniendo en la variable G09 la muestra, lo siguiente sería calcular los parámetros y. Mediante MATLAB se obtiene y La gráfica de esta distribución , es la siguiente: Figura 39. Distribución Weibull G09 Una vez que tenemos los tiempos t del G09 ajustados por la distribución Weibull, vamos a analizar mediante el Test de Kolmogorov-Smirnov la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Weibull. Mediante MATLAB nos quedaría lo siguiente: 88 Sarmiento García, Teresa

127 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Se obtiene h=0, lo cual significa que no se rechaza la hipótesis de que la muestra se ajusta con una distribución Weibull. Además, el p-valor es mayor que el nivel de significación establecido (0.05), lo cual corrobora que los tiempos t del tipo de Incidencias G09 se ajustan mediante una distribución Weibull. Distribución Lognormal Partiendo de la variable G09la muestra, lo siguiente sería calcular los parámetros y de esta distribución. Mediante MATLAB se obtiene y La gráfica , se muestra a continuación: Figura 40. Distribución Lognormal G09 Una vez que tenemos los tiempos t del G09 ajustados por la distribución Lognormal, vamos a analizar mediante el Test de Kolmogorov-Smirnov la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Lognormal. Mediante MATLAB nos quedaría lo siguiente: Se obtiene h=0, lo cual significa que no se rechaza la hipótesis de que la muestra se ajusta con una distribución Lognormal. Además, el p-valor es mayor que el nivel de Sarmiento García, Teresa 89

128 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución significación establecido (0.05), lo cual corrobora que los tiempos t del tipo de Incidencias G09 se pueden ajustar mediante una distribución Lognormal. Para finalizar, se escoge la distribución que mejor se ajusta a los tiempos t del G09. Para esto, escogemos aquella distribución que proporciona el mayor p-valor: La distribución Weibull ajusta mejor los tiempos t del tipo de Incidencias G09. Tiempos t del G , Por lo tanto, se va a calcular a continuación el intervalo de confianza en un 95%, nivel de significación 0.05, del tiempo medio en días que se estima para resolución de una Incidencia del tipo G09, mediante la distribución Weibull, distribución que mejor ajusta los datos. En primer lugar, se va a calcular mediante MATLAB la media y la varianza, obteniendo la media = y la varianza = Mediante el TCL se obtiene lo siguiente: ; Por tanto, el intervalo de confianza al 95% del tiempo medio en días que se estima para la resolución de una Incidencia del tipo G09, mediante la distribución Weibull, es:. í í. G10: Incidencias relacionadas con el área Referencial (todos los procesos relacionados con la información de los artículos), que son Críticas, con cualquier Origen ycon un usuario del departamento de 3N como Usuario de Apertura. En primer lugar, importamos los datos correspondientes desde la hoja Excel a MATLAB. Distribución Exponencial Comenzamos analizando la distribución Exponencial. Mediante MATLAB se obtiene el valor del parámetro mu = Por lo tanto para esta distribución, su parámetro La gráfica de esta distribución es la siguiente: 90 Sarmiento García, Teresa

129 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Figura 41. Distribución Exponencial G10 Una vez que tenemos los tiempos t del G10 ajustados por la distribución Exponencial, vamos a analizar mediante el Test de Kolmogorov-Smirnov la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Exponencial. Mediante MATLAB nos quedaría lo siguiente: Se obtiene h=1, lo cual significa que se rechaza la hipótesis nula, es decir, la muestra no se ajusta a una distribución Exponencial. Además, el p-valor es menor que el nivel de significación establecido (0.05), lo cual corrobora que los tiempos t del tipo de Incidencias G10 no se pueden ajustar mediante una distribución Exponencial. Distribución Weibull Teniendo en la variable G10la muestra, lo siguiente sería calcular los parámetros y. Mediante MATLAB se obtiene y La gráfica de esta distribución , es la siguiente: Sarmiento García, Teresa 91

130 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Figura 42. Distribución Weibull G10 Una vez que tenemos los tiempos t del G10 ajustados por la distribución Weibull, vamos a analizar mediante el Test de Kolmogorov-Smirnov la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Weibull. Mediante MATLAB nos quedaría lo siguiente: Se obtiene h=1, lo cual significa que se rechaza la hipótesis de que la muestra se ajusta con una distribución Weibull. Además, el p-valor es menor que el nivel de significación establecido (0.05), lo cual corrobora que los tiempos t del tipo de Incidencias G10 no se ajustan mediante una distribución Weibull. Distribución Lognormal Partiendo de la variable G10la muestra, lo siguiente sería calcular los parámetros y de esta distribución. Mediante MATLAB se obtiene y La gráfica , se muestra a continuación: 92 Sarmiento García, Teresa

131 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Figura 43. Distribución Lognormal G10 Una vez que tenemos los tiempos t del G10 ajustados por la distribución Lognormal, vamos a analizar mediante el Test de Kolmogorov-Smirnov la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Lognormal. Mediante MATLAB nos quedaría lo siguiente: Se obtiene h=1, lo cual significa que se rechaza la hipótesis de que la muestra se ajusta con una distribución Lognormal. El p-valor es menor que el nivel de significación establecido (0.05), lo cual corrobora que los tiempos t del tipo de Incidencias G10no se pueden ajustar mediante una distribución Lognormal. Como se puede observar, ninguna de las distribuciones que se están estudiando ajustan bien los tiempos de la muestra G10con un nivel de significación = Asumiendo el error que pueda haber por escoger una de estas distribuciones, se va a seleccionar aquella distribución con mayor p-valor para que, dentro del error posible, sea el menor (puesto que, aunque no sea el aconsejable, con el nivel de significación = 0.01 se aceptaría). La distribución Lognormal ajusta mejor los tiempos t del tipo de Incidencias G10. Tiempos t del G , Intentando calcular mediante la Lognormal, como se ha hecho previamente, el intervalo de confianza al 95% del tiempo medio en días que se estima para resolución de una Incidencia del tipo G10, se ha obtenido como resultado , siendo esto un resultado no posible, se va a aumentar el nivel de significación a 0.1, permitiendo obtener un Sarmiento García, Teresa 93

132 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución intervalo menor (menor confianza para el tiempo medio: hay mucha variabilidad en los tiempos mejor si se disminuye la confianza). Tenemos la media = y la varianza = Mediante el TCL se obtiene lo siguiente: ; Por tanto, el intervalo de confianza al 90% del tiempo medio en días que se estima para la resolución de una Incidencia del tipo G10, mediante la distribución Lognormal, es:. í í. G11: Incidencias relacionadas con el área Referencial (todos los procesos relacionados con la información de los artículos), que son Críticas, con cualquier Origen, con un usuario de cualquier otro departamento (que no sea 3N) que es el Usuario de Apertura y con un Nivel de Seguridad = Soporte (nivel de impacto: las herramientas de soporte de la empresa, a las aplicaciones y al código). En primer lugar, importamos los datos correspondientes desde la hoja Excel a MATLAB. Distribución Exponencial Comenzamos analizando la distribución Exponencial. Mediante MATLAB se obtiene el valor del parámetro mu = Por lo tanto para esta distribución, su parámetro La gráfica de esta distribución es la siguiente: 94 Sarmiento García, Teresa

133 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Figura 44. Distribución Exponencial G11 Una vez que tenemos los tiempos t del G11 ajustados por la distribución Exponencial, vamos a analizar mediante el Test de Kolmogorov-Smirnov la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Exponencial. Mediante MATLAB nos quedaría lo siguiente: Se obtiene h=0, lo cual significa que no se puede rechazar la hipótesis nula, es decir, la muestra se ajusta a una distribución Exponencial. Además, el p-valor es mayor que el nivel de significación establecido (0.05), lo cual corrobora que los tiempos tdel tipo de Incidencias G11 sí se pueden ajustar mediante una distribución Exponencial. Distribución Weibull Teniendo en la variable G11la muestra, lo siguiente sería calcular los parámetros y. Mediante MATLAB se obtiene y La gráfica de esta distribución , es la siguiente: Sarmiento García, Teresa 95

134 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Figura 45. Distribución Weibull G11 Una vez que tenemos los tiempos t del G11 ajustados por la distribución Weibull, vamos a analizar mediante el Test de Kolmogorov-Smirnov la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Weibull. Mediante MATLAB nos quedaría lo siguiente: Se obtiene h=0, lo cual significa que no se rechaza la hipótesis de que la muestra se ajusta con una distribución Weibull. Además, el p-valor es mayor (aunque por muy poca diferencia) que el nivel de significación establecido (0.05), lo cual corrobora que los tiempos t del tipo de Incidencias G11 se ajustan mediante una distribución Weibull. Distribución Lognormal Partiendo de la variable G11la muestra, lo siguiente sería calcular los parámetros y de esta distribución. Mediante MATLAB se obtiene y La gráfica , se muestra a continuación: 96 Sarmiento García, Teresa

135 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Figura 46. Distribución Lognormal G11 Una vez que tenemos los tiempos t del G11 ajustados por la distribución Lognormal, vamos a analizar mediante el Test de Kolmogorov-Smirnov la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Lognormal. Mediante MATLAB nos quedaría lo siguiente: Se obtiene h=0, lo cual significa que no se rechaza la hipótesis de que la muestra se ajusta con una distribución Lognormal. Además, el p-valor es mayor que el nivel de significación establecido (0.05), lo cual corrobora que los tiempos t del tipo de Incidencias G11 se pueden ajustar mediante una distribución Lognormal. Para finalizar, se escoge la distribución que mejor se ajusta a los tiempos t del G11. Para esto, escogemos aquella distribución que proporciona el mayor p-valor: La distribución Exponencial ajusta mejor los tiempos t del tipo de Incidencias G11. Tiempos t del G Por lo tanto, se va a calcular a continuación el intervalo de confianza en un 95%, nivel de significación 0.05, del tiempo medio en días que se estima para resolución de una Incidencia del tipo G11, mediante la distribución Exponencial, distribución que mejor ajusta los datos. En primer lugar, se va a calcular mediante MATLAB la media y la varianza, obteniendo la media = y la varianza = Mediante el TCL se obtiene lo siguiente: Sarmiento García, Teresa 97

136 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución , ; Por tanto, el intervalo de confianza al 95% del tiempo medio en días que se estima para la resolución de una Incidencia del tipo G11, mediante la distribución Exponencial, es:. í í. G12: Incidencias relacionadas con el área Referencial (todos los procesos relacionados con la información de los artículos), que son Críticas, con cualquier Origen, con un usuario de cualquier otro departamento (que no sea 3N) que es el Usuario de Apertura y con un Nivel de Seguridad = Otros (nivel de impacto: otro que no sea sobre las herramientas de soporte de la empresa, a las aplicaciones y al código). En primer lugar, importamos los datos correspondientes desde la hoja Excel a MATLAB. Distribución Exponencial Comenzamos analizando la distribución Exponencial. Mediante MATLAB se obtiene el valor del parámetro mu = Por lo tanto para esta distribución, su parámetro La gráfica de esta distribución es la siguiente: Figura 47. Distribución Exponencial G12 Una vez que tenemos los tiempos t del G12 ajustados por la distribución Exponencial, vamos a analizar mediante el Test de Kolmogorov-Smirnov la bondad del ajuste. Se considera 98 Sarmiento García, Teresa

137 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución la hipótesis nula de que la muestra sigue una distribución Exponencial. Mediante MATLAB nos quedaría lo siguiente: Se obtiene h=0, lo cual significa que no se puede rechazar la hipótesis nula, es decir, la muestra se ajusta a una distribución Exponencial. Además, el p-valor es mayor que el nivel de significación establecido (0.05), lo cual corrobora que los tiempos t del tipo de Incidencias G12 sí se pueden ajustar mediante una distribución Exponencial. Distribución Weibull Teniendo en la variable G12la muestra, lo siguiente sería calcular los parámetros y. Mediante MATLAB se obtiene y La gráfica de esta distribución , es la siguiente: Figura 48. Distribución Weibull G12 Mediante el Test de Kolmogorov-Smirnov, vamos a analizar la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Weibull. Mediante MATLAB nos quedaría lo siguiente: Sarmiento García, Teresa 99

138 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Se obtiene h=0, lo cual significa que no se rechaza la hipótesis de que la muestra se ajusta con una distribución Weibull. Además, el p-valor es mayor que el nivel de significación establecido (0.05), lo cual corrobora que los tiempos t del tipo de Incidencias G12 se ajustan mediante una distribución Weibull. Distribución Lognormal Partiendo de la variable G12la muestra, lo siguiente sería calcular los parámetros y de esta distribución. Mediante MATLAB se obtiene y La gráfica , se muestra a continuación: Figura 49. Distribución Lognormal G12 Mediante el Test de Kolmogorov-Smirnov, vamos a analizar la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Lognormal. Mediante MATLAB nos quedaría lo siguiente: Se obtiene h=0, lo cual significa que no se rechaza la hipótesis de que la muestra se ajusta con una distribución Lognormal. Además, el p-valor es mayor que el nivel de significación establecido (0.05), lo cual corrobora que los tiempos t del tipo de Incidencias G12 se pueden ajustar mediante una distribución Lognormal. Para finalizar, se escoge la distribución que mejor se ajusta a los tiempos t del G12. Para esto, escogemos aquella distribución que proporciona el mayor p-valor: La distribución Weibull ajusta mejor los tiempos t del tipo de Incidencias G12. Tiempos t del G , Sarmiento García, Teresa

139 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Por lo tanto, se va a calcular a continuación el intervalo de confianza en un 95%, nivel de significación 0.05, del tiempo medio en días que se estima para resolución de una Incidencia del tipo G12, mediante la distribución Weibull, distribución que mejor ajusta los datos. En primer lugar, se va a calcular mediante MATLAB la media y la varianza, obteniendo la media = y la varianza = Mediante el TCL se obtiene lo siguiente: , ; Por tanto, el intervalo de confianza al 95% del tiempo medio en días que se estima para la resolución de una Incidencia del tipo G12, mediante la distribución Weibull, es:. í í. G13: Incidencias relacionadas con el área Supply (procesos sobre la logística de la cadena de suministro: movimiento y flujo de los pedidos), con el Proyecto de Facturación (procesos que controlan la Facturación), y con cualquier otra característica (clasificador). En primer lugar, importamos los datos correspondientes desde la hoja Excel a MATLAB. Distribución Exponencial Comenzamos analizando la distribución Exponencial. Mediante MATLAB se obtiene el valor del parámetro mu = Por lo tanto para esta distribución, su parámetro La gráfica de esta distribución es la siguiente: Sarmiento García, Teresa 101

140 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Figura 50. Distribución Exponencial G13 Mediante el Test de Kolmogorov-Smirnov, vamos a analizar la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Exponencial. Mediante MATLAB nos quedaría lo siguiente: Se obtiene h=0, lo cual significa que no se puede rechazar la hipótesis nula, es decir, la muestra se ajusta a una distribución Exponencial. Además, el p-valor es mayor que el nivel de significación establecido (0.05), lo cual corrobora que los tiempos t del tipo de Incidencias G13 sí se pueden ajustar mediante una distribución Exponencial. Distribución Weibull Teniendo en la variable G13la muestra, lo siguiente sería calcular los parámetros y. Mediante MATLAB se obtiene y La gráfica de esta distribución , es la siguiente: 102 Sarmiento García, Teresa

141 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Figura 51. Distribución Weibull G13 Una vez que tenemos los tiempos t del G13 ajustados por la distribución Weibull, vamos a analizar mediante el Test de Kolmogorov-Smirnov la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Weibull. Mediante MATLAB nos quedaría lo siguiente: Se obtiene h=0, lo cual significa que no se rechaza la hipótesis de que la muestra se ajusta con una distribución Weibull. Además, el p-valor es mayor que el nivel de significación establecido (0.05), lo cual corrobora que los tiempos t del tipo de Incidencias G13 se pueden ajustar mediante una distribución Weibull. Distribución Lognormal Partiendo de la variable G13la muestra, lo siguiente sería calcular los parámetros y de esta distribución. Mediante MATLAB se obtiene y La gráfica , se muestra a continuación: Sarmiento García, Teresa 103

142 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Figura 52. Distribución Lognormal G13 Una vez que tenemos los tiempos t del G13 ajustados por la distribución Lognormal, vamos a analizar mediante el Test de Kolmogorov-Smirnov la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Lognormal. Mediante MATLAB nos quedaría lo siguiente: Se obtiene h=0, lo cual significa que no se rechaza la hipótesis de que la muestra se ajusta con una distribución Lognormal. Además, el p-valor es mayor que el nivel de significación establecido (0.05), lo cual corrobora que los tiempos t del tipo de Incidencias G13 se pueden ajustar mediante una distribución Lognormal. Para finalizar, se escoge la distribución que mejor se ajusta a los tiempos t del G13. Para esto, escogemos aquella distribución que proporciona el mayor p-valor: La distribución Exponencial ajusta mejor los tiempos t del tipo de Incidencias G13. Tiempos t del G Por lo tanto, se va a calcular a continuación el intervalo de confianza en un 95%, nivel de significación 0.05, del tiempo medio en días que se estima para resolución de una Incidencia del tipo G13, mediante la distribución Exponencial, distribución que mejor ajusta los datos. En primer lugar, se va a calcular mediante MATLAB la media y la varianza, obteniendo la media = (=mu) y la varianza = Mediante el TCL se obtiene lo siguiente: 104 Sarmiento García, Teresa

143 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución ; Por tanto, el intervalo de confianza al 95% del tiempo medio en días que se estima para la resolución de una Incidencia del tipo G13, mediante la distribución Exponencial, es:. í í. G14: Incidencias relacionadas con el área Supply (procesos sobre la logística de la cadena de suministro: movimiento y flujo de los pedidos), con el Proyecto de Reparto Domiciliario (procesos que controlanel Reparto Domiciliario)y con cualquier otra característica (clasificador). En primer lugar, importamos los datos correspondientes desde la hoja Excel a MATLAB. Distribución Exponencial Comenzamos analizando la distribución Exponencial. Mediante MATLAB se obtiene el valor del parámetro mu = Por lo tanto para esta distribución, su parámetro La gráfica de esta distribución es la siguiente: Figura 53. Distribución Exponencial G14 Mediante el Test de Kolmogorov-Smirnov, vamos a analizar la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Exponencial. Mediante MATLAB nos quedaría lo siguiente: Sarmiento García, Teresa 105

144 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Se obtiene h=0, lo cual significa que no se puede rechazar la hipótesis nula, es decir, la muestra se ajusta a una distribución Exponencial. Además, el p-valor es mayor que el nivel de significación establecido (0.05), lo cual corrobora que los tiempos t del tipo de Incidencias G14 sí se pueden ajustar mediante una distribución Exponencial. Distribución Weibull Teniendo en la variable G14la muestra, lo siguiente sería calcular los parámetros y. Mediante MATLAB se obtiene y La gráfica de esta distribución , es la siguiente: Figura 54. Distribución Weibull G14 Mediante el Test de Kolmogorov-Smirnov, vamos a analizar la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Weibull. Mediante MATLAB nos quedaría lo siguiente: Se obtiene h=0, lo cual significa que no se rechaza la hipótesis de que la muestra se ajusta con una distribución Weibull. Además, el p-valor es mayor que el nivel de significación establecido (0.05), lo cual corrobora que los tiempos t del tipo de Incidencias G14 se ajustan mediante una distribución Weibull. 106 Sarmiento García, Teresa

145 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Distribución Lognormal Partiendo de la variable G14la muestra, lo siguiente sería calcular los parámetros y de esta distribución. Mediante MATLAB se obtiene y La gráfica , se muestra a continuación: Figura 55. Distribución Lognormal G14 Una vez que tenemos los tiempos t del G14 ajustados por la distribución Lognormal, vamos a analizar mediante el Test de Kolmogorov-Smirnov la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Lognormal. Mediante MATLAB nos quedaría lo siguiente: Se obtiene h=0, lo cual significa que no se rechaza la hipótesis de que la muestra se ajusta con una distribución Lognormal. Además, el p-valor es mayor que el nivel de significación establecido (0.05), lo cual corrobora que los tiempos t del tipo de Incidencias G14 se pueden ajustar mediante una distribución Lognormal. Para finalizar, se escoge la distribución que mejor se ajusta a los tiempos t del G14. Para esto, escogemos aquella distribución que proporciona el mayor p-valor: La distribución Exponencial ajusta mejor los tiempos t del tipo de Incidencias G14. Tiempos t del G Por lo tanto, se va a calcular a continuación el intervalo de confianza en un 95%, nivel de significación 0.05, del tiempo medio en días que se estima para resolución de una Incidencia del tipo G14, mediante la distribución Exponencial, distribución que mejor ajusta los Sarmiento García, Teresa 107

146 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución datos. En primer lugar, se va a calcular mediante MATLAB la media y la varianza, obteniendo la media = (= mu) y la varianza = Mediante el TCL se obtiene lo siguiente: , ; Por tanto, el intervalo de confianza al 95% del tiempo medio en días que se estima para la resolución de una Incidencia del tipo G14, mediante la distribución Exponencial, es:. í í. G15: Incidencias relacionadas con el área Supply (procesos sobre la logística de la cadena de suministro: movimiento y flujo de los pedidos), con el Proyecto de Aprovisionamiento Centro (procesos para la gestión del Aprovisionamiento de cada uno de los distintos centros del cliente), que son No Críticas, y con cualquier otra característica (clasificador). En primer lugar, importamos los datos correspondientes desde la hoja Excel a MATLAB. Distribución Exponencial Comenzamos analizando la distribución Exponencial. Mediante MATLAB se obtiene el valor del parámetro mu = Por lo tanto para esta distribución, su parámetro La gráfica de esta distribución es la siguiente: Figura 56. Distribución Exponencial G Sarmiento García, Teresa

147 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Mediante el Test de Kolmogorov-Smirnov, vamos a analizar la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Exponencial. Mediante MATLAB nos quedaría lo siguiente: Se obtiene h=0, lo cual significa que no se puede rechazar la hipótesis nula, es decir, la muestra se ajusta a una distribución Exponencial. Además, el p-valor es mayor que el nivel de significación establecido (0.05) (aunque por poca diferencia), lo cual corrobora que los tiempos t del tipo de Incidencias G15 se pueden ajustar mediante una distribución Exponencial. Distribución Weibull Teniendo en la variable G15la muestra, lo siguiente sería calcular los parámetros y. Mediante MATLAB se obtiene y La gráfica de esta distribución , es la siguiente: Figura 57. Distribución Weibull G15 Mediante el Test de Kolmogorov-Smirnov, vamos a analizar la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Weibull. Mediante MATLAB nos quedaría lo siguiente: Sarmiento García, Teresa 109

148 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Se obtiene h=0, lo cual significa que no se rechaza la hipótesis de que la muestra se ajusta con una distribución Weibull. Además, el p-valor es mayor que el nivel de significación establecido (0.05), lo cual corrobora que los tiempos t del tipo de Incidencias G15 se ajustan mediante una distribución Weibull. Distribución Lognormal Partiendo de la variable G15la muestra, lo siguiente sería calcular los parámetros y de esta distribución. Mediante MATLAB se obtiene y La gráfica , se muestra a continuación: Figura 58. Distribución Lognormal G15 Una vez que tenemos los tiempos t del G15 ajustados por la distribución Lognormal, vamos a analizar mediante el Test de Kolmogorov-Smirnov la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Lognormal. Mediante MATLAB nos quedaría lo siguiente: Se obtiene h=0, lo cual significa que no se rechaza la hipótesis de que la muestra se ajusta con una distribución Lognormal. Además, el p-valor es mayor que el nivel de significación establecido (0.05), lo cual corrobora que los tiempos t del tipo de Incidencias G15 se pueden ajustar mediante una distribución Lognormal. Para finalizar, se escoge la distribución que mejor se ajusta a los tiempos t del G15. Para esto, escogemos aquella distribución que proporciona el mayor p-valor: La distribución Lognormal ajusta mejor los tiempos t del tipo de Incidencias G15. Tiempos t del G , Sarmiento García, Teresa

149 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Por lo tanto, se va a calcular a continuación el intervalo de confianza en un 95%, nivel de significación 0.05, del tiempo medio en días que se estima para resolución de una Incidencia del tipo G15, mediante la distribución Lognormal, distribución que mejor ajusta los datos. En primer lugar, se va a calcular mediante MATLAB la media y la varianza, obteniendo la media = y la varianza = Mediante el TCL se obtiene lo siguiente: ; Por tanto, el intervalo de confianza al 95% del tiempo medio en días que se estima para la resolución de una Incidencia del tipo G15, mediante la distribución Lognormal, es:. í í. G16: Incidencias relacionadas con el área Supply (procesos sobre la logística de la cadena de suministro: movimiento y flujo de los pedidos), con el Proyecto de Aprovisionamiento Centro (procesos para la gestión del Aprovisionamiento de cada uno de los distintos centros del cliente), que son Críticas, y con cualquier otra característica (clasificador). En primer lugar, importamos los datos correspondientes desde la hoja Excel a MATLAB, sin tener en cuenta aquellos valores outliers. Distribución Exponencial Comenzamos analizando la distribución Exponencial. Mediante MATLAB se obtiene el valor del parámetro mu = Por lo tanto para esta distribución, su parámetro La gráfica de esta distribución es la siguiente: Sarmiento García, Teresa 111

150 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Figura 59. Distribución Exponencial G16 Mediante el Test de Kolmogorov-Smirnov, vamos a analizar la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Exponencial. Mediante MATLAB nos quedaría lo siguiente: Se obtiene h=0, lo cual significa que no se puede rechazar la hipótesis nula, es decir, la muestra se ajusta a una distribución Exponencial. Además, el p-valor es mayor que el nivel de significación establecido (0.05), lo cual corrobora que los tiempos t del tipo de Incidencias G16 se pueden ajustar mediante una distribución Exponencial. Distribución Weibull Teniendo en la variable G16la muestra, lo siguiente sería calcular los parámetros y. Mediante MATLAB se obtiene y La gráfica de esta distribución , es la siguiente: 112 Sarmiento García, Teresa

151 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Figura 60. Distribución Weibull G16 Mediante el Test de Kolmogorov-Smirnov, vamos a analizar la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Weibull. Mediante MATLAB nos quedaría lo siguiente: Se obtiene h=0, lo cual significa que no se rechaza la hipótesis de que la muestra se ajusta con una distribución Weibull. Además, el p-valor es mayor que el nivel de significación establecido (0.05), lo cual corrobora que los tiempos t del tipo de Incidencias G16 se ajustan mediante una distribución Weibull. Distribución Lognormal Partiendo de la variable G16la muestra, lo siguiente sería calcular los parámetros y de esta distribución. Mediante MATLAB se obtiene y La gráfica , se muestra a continuación: Sarmiento García, Teresa 113

152 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Figura 61. Distribución Lognormal G16 Una vez que tenemos los tiempos t del G16 ajustados por la distribución Lognormal, vamos a analizar mediante el Test de Kolmogorov-Smirnov la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Lognormal. Mediante MATLAB nos quedaría lo siguiente: Se obtiene h=0, lo cual significa que no se rechaza la hipótesis de que la muestra se ajusta con una distribución Lognormal. Además, el p-valor es mayor que el nivel de significación establecido (0.05), lo cual corrobora que los tiempos t del tipo de Incidencias G16 se pueden ajustar mediante una distribución Lognormal. Para finalizar, se escoge la distribución que mejor se ajusta a los tiempos t del G16. Para esto, escogemos aquella distribución que proporciona el mayor p-valor: La distribución Lognormal ajusta mejor los tiempos t del tipo de Incidencias G16. Tiempos t del G , Por lo tanto, se va a calcular a continuación el intervalo de confianza en un 95%, nivel de significación 0.05, del tiempo medio en días que se estima para resolución de una Incidencia del tipo G16, mediante la distribución Lognormal, distribución que mejor ajusta los datos. En primer lugar, se va a calcular mediante MATLAB la media y la varianza, obteniendo la media = y la varianza = Mediante el TCL se obtiene lo siguiente: 114 Sarmiento García, Teresa

153 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución ; Por tanto, el intervalo de confianza al 95% del tiempo medio en días que se estima para la resolución de una Incidencia del tipo G16, mediante la distribución Lognormal, es:. í í. G17: Incidencias relacionadas con el área Supply (procesos sobre la logística de la cadena de suministro: movimiento y flujo de los pedidos), con el Proyecto de Aprovisionamiento Plataforma (procesos para lagestión del aprovisionamiento de las plataformas logísticas, las cuales dan soporte a los distintos centros), que son No Críticas, y con cualquier otra característica (clasificador). En primer lugar, importamos los datos correspondientes desde la hoja Excel a MATLAB, sin tener en cuenta aquellos valores outliers. Distribución Exponencial Comenzamos analizando la distribución Exponencial. Mediante MATLAB se obtiene el valor del parámetro mu = Por lo tanto para esta distribución, su parámetro La gráfica de esta distribución es la siguiente: Figura 62. Distribución Exponencial G17 Mediante el Test de Kolmogorov-Smirnov, vamos a analizar la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Exponencial. Mediante MATLAB nos quedaría lo siguiente: Sarmiento García, Teresa 115

154 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Se obtiene h=1, lo cual significa que se rechaza la hipótesis nula, es decir, la muestra no se ajusta a una distribución Exponencial. Además, el p-valor es menor que el nivel de significación establecido (0.05), lo cual corrobora que los tiempos t del tipo de Incidencias G17no se ajustan mediante una distribución Exponencial. Distribución Weibull Teniendo en la variable G17la muestra, lo siguiente sería calcular los parámetros y. Mediante MATLAB se obtiene y La gráfica de esta distribución , es la siguiente: Figura 63. Distribución Weibull G17 Mediante el Test de Kolmogorov-Smirnov, vamos a analizar la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Weibull. Mediante MATLAB nos quedaría lo siguiente: Se obtiene h=0, lo cual significa que no se rechaza la hipótesis de que la muestra se ajusta con una distribución Weibull. Además, el p-valor es mayor que el nivel de significación 116 Sarmiento García, Teresa

155 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución establecido (0.05), lo cual corrobora que los tiempos t del tipo de Incidencias G17 se ajustan mediante una distribución Weibull. Distribución Lognormal Partiendo de la variable G17la muestra, lo siguiente sería calcular los parámetros y de esta distribución. Mediante MATLAB se obtiene y La gráfica , se muestra a continuación: Figura 64. Distribución Lognormal G17 Una vez que tenemos los tiempos t del G17 ajustados por la distribución Lognormal, vamos a analizar mediante el Test de Kolmogorov-Smirnov la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Lognormal. Mediante MATLAB nos quedaría lo siguiente: Se obtiene h=0, lo cual significa que no se rechaza la hipótesis de que la muestra se ajusta con una distribución Lognormal. Además, el p-valor es mayor que el nivel de significación establecido (0.05), aunque por poca diferencia, lo cual corrobora que los tiempos t del tipo de Incidencias G17 se pueden ajustar mediante una distribución Lognormal. Para finalizar, se escoge la distribución que mejor se ajusta a los tiempos t del G17. Para esto, escogemos aquella distribución que proporciona el mayor p-valor: La distribución Weibull ajusta mejor los tiempos t del tipo de Incidencias G17. Tiempos t del G , Sarmiento García, Teresa 117

156 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Por lo tanto, se va a calcular a continuación el intervalo de confianza en un 95%, nivel de significación 0.05, del tiempo medio en días que se estima para resolución de una Incidencia del tipo G17, mediante la distribución Weibull, distribución que mejor ajusta los datos. En primer lugar, se va a calcular mediante MATLAB la media y la varianza, obteniendo la media = y la varianza = Mediante el TCL se obtiene lo siguiente: ; Por tanto, el intervalo de confianza al 95% del tiempo medioen días que se estima para la resolución de una Incidencia del tipo G17, mediante la distribución Weibull, es:. í í. G18: Incidencias relacionadas con el área Supply (procesos sobre la logística de la cadena de suministro: movimiento y flujo de los pedidos), con el Proyecto de Aprovisionamiento Plataforma (procesos para la gestión del aprovisionamiento de las plataformas logísticas, las cuales dan soporte a los distintos centros), que son Críticas, y con Origen en el departamento de Mejora, la herramienta Patrol u Otro origen no contemplado. En primer lugar, importamos los datos correspondientes desde la hoja Excel a MATLAB, sin tener en cuenta aquellos valores outliers. Distribución Exponencial Comenzamos analizando la distribución Exponencial. Mediante MATLAB se obtiene el valor del parámetro mu = Por lo tanto para esta distribución, su parámetro La gráfica de esta distribución es la siguiente: 118 Sarmiento García, Teresa

157 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Figura 65. Distribución Exponencial G18 Mediante el Test de Kolmogorov-Smirnov, vamos a analizar la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Exponencial. Mediante MATLAB nos quedaría lo siguiente: Se obtiene h=1, lo cual significa que se rechaza la hipótesis nula, es decir, la muestra no se ajusta a una distribución Exponencial. Además, el p-valor es mucho menor que el nivel de significación establecido (0.05), lo cual corrobora que los tiempos t del tipo de Incidencias G18 no se ajustan mediante una distribución Exponencial. Distribución Weibull Teniendo en la variable G18la muestra, lo siguiente sería calcular los parámetros y. Mediante MATLAB se obtiene y La gráfica de esta distribución , es la siguiente: Sarmiento García, Teresa 119

158 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Figura 66. Distribución Weibull G18 Mediante el Test de Kolmogorov-Smirnov, vamos a analizar la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Weibull. Mediante MATLAB nos quedaría lo siguiente: Se obtiene h=0, lo cual significa que no se rechaza la hipótesis de que la muestra se ajusta con una distribución Weibull. Además, el p-valor es mayor que el nivel de significación establecido (0.05), lo cual corrobora que los tiempos t del tipo de Incidencias G18 se ajustan mediante una distribución Weibull. Distribución Lognormal Partiendo de la variable G18la muestra, lo siguiente sería calcular los parámetros y de esta distribución. Mediante MATLAB se obtiene y La gráfica , se muestra a continuación: 120 Sarmiento García, Teresa

159 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Figura 67. Distribución Lognormal G18 Mediante el Test de Kolmogorov-Smirnov, a continuación, se va a analizar la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Lognormal. Mediante MATLAB nos quedaría lo siguiente: Se obtiene h=0, lo cual significa que no se rechaza la hipótesis de que la muestra se ajusta con una distribución Lognormal. Además, el p-valor es mayor que el nivel de significación establecido (0.05), aunque por poca diferencia, lo cual corrobora que los tiempos t del tipo de Incidencias G18 se pueden ajustar mediante una distribución Lognormal. Para finalizar, se escoge la distribución que mejor se ajusta a los tiempos t del G18. Para esto, escogemos aquella distribución que proporciona el mayor p-valor: La distribución Lognormal ajusta mejor los tiempos t del tipo de Incidencias G18. Tiempos t del G , Por lo tanto, se va a calcular a continuación el intervalo de confianza en un 95%, nivel de significación 0.05, del tiempo medio en días que se estima para resolución de una Incidencia del tipo G18, mediante la distribución Lognormal, distribución que mejor ajusta los datos. En primer lugar, se va a calcular mediante MATLAB la media y la varianza, obteniendo la media = y la varianza = Mediante el TCL se obtiene lo siguiente: Sarmiento García, Teresa 121

160 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución ; Por tanto, el intervalo de confianza al 95% del tiempo medio en días que se estima para la resolución de una Incidencia del tipo G18, mediante la distribución Lognormal, es:. í í. G19: Incidencias relacionadas con el área Supply (procesos sobre la logística de la cadena de suministro: movimiento y flujo de los pedidos), con el Proyecto de Aprovisionamiento Plataforma (procesos para la gestión del aprovisionamiento de las plataformas logísticas, las cuales dan soporte a los distintos centros), que son Críticas, y con Origen en un Usuario (de las tiendas, p.e.). En primer lugar, importamos los datos correspondientes desde la hoja Excel a MATLAB. Distribución Exponencial Comenzamos analizando la distribución Exponencial. Mediante MATLAB se obtiene el valor del parámetro mu = Por lo tanto para esta distribución, su parámetro La gráfica de esta distribución es la siguiente: Figura 68. Distribución Exponencial G19 Mediante el Test de Kolmogorov-Smirnov, vamos a analizar la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Exponencial. Mediante MATLAB nos quedaría lo siguiente: 122 Sarmiento García, Teresa

161 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Se obtiene h=0, lo cual significa que no se puede rechazar la hipótesis nula, es decir, la muestra se ajusta a una distribución Exponencial. Además, el p-valor es mayor que el nivel de significación establecido (0.05), lo cual corrobora que los tiempos t del tipo de Incidencias G19 se ajustan mediante una distribución Exponencial. Distribución Weibull Teniendo en la variable G19la muestra, lo siguiente sería calcular los parámetros y. Mediante MATLAB se obtiene y La gráfica de esta distribución , es la siguiente: Figura 69. Distribución Weibull G19 Mediante el Test de Kolmogorov-Smirnov, vamos a analizar la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Weibull. Mediante MATLAB nos quedaría lo siguiente: Se obtiene h=0, lo cual significa que no se rechaza la hipótesis de que la muestra se ajusta con una distribución Weibull. Además, el p-valor es mayor que el nivel de significación Sarmiento García, Teresa 123

162 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución establecido (0.05), lo cual corrobora que los tiempos t del tipo de Incidencias G19 se ajustan mediante una distribución Weibull. Distribución Lognormal Partiendo de la variable G19la muestra, lo siguiente sería calcular los parámetros y de esta distribución. Mediante MATLAB se obtiene y La gráfica , se muestra a continuación: Figura 70. Distribución Lognormal G19 Mediante el Test de Kolmogorov-Smirnov, a continuación, se va a analizar la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Lognormal. Mediante MATLAB nos quedaría lo siguiente: Se obtiene h=0, lo cual significa que no se rechaza la hipótesis de que la muestra se ajusta con una distribución Lognormal. Además, el p-valor es mayor que el nivel de significación establecido (0.05), lo cual corrobora que los tiempos t del tipo de Incidencias G19 se pueden ajustar mediante una distribución Lognormal. Para finalizar, se escoge la distribución que mejor se ajusta a los tiempos t del G19. Para esto, escogemos aquella distribución que proporciona el mayor p-valor: La distribución Weibull ajusta mejor los tiempos t del tipo de Incidencias G19. Tiempos t del G , Sarmiento García, Teresa

163 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Por lo tanto, se va a calcular a continuación el intervalo de confianza en un 95%, nivel de significación 0.05, del tiempo medio en días que se estima para resolución de una Incidencia del tipo G19, mediante la distribución Weibull, distribución que mejor ajusta los datos. En primer lugar, se va a calcular mediante MATLAB la media y la varianza, obteniendo la media = y la varianza = Mediante el TCL se obtiene lo siguiente: ; Por tanto, el intervalo de confianza al 95% del tiempo medio en días que se estima para la resolución de una Incidencia del tipo G19, mediante la distribución Weibull, es:. í í. G20: Incidencias relacionadas con el área Supply (procesos sobre la logística de la cadena de suministro: movimiento y flujo de los pedidos), con el Proyecto de Gestión Operativa (procesos sobre todas aquellas operaciones puramente rutinarias dentro de la Cadena de Suministro), que son Críticas, y con Origen en el departamento de Mejora u Otro origen no contemplado. En primer lugar, importamos los datos correspondientes desde la hoja Excel a MATLAB. Distribución Exponencial Comenzamos analizando la distribución Exponencial. Mediante MATLAB se obtiene el valor del parámetro mu = Por lo tanto para esta distribución, su parámetro La gráfica de esta distribución es la siguiente: Sarmiento García, Teresa 125

164 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Figura 71. Distribución Exponencial G20 Mediante el Test de Kolmogorov-Smirnov, vamos a analizar la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Exponencial. Mediante MATLAB nos quedaría lo siguiente: Se obtiene h=1, lo cual significa que se rechaza la hipótesis nula, es decir, la muestra no se ajusta a una distribución Exponencial. Además, el p-valor es menor que el nivel de significación establecido (0.05), lo cual corrobora que los tiempos t del tipo de Incidencias G20 no se ajustan mediante una distribución Exponencial. Distribución Weibull Teniendo en la variable G20la muestra, lo siguiente sería calcular los parámetros y. Mediante MATLAB se obtiene y La gráfica de esta distribución , es la siguiente: 126 Sarmiento García, Teresa

165 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Figura 72. Distribución Weibull G20 Mediante el Test de Kolmogorov-Smirnov, vamos a analizar la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Weibull. Mediante MATLAB nos quedaría lo siguiente: Se obtiene h=1, lo cual significa que se rechaza la hipótesis de que la muestra se ajusta con una distribución Weibull. Además, el p-valor es menor que el nivel de significación establecido (0.05), lo cual corrobora que los tiempos t del tipo de Incidencias G20 no se ajustan mediante una distribución Weibull. Distribución Lognormal Partiendo de la variable G20la muestra, lo siguiente sería calcular los parámetros y de esta distribución. Mediante MATLAB se obtiene y La gráfica , se muestra a continuación: Sarmiento García, Teresa 127

166 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Figura 73. Distribución Lognormal G20 Mediante el Test de Kolmogorov-Smirnov, a continuación, se va a analizar la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Lognormal. Mediante MATLAB nos quedaría lo siguiente: Se obtiene h=1, lo cual significa que se rechaza la hipótesis de que la muestra se ajusta con una distribución Lognormal al 95% de confianza. Además, el p-valor es menor que el nivel de significación establecido (0.05), lo cual corrobora que los tiempos t del tipo de Incidencias G20 no se pueden ajustar mediante una distribución Lognormal. Como se puede observar, ninguna de las distribuciones que se están estudiando ajustan bien los tiempos de la muestra G20 con un nivel de significación = Asumiendo el error que pueda haber por escoger una de estas distribuciones, se va a seleccionar aquella distribución con mayor p-valor para que, dentro del error posible, sea el menor (puesto que, aunque no sea el aconsejable, con el nivel de significación = 0.01 se aceptaría). La distribución Lognormal ajusta mejor los tiempos t del tipo de Incidencias G20. Tiempos t del G , Intentando calcular mediante la Lognormal, como se ha hecho previamente, el intervalo de confianza al 95% del tiempo medio en días que se estima para resolución de una Incidencia del tipo G20, se ha obtenido como resultado , siendo esto un resultado no posible, se va a aumentar el nivel de significación a 0.2 ( 0.1 tampoco serviría, obteniendo el mismo problema), permitiendo obtener un intervalo menor (menor confianza para el tiempo medio: hay mucha variabilidad en los tiempos mejor si se 128 Sarmiento García, Teresa

167 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución disminuye la confianza).como no quedaría otra opción, se asume el riesgo. Tenemos la media = y la varianza = Mediante el TCL se obtiene lo siguiente: ; Por tanto, el intervalo de confianza al 80% del tiempo medio en días que se estima para la resolución de una Incidencia del tipo G20, mediante la distribución Lognormal, es:. í í. G21: Incidencias relacionadas con el área Supply (procesos sobre la logística de la cadena de suministro: movimiento y flujo de los pedidos), con el Proyecto de Gestión Operativa (procesos sobre todas aquellas operaciones puramente rutinarias dentro de la Cadena de Suministro), que son Críticas, y con Origen en la herramienta Patrol. En primer lugar, importamos los datos correspondientes desde la hoja Excel a MATLAB, sin tener en cuenta los valores outliers. Distribución Exponencial Comenzamos analizando la distribución Exponencial. Mediante MATLAB se obtiene el valor del parámetro mu = Por lo tanto para esta distribución, su parámetro La gráfica de esta distribución es la siguiente: Sarmiento García, Teresa 129

168 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Figura 74. Distribución Exponencial G21 Mediante el Test de Kolmogorov-Smirnov, vamos a analizar la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Exponencial. Mediante MATLAB nos quedaría lo siguiente: Se obtiene h=0, lo cual significa que no se puede rechazar la hipótesis nula, es decir, la muestra se ajusta a una distribución Exponencial. Además, el p-valor es mayor que el nivel de significación establecido (0.05), lo cual corrobora que los tiempos t del tipo de Incidencias G21 se ajustan mediante una distribución Exponencial. Distribución Weibull Teniendo en la variable G21la muestra, lo siguiente sería calcular los parámetros y. Mediante MATLAB se obtiene y La gráfica de esta distribución , es la siguiente: 130 Sarmiento García, Teresa

169 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Figura 75. Distribución Weibull G21 Mediante el Test de Kolmogorov-Smirnov, vamos a analizar la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Weibull. Mediante MATLAB nos quedaría lo siguiente: Se obtiene h=0, lo cual significa que no se rechaza la hipótesis de que la muestra se ajusta con una distribución Weibull. Además, el p-valor es mayor que el nivel de significación establecido (0.05), lo cual corrobora que los tiempos t del tipo de Incidencias G21 se ajustan mediante una distribución Weibull. Distribución Lognormal Partiendo de la variable G21la muestra, lo siguiente sería calcular los parámetros y de esta distribución. Mediante MATLAB se obtiene y La gráfica , se muestra a continuación: Sarmiento García, Teresa 131

170 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Figura 76. Distribución Lognormal G21 Mediante el Test de Kolmogorov-Smirnov, a continuación, se va a analizar la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Lognormal. Mediante MATLAB nos quedaría lo siguiente: Se obtiene h=0, lo cual significa que no se rechaza la hipótesis de que la muestra se ajusta con una distribución Lognormal. Además, el p-valor es mayor que el nivel de significación establecido (0.05), lo cual corrobora que los tiempos t del tipo de Incidencias G21 se pueden ajustar mediante una distribución Lognormal. Para finalizar, se escoge la distribución que mejor se ajusta a los tiempos t del G21. Para esto, escogemos aquella distribución que proporciona el mayor p-valor: La distribución Weibull ajusta mejor los tiempos t del tipo de Incidencias G21. Tiempos t del G , Por lo tanto, se va a calcular a continuación el intervalo de confianza en un 95%, nivel de significación 0.05, del tiempo medio en días que se estima para resolución de una Incidencia del tipo G21, mediante la distribución Weibull, distribución que mejor ajusta los datos. En primer lugar, se va a calcular mediante MATLAB la media y la varianza, obteniendo la media = y la varianza = Mediante el TCL se obtiene lo siguiente: 132 Sarmiento García, Teresa

171 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución ; Por tanto, el intervalo de confianza al 95% del tiempo medio en días que se estima para la resolución de una Incidencia del tipo G21, mediante la distribución Weibull, es:. í í. G22: Incidencias relacionadas con el área Supply (procesos sobre la logística de la cadena de suministro: movimiento y flujo de los pedidos), con el Proyecto de Gestión Operativa (procesos sobre todas aquellas operaciones puramente rutinarias dentro de la Cadena de Suministro), que son Críticas, y con Origen en un Usuario (de las tiendas, p.e.). En primer lugar, importamos los datos correspondientes desde la hoja Excel a MATLAB. Distribución Exponencial Comenzamos analizando la distribución Exponencial. Mediante MATLAB se obtiene el valor del parámetro mu = Por lo tanto para esta distribución, su parámetro La gráfica de esta distribución es la siguiente: Figura 77. Distribución Exponencial G22 Sarmiento García, Teresa 133

172 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Mediante el Test de Kolmogorov-Smirnov, vamos a analizar la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Exponencial. Mediante MATLAB nos quedaría lo siguiente: Se obtiene h=0, lo cual significa que no se puede rechazar la hipótesis nula, es decir, la muestra se ajusta a una distribución Exponencial. Además, el p-valor es mayor que el nivel de significación establecido (0.05), lo cual corrobora que los tiempos t del tipo de Incidencias G22 se ajustan mediante una distribución Exponencial. Distribución Weibull Teniendo en la variable G22la muestra, lo siguiente sería calcular los parámetros y. Mediante MATLAB se obtiene y La gráfica de esta distribución , es la siguiente: Figura 78. Distribución Weibull G22 Mediante el Test de Kolmogorov-Smirnov, vamos a analizar la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Weibull. Mediante MATLAB nos quedaría lo siguiente: 134 Sarmiento García, Teresa

173 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Se obtiene h=0, lo cual significa que no se rechaza la hipótesis de que la muestra se ajusta con una distribución Weibull. Además, el p-valor es mayor que el nivel de significación establecido (0.05), lo cual corrobora que los tiempos t del tipo de Incidencias G22 se ajustan mediante una distribución Weibull. Distribución Lognormal Partiendo de la variable G22la muestra, lo siguiente sería calcular los parámetros y de esta distribución. Mediante MATLAB se obtiene y La gráfica , se muestra a continuación: Figura 79. Distribución Lognormal G22 Mediante el Test de Kolmogorov-Smirnov, a continuación, se va a analizar la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Lognormal. Mediante MATLAB nos quedaría lo siguiente: Se obtiene h=0, lo cual significa que no se rechaza la hipótesis de que la muestra se ajusta con una distribución Lognormal. Además, el p-valor es mayor (por poca diferencia) que Sarmiento García, Teresa 135

174 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución el nivel de significación establecido (0.05), lo cual corrobora que los tiempos t del tipo de Incidencias G22 se pueden ajustar mediante una distribución Lognormal. Para finalizar, se escoge la distribución que mejor se ajusta a los tiempos t del G22. Para esto, escogemos aquella distribución que proporciona el mayor p-valor: La distribución Weibull ajusta mejor los tiempos t del tipo de Incidencias G22. Tiempos t del G , Por lo tanto, se va a calcular a continuación el intervalo de confianza en un 95%, nivel de significación 0.05, del tiempo medio en días que se estima para resolución de una Incidencia del tipo G22, mediante la distribución Weibull, distribución que mejor ajusta los datos. En primer lugar, se va a calcular mediante MATLAB la media y la varianza, obteniendo la media = y la varianza = Mediante el TCL se obtiene lo siguiente: ; Por tanto, el intervalo de confianza al 95% del tiempo medio en días que se estima para la resolución de una Incidencia del tipo G22, mediante la distribución Weibull, es:. í í. G23: Incidencias relacionadas con el área Supply (procesos sobre la logística de la cadena de suministro: movimiento y flujo de los pedidos), con el Proyecto de Gestión Operativa (procesos sobre todas aquellas operaciones puramente rutinarias dentro de la Cadena de Suministro), que son No Críticas, y con Origen en un Usuario (de las tiendas, p.e.). En primer lugar, importamos los datos correspondientes desde la hoja Excel a MATLAB, sin tener en cuenta los valores outliers. Distribución Exponencial Comenzamos analizando la distribución Exponencial. Mediante MATLAB se obtiene el valor del parámetro mu = Por lo tanto para esta distribución, su parámetro La gráfica de esta distribución es la siguiente: 136 Sarmiento García, Teresa

175 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Figura 80. Distribución Exponencial G23 Mediante el Test de Kolmogorov-Smirnov, vamos a analizar la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Exponencial. Mediante MATLAB nos quedaría lo siguiente: Se obtiene h=1, lo cual significa que se rechaza la hipótesis nula, es decir, la muestra no se ajusta a una distribución Exponencial. Además, el p-valor es menor que el nivel de significación establecido (0.05), lo cual corrobora que los tiempos t del tipo de Incidencias G23 no se ajustan mediante una distribución Exponencial. Distribución Weibull Teniendo en la variable G23la muestra, lo siguiente sería calcular los parámetros y. Mediante MATLAB se obtiene y La gráfica de esta distribución , es la siguiente: Sarmiento García, Teresa 137

176 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Figura 81. Distribución Weibull G23 Mediante el Test de Kolmogorov-Smirnov, vamos a analizar la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Weibull. Mediante MATLAB nos quedaría lo siguiente: Se obtiene h=0, lo cual significa que no se rechaza la hipótesis de que la muestra se ajusta con una distribución Weibull. Además, el p-valor es mayor que el nivel de significación establecido (0.05), lo cual corrobora que los tiempos t del tipo de Incidencias G23 se ajustan mediante una distribución Weibull. Distribución Lognormal Partiendo de la variable G23la muestra, lo siguiente sería calcular los parámetros y de esta distribución. Mediante MATLAB se obtiene y La gráfica , se muestra a continuación: 138 Sarmiento García, Teresa

177 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Figura 82. Distribución Lognormal G23 Mediante el Test de Kolmogorov-Smirnov, a continuación, se va a analizar la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Lognormal. Mediante MATLAB nos quedaría lo siguiente: Se obtiene h=0, lo cual significa que no se rechaza la hipótesis de que la muestra se ajusta con una distribución Lognormal. Además, el p-valor es mayor (por poca diferencia) que el nivel de significación establecido (0.05), lo cual corrobora que los tiempos t del tipo de Incidencias G23 se pueden ajustar mediante una distribución Lognormal. Para finalizar, se escoge la distribución que mejor se ajusta a los tiempos t del G23. Para esto, escogemos aquella distribución que proporciona el mayor p-valor: La distribución Weibull ajusta mejor los tiempos t del tipo de Incidencias G23. Tiempos t del G , Por lo tanto, se va a calcular a continuación el intervalo de confianza en un 95%, nivel de significación 0.05, del tiempo medio en días que se estima para resolución de una Incidencia del tipo G23, mediante la distribución Weibull, distribución que mejor ajusta los datos. En primer lugar, se va a calcular mediante MATLAB la media y la varianza, obteniendo la media = y la varianza = Mediante el TCL se obtiene lo siguiente: Sarmiento García, Teresa 139

178 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución ; Por tanto, el intervalo de confianza al 95% del tiempo medio en días que se estima para la resolución de una Incidencia del tipo G23, mediante la distribución Weibull, es:. í í. G24: Incidencias relacionadas con el área Supply (procesos sobre la logística de la cadena de suministro: movimiento y flujo de los pedidos), con el Proyecto de Gestión Operativa (procesos sobre todas aquellas operaciones puramente rutinarias dentro de la Cadena de Suministro), que son No Críticas, y con Origen en el departamento de Mejora, la herramienta Patrol u Otro origen no contemplado. En primer lugar, importamos los datos correspondientes desde la hoja Excel a MATLAB, sin tener en cuenta los valores outliers. Distribución Exponencial Comenzamos analizando la distribución Exponencial. Mediante MATLAB se obtiene el valor del parámetro mu = Por lo tanto para esta distribución, su parámetro La gráfica de esta distribución es la siguiente: Figura 83. Distribución Exponencial G Sarmiento García, Teresa

179 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Mediante el Test de Kolmogorov-Smirnov, vamos a analizar la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Exponencial. Mediante MATLAB nos quedaría lo siguiente: Se obtiene h=0, lo cual significa que no se puede rechazar la hipótesis nula, es decir, la muestra se ajusta a una distribución Exponencial. Además, el p-valor es mayor que el nivel de significación establecido (0.05), lo cual corrobora que los tiempos t del tipo de Incidencias G24 se ajustan mediante una distribución Exponencial. Distribución Weibull Teniendo en la variable G24la muestra, lo siguiente sería calcular los parámetros y. Mediante MATLAB se obtiene y La gráfica de esta distribución , es la siguiente: Figura 84. Distribución Weibull G24 Mediante el Test de Kolmogorov-Smirnov, vamos a analizar la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Weibull. Mediante MATLAB nos quedaría lo siguiente: Sarmiento García, Teresa 141

180 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Se obtiene h=0, lo cual significa que no se rechaza la hipótesis de que la muestra se ajusta con una distribución Weibull. Además, el p-valor es mayor que el nivel de significación establecido (0.05), lo cual corrobora que los tiempos t del tipo de Incidencias G24 se ajustan mediante una distribución Weibull. Distribución Lognormal Partiendo de la variable G24la muestra, lo siguiente sería calcular los parámetros y de esta distribución. Mediante MATLAB se obtiene y La gráfica , se muestra a continuación: Figura 85. Distribución Lognormal G24 Mediante el Test de Kolmogorov-Smirnov, a continuación, se va a analizar la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Lognormal. Mediante MATLAB nos quedaría lo siguiente: 142 Sarmiento García, Teresa

181 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Se obtiene h=0, lo cual significa que no se rechaza la hipótesis de que la muestra se ajusta con una distribución Lognormal. Además, el p-valor es mayor (por poca diferencia) que el nivel de significación establecido (0.05), lo cual corrobora que los tiempos t del tipo de Incidencias G24 se pueden ajustar mediante una distribución Lognormal. Para finalizar, se escoge la distribución que mejor se ajusta a los tiempos t del G24. Para esto, escogemos aquella distribución que proporciona el mayor p-valor: La distribución Weibull ajusta mejor los tiempos t del tipo de Incidencias G24. Tiempos t del G , Por lo tanto, se va a calcular a continuación el intervalo de confianza en un 95%, nivel de significación 0.05, del tiempo medio en días que se estima para resolución de una Incidencia del tipo G24, mediante la distribución Weibull, distribución que mejor ajusta los datos. En primer lugar, se va a calcular mediante MATLAB la media y la varianza, obteniendo la media = y la varianza = Mediante el TCL se obtiene lo siguiente: ; Por tanto, el intervalo de confianza al 95% del tiempo medio en días que se estima para la resolución de una Incidencia del tipo G24, mediante la distribución Weibull, es:. í í. G25: Incidencias relacionadas con el área Supply (procesos sobre la logística de la cadena de suministro: movimiento y flujo de los pedidos), con cualquier otro Proyecto no contemplado anteriormente, y que son No Críticas. En primer lugar, importamos los datos correspondientes desde la hoja Excel a MATLAB. Distribución Exponencial Comenzamos analizando la distribución Exponencial. Mediante MATLAB se obtiene el valor del parámetro mu = Por lo tanto para esta distribución, su parámetro La gráfica de esta distribución es la siguiente: Sarmiento García, Teresa 143

182 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Figura 86. Distribución Exponencial G25 Mediante el Test de Kolmogorov-Smirnov, vamos a analizar la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Exponencial. Mediante MATLAB nos quedaría lo siguiente: Se obtiene h=0, lo cual significa que no se puede rechazar la hipótesis nula, es decir, la muestra se ajusta a una distribución Exponencial. Además, el p-valor es mayor que el nivel de significación establecido (0.05), lo cual corrobora que los tiempos t del tipo de Incidencias G25 se ajustan mediante una distribución Exponencial. Distribución Weibull Teniendo en la variable G25la muestra, lo siguiente sería calcular los parámetros y. Mediante MATLAB se obtiene y La gráfica de esta distribución , es la siguiente: 144 Sarmiento García, Teresa

183 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Figura 87. Distribución Weibull G25 Mediante el Test de Kolmogorov-Smirnov, vamos a analizar la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Weibull. Mediante MATLAB nos quedaría lo siguiente: Se obtiene h=0, lo cual significa que no se rechaza la hipótesis de que la muestra se ajusta con una distribución Weibull. Además, el p-valor es mayor que el nivel de significación establecido (0.05), lo cual corrobora que los tiempos t del tipo de Incidencias G25 se ajustan mediante una distribución Weibull. Distribución Lognormal Partiendo de la variable G25la muestra, lo siguiente sería calcular los parámetros y de esta distribución. Mediante MATLAB se obtiene y La gráfica , se muestra a continuación: Sarmiento García, Teresa 145

184 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Figura 88. Distribución Lognormal G25 Mediante el Test de Kolmogorov-Smirnov, a continuación, se va a analizar la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Lognormal. Mediante MATLAB nos quedaría lo siguiente: Se obtiene h=0, lo cual significa que no se rechaza la hipótesis de que la muestra se ajusta con una distribución Lognormal. Además, el p-valor es mayor (por poca diferencia) que el nivel de significación establecido (0.05), lo cual corrobora que los tiempos t del tipo de Incidencias G25 se pueden ajustar mediante una distribución Lognormal. Para finalizar, se escoge la distribución que mejor se ajusta a los tiempos t del G25. Para esto, escogemos aquella distribución que proporciona el mayor p-valor: La distribución Weibull ajusta mejor los tiempos t del tipo de Incidencias G25. Tiempos t del G , Por lo tanto, se va a calcular a continuación el intervalo de confianza en un 95%, nivel de significación 0.05, del tiempo medio en días que se estima para resolución de una Incidencia del tipo G25, mediante la distribución Weibull, distribución que mejor ajusta los datos. En primer lugar, se va a calcular mediante MATLAB la media y la varianza, obteniendo la media = y la varianza = Mediante el TCL se obtiene lo siguiente: 146 Sarmiento García, Teresa

185 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución ; Por tanto, el intervalo de confianza al 95% del tiempo medio en días que se estima para la resolución de una Incidencia del tipo G25, mediante la distribución Weibull, es:. í í. G26: Incidencias relacionadas con el área Supply (procesos sobre la logística de la cadena de suministro: movimiento y flujo de los pedidos), con cualquier otro Proyecto no contemplado anteriormente, y que son Críticas. En primer lugar, importamos los datos correspondientes desde la hoja Excel a MATLAB, sin tener en cuenta los valores outliers. Distribución Exponencial Comenzamos analizando la distribución Exponencial. Mediante MATLAB se obtiene el valor del parámetro mu = Por lo tanto para esta distribución, su parámetro La gráfica de esta distribución es la siguiente: Figura 89. Distribución Exponencial G26 Mediante el Test de Kolmogorov-Smirnov, vamos a analizar la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Exponencial. Mediante MATLAB nos quedaría lo siguiente: Sarmiento García, Teresa 147

186 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Se obtiene h=0, lo cual significa que no se puede rechazar la hipótesis nula, es decir, la muestra se ajusta a una distribución Exponencial. Además, el p-valor es mayor que el nivel de significación establecido (0.05), lo cual corrobora que los tiempos t del tipo de Incidencias G26 se ajustan mediante una distribución Exponencial. Distribución Weibull Teniendo en la variable G26la muestra, lo siguiente sería calcular los parámetros y. Mediante MATLAB se obtiene y La gráfica de esta distribución , es la siguiente: Figura 90. Distribución Weibull G26 Mediante el Test de Kolmogorov-Smirnov, vamos a analizar la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Weibull. Mediante MATLAB nos quedaría lo siguiente: Se obtiene h=0, lo cual significa que no se rechaza la hipótesis de que la muestra se ajusta con una distribución Weibull. Además, el p-valor es mayor que el nivel de significación 148 Sarmiento García, Teresa

187 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución establecido (0.05), lo cual corrobora que los tiempos t del tipo de Incidencias G26 se ajustan mediante una distribución Weibull. Distribución Lognormal Partiendo de la variable G26la muestra, lo siguiente sería calcular los parámetros y de esta distribución. Mediante MATLAB se obtiene y La gráfica , se muestra a continuación: Figura 91. Distribución Lognormal G26 Mediante el Test de Kolmogorov-Smirnov, a continuación, se va a analizar la bondad del ajuste. Se considera la hipótesis nula de que la muestra sigue una distribución Lognormal. Mediante MATLAB nos quedaría lo siguiente: Se obtiene h=0, lo cual significa que no se rechaza la hipótesis de que la muestra se ajusta con una distribución Lognormal. Además, el p-valor es mayor que el nivel de significación establecido (0.05), lo cual corrobora que los tiempos t del tipo de Incidencias G26 se pueden ajustar mediante una distribución Lognormal. Para finalizar, se escoge la distribución que mejor se ajusta a los tiempos t del G26. Para esto, escogemos aquella distribución que proporciona el mayor p-valor: La distribución Weibull ajusta mejor los tiempos t del tipo de Incidencias G26. Tiempos t del G , Sarmiento García, Teresa 149

188 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Por lo tanto, se va a calcular a continuación el intervalo de confianza en un 95%, nivel de significación 0.05, del tiempo medio en días que se estima para resolución de una Incidencia del tipo G26, mediante la distribución Weibull, distribución que mejor ajusta los datos. En primer lugar, se va a calcular mediante MATLAB la media y la varianza, obteniendo la media = y la varianza = Mediante el TCL se obtiene lo siguiente: ; Por tanto, el intervalo de confianza al 95% del tiempo medio en días que se estima para la resolución de una Incidencia del tipo G26, mediante la distribución Weibull, es:. í í. Este grupo G26, ha sido el último grupo a analizar. A continuación, habiendo evaluado individualmente cada tipo, teniendo una secuencia de pasos clara a seguir, y con una garantía de los tiempos de resolución medio de las incidencias de la muestra, se pasa al siguiente apartado, que incluye el desarrollo de la herramienta que lleva todo esto a cabo, de forma automática. 150 Sarmiento García, Teresa

189 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución 5.4 Desarrollo de la aplicación EMTRI En este apartado se explicará tanto lo empleado, como los pasos, para el desarrollo de la herramienta EMTRI Evaluación y Modelado del Tiempo de Resolución de Incidencias. Está desarrollada en JAVA, con NetBeans como IDE de trabajo utilizada. La parte WEB es soportada con Apache Tomcat. Se parte de una base de datos, PFC, creada con MySQL,con dos tablas: Incidencias e Incidencias_Closed. En esta última tabla, se incluyen todas las incidencias cerradas que se utilizaron como muestra en el apartado Clasificación de las Incidencias en Grupos/Tiposy que se utilizarán para las pruebas de que los resultados son correctos. Los registros de esta tabla no se modifican. La otra tabla, Incidencias, será la tabla real que se empleará para la aplicación. Se incluyen las de la muestra, junto con las incidencias que se añadan a la BBDD, es decir, las incidencias nuevas que estén cerradas y solucionadas, para tener una retroalimentación que permita unos resultados actualizados. Las muestra inicial de 753 incidencias, son importadas a la BBDD desde la hoja Excel (exportada desde JIRA) mediante el administrador gráfico de base de datos Navicat para MySQL. Ambas tablas, tienen la misma estructura y los mismos campos, incluyendo no sólo aquellos clasificadores necesarios para la predicción, si no además otros campos que proporcionarían información complementaria: Figura 92. Base de datos de EMTRI1.0 Sarmiento García, Teresa 151

190 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Diagrama del Diseño de la Arquitectura de EMTRI Se muestra a continuación un diagrama que representa un diseño a alto nivel de la arquitectura que seguirá la herramienta EMTRI. Cada uno de los componentes, junto con el flujo de información, se explicará en las próximas páginas: Figura 93.- Diagrama del diseño de Arquitectura de EMTRI Clases principales de la aplicación EMTRI En la siguiente página, se muestra un diagrama de las clases fundamentales desarrolladas para esta aplicación, junto con sus métodos más importantes, con objetivo de facilitar el entendimiento de los siguientes sub-apartados. 152 Sarmiento García, Teresa

191 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Figura 94. Diagrama de Clases EMTRI Funcionalidad principal Aplicación de escritorio EMTRI es, principalmente, una aplicación de escritorio, desarrollada en el lenguaje JAVA, que sigue los mismos pasos y la metodología presentada en el apartado anterior. La principal funcionalidad consiste en introducir los atributos o las características de la incidencia de la cual se requiere obtener la predicción o estimación del tiempo medio que tardará en resolverse, y así obtener ese tiempo junto con un resumen del modelo que mejor se ajusta al tipo de incidencia al que ésta pertenece. Tiene su origen en la aplicación EMSI2.0 desarrollada por los estudiantes de la Universidad Complutense de Madrid. EMSI2.0 ( Evaluación y Modelado de Sistemas Informáticos ) se centra en el estudio de los distintos componentes que intervienen en un sistema informático, para analizar y estudiar la mejora y la variación del tiempo hasta el falloque habría al usar un componente u otro. Esta aplicación ha servido como fuente de idea al desarrollo de EMTRI, empleando de ésta únicamente el mismo diseño, una interfaz similar pero una funcionalidad totalmente distinta. Mientras que EMTRI ajustael tiempo de resolución de una incidencia al mejor modelo, y mediante éste calcula el tiempo medio;con EMSI2.0 hay que escoger aquella distribución (modelo) al que se quiera ajustar el tiempo hasta el fallo, sin que ésta herramienta llegue a proporcionar el mejor ajuste, ni el tiempo medio. Todas las demás funcionalidades que EMSI2.0 implementa, no se desarrollan para EMTRI. La interfaz de la aplicación se ha desarrollado con JAVA Swing GUI. En un primer lugar, al ejecutar la aplicación, se muestra la siguiente pantalla: Sarmiento García, Teresa 153

192 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Figura 95. Pantalla Inicio EMTRI1.0 Aquí, se presentan dos opciones: Analysis & Prediction y Upload Incidents. La funcionalidad principal a la que este apartado se refiere, está implementada en la opción Analysis & Prediction. Esta funcionalidad lo que permite es introducir aquellos atributos/clasificadores básicos (establecidas en el apartado Clasificación de las Incidencias en Grupos/Tipos). Una vez introducidos y validados internamente todos los campos, se obtiene: Figura 96. Pantalla Pestaña Incidencia EMTRI 1.0 Para obtener la predicción, sólo bastaría con hacer click en el botón Generate Prediction. Automáticamente la aplicación llama al métododamegrupo(), desde una instancia de la clase Clasificación e internamente se obtiene el tipo de Incidencia al que ésta pertenece (tal y como se hizo en el apartado previo): 154 Sarmiento García, Teresa

193 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Con el cual se obtiene el grupo/tipo al que pertenece la Incidencia (G01, G02 ) ). Una vez obtenido estee dato, y siguiendo el mismo procedimiento que en el apartado anterior, se recogen aquellos registros de la tabla Incidenciasque tengan en el campo Incidencias.Grupo, el valor devuelto por este método. Se cogen los tiempos t bajo el campo Incidencias.TiempoReal, puesto éste sería el tiempo real hasta que se cerró la incidencia (no confundir con Incidencias.TiempoSLA, éste es el tiempo marcado en el SLA, no necesariamente el real). Una vez obtenidos estos tiempos t, se realizan los siguientes pasos: 1. Eliminación de valores outliers. Para esto, se ha empleado la librería JFreeChart, una librería para representar gráficos en JAVA. Esta librería contiene una clase especial dedicada a los Diagramas de Caja[1] ]. Esta clase se llama BoxAndWhiskerCalculator, que, con el método estático calculateboxandwhiskerstatistics(), se envía un objeto List, y devuelve un objeto BoxAndWhiskerItem. Este objeto devuelto tiene como atributo un objeto List<Number>que contiene los valores outliers que se encuentran dentro de la lista enviada como parámetro. Así, fácilmente, se eliminan aquellos valores no representativos, iterando sobre la lista de tiempos y eliminando aquellos que coincidan con los outliers. Implementado en el método eliminaroutliers, de la clase Estadística. [JFRE2014] 2. Calcular los parámetros para cada una de las distribuciones a estudiar: Exponencial, Weibull y Lognormal. Se ha empleado el uso de la librería SSJ: Stochastic Simulation in JAVA[SSJS2013] desarrollada por la Universidad de Montreal. Esta librería contiene tres clases que hacen referencia a las tres distribuciones, llamadas ExponentialDist, WeibullDist y LognormalDistr, siendo todas hijas de la clase abstracta ContinuousDistribution. Las tres clases implementan el método getmle() (), al cual se le envían como parámetros un Array de números double que serían los tiempos (en nuestro caso), y la longitud de dicho Array (número de la muestra: n). Este método devuelve otro Array de números double que correspondee cada posición a cada uno de los parámetros del modelo en cuestión. Es decir: para la distribución Exponencial, habrá una posición (parámetro Lambda), para Weibull habrán tres posiciones (parámetros Alpha ylambda), y paraa Lognormal habrán otras dos posiciones (Mu y Sigma).Estos parámetros son los estimadores de máxima verosimilitud, estimadoss por el método de máxima verosimilitud (MLE) [9]. Al usar esta librería, se obtiene una diferencia, obtenida después de realizar pruebas, con respecto al resultado que se obtuvo con MATLAB. Sucede para la distribución Weibull: Parámetro de escala. MATLAB hace referencia a estee parámetro llamándolo Alpha, mientras que esta librería hacer referencia a éste con el nombre de Lambda. Sarmiento García, Teresa 155

194 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Parámetro de forma. MATLAB hace referencia a este parámetro llamándolo Beta, mientras que esta librería lo denomina Alpha. Además, siguiendo la nomenclatura de MATLAB, el método getmle(), no devuelve [Alpha, Beta] si no que devuelve [Beta, ].Esto se debe a que, en vez de seguir la expresión de la función de densidad de Weibull f(t)que sigue MATLAB, sigue otra expresión, que dan como resultados los mismos cálculos, pero variando el parámetro de escalaen la forma indicada. De esta forma, obtenemos los parámetros para cada distribución.getmlees llamado desde el método estático calcularparametros. 3. Test Kolmogorov-Smirnov para estudiar la bondad del ajuste de cada modelo. Para la realización del TK-S, se emplea la libreríajavanpst: NonParametric Statistical Tests in JAVA[NPST2013].Esta librería contiene una clase llamada K_STestque contiene atributos que representarían toda la información de un TK-S. Para crear un objeto de esta clase, es necesario pasarle al constructor un objeto NumericSequence(forma parte de esta librería). Una instancia de esta clasese crea llamando a su constructor y enviándole un List<double>, traduciéndose a objeto NumericSequence. Al crear una instancia K_STest, internamente esta librería calcula su distribución empírica (extraída de los tiempos). A continuación se llama desde esta instancia a los métodos adjustexponential(), adjustweibull() y adjustnormal(), pasándoles como parámetros los parámetros de cada distribución, creándose así la función de distribución acumulada del modelo en cuestión. Aquí, hay que tener en cuenta dos puntos: Como se puede observar, y debido a que en esta librería no está implementado un método para calcular el K_STest para la distribución Lognormal, a partir de las propiedades de ésta distribución, expuestas en el apartado Definición de conceptos y modelos, se aplica,, _4.3.1_Definición_de_2[6]. En esta librería, y a diferencia de la librería SSJ, y continuando con la nomenclatura de MATLAB, los parámetros que hay que pasar al método adjustweibull() serían [Beta, Alpha]. A continuación, mediante la clase K_STest, se llama desde la instancia creada al método dotest(), el cual termina de rellenar los atributos que quedan de la instancia sin completar: el estadístico D, el Pvalor, entre otros. Esto se realiza desde los métodos estáticos realizartestks. 156 Sarmiento García, Teresa

195 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución 4. Selección del mejor modelo. Para este paso, se compara los tres estadísticos D obtenidos en la instancia K_STest (un estadístico para cada ajuste) que corresponde a la Exponencial, Weibull y Lognormal. Como se ha explicado en apartados anteriores, aquel ajuste que tenga el menor estadístico D (o el mayor Pvalor), será el más adecuado, teniendo en cuenta que ha tenido que ser aceptado al nivel de significación establecido. Como independientemente de si se acepta a un nivel de significación o no, se requiere mostrar un tiempo medio, aunque no se haya aceptado la hipótesis nula en ningún caso, se va a medir principalmente qué distribución tiene menor valor de estadístico D. Se realiza con el estadístico D, y no el Pvalor, porque esta librería, debido a la dificultad de calcular un Pvalor exacto, tan sólo proporciona un Pvalor redondeado que sería el nivel de significación al que se rechazaría. Es decir, después de realizar pruebas con esta librería, se ha obtenido: Si se acepta a un nivel de significación del 5%, el método dotext() devuelve un Pvalor = 1.0 (puede tener cualquier valor > 0.05). Si se acepta a un nivel de significación igual o mayor que el 1% pero menor que el 5%, el método dotext() devuelve un Pvalor>0.01 o un Pvalor<= Si se acepta a un nivel de significación menor que el 1%, el método dotext() devuelve un Pvalor=0.01. A continuación se muestra un extracto del código, el método calculanivsign(), dentro de la clase Estadística, para comprender mejor lo que se acaba de explicar: Aquel TK-S que tenga el menor estadístico D (comparando con condiciones if-else), nos dará la distribución que mejor ajuste los tiempos, de tal forma que llamando al método estático density desde la clase ExponentialDist, WeibullDistoLognormalDist, enviando los parámetros y los tiempos,e implementado por la librería SSJ, obtendríamos la f(t):iterando sobre cada uno de los tiemposy, sobre ese tiempo, llamando al método density. Además, los métodos estáticosgetmean y gervariance, nos proporcionan la Media y la Varianza de la distribución en cuestión, enviándoles como parámetros los parámetros de la distribución. Sarmiento García, Teresa 157

196 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución El objeto DistribucionProbabilidad que se observa en el código, es una clase abstracta, implementada por DistribucionProbabilidad_Exponencial,DistribucionProbabilidad_Weibull, DistribucionProbabilidad_Lognormal, por tanto, en función del estadístico D escogido, se creará una instancia de una de estas tres clases, con sus atributos: Nombre, Tiempos, Pvalor, estadístico D, Media, Varianza, mediante la clase ParametroValor, completamos los nombres y los valores de los parámetros (mediante el método creaparametros), creando un objeto ArrayList<ParametroValor>que se añade como atributo al objeto DistribucionProbabilidad que se hacreado. 5. Calcular el intervalo de confianza para el tiempo medio de resolución de la incidencia. El siguiente paso sería el cálculo del intervalo. Para esto, se recuerda que hace falta la tabla t de Student, y el Teorema del Limite Central con sus correspondientes ecuaciones[10].como se ha podido observar en el apartado anterior, en determinados Grupos de incidencias, sucedía que la variabilidad de los tiempos era tan grande, que a la hora de establecer un intervalo era necesario disminuir el intervalo de confianza, es decir, en vez de calcular el estándar intervalo de confianza al 95%, calcularlo al 90% e incluso al 80% (G20). Esto se daba porque, una vez calculado el intervalo, media-desvtipicatcl*tdestudent resultaba menor que cero (negativo), siendo un resultado no válido. El siguiente método empleado localiza estas situaciones y las trata, se muestra para una mayor comprensión del problema explicado: El método calculatdestudent obtiene el valor de t de Student necesario para calcular el intervalo, en función de los parámetros enviados: nivel de significación y grados de libertad. Este método, accede a la tabla de t de Student definida en el código de la siguiente forma e interpolando valores si es necesario con el método interpolanum (cada posición de los vectores corresponde a los distintos grados de libertad): 158 Sarmiento García, Teresa

197 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución El motivo por el que no se escogen intervalos de confianza menores al 80% es porque el valor del t de Student sería menor que 1, por tanto, si se da el caso de que al 80% sigue siendo un resultado negativo (no se ha dado en nuestra muestra), el intervalo empleado sería tan sólo el representado por: Intervalo = [Media DesviacióntipicaTCL] Y en el caso de que en esta situación vuelva a ser negativo (no se ha dado en nuestra muestra), se mostrará sólo la media, sin ningún intervalo. Tanto este punto 5, como el punto 4, 3 y 2 se llevan a cabo en el método fitdistribucion (clase Estadística), que también envuelve todas las llamadas a los métodos, y que devuelve el objeto DistribucionProbabilidad completo. 6. Mostrar el reporte con los resultados y su gráfica correspondiente. Por último, y mediante la librería JFreeChart, se dibujan tres series: una correspondiente a f(t) y otras dos verticales correspondientes a los puntos del intervalo inferior y superior usando la clase ChartFactory con el método createxylinechart. Se obtiene la predicción en la pestaña Result (continuación en la siguiente página): Sarmiento García, Teresa 159

198 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Figura 97. Pestaña Result EMTRI1.0 Para poder proporcionar al usuario la opción de guardar este reporte en formato.pdf, mediante la librería JasperReport(librería para JAVA que sirve para exportar reportes en formato.pdf), se exporta este resultado, en dónde el usuario escoja guardarlo, en base a una plantilla diseñada mediante la herramienta ireport Designer. [JASP2013][IREP2013] Figura 98. Reporte en.pdf EMTRI Sarmiento García, Teresa

199 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Dónde el objeto lkles un objeto LinkedList<Reporte>, es decir una lista con un objeto Reporte necesario para que la librería JasperReport, mediante la clase JRBeanCollectionDataSource(con los getters de los atributos de Reporte), cree el resultado sobre la plantilla. Este objeto Reporte consta de: atributos de una Incidencia (hereda deincidencia), un objeto Image que correspondería a la gráfica, un objeto String que correspondería al texto que representa los resultados obtenidos. Estos resultados obtenidos son extraídos de la instancia DistribucionProbabilidad, con todos sus atributos, que fue creada y completada a medida que se realizaron los pasos anteriores Otras funcionalidades: Método Update Aplicación de escritorio Al margen de la funcionalidad primaria, se han desarrollado otras opciones para añadir a EMTRI1.0. En este apartado comentaremos la funcionalidad de actualizar la base de datos con nuevas incidencias extraídas de una hoja Excel. Hay que tener en cuenta: Esta aplicación, al ejecutarse, arranca desde la claseemtri, siendo una clase que hereda de JFrame (ventana que contiene ambos paneles: introducir incidencia PPredUnoy mostrar reporte PPredDos). Se desarrolla dentro de esta clase un método estático llamado Updatecon las siguientes características: o Recibe como parámetro un objeto String, que representala ruta del archivo Excel que contiene las Incidencias que se van a introducir en la base de datos. Devuelve un String con el resultado: si ha habido error, si se ha actualizado satisfactoriamente, etc. o Se comprueba que el archivo tiene extensión.xlsx o.xls. o Se lee la hoja Excel mediante la librería Apache POI[APAC2014],una librería para manipular archivos creados con las herramientas de Microsoft Office. Esta librería, mediante sus métodos implementados, permite recorrer la hoja Excel como si fuese una matrizhecha con objetos ArrayList. Cada fila corresponde a una incidencia. o La hoja Excel tiene que cumplir unos requisitos: La primera fila, como en la hoja Excel empleada al inicio del Proyecto DATOSfinales, tiene que incluir el nombre de cada columna, de tal forma que así se pueda localizar las columnas necesarias para crear un nuevo registro en la base de datos. Los campos requeridos (columnas) son los mismos campos que contiene la base de datos, salvo el campo de Grupo, TiempoSLA y TiempoReal, siendo estos tres calculados en este método. Si alguno de estos no está en la hoja Excel, devolverá un mensaje de error: ERROR. Sarmiento García, Teresa 161

200 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución The fields needed are not found in the file introduced, seguido de los campos requeridos. o Comprueba si las incidencias a introducir no están ya en la base de datos: si están todas, muestra el mensaje de error correspondiente y no realiza ningún cambio; si están sólo algunas, añade las nuevas pero muestra un mensaje indicando que hay incidencias que ya existían. o Comprueba si las incidencias a introducir están Closed. Para que una incidencia se añada a la base de datos de esta aplicación, es necesario que no esté previamente, y que ya está solucionada y cerrada con una fecha de producción real. Si la incidencia no está cerrada (campo Estado distinto de Closed), no se introduce. o Calcula el Grupo mediante el método damegrupo de la clase Clasificación. Calcula TiempoSLA = Fecha Entrega Real FechaCreacióny TiempoReal = Fecha Producción Fecha Creación(como se explicó a la hora del tratamiento de datos). Estas restas se realizan mediante el método diferenciadefechas de la clase Estadística, siendo estas fechas tipo Date. Para traducir al tipo de campo de la base de datos (MySQL), DateTime, se utiliza el método parsede la clase SimpleDateFormat. Este método estático Update, puede ser llamado desde la propia aplicación de escritorio, como se observa en la siguiente imagen, haciendo click en la segunda opción Upload Incidents: Figura 99. Pantalla Inicio EMTRI 1.0 Obteniendo una ventana que nos permita seleccionar el archivo Excel: 162 Sarmiento García, Teresa

201 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Figura 100. Upload Incidents EMTRI1.0 Este método estático Update, también puede ser llamado desde el método estático main. Por tanto, esto se realizaría mediante la terminal o la consola del equipo del usuario, introduciendo el comando Updateseguido del nombre del archivo Excel dónde se encuentran las incidencias a introducir. Véase un ejemplo a continuación al importar incidencias de una hoja Excel llamada nuevas.xlsx: Figura 101. Salida Terminal métodoo Update EMTRI1.0 Es necesario entender que el poder realizar una actualización desde un comando java, es esencial. Esto se debe a que, con la búsqueda de que sea una aplicación que se retroalimente y que proporcione resultados actualizados en función de incidencias pasadas, se ha desarrollado esta funcionalidad para poder permitir que uno de los outputs que genere la herramienta JIRA implantada en la empresa, sea el input de EMTRI, permitiendo así unos resultados actuales y reales. Mediantee JIRA, comoo se ha comentado previamente, reportes en hojas Excel pueden ser extraídos, tanto generados automáticamente como por el usuario en el momento que lo requiera. Por tanto, la idea para EMTRI1.0, es que: Mediantee una supuesta extracción diaria (preferiblemente por la noche) de la herramienta JIRA, escogiendo aquellas incidencias cerradas ese mismo día (es decir, con Estado = Closed), se obtienen todas las incidencias que todavía no están en la base de datos de EMTRI, pero que, esee día X, se han cerrado por fin, es decir, se dispone de Sarmiento García, Teresa 163

202 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución una Fecha de Producción real. Esta hoja Excel se guardaría en una carpeta concreta y destinada a este propósito. Mediante un proceso batch, ejecutado por un administrador de tareas, como por ejemplo Cron, que ejecute el comando java jar EMTRI.jar update ****.xlsx, busque ese archivo en esa carpeta concreta, y actualice, mandando el fichero Excel, la base de datos automáticamente. De esta forma, todos los días se dispondrá de un histórico de incidencias actualizado. De todas formas, se dispone de la interfaz para el usuario, o de la posibilidad de ejecutarlo por consola manualmente, de tal forma que si los usuarios consideran oportuno adelantar la actualización, puedan Otras funcionalidades: Método Calcular Aplicación de escritorio En este apartado comentaremos la funcionalidad de calcular predicciones de incidencias por lotes, extrayendo cada incidencia de cada fila de una hoja Excel (extraída desde JIRA). Hay que tener en cuenta: Se desarrolla dentro de la clase EMTRI (hereda de JFrame) un método estático llamado Calcularcon las siguientes características: o Recibe como parámetro un objeto String, que representa la ruta del archivo Excel que contiene las Incidencias que se van a introducir en la base de datos. Devuelve un objeto ArrayList de objetos Lote. Este objeto Lote contiene: Id de la incidencia, límite inferior del intervalo en días y límite superior del intervalo en días. o Se comprueba que el archivo tiene extensión.xlsx o.xls. o Se lee la hoja Excel mediante la librería Apache POI. Con esta librería, se recorre la hoja Excel como si fuese una matrizhecha con objetos ArrayList. Cada fila corresponde a una incidencia. o La hoja Excel tiene que cumplir unos requisitos: La primera fila, como en la hoja Excel empleada al inicio del Proyecto DATOSfinales, tiene que incluir el nombre de cada columna, de tal forma que así se pueda localizar las columnas necesarias para calcular las predicciones de cada incidencia. Los campos requeridos (columnas) son los campos que coinciden con los clasificadoresmásel Id de Incidencia. De la misma forma que al ejecutar EMTRI, para realizar una predicción, necesitamos conocer el valor de los clasificadores establecidos anteriormente. Si no contiene los campos clasificadores y el campo Id, dentro de la clase EMTRI, en uno de sus atributos String out, se devolvería ERROR. Some fields needed were not found in the WorkSheet. Fields needed, mostrando a continuación los campos que son requeridos (los clasificadores).este objeto String será sacado por pantalla, llamándolo desde la instancia EMTRI. 164 Sarmiento García, Teresa

203 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución o No se comprueba el estado de la Incidencia, puesto que se querrá saber la predicción si todavía no está resuelta (Estado distinto de Closed), y se mantiene la opción de poder sacar la predicción de aquellas ya cerradas, para asípoder extraer información, por ejemplo, puramente informativa. o Iterando sobre las filas de la hoja Excel (cada fila corresponde a una incidencia con sus campos claves), se crea un objeto ArrayList de Incidencias. Sobre este objeto, se vuelve a iterar, y se realiza para cada objeto Incidenciael mismo procedimiento explicado que en la funcionalidad principal. o Del objeto DistribucionProbabilidad obtenido para cada incidencia, se extrae el intervalo de confianza: un objeto Array de números double. De las Incidencia, se obtiene su Id. Estos tres objetos se transforman en un objeto Lote. o Por tanto, finalmente, se obtendrá un ArrayList<Lote> del mismo tamaño que el ArrayList de Incidencias comentado. o El objeto ArrayList<Lote>es devuelto por el método, y el String out de la instancia EMTRI contendrá un resumen del OK y una impresión línea a línea de resultado. Este método estático Calcularsólo puede ser llamado desde el método estático main. Se lleva a cabo mediante la terminal o la consola del equipo del usuario, introduciendo el comando prediction seguido del nombre del archivo Excel dónde se encuentran las incidencias a predecir. Una vez que el método main, recibe el objeto ArrayList<Lote>, crea un fichero lote.txt dónde vuelca esta información, línea a línea en correspondencia con cada incidencia. Véase un ejemplo a continuación al importar incidencias de una hoja Excel llamada lote.xlsx: Figura 102 Hoja Excel lote.xlsx EMTRI1.0 Con salida en el terminal mediante el comando java jar EMTRI.jar prediction lote.xlsx: Sarmiento García, Teresa 165

204 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Figura 103. Salida Terminal método Calcular EMTRI1.0 Y con el fichero lote.txtcomo output: Figura 104. Salida Fichero método Calcular EMTRI1.0 Esta funcionalidad (dentro de la aplicación de escritorio) tiene como objetivo facilitar la predicción en los casos urgentes en los que el usuario necesite tan sólo los intervalos de tiempo, evitando así que tenga que ejecutar la aplicación por completo e introducir manualmente las características de una incidencia Otras funcionalidades: Método Calcular Entornoo Web con JSON El desarrollo del método Calcular tiene como objetivo,en paralelo al anterior comentado, aportar una funcionalidad que pueda ser empleada desde la Web. Teniendo en cuenta que esta aplicación de escritorio es más limitada, para usuarios que introduzcan manualmente las características, e incidencia a incidencia, con esta funcionalidad se busca que la accesibilidad al desarrollo implementado en esta aplicación, esté disponible para cualquier usuario, vía internet, sin necesidad de depender de la aplicación de escritorio EMTRI, y con objetivo de hacerlo lo más automático posible: se envía y se recibe una hoja Excel, la cual se trata, se manipula y se devuelta un objeto ArrayList de objetos Lote. Este ArrayListse transforma en un objeto JSON, es decir: un formato ligero, alternativa a XML, más y más común actualmente, que simplifica el intercambio de datos. La mayor ventaja de JSON reside en que puede ser leído por cualquier lenguaje de programación.porr tanto, puede ser usado como forma de intercambiar información entre distintas tecnologías, optimizando así la herramienta EMTRI. Por tanto, se ha creado otro proyecto EMTRIweb, al cual se ha importado el archivo EMTRI.jar, pudiendo disponer así de la clase EMTRI y de su método estático Calcular, el cual llamaa a todas las demás clasess incluídas en el.jar y comentadas anteriormente. Dentro de esta aplicación web EMTRIweb, se implementa y se desarrolla un servlet: ServletEMTRI. Este servlet recibe en la request un parámetro con nombre file, y con valor, un 166 Sarmiento García, Teresa

205 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución objeto String que representa el nombre y la extensión del archivo. Se comprueba que el archivo tiene extensión correcta (.xlsx o.xls). De la misma forma que en el método main de EMTRI, se crea una instancia de la clase EMTRI y se llama al método Calcular, enviándole como parámetro la ruta del archivo recibido en la request. Mediante la librería Google Gson, se transforma a formato JSON el objeto ArrayList de objetos Lote devuelto por el método Calcular.Esto se realiza llamando, desde un instancia de la clase Gson, al método tojson, enviándole como parámetro el objeto ArrayList<Lote> recibido. Este JSON creado se devuelve en la response del servlet. A continuación, mediante Postman (cliente http para probar servicios web), se muestra el resultado de esta funcionalidad utilizando la misma hoja Excel que en el apartado anterior (lote.xlsx). Por un lado, Postman muestra el mismo resultado que se mostraría en cualquier navegador, indicando la siguiente URL: localhost:8080/emtriweb/servletemtri?file=lote.xlsx. Figura 105. Salida Postman String EMTRI 1.0 Por otro lado, con la opción de mostrar en formato JSON, Postman muestra el JSON bien estructurado, en forma de objetos: Sarmiento García, Teresa 167

206 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Figura 106. Salida Postman JSON EMTRI1.0 Con esta última funcionalidad, y añadiendo con valor informativo que : La herramienta de escritorio EMTRI dispone de una ventana de Ayuda (dentro de la opción del Menú Help), con una guía de indicaciones breve. Y que EMTRI dispone de un Menú para cerrar, pedir información referente a EMTRI, Ayuda, o volver a la pantalla principal, Se da por finalizado este apartado de la sección de Desarrollo del Proyecto, comentando cualquier valor añadido, como por ejemplo los dos últimos puntos, más detalladamente en la Guía de Usuario (Manual). 168 Sarmiento García, Teresa

207 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución 6. Resultados En este apartado se pretenda mostrar cómo se trata la información desde EMTRI, si se cumplen los resultados esperados, y si efectivamente se trata una información actualizada de manera continua. Se van a presentar tres escenarios para observar los resultados que proporciona EMTRI. Los dos primeros escenarios se van a basar en un grupo escogido cualquiera, pero que cumpla con el caso estándar generalizado de que se ajusta a su distribución con un nivel de significación al 5% y con un intervalo de confianza del tiempo medio del 95% (es decir, un buen ajuste, y sin mucha variabilidad en los tiempos). El grupo escogido, por ejemplo, es el grupo G04: G04: Incidencias relacionadas con el área Referencial (todos los procesos relacionados con la información de los artículos), que son No Críticas, con cualquier prioridad, con Origen en el departamento de Mejora, la herramienta Patrol u Otro origen no contemplado, con cualquier Usuario de Apertura y Nivel de Seguridad y siendo la raíz un fallo que sólo ha causado esta Incidencia o una más como máximo (Relación = 0 o 1). A continuación se presentan los dos escenarios comentados: 1. Predecir (mediante predicción de lotes de incidencias) 20 incidencias que correspondan a este grupo, ya cerradas, comparando el tiempo medio predicho con el calculado en el subapartado Análisis y Modelado de los grupos mediante MATLAB y con el calculado mediante de EMTRI, y viendo la proporción de tiempos predichos acertados. En primer lugar, se recuerda que partimos de 266 incidencias que se dejaron a parte al comienzo de este proyecto, para la realización de pruebas. Estas 266 incidencias estaban abiertas en el momento de la extracción desde JIRA (Octubre 2013). Por tanto, muchas de ellas actualmente ya están cerradas y solucionadas. Por tanto, partiendo de una nueva extracción, desde JIRA, de incidencias cerradas que correspondan con algunas de estas 266, se escogen aleatoriamente 20 que correspondan a este grupo. Serían 20 incidencias solucionadas y cerradas, con un tiempo real de solución en el campo Fecha de Producción (= TiempoReal en la base de datos), que no se contemplaron para el análisis llevado a cabo con MATLAB. Por tanto, se comparará el resultado obtenido con MATLAB, y el resultado de EMTRI, con los tiempos que han llevado solucionarlas realmente. Se recuerda que en MATLAB, para el G04, obtuvimos un tiempo medio:. í í. Con EMTRI, obtenemos los tiempos de este lote de 20 incidencias. Como estas incidencias, internamente pertenecen al mismo grupo, el tiempo medio proporcionado será el Sarmiento García, Teresa 169

208 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución mismo para las 20 incidencias. Para poder obtener un resultado equivalente al que se obtuvo con MATLAB, la información de la base de datos, de la que se extraen los tiempos, tiene que corresponder a las 753 incidencias, tratadas en un inicio, solamente. Se tiene la siguiente Excel escenariouno.xlsx, con las filas y columnas requeridas (se muestran menos columnas), con 20 incidencias del grupo G04 y con estado Closed: Figura 107. Hoja Excel escenariosuno.xlsx. Con los siguientes Tiempos Reales (última columna), siguiendo el orden de las incidencias de esta Excel (INC0758,INC0768,INC0770 ): TiempoRealen días = {11.17, 26.44, 35.59, 24.30, 22.53, 70.50, 33.54, , 31.54, 42.49, 43.61, 76.47, 24.53, 30.28, 27.55, 47.50, 40.25, 36.26, 29.58, 38.47} Obtenemos la siguiente salida mediante EMTRI, coincidiendo con los tiempos obtenidos con MATLAB: Figura 108. Salida terminal Prediction escenariouno.xlsx. 170 Sarmiento García, Teresa

209 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Por tanto, partiendo de los tiempos de estas 20 incidencias, y con la salida obtenida, se tiene la siguiente conclusión: 12/20 tiempos de las incidencias entran dentro del intervalo del tiempo medio al 95%. Es decir, un 60% de los tiemposaciertan dentrodel intervalo del tiempo justo estimado. 4/20 tiempos de las incidencias están muy cerca, se aproximan, al intervalo del tiempo medio al 95%. Es decir, un 20% de los tiempos aciertan casi dentro del intervalo del tiempo justo estimado. 4/20 tiempos de las incidencias están muy fuera del intervalo. Es decir, un 20% de los tiempos noaciertan dentrodel intervalo del tiempo justo estimado. 2. Importar estas 20 incidencias en la base de datos. A continuación, escoger una incidencia de las 266 incidencias para pruebas, que esté en estado distinto de Closed, y probar la herramienta EMTRI con esta incidencia, habiendo importado las anteriores, y observar los cambios en el resultado que proporciona EMTRI. Primero, se va a mostrar la salida de EMTRI para una incidencia del G04 sin importar las 20 incidencias comentadas. Figura 109. Introducir nueva incidencias (G04). Y al generar la predicción, se obtiene el siguiente resultado: Sarmiento García, Teresa 171

210 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Figura 110. Salida EMTRI incidencia G04. Una vez comprobado que los tiempos coinciden al ver esta salida, y teniendo la gráfica de la distribución Weibull (distribución que mejor se ajusta), importamos las 20 incidencias. Estas incidencias están en la siguiente hoja Excel (sólo se ven algunas columnas): Figura 111. Hoja Excel escenariodos.xlsx. 172 Sarmiento García, Teresa

211 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Ahora se realizará la importación de las 20 incidencias, mediante la terminal: Figura 112. Salida Update escenariosdos.xlsx. Figura 113. phpmyadmin BBDD. Se ven las incidencias del G04 añadidas después de la número 753. Por último, con EMTRI, introduciendo cualquier incidencia, pero cumpliendo las características del G04, se obtiene: Sarmiento García, Teresa 173

212 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Figura 114. Salida EMTRI incidencia G04. Estas nuevas incidencias no han hecho que varíe la distribución que mejor se ajusta, sigue siendo Weibull, pero se puede observar como todos los resultados estadísticos han variado en función de los nuevos tiempos actualizados en la base de datos, incluido el intervalo en días. Por último, se presenta a continuación el último de los tres escenarios comentados en un principio: 3. Observar cuál sería el resultado para la predicción de una incidencia que perteneciese a un grupo que se ajusta a una distribución determinada con un nivel de significación menor que el 5%, y con un intervalo de confianza del tiempo medio menor que al 95% (caso no estándar, tiempos muy variables). Para esto, empleamos el caso más evidente que se obtuvo durante el análisis con MATLAB, el G20: G20: Incidencias relacionadas con el área Supply (procesos sobre la logística de la cadena de suministro: movimiento y flujo de los pedidos), con el Proyecto de Gestión Operativa (procesos sobre todas aquellas operaciones puramente rutinarias dentro de la Cadena de Suministro), que son Críticas, y con Origen en el departamento de Mejora u Otro origen no contemplado. Introduciendo una incidencia con estas características en EMTRI, obtenemos la siguiente salida: 174 Sarmiento García, Teresa

213 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Figura 115. Salida EMTRI incidencia G20. Se puede observar como en la salida de EMTRI, aparecen en los resultados la explicación de esta situación no estándar (nivel significación 1%, intervalo de confianza al 80%). Es decir, como se comentó en el apartado de Desarrollo del Proyecto, EMTRI analiza el nivel de significación el intervalo de confianza. Sarmiento García, Teresa 175

214 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución 176 Sarmiento García, Teresa

215 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución 7. Conclusiones y trabajos futuros En función de los resultados obtenido en el apartado anterior, se observa que EMTRI proporciona ese tiempo medio de resolución de incidencias que se comentó desde un principio. EMTRI tiene en cuenta no sólo la bondad del ajuste y la variabilidad de los tiempos, si no que también extrae información de una base de datos de incidencias pasadas, la cual se va actualizando día a día, proporcionando adaptabilidad a nuevos tiempos de resolución y mayor exactitud y precisión. De tal forma, se consiguen todos los objetivos expuestos en el apartado de Alcance del Proyecto, facilitando una herramienta para la toma de decisiones dentro de una Organización, ayudando a negociar más acertadamente el Nivel de Servicio dentro del SLA de los distintos servicios IT ofrecidos, reduciendo costes por penalizaciones al incumplir este SLA o por exceso de tiempo (innecesario) hasta la restauración del Servicio. Además, como se comentaba también, al conocer los tiempos, se facilita la planificación de tareas, facilitando la decisión de cuál es más prioritaria, o de cómo combinar distintas tareas. Esto mejoraría, cada vez con mayor precisión, la calidad ofrecida por los distintos servicios, al mejorar la restauración de éstos ante incidencias. Por tanto, se dispone de una herramienta para la Mejora Continua dentro de la empresa. A parte de estos objetivos, que se han cumplido y se han alcanzado, existen mejoras que se pueden aplicar en un futuro a la herramienta desarrollada en este Proyecto, EMTRI. Entre algunas de estas mejoras podrían estar las siguientes: Añadir unafuncionalidad de planificación de tareas. Un sistema que permita predecir varios tiempos e incluirlos en el sistema, que permita incorporar la dificultad de cada incidencia, y por tanto, organice en función de la prioridad y urgencia el mejor orden para llevar a cabo cada incidencia, y permita sacar un reporte de ello. Mejorar la estimación de las incidencias añadiendo variables externas, como por ejemplo tareas que no se relacionan con la Gestión de Incidencias que pueden ser más urgentes o prioritarias, número de miembros del equipo encargados del desarrollo de la solución, período del año (puede ser un período más crítico que otro) en el que ocurre la incidencia, etc.. Proporcionar una funcionalidad para la predicción en los costes finales del desarrollo de la solución de la incidencia. Partiendo de los costes por persona e integrantes del equipo, y teniendo un tiempo medio, proporcionar un sistema que de cómo resultado una estimación a nivel de costes, no sólo de tiempo. Buscar una mejora en la clasificación por grupos/tipos de incidencias. Analizar más en profundidad las divisiones, departamentos y funcionalidades de la Organización, Sarmiento García, Teresa 177

216 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución localizando clasificadores, si los hay, que puedan ser más representativos y que mejoren la predicción. Mejorar el entorno WEB para EMTRI1.0. Diseñar una interfaz y facilitar la intervención del usuario que pueda acceder a esa funcionalidad. Adaptar e incorporar la funcionalidad completa de la aplicación de escritorio EMTRI, al entorno WEB. Teniendo en cuenta la herramienta desarrollada actualmente, y las posibles mejoras, es factibleintegrarla dentro de una Organización del Sector de la Distribución (o con posibles adaptaciones, a otra tipología de empresa). Sería conveniente que se integrase junto con la herramienta JIRA, teniendo en cuenta que los reportes extraídos en Excel de esta herramienta, se necesitan como inputs para EMTRI. Tendrían que hacerse pequeñas modificaciones a la aplicación actual para que se pudiese integrar con los servicios y aplicaciones que la Organización maneje, y considerando además, que JIRA es una herramienta muy presente en cualquier compañía. Serían cambios pequeños debido a que la terminología empleada en esta herramienta y la metodología, son muy generales, permitiendo que con muy pocos cambios, se ajuste a muchos casos. Siempre y cuando se adapte a la empresa en cuestión, y preferiblemente sea JIRA la herramienta para extraer registros deincidencias (si no, otra con outputs lo más similares posibles), esta herramienta sería muy fácil de integrar en cualquier Organización, proporcionando una posibilidad de mejora constante. 178 Sarmiento García, Teresa

217 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución 8. Referencias [ITIL2014] [IMSI2014] [ITIL2014.2] [SLID2014] [ECON2007] [ITIL2014.3] [ATLA2014] [GART2013] [SAPS2014] [EXEV2014] [SANR2001] Mejora Continua del Servicio. ITILv3. itilv3.osiatis.es/proceso_mejora_continua_servicios_ti.php. Fecha última visita: 20/05/2014. El Ciclo de Deming. Sistemas Integrados de Gestión. Fecha última visita: 14/05/2014. El ciclo de vida de los Servicios TI. ITILv3. itilv3.osiatis.es/ciclo_vida_servicios_ti.php. Fecha última visita: 14/05/2014. Tecnología. Fecha última visita: 19/05/2014. Gestión de Incidentes Introducción y Objetivos. Econocom Osiatis. itil.osiatis.es/curso_itil/gestion_servicios_ti/gestion_de_ incidentes/ Fecha última visita: 14/05/2014. Gestión de Incidencias. ITILv3. Fecha última visita: 14/05/2014. JIRA. Atlassian. https://www.atlassian.com/es/software/jira Fecha última visita: 14/05/2014. Magic Quadrant for IT Service Support Management Tools. Jarod Green, Jeffrey M.Brooks. Gartner Inc. Fecha última visita: 21/05/2014. IT Service Desk Operation. SAP. Fecha última visita: 21/05/2014. OTRS La gestión del Servicio de TI basada en software libre. Exevi. Fecha última visita: 22/05/2014. El Sistema de Distribución Comercial. 5campus.org, Marketing. Fecha última visita: 20/05/2014. Sarmiento García, Teresa 179

218 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución [SODI2004] [ADEU2009] [SSJS2013] [NPST2013] [JFRE2014] El Sector de la Distribución. Sodia. Fecha última visita: 14/05/2014. El sistema de distribución o logístico de la empresa: concepto y marco de actuación. Adeudima. Fecha última visita: 14/04/2014. APILibrería SSJ Stochastic Simulation in JAVA. SSJ Universidad de Montreal. Fecha última visita: 10/05/2014. APILibrería JavaNPSTNonParametric Statistical Tests in JAVA. JavaNPST-Home. Fecha última visita: 10/05/2014. APILibrería JFreeChart. JFreeChart Home. Fecha última visita: 10/05/2014. [JASP2013] [IREP2013] [APAC2014] APILibrería JasperReport. JasperSoft Community. última visita: 10/05/2014. ireport Designer software. SourceForge. Fecha última visita: 10/05/2014. Apache POI - the Java API for Microsoft Documents. The Apache POI Project. última visita: 10/05/ Sarmiento García, Teresa

219 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Anexo A: Guía de Usuario para EMTRI EMTRI es una herramienta para facilitar la toma de decisiones dentro de una empresa, pudiendo predecir los tiempos de resolución de incidencias. Al abrir EMTRI, se pueden observar dos opciones a escoger: Figura 116. Pantalla Principal EMTRI 1.0 Analysis & Prediction: Esta opción permite al usuario introducir manualmente una incidencia individual y obtener la predicción del tiempo de resolución medio. Upload Incidents: Esta opción permite al usuario actualizar manualmente incidencias, desde una hoja Excel, que estén cerradas y solucionadas. Hay que tener en cuenta que se facilita esta opción por si algún usuario necesita actualizar la Base de Datos de EMTRI1.0 urgentemente, y no es posible esperar hasta el proceso batch planificado que lo actualice automáticamente. Analysis & Prediction Una vez seleccionada esta opción, se muestra al usuario una segunda pantalla, en la que aparecen tres opciones: Sarmiento García, Teresa 181

220 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Figura 117. Pantalla Incidencia EMTRI 1.0 El usuario ha de tener en cuenta, que hasta que no introduzca las características de la incidencia, no va a poder generar ninguna predicción, por tanto la pestaña Resultestará inactiva. Introduce Incident: Con esta opción, al usuario le aparecerá una ventana con las características de la incidencia que es necesario que complete para que pueda ser válida. Se muestra a continuación, la ventana que le aparecería al usuario: Figura 118. Ventana Características incidencia EMTRI1.0 Una vez que el usuario complete todos los campos, si al darle al OK, no sale ningún error, se garantiza que los campos están validados. Nótese que hasta que todos los campos no estén completos no se puede incluir esta incidencia, por lo tanto, se necesita tener el 182 Sarmiento García, Teresa

221 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución conocimiento del valor de esas características o atributos. Nótese, además, que si la incidencia es CRÍTICA, no hará falta que el usuario incluya la prioridad. Una vez el usuario haya rellenado correctamente los campos de esta ventana, al darle a OK, debería poder observar lo siguiente (se muestra un ejemplo con una incidencia cualquiera): Figura Pestaña Incidencia EMTRI 1.0 Si el usuario se ha equivocado de incidencia, puede volver a seleccionar la opción Introduce Incidenty volverá a ver los campos sin completar, y la ventana para rellenar las características de la incidencia, volverá a abrirse para permitir al usuario completar otra vez los campos de la nueva incidencia. Modify Incident: Si el usuario se ha equivocado en algún campo de la incidencia introducida, con esta opción (sin necesidad de introducir una nueva por completo y perder todos los datos ya incluidos) se le muestra la ventana con las características actuales de la incidencia, por si el usuario requiere cambiar alguna: Sarmiento García, Teresa 183

222 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Figura Ventana Modify Incident EMTRI 1.0 Como ejemplo, se supondrá que se cambia el campo Origen al valor Improvement (Mejora Continua) y se aumenta el número de Incidencias Enlazadas. El usuario podrá observar, una vez seleccionado OK, sus datos actualizados en al pestaña de Incidencia: Figura 121 Pestaña Incidencia actualizada EMTRI 1.0 Como el usuario podrá observar, una vez completa la incidencia con sus atributos, el botón Generate Prediction ya está activo. Este es el botón que genera la predicción y la muestra 184 Sarmiento García, Teresa

223 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución en la pestaña Result. Si el usuario presiona esta opción, obtendrá el reporte en esta pestaña. Nótese que la información completa se puede ver desplazándose por la pestaña Resultmediante la barra de desplazamiento a la derecha, en la siguiente imagen se mostrará todo unido, aunque no sea exactamente así cómo lo vea el usuario: Figura 122. Pestaña Result EMTRI 1.0 En este resultado el usuario podrá observar: Distribución que mejor se ajusta al comportamiento de esta incidencia. Esto es debido a que esta incidencia sigue unos determinados patrones que otras pasadas y cerradas también siguen, siendo incluidas en un tipo de incidencia concreto, cuyo comportamiento puede modelarse mediante la distribución obtenida en esta pestaña. Parámetros de esta distribución, en función de los tiempos de este tipo de incidencia comunes. Sarmiento García, Teresa 185

224 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Bondad del ajuste y estadístico D, realizado mediante el Test de Kolmogorov Smirnov. P valor de este ajuste y nivel de significación establecido. Se proporciona esta información para que el usuario pueda tener en cuenta cuánta de certeza, seguridad y fiabilidad hay en los cálculos. Media y varianza de esta distribución, obteniendo así un intervalo, al mayor nivel de confianza posible, del tiempo medio de esta distribución. Por tanto, el usuario obtiene un intervalo del tiempo medio con el cual podrá servirse para tratar su incidencia introducida. El usuario tiene opción de guardar este reporte, en PDF, mediante Save Report. Esta opción le permite escoger dónde desea guardarlo, y con qué nombre, por si necesitase almacenar esta información: Figura 123. Save Report EMTRI1.0 Una vez seleccionado dónde guardar el reporte, el PDF se abre para que el usuario pueda observar el resultado, sin necesidad de ir hasta dónde lo ha guardado. El reporte tendrá la siguiente forma (página siguiente): 186 Sarmiento García, Teresa

225 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Figura 124. Reporte PDF EMTRI1.0 Si el usuario desea volver a la pantalla principal, bastaría sólo con seleccionar en la barra del Menú EMTRI > Start. Si por el contrario desea salir de la aplicación, siga la barra del Menú EMTRI > Close. Si el usuario desea saber acerca de la herramienta EMTRI, navegando por el Menú EMTRI>About EMTRI puede obtener la información que busca. A su vez, podrá siempre tener una ayuda breve por si el usuario necesita recordar alguno de los pasos de esta guía: Help > User s Guide, siendo una versión breve de esta guía completa. Upload Incidents Volviendo a la pantalla principal de EMTRI, se recuerda al usuario que la opción Upload Incidentspermite actualizar la Base de Datos de la aplicación, por si es necesario realizar esta actualización antes de que se ejecute la tarea planificada del proceso batch encargardo de actualizar esta BBDD. Una vez que el usuario seleccione Upload Incidents, le aparecerá la ventana con la opción de seleccionar el archivo donde estén las incidencias a añadir a la Base de Datos. De la forma siguiente: Sarmiento García, Teresa 187

226 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Figura 125. Seleccionar archivo EMTRI1.0 Figura 126. Buscar archivo EMTRI1.0 Figura 127. Archivo seleccionado EMTRI 1.0 Una vez el usuario haya seleccionado el archivo, al pulsar el botón de OK, si el archivo es correcto y no hay ningún problema con la Base de Datos, el resultado obtenido tendría que ser: Figura 128. Mensaje OK actualización BBDD EMTRI Sarmiento García, Teresa

227 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Requisitos del archivo a seleccionar Para garantizar que se va a poder realizar la actualización de la Base de Datos correctamente, es necesario que el archivo siga unos requisitos necesarios que el usuario ha de tener en cuenta: Debe ser una archivo Excel, es decir, una extensión.xlsx o.xls. Las incidencias a introducir estarán en la primera hoja de esta Excel. La primera fila de esta hoja Excel, tiene que contener el nombre de los campos requeridos para introducir una incidencia (por cada celda de la primera fila, un nombre). Estos campos requeridos, tiene que seguir un formato concreto y son los siguientes: o ID INCIDENCIA o AREA o Proyecto o Tipo de Incidencia o Estado o Prioridad o Creado ( = Fecha de Creación) o Incidencias Enlazadas o Nivel de Seguridad o Estimación (Hr) o Fecha Entrega Real o Piloto o Fecha Producción o Origen o Reaperturas o Rechazos Estimación o Rechazos Funcional o Replanificaciones o Usuario apertura Estos campos se pueden extraer exactamente iguales de la herramienta de Gestión de Incidencias con la que está integrada EMTRI, filtrando y extrayendo un archivo Excel (del mismo tipo el cual se extrae automáticamente para el proceso batch), y obteniendo los campos ya necesarios. Si estos campos no están introducidos en la hoja Excel, se mostrará un mensaje de error, pidiendo los campos necesarios, y no se habrá actualizado la Base de Datos El resto de filas corresponderá a una incidencia por fila, con sus características correspondientes en cada columna/campo. Las incidencias deben estar cerradas, es decir, deben tener un valor en el campo de Estado = Closed. Si esto no es así, se verá reflejado en el mensaje de salida, y la incidencia no se añadirá a la Base de Datos. Las incidencias no pueden existir previamente en la Base de Datos. Si existen previamente, se mostrará en el mensaje de salida, y no se añadirán a la Base de Datos. Sarmiento García, Teresa 189

228 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Las incidencias que no existan previamente, y que estén cerradas,, sí serán añadidas y se verá reflejado en el mensaje de salida. Upload Incidents desde la terminal del equipo del usuario Si el usuario en cuestión no requiere acceder a la herramienta y tan sólo necesita actualizar la Base de Datos, puede acceder mediantee la terminal llamando al ejecutable de la aplicación, seguido del nombre del archivo Excel dónde están las incidencias a añadir, de la misma forma y con el mismo comando que utiliza la tarea planificada que lanza el proceso batch. Se muestra a continuación un ejemplo para mejor comprensión del usuario: Figura 129. Salida terminal actualización BBDD EMTRI1.0 Predicción de un lote de incidencias desde la terminal del equipo del usuario Por último, EMTRI contiene una funcionalidad que permite al usuario averiguar rápidamente, sin necesidad de abrir la aplicación, el intervalo de tiempo medio predicho por EMTRI para una serie de incidencias. El usuario podrá obtener los intervalos paraa cada incidencia, sin mayor información que pueda no necesitar, independientemente del número de incidencias (las que sean) y sin necesidadd de abrir la aplicación y manualmente introducirr todas las características. Esto es debido a que el usuario ejecutará esta funcionalidadd seleccionando un archivo Excel que contenga (al igual que en caso de actualización de BBDD) todas las incidencias. Se ahorraría tiempo, y el usuario dispondría de una facilidad para consultas de urgencia. Requisitos del archivo a seleccionar Debe ser una archivo Excel, es decir, una extensión.xlsx o.xls. Las incidencias a introducirr estarán en la primera hoja de esta Excel. La primera fila de esta hoja Excel, tiene que contener el nombre de los campos requeridos para predecir el tiempo de una incidencia (por cada celda de la primera fila, un nombre). Estos campos requeridos, tiene que seguir un formato concreto y son los siguientes: o ID INCIDENCIA o AREA o Proyecto o Tipo de Incidencia o Prioridad o Incidencias Enlazadas o Nivel de Seguridad 190 Sarmiento García, Teresa

229 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución o o o o o Estimación (Hr) Piloto Origen Reaperturas Usuario apertura Estos campos se pueden extraer exactamente iguales de la herramienta de Gestión de Incidencias con la que está integrada EMTRI, filtrando y extrayendo un archivo Excel (del mismo tipo el cual se extrae automáticamente para el proceso batch), y obteniendo los campos ya necesarios. Si estos campos no están introducidos en la hoja Excel, se mostrará un mensaje de error, pidiendo los campos necesarios, y no se habrá realizado la predicción de ninguna incidencia. El resto de filas corresponderá a una incidencia por fila, con sus características correspondientes en cada columna/campo. Una vez que el usuario tenga asegurado que cumple estos requisitos, puede realizarse la predicción por lotes mediante la terminal, llamando al ejecutable de la aplicación, seguido del nombre del archivo Excel dónde están las incidencias a predecir. Se muestra a continuación un ejemplo para mejor comprensión del usuario: Figura 130. Salida terminal predicción Lote EMTRI1.0 A su vez, se crea un fichero con extensión.txt en la carpeta de la aplicación EMTRI, de tal forma que el usuario no sólo vea la salidadesde la terminal, si no que tenga el fichero guardado por si necesita almacenar esta salida. Sarmiento García, Teresa 191

230 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución 192 Sarmiento García, Teresa

231 Herramienta de Evaluación y Modelado del tiempo de resolución de incidencias dentro del área de Mejora Continua en una empresa del sector de distribución Anexo B: Tabla t de Student de una Cola Sarmiento García, Teresa 193

Autora: Sarmiento García, Teresa. Directores: Caro Carretero, Raquel. Contreras Bárcena, David.

Autora: Sarmiento García, Teresa. Directores: Caro Carretero, Raquel. Contreras Bárcena, David. HERRAMIENTA DE EVALUACIÓN Y MODELADO DEL TIEMPO DE RESOLUCIÓN DE INCIDENCIAS DENTRO DEL ÁREA DE MEJORA CONTINUA EN UNA EMPRESA DEL SECTOR DE DISTRIBUCIÓN. Autora: Sarmiento García, Teresa. Directores:

Más detalles

REGLAMENTO SOBRE EL RÉGIMEN DE LOS TRABAJOS FINALES PARA LA OBTENCIÓN DE LOS TÍTULOS PROPIOS DE MÁSTER QUE SE IMPARTEN EN LA ICADE BUSINESS SCHOOL

REGLAMENTO SOBRE EL RÉGIMEN DE LOS TRABAJOS FINALES PARA LA OBTENCIÓN DE LOS TÍTULOS PROPIOS DE MÁSTER QUE SE IMPARTEN EN LA ICADE BUSINESS SCHOOL REGLAMENTO SOBRE EL RÉGIMEN DE LOS TRABAJOS FINALES PARA LA OBTENCIÓN DE LOS TÍTULOS PROPIOS DE MÁSTER QUE SE IMPARTEN EN LA ICADE BUSINESS SCHOOL (Aprobado por la Junta de Gobierno en la sesión celebrada

Más detalles

Este proyecto tiene como finalidad la creación de una aplicación para la gestión y explotación de los teléfonos de los empleados de una gran compañía.

Este proyecto tiene como finalidad la creación de una aplicación para la gestión y explotación de los teléfonos de los empleados de una gran compañía. SISTEMA DE GESTIÓN DE MÓVILES Autor: Holgado Oca, Luis Miguel. Director: Mañueco, MªLuisa. Entidad Colaboradora: Eli & Lilly Company. RESUMEN DEL PROYECTO Este proyecto tiene como finalidad la creación

Más detalles

ADAPTACIÓN DE REAL TIME WORKSHOP AL SISTEMA OPERATIVO LINUX

ADAPTACIÓN DE REAL TIME WORKSHOP AL SISTEMA OPERATIVO LINUX ADAPTACIÓN DE REAL TIME WORKSHOP AL SISTEMA OPERATIVO LINUX Autor: Tomás Murillo, Fernando. Director: Muñoz Frías, José Daniel. Coordinador: Contreras Bárcena, David Entidad Colaboradora: ICAI Universidad

Más detalles

Sistema de Control Domótico

Sistema de Control Domótico UNIVERSIDAD PONTIFICIA COMILLAS ESCUELA TÉCNICA SUPERIOR DE INGENIERÍA (ICAI) INGENIERO EN ELECTRÓNICA Y AUTOMATICA PROYECTO FIN DE CARRERA Sistema de Control Domótico a través del bus USB Directores:

Más detalles

Título del Proyecto: Sistema Web de gestión de facturas electrónicas.

Título del Proyecto: Sistema Web de gestión de facturas electrónicas. Resumen Título del Proyecto: Sistema Web de gestión de facturas electrónicas. Autor: Jose Luis Saenz Soria. Director: Manuel Rojas Guerrero. Resumen En la última década se han producido muchos avances

Más detalles

PROYECTO INFORMÁTICO PARA LA CREACIÓN DE UN GESTOR DOCUMENTAL PARA LA ONG ENTRECULTURAS

PROYECTO INFORMÁTICO PARA LA CREACIÓN DE UN GESTOR DOCUMENTAL PARA LA ONG ENTRECULTURAS PROYECTO INFORMÁTICO PARA LA CREACIÓN DE UN GESTOR DOCUMENTAL PARA LA ONG ENTRECULTURAS Autor: García Lodares, Victor. Director: Castejón Silvo, Pedro. Entidad Colaboradora: Entreculturas. Resumen del

Más detalles

UNIVERSIDAD DE OVIEDO

UNIVERSIDAD DE OVIEDO UNIVERSIDAD DE OVIEDO ESCUELA POLITÉCNICA DE INGENIERÍA DE GIJÓN MÁSTER EN INGENIERÍA INFORMÁTICA TRABAJO FIN DE MÁSTER SPRING ROO ADD-ONS PARA PROTOTIPADO RÁPIDO JAVIER MENÉNDEZ ÁLVAREZ JULIO 2014 UNIVERSIDAD

Más detalles

Instalación: Instalación de un agente en una máquina cliente y su registro en el sistema.

Instalación: Instalación de un agente en una máquina cliente y su registro en el sistema. HERRAMIENTA DE MONITORIZACIÓN DE SISTEMAS Autor: Sota Madorrán, Iñaki. Director: Igualada Moreno, Pablo. Entidad Colaboradora: Evotec Consulting, S.L. RESUMEN DEL PROYECTO El proyecto consiste en el diseño,

Más detalles

Gestión del Portfolio de Proyectos HP Portfolio & Project Management. Información de Producto. 2010 Dirección de Consultoría

Gestión del Portfolio de Proyectos HP Portfolio & Project Management. Información de Producto. 2010 Dirección de Consultoría Gestión del Portfolio de Proyectos HP Portfolio & Project Información de Producto 2010 Dirección de Consultoría 2 1. Introducción Actualmente las organizaciones necesitan hacer frente a la complejidad

Más detalles

Por tanto, la aplicación SEAH (Sistema Experto Asistente para Hattrick) ofrece las siguientes opciones:

Por tanto, la aplicación SEAH (Sistema Experto Asistente para Hattrick) ofrece las siguientes opciones: SEAH: SISTEMA EXPERTO ASISTENTE PARA HATTRICK Autor: Gil Mira, Alfredo Director: Olivas Varela, Jose Ángel Entidad Colaboradora: ICAI Universidad Pontificia Comillas RESUMEN DEL PROYECTO Hatrick es un

Más detalles

ESTUDIO, ANÁLISIS Y EVALUACIÓN DEL ENTORNO DE TRABAJO HADOOP. Entidad Colaboradora: ICAI Universidad Pontificia Comillas

ESTUDIO, ANÁLISIS Y EVALUACIÓN DEL ENTORNO DE TRABAJO HADOOP. Entidad Colaboradora: ICAI Universidad Pontificia Comillas ESTUDIO, ANÁLISIS Y EVALUACIÓN DEL ENTORNO DE TRABAJO HADOOP. Autor: Director: Rubio Echevarria, Raquel Contreras Bárcena, David Entidad Colaboradora: ICAI Universidad Pontificia Comillas RESUMEN DEL PROYECTO

Más detalles

ANÁLISIS Y DESARROLLO DE UNA PLATAFORMA BIG DATA

ANÁLISIS Y DESARROLLO DE UNA PLATAFORMA BIG DATA ANÁLISIS Y DESARROLLO DE UNA PLATAFORMA BIG DATA Autor: de la Cierva Perreau de Pinninck, Leticia Director: Sonia García, Mario Tenés Entidad Colaboradora: VASS RESUMEN DEL PROYECTO Tras la realización

Más detalles

IRS DATA RETRIEVAL NOTIFICATION DEPENDENT STUDENT ESTIMATOR

IRS DATA RETRIEVAL NOTIFICATION DEPENDENT STUDENT ESTIMATOR IRS DATA RETRIEVAL NOTIFICATION DEPENDENT STUDENT ESTIMATOR Subject: Important Updates Needed for Your FAFSA Dear [Applicant], When you completed your 2012-2013 Free Application for Federal Student Aid

Más detalles

IMPLANTACIÓN DE UNA SOLUCIÓN PLM QUE GARANTICE LAS CLAVES Y PRINCIPIOS RECOGIDOS POR EL SISTEMA DE GESTIÓN DE LA CALIDAD SIX SIGMA

IMPLANTACIÓN DE UNA SOLUCIÓN PLM QUE GARANTICE LAS CLAVES Y PRINCIPIOS RECOGIDOS POR EL SISTEMA DE GESTIÓN DE LA CALIDAD SIX SIGMA IMPLANTACIÓN DE UNA SOLUCIÓN PLM QUE GARANTICE LAS CLAVES Y PRINCIPIOS RECOGIDOS POR EL SISTEMA DE GESTIÓN DE LA CALIDAD SIX SIGMA Autor: Prats Sánchez, Juan. Director: Díaz Carrillo, Gerardo. Entidad

Más detalles

Programación en Capas.

Programación en Capas. Programación en Capas. Ricardo J. Vargas Del Valle Universidad de Costa Rica, Ciencias de Computación e Informática, San José, Costa Rica, 506 ricvargas@gmail.com Juan P. Maltés Granados Universidad de

Más detalles

Manual. BioAdmin PRESENCIA PLUS GUIA RAPIDA SISTEMA INFORMES BioAdmin

Manual. BioAdmin PRESENCIA PLUS GUIA RAPIDA SISTEMA INFORMES BioAdmin Manual BioAdmin PRESENCIA PLUS GUIA RAPIDA SISTEMA INFORMES BioAdmin Indice 1 Instalación del Programa 2 Configuración 3 Alta de Empleados 4 Creación delo LOG desde BIOADMIN 5 Captura del LOG desde BioAdmin

Más detalles

UNIVERSIDAD TECNOLÓGICA ISRAEL

UNIVERSIDAD TECNOLÓGICA ISRAEL DEFINIR UN MODELO DE GESTIÓN DE MARKETING DIGITAL PARA DESARROLLAR E IMPLEMENTAR EL PORTAL WEB QUE INCLUYE EL PAGO EN LINEA A TRAVÉS DE PAYPAL PARA EL SINED EN JOOMLA Estudiante Mario Fernando Mejía Cabezas

Más detalles

SISTEMA CONTROL DE ACCESOS A EDIFICIOS MEDIANTE TARJETAS CRIPTOGRÁFICAS Y TARJETAS DE RADIOFRECUENCIA (RFID)

SISTEMA CONTROL DE ACCESOS A EDIFICIOS MEDIANTE TARJETAS CRIPTOGRÁFICAS Y TARJETAS DE RADIOFRECUENCIA (RFID) SISTEMA CONTROL DE ACCESOS A EDIFICIOS MEDIANTE TARJETAS CRIPTOGRÁFICAS Y TARJETAS DE RADIOFRECUENCIA (RFID) Alumno: Velayos Sardiña, Marta Director: Palacios Hielscher, Rafael Entidad Colaboradora: ICAI

Más detalles

Tesis de Maestría titulada

Tesis de Maestría titulada Tesis de Maestría titulada EL ANALISIS DE CONFIABILIDAD COMO HERRAMIENTA PARA OPTIMIZAR LA GESTIÓN DEL MANTENIMIENTO DE LOS EQUIPOS DE LA LÍNEA DE FLOTACIÓN EN UN CENTRO MINERO RESUMEN En la presente investigación

Más detalles

Universidad Nueva Esparta Facultad de Ciencias de la Informática Escuela de Computación

Universidad Nueva Esparta Facultad de Ciencias de la Informática Escuela de Computación Universidad Nueva Esparta Facultad de Ciencias de la Informática Escuela de Computación Diseño de arquitectura tecnológica para gestión de infraestructura de tecnología de información (TI) Caso de Estudio:

Más detalles

Los ensayos que se van a desarrollar son los siguientes:

Los ensayos que se van a desarrollar son los siguientes: I Resumen El objetivo principal del proyecto es desarrollar un software que permita analizar unos datos correspondientes a una serie de ensayos militares. Con este objetivo en mente, se ha decidido desarrollar

Más detalles

SISTEMA DE GESTIÓN Y ANÁLISIS DE PUBLICIDAD EN TELEVISIÓN

SISTEMA DE GESTIÓN Y ANÁLISIS DE PUBLICIDAD EN TELEVISIÓN SISTEMA DE GESTIÓN Y ANÁLISIS DE PUBLICIDAD EN TELEVISIÓN Autor: Barral Bello, Alfredo Director: Alcalde Lancharro, Eduardo Entidad Colaboradora: Media Value S.L. RESUMEN DEL PROYECTO El presente proyecto

Más detalles

75.46 - Administración y Control de Proyectos II. Sergio Martinez

75.46 - Administración y Control de Proyectos II. Sergio Martinez 75.46 - Administración y Control de Proyectos II Sergio Martinez 1er cuatrimestre 2006 Introducción Qué es un Servicio? Cliente Lavandería Transporte Lavadero Industrial Precio por el Servicio Mismo día:\300

Más detalles

Universidad de Guadalajara

Universidad de Guadalajara Universidad de Guadalajara Centro Universitario de Ciencias Económico-Administrativas Maestría en Tecnologías de Información Ante-proyecto de Tésis Selection of a lightweight virtualization framework to

Más detalles

Plan de negocio para la explotación de un sistema de alquiler de bicicletas en la Comunidad de Madrid

Plan de negocio para la explotación de un sistema de alquiler de bicicletas en la Comunidad de Madrid Plan de negocio para la explotación de un sistema de alquiler de bicicletas en la Comunidad de Madrid Autor: Directores: Lago Vázquez, Óscar. Ortíz Marcos, Susana. Entidad Colaboradora: ICAI-Universidad

Más detalles

Administración del Tiempo en el Desarrollo de un Sistema de Información

Administración del Tiempo en el Desarrollo de un Sistema de Información Administración del Tiempo en el Desarrollo de un Sistema de Información José Jimmy Camacho Martínez (1) Ramón David Chávez Cevallos (2) Ing. Lennin Freire (3) Facultad de Ingeniería en Electricidad y Computación

Más detalles

PROYECTO DE DESARROLLO E IMPLANTACIÓN DE LA SOLUCIÓN DE BUSINESS INTELLIGENCE PARA ELIPSOS INTERNACIONAL S.A.

PROYECTO DE DESARROLLO E IMPLANTACIÓN DE LA SOLUCIÓN DE BUSINESS INTELLIGENCE PARA ELIPSOS INTERNACIONAL S.A. PROYECTO DE DESARROLLO E IMPLANTACIÓN DE LA SOLUCIÓN DE BUSINESS INTELLIGENCE PARA ELIPSOS INTERNACIONAL S.A. Dirección de Sistemas de Información Madrid, mayo 2014 PCT B.I. ELIPSOS 1 CONTENIDO 1. OBJETIVO

Más detalles

SOFTWARE PARA LA GESTIÓN INFORMÁTICA DE UNA CLÍNICA DENTAL

SOFTWARE PARA LA GESTIÓN INFORMÁTICA DE UNA CLÍNICA DENTAL SOFTWARE PARA LA GESTIÓN INFORMÁTICA DE UNA CLÍNICA DENTAL Autora: Laura Martín García Director: Alberto Ciudad Sánchez RESUMEN El objetivo de este proyecto es realizar el análisis, diseño y desarrollo

Más detalles

SISTEMA DE GESTIÓN DE RECIBOS

SISTEMA DE GESTIÓN DE RECIBOS UNIVERSIDAD PONTIFICIA COMILLAS ESCUELA TÉCNICA SUPERIOR DE INGENIERÍA (ICAI) INGENIERO TÉCNICO EN INFORMÁTICA DE GESTIÓN PROYECTO FIN DE CARRERA SISTEMA DE GESTIÓN DE RECIBOS AUTOR: EMILIO DE DIEGO BABARRO

Más detalles

Presentación ITIL. Jornadas TIC - Mayo 2008

Presentación ITIL. Jornadas TIC - Mayo 2008 Presentación ITIL Jornadas TIC - Mayo 2008 1 Indice Introducción Introducción y Objetivos Objetivos Qué Qué es es ITIL? ITIL? Estructura Estructura Soporte Soporte del del Servicio Servicio Provisión Provisión

Más detalles

Bases de datos. 1. Introducción

Bases de datos. 1. Introducción Bases de datos 1. Introducción Habitualmente, los programas trabajan con información que está en un fichero. Por ejemplo, nuestro simulador de tráfico aéreo trabaja con una lista de planes de vuelo que

Más detalles

monitoreo efectivo del desempeño en entornos SAP

monitoreo efectivo del desempeño en entornos SAP INFORME OFICIAL Septiembre de 2012 monitoreo efectivo del desempeño en entornos SAP Los desafíos clave y cómo CA Nimsoft Monitor ayuda a abordarlos agility made possible tabla de contenido resumen 3 Introducción

Más detalles

SCADA BASADO EN LABVIEW PARA EL LABORATORIO DE CONTROL DE ICAI

SCADA BASADO EN LABVIEW PARA EL LABORATORIO DE CONTROL DE ICAI SCADA BASADO EN LABVIEW PARA EL LABORATORIO DE CONTROL DE ICAI Autor: Otín Marcos, Ana. Directores: Rodríguez Pecharromán, Ramón. Rodríguez Mondéjar, José Antonio. Entidad Colaboradora: ICAI Universidad

Más detalles

UNIVERSIDAD DE GUAYAQUIL Facultad de Ciencias Matemáticas y Físicas Carrera de Ingeniería en Sistemas Computacionales TESIS DE GRADO

UNIVERSIDAD DE GUAYAQUIL Facultad de Ciencias Matemáticas y Físicas Carrera de Ingeniería en Sistemas Computacionales TESIS DE GRADO UNIVERSIDAD DE GUAYAQUIL Facultad de Ciencias Matemáticas y Físicas Carrera de Ingeniería en Sistemas Computacionales IMPLEMENTAR EL CONSUMO DE SERVICIOS VÍA WEB SERVICES DE LA INFORMACIÓN ALMACENADA EN

Más detalles

Validación global. Aplicaciones líderes del sector. BMC Remedy Service Desk. Líder del mercado INFORME DE SOLUCIONES

Validación global. Aplicaciones líderes del sector. BMC Remedy Service Desk. Líder del mercado INFORME DE SOLUCIONES INFORME DE SOLUCIONES BMC Remedy IT Service Management Suite Las organizaciones de TI que logran una mayor eficacia, gestionan los costes de forma eficaz, consiguen el cumplimiento normativo y ofrecen

Más detalles

Sistema basado en firma digital para enviar datos por Internet de forma segura mediante un navegador.

Sistema basado en firma digital para enviar datos por Internet de forma segura mediante un navegador. Sistema basado en firma digital para enviar datos por Internet de forma segura mediante un navegador. Autor: David de la Fuente González Directores: Rafael Palacios, Javier Jarauta. Este proyecto consiste

Más detalles

SISTEMA DE IMPORTACIÓN DINÁMICA DE INFORMACIÓN WEB Y PRESENTACIÓN WAP (SIDIW-PW)

SISTEMA DE IMPORTACIÓN DINÁMICA DE INFORMACIÓN WEB Y PRESENTACIÓN WAP (SIDIW-PW) SISTEMA DE IMPORTACIÓN DINÁMICA DE INFORMACIÓN WEB Y PRESENTACIÓN WAP (SIDIW-PW) Autora: Arias-Camisón Sarasua, Susana. Director: Contreras Bárcena, David Entidad Colaboradora: ICAI Universidad Pontificia

Más detalles

Steps to Understand Your Child s Behavior. Customizing the Flyer

Steps to Understand Your Child s Behavior. Customizing the Flyer Steps to Understand Your Child s Behavior Customizing the Flyer Hello! Here is the PDF Form Template for use in advertising Steps to Understanding Your Child s Behavior (HDS Behavior Level 1B). Because

Más detalles

DISEÑO DE UN CRONOTERMOSTATO PARA CALEFACCIÓN SOBRE TELÉFONOS MÓVILES. Entidad Colaboradora: ICAI Universidad Pontificia Comillas.

DISEÑO DE UN CRONOTERMOSTATO PARA CALEFACCIÓN SOBRE TELÉFONOS MÓVILES. Entidad Colaboradora: ICAI Universidad Pontificia Comillas. DISEÑO DE UN CRONOTERMOSTATO PARA CALEFACCIÓN SOBRE TELÉFONOS MÓVILES Autor: Sánchez Gómez, Estefanía Dolores. Directores: Pilo de la Fuente, Eduardo. Egido Cortés, Ignacio. Entidad Colaboradora: ICAI

Más detalles

Proyecto Final de Carrera. Plan de Mejora para la Gestión. de los Servicios Informáticos: ITSM + ITIL v3. kpmg

Proyecto Final de Carrera. Plan de Mejora para la Gestión. de los Servicios Informáticos: ITSM + ITIL v3. kpmg kpmg Agustín Terrero Cárdenas Ingeniería en Informática Consultor : Proyecto Final de Carrera Eulàlia Clos Cañellas Plan de Mejora para la Gestión Fecha de entrega: Junio 2012 de los Servicios Informáticos:

Más detalles

Christian Bolívar Moya Calderón

Christian Bolívar Moya Calderón UNIVERSIDAD SAN FRANCISCO DE QUITO Software Orientado a Sistemas de Control HMI/Scada usando Recursos Libres y de Código Abierto, desarrollado sobre Plataforma Linux Christian Bolívar Moya Calderón Tesis

Más detalles

POLÍTICA DE PRIVACIDAD PARA PÁGINAS WEB VALOR BRANDS EUROPE, S.L

POLÍTICA DE PRIVACIDAD PARA PÁGINAS WEB VALOR BRANDS EUROPE, S.L POLÍTICA DE PRIVACIDAD PARA PÁGINAS WEB VALOR BRANDS EUROPE, S.L TABLA DE CONTENIDO I. Confidencialidad en envío de correos electrónicos... 1 II. CLAUSULA INFORMATIVA PARA COLOCAR EN EL PIÉ DE FORMULARIOS

Más detalles

Adobe Acrobat Reader X: Manual to Verify the Digital Certification of a Document

Adobe Acrobat Reader X: Manual to Verify the Digital Certification of a Document dobe crobat Reader X: Manual de verificación de Certificación Digital de un documento dobe crobat Reader X: Manual to Verify the Digital Certification of a Document support@bioesign.com Desarrollado por:

Más detalles

Final Project (academic investigation)

Final Project (academic investigation) Final Project (academic investigation) MÁSTER UNIVERSITARIO EN BANCA Y FINANZAS (Finance & Banking) Universidad de Alcalá Curso Académico 2015/16 GUÍA DOCENTE Nombre de la asignatura: Final Project (academic

Más detalles

Diseño de un directorio Web de diseñadores gráficos, ilustradores y fotógrafos.

Diseño de un directorio Web de diseñadores gráficos, ilustradores y fotógrafos. Universidad Nueva Esparta Facultad de Ciencias Administrativas Escuela de Administración de Diseño de un directorio Web de diseñadores gráficos, ilustradores y fotógrafos. Tutor: Lic. Beaujon, María Beatriz

Más detalles

EXIN IT Service Management Foundation Bridge based on ISO/IEC 20000

EXIN IT Service Management Foundation Bridge based on ISO/IEC 20000 Examen de muestra EXIN IT Service Management Foundation Bridge based on ISO/IEC 20000 Edición Noviembre 2013 Copyright 2013 EXIN All rights reserved. No part of this publication may be published, reproduced,

Más detalles

Contents. Introduction. Aims. Software architecture. Tools. Example

Contents. Introduction. Aims. Software architecture. Tools. Example ED@CON Control Results Management Software Control with Remote Sensing Contents Introduction Aims Software architecture Tools Example Introduction Control results management software (Ed@con) is a computer

Más detalles

MANUAL DE INSTRUCCIONES CAJA FUERTE CF-4333

MANUAL DE INSTRUCCIONES CAJA FUERTE CF-4333 MANUAL DE INSTRUCCIONES CAJA FUERTE CF-4333 ESTIMADO CLIENTE Con el fin de que obtenga el mayor desempeño de su producto, por favor lea este manual de instrucciones cuidadosamente antes de comenzar a utilizarlo,

Más detalles

Automatización del Módulo Convenio-Seguros del Sistema Administrativo Financiero para el Hospital León Becerra

Automatización del Módulo Convenio-Seguros del Sistema Administrativo Financiero para el Hospital León Becerra Automatización del Módulo Convenio-Seguros del Sistema Administrativo Financiero para el Hospital León Becerra Mariuxi Salazar Piedra (1), Bryan Valencia Ronquillo (2), Lenin Freire Cobo (3) Escuela Superior

Más detalles

HERRAMIENTA PARA LA OPTIMIZACIÓN DEL PORFOLIO DE PRODUCTOS DE LAS REDES DE VENTAS DE UN LABORATORIO FARMACÉUTICO

HERRAMIENTA PARA LA OPTIMIZACIÓN DEL PORFOLIO DE PRODUCTOS DE LAS REDES DE VENTAS DE UN LABORATORIO FARMACÉUTICO HERRAMIENTA PARA LA OPTIMIZACIÓN DEL PORFOLIO DE PRODUCTOS DE LAS REDES DE VENTAS DE UN LABORATORIO FARMACÉUTICO Autor: Tárano Pastor, Ramón. Director: Moreno Alonso, Pablo. Director: Ruiz del Palacio,

Más detalles

Sistemas de impresión y tamaños mínimos Printing Systems and minimum sizes

Sistemas de impresión y tamaños mínimos Printing Systems and minimum sizes Sistemas de impresión y tamaños mínimos Printing Systems and minimum sizes Para la reproducción del Logotipo, deberán seguirse los lineamientos que se presentan a continuación y que servirán como guía

Más detalles

La ayuda practica de hoy para los CIO s y responsables de servicio

La ayuda practica de hoy para los CIO s y responsables de servicio Ignacio Fernández Paul Director General España y Portugal Numara Software, Inc Febrero 2009 La ayuda practica de hoy para los CIO s y responsables de servicio Numara Software Con más de 50,000 clientes,

Más detalles

13. EL LEAD TIME EN EL DESARROLLO DE PRODUCTOS SOFTWARE

13. EL LEAD TIME EN EL DESARROLLO DE PRODUCTOS SOFTWARE 13. EL LEAD TIME EN EL DESARROLLO DE PRODUCTOS SOFTWARE Jaime Alberto Sánchez Velásquez Ana Lucía Pérez * RESUMEN En los últimos años, el aumento de las compañías desarrolladoras de software en Colombia

Más detalles

Unidad 1 Fundamentos ITIL... 1 1.1 Historia y Concepto... 1 1.2 La Librería ITIL... 3

Unidad 1 Fundamentos ITIL... 1 1.1 Historia y Concepto... 1 1.2 La Librería ITIL... 3 INDICE Unidad 1 Fundamentos ITIL... 1 1.1 Historia y Concepto... 1 1.2 La Librería ITIL... 3 Unidad 1 Fundamentos ITIL 1.1 Historia y Concepto ITIL nació en la década de 1980, a través de la Agencia Central

Más detalles

HERRAMIENTA WEB PARA LA ELABORACIÓN DE TEST BAJO LA ESPECIFICACIÓN IMS-QTI

HERRAMIENTA WEB PARA LA ELABORACIÓN DE TEST BAJO LA ESPECIFICACIÓN IMS-QTI HERRAMIENTA WEB PARA LA ELABORACIÓN DE TEST BAJO LA ESPECIFICACIÓN IMS-QTI Muñoz-Bouchard J.P., y Álvarez-González L.A. jp.knap@gmail.com@gmail.com, lalvarez@inf.uach.cl Grupo de Investigación en Tecnologías

Más detalles

Creating your Single Sign-On Account for the PowerSchool Parent Portal

Creating your Single Sign-On Account for the PowerSchool Parent Portal Creating your Single Sign-On Account for the PowerSchool Parent Portal Welcome to the Parent Single Sign-On. What does that mean? Parent Single Sign-On offers a number of benefits, including access to

Más detalles

Agustiniano Ciudad Salitre School Computer Science Support Guide - 2015 Second grade First term

Agustiniano Ciudad Salitre School Computer Science Support Guide - 2015 Second grade First term Agustiniano Ciudad Salitre School Computer Science Support Guide - 2015 Second grade First term UNIDAD TEMATICA: INTERFAZ DE WINDOWS LOGRO: Reconoce la interfaz de Windows para ubicar y acceder a los programas,

Más detalles

agility made possible

agility made possible RESUMEN DE LA SOLUCIÓN Administración de activos de software con CA IT Asset Manager cómo puedo administrar mejor mis activos de software y mitigar el riesgo de las auditorías de cumplimiento? agility

Más detalles

DISEÑO DE UN MOLDE DE INYECCIÓN DE PIEZAS DE PLÁSTICO MEDIANTE LA UTILIZACIÓN DE TECNOLOGÍAS DE PROTOTIPADO RÁPIDO

DISEÑO DE UN MOLDE DE INYECCIÓN DE PIEZAS DE PLÁSTICO MEDIANTE LA UTILIZACIÓN DE TECNOLOGÍAS DE PROTOTIPADO RÁPIDO DISEÑO DE UN MOLDE DE INYECCIÓN DE PIEZAS DE PLÁSTICO MEDIANTE LA UTILIZACIÓN DE TECNOLOGÍAS DE PROTOTIPADO RÁPIDO Autor: Arribas Gridilla, Pedro. Director: Manini Gumz, Javier. Entidad Colaboradora: ICAI

Más detalles

METODOLOGÍA PARA EL ANÁLISIS, DISEÑO E IMPLEMENTACIÓN DE PROCESOS CON TECNOLOGÍA BPM (BUSINESS PROCESS MANAGEMENT)

METODOLOGÍA PARA EL ANÁLISIS, DISEÑO E IMPLEMENTACIÓN DE PROCESOS CON TECNOLOGÍA BPM (BUSINESS PROCESS MANAGEMENT) METODOLOGÍA PARA EL ANÁLISIS, DISEÑO E IMPLEMENTACIÓN DE PROCESOS CON TECNOLOGÍA BPM (BUSINESS PROCESS MANAGEMENT) José Villasís Reyes 1, Tatiana Gualotuña 2, Cecilia Hinojosa 3 1 Escuela Politécnica del

Más detalles

Propuesta de un modelo de análisis para estimación del tamaño del software y gestión de costos y riesgos a partir de requerimientos funcionales

Propuesta de un modelo de análisis para estimación del tamaño del software y gestión de costos y riesgos a partir de requerimientos funcionales Propuesta de un modelo de análisis para estimación del tamaño del software y gestión de costos y riesgos a partir de requerimientos funcionales S.Forigua, O.Ballesteros Abstract. This paper describes the

Más detalles

Initial Testing Assessment

Initial Testing Assessment Marzo 2011 Initial Testing Assessment IBM cuenta con una manera rápida de identificar iniciativas que mejoren la calidad, mejoren el tiempo de respuesta del ciclo de vida de sus aplicaciones y que permitan

Más detalles

DESARROLLO DE UNA METODOLOGÍA Y UNA HERRAMIENTA PARA LA PLANIFICACIÓN DE PROYECTOS DE INGENIERÍA

DESARROLLO DE UNA METODOLOGÍA Y UNA HERRAMIENTA PARA LA PLANIFICACIÓN DE PROYECTOS DE INGENIERÍA DESARROLLO DE UNA METODOLOGÍA Y UNA HERRAMIENTA PARA LA PLANIFICACIÓN DE PROYECTOS DE INGENIERÍA Autor: Villarroya Borda, Marta. Director: Muñoz García, Manuel. Entidad Colaboradora: ICAI Universidad Pontificia

Más detalles

examen de muestra ISO/IEC 20000 Foundation Bridge in IT Service Management according to ISO/IEC 20000 edición noviembre 2009

examen de muestra ISO/IEC 20000 Foundation Bridge in IT Service Management according to ISO/IEC 20000 edición noviembre 2009 examen de muestra IS20FB.LA_1.0 ISO/IEC 20000 Foundation Bridge in IT Service Management according to ISO/IEC 20000 edición noviembre 2009 índice 2 introducción 3 examen de muestra 8 soluciones 18 evaluación

Más detalles

ITIL Una visión inicial

ITIL Una visión inicial 64 ITIL Una visión inicial Sabina Borja y Omar Sánchez S. Borja y O. Sánchez Universidad Iberoamericana, Prolongación Paseo de la Reforma 880, Alvaro Obregon, Lomas De santa Fe, 01219 Ciudad de México,

Más detalles

Modulo osc2psdc. 1. English Documentation (Ingles) 2. Documentación en Español (Spanish) 1. English Documentation (Ingles) Introduction.

Modulo osc2psdc. 1. English Documentation (Ingles) 2. Documentación en Español (Spanish) 1. English Documentation (Ingles) Introduction. Modulo osc2psdc Version 1.3 Carlos Perez Fernandez Soporte 1. English Documentation (Ingles) 2. Documentación en Español (Spanish) 1. English Documentation

Más detalles

por clientes corporativos en una empresa de telecomunicaciones.

por clientes corporativos en una empresa de telecomunicaciones. Revista de la Facultad de Ingeniería Industrial 14(1): 55-61 (2011) UNMSM ISSN: 1560-9146 (Impreso) / ISSN: 1810-9993 (Electrónico) Mejoras en el área de atención a clientes corporativos de una empresa

Más detalles

RESUMEN SOBRE LA SOLUCIÓN

RESUMEN SOBRE LA SOLUCIÓN RESUMEN SOBRE LA SOLUCIÓN CA IT Asset Manager Cómo se puede administrar el ciclo de vida de los activos, optimizar el valor de las inversiones de TI y obtener una vista de cartera de todos los activos?

Más detalles

Sistema para la administración, control y seguimiento de reuniones institucionales.

Sistema para la administración, control y seguimiento de reuniones institucionales. 87 Sistema para la administración, control y seguimiento de reuniones institucionales. María Rodríguez, Luis Luna, Marcos Sixto, Joel Quintanilla y José Aguirre. M. Rodríguez, L. Luna, M. Sixto, J. Quintanilla

Más detalles

Autor: Cobreros Herrera, Pablo. RESUMEN DEL PROYECTO

Autor: Cobreros Herrera, Pablo. RESUMEN DEL PROYECTO SISTEMA DE PRESUPUESTACIÓN Y REPORTING PARA LA EMPRESA Autor: Cobreros Herrera, Pablo. Director: Ferrer Hernández, José Manuel. Entidad Colaboradora: ICAI Universidad Pontificia Comillas. RESUMEN DEL PROYECTO

Más detalles

Cómo comprar en la tienda en línea de UDP y cómo inscribirse a los módulos UDP

Cómo comprar en la tienda en línea de UDP y cómo inscribirse a los módulos UDP Cómo comprar en la tienda en línea de UDP y cómo inscribirse a los módulos UDP Sistema de registro y pago Este sistema está dividido en dos etapas diferentes*. Por favor, haga clic en la liga de la etapa

Más detalles

iclef-2002 at Universities of Alicante and Jaen University of Alicante (Spain)

iclef-2002 at Universities of Alicante and Jaen University of Alicante (Spain) iclef-2002 at Universities of Alicante and Jaen University of Alicante (Spain) ! Introduction! Passage Retrieval Systems! IR-n system! IR-n system at iclef-2002! Conclusions and Future works ! Introduction!

Más detalles

DISEÑO E IMPLEMENTACIÓN DE UN PROTOCOLO DE REDES PEER-TO-PEER

DISEÑO E IMPLEMENTACIÓN DE UN PROTOCOLO DE REDES PEER-TO-PEER DISEÑO E IMPLEMENTACIÓN DE UN PROTOCOLO DE REDES PEER-TO-PEER Autor: García Sanjuán, Luis María. Director: Muñoz Berengena, José Manuel. Entidad Colaboradora: ICAI Universidad Pontificia Comillas RESUMEN

Más detalles

RECOMENDACIONES PARA EL DESARROLLO DE UNA POLÍTICA PARA LA GESTIÓN DE LA RELACIÓN CON EL CLIENTE

RECOMENDACIONES PARA EL DESARROLLO DE UNA POLÍTICA PARA LA GESTIÓN DE LA RELACIÓN CON EL CLIENTE RECOMENDACIONES PARA EL DESARROLLO DE UNA POLÍTICA PARA LA GESTIÓN DE LA RELACIÓN CON EL CLIENTE Autor del documento: Centro de Apoyo Tecnológico a Emprendedores Datos de contacto: E-Mail: bilib@bilib.es

Más detalles

puede asegurar a sus clientes la calidad y disponibilidad de los servicios empresariales?

puede asegurar a sus clientes la calidad y disponibilidad de los servicios empresariales? RESUMEN DE LA SOLUCIÓN Service Operations Management puede asegurar a sus clientes la calidad y disponibilidad de los servicios empresariales? agility made possible (SOM) de CA Technologies es una solución

Más detalles

Boletín de Asesoría Gerencial* Aplicabilidad de estándares internacionales y mejores prácticas: CobiT, ITIL, Serie ISO / IEC 27000

Boletín de Asesoría Gerencial* Aplicabilidad de estándares internacionales y mejores prácticas: CobiT, ITIL, Serie ISO / IEC 27000 Espiñeira, Sheldon y Asociados * No. 3-2009 *connectedthinking Contenido Haga click en los enlaces para navegar a través del documento Haga click en los enlaces para llegar directamente a cada sección

Más detalles

SISTEMA INTEGRAL PARA LA GESTIÓN DE RESTAURANTES. Entidad Colaboradora: ICAI Universidad Pontificia Comillas.

SISTEMA INTEGRAL PARA LA GESTIÓN DE RESTAURANTES. Entidad Colaboradora: ICAI Universidad Pontificia Comillas. SISTEMA INTEGRAL PARA LA GESTIÓN DE RESTAURANTES Autor: Díaz de Orbe, Gorka. Director: Labanda Maján, Carlos. Entidad Colaboradora: ICAI Universidad Pontificia Comillas. RESUMEN DEL PROYECTO El objeto

Más detalles

Guía del usuario de KIP sobre el estado de la impresora Instalación y guía del usuario de KIP sobre el estado de la impresora

Guía del usuario de KIP sobre el estado de la impresora Instalación y guía del usuario de KIP sobre el estado de la impresora Instalación y guía del usuario de KIP sobre el estado de la impresora - 1 - Contenido 1 Introducción... 3 2 Instalación y configuración... 4 3 Funcionalidad del estado de la impresora KIP... 6 4 Uso del

Más detalles

OMEGA SOFT WF RISKEVAL

OMEGA SOFT WF RISKEVAL OMEGA SOFT WF RISKEVAL Guía rápida I. DESCARGA E INSTALACIÓN DEL PROGRAMA... 2 II. CONEXIÓN Y CAMBIO DE CONTRASEÑA... 3 III. LISTADO PARQUES / TECNICOS... 4 IV. CREACIÓN NUEVO PARQUE... 7 V. PANTALLA CHECKLIST...

Más detalles

ESTUDIO COMPARATIVO DE DIFERENTES TECNOLOGÍAS DE

ESTUDIO COMPARATIVO DE DIFERENTES TECNOLOGÍAS DE ESTUDIO COMPARATIVO DE DIFERENTES TECNOLOGÍAS DE GENERACIÓN SOLAR EN FUNCIÓN DE LA CURVA DE DEMANDA Autor: Laura García Martín Director: Francisco Fernández Daza Mijares Entidad colaboradora: ICAI Universidad

Más detalles

RESUMEN DE TRABAJO DE GRADO

RESUMEN DE TRABAJO DE GRADO RESUMEN DE TRABAJO DE GRADO Universidad Nueva Esparta. Facultad de Ciencias de la Informática. Escuela de Computación. Autores: Barrios M. Cesar E, Céspedes Nelson Tutor: Gabriel Méndez Titulo: Implantación

Más detalles

SISTEMA DE GESTION PARA LA RED DE DATOS. Yanetsys González Mojena 1, Karina Díaz Hernández 2, Yoana Aguilera Arévalo 3

SISTEMA DE GESTION PARA LA RED DE DATOS. Yanetsys González Mojena 1, Karina Díaz Hernández 2, Yoana Aguilera Arévalo 3 SISTEMA DE GESTION PARA LA RED DE DATOS. Yanetsys González Mojena 1, Karina Díaz Hernández 2, Yoana Aguilera Arévalo 3 Universidad de Granma, Carretera a Manzanillo kilometro 17 ½ Peralejo. Bayamo. Gramna.

Más detalles

APLICATIVO WEB PARA LA ADMINISTRACIÓN DE LABORATORIOS Y SEGUIMIENTO DOCENTE EN UNISARC JUAN DAVID LÓPEZ MORALES

APLICATIVO WEB PARA LA ADMINISTRACIÓN DE LABORATORIOS Y SEGUIMIENTO DOCENTE EN UNISARC JUAN DAVID LÓPEZ MORALES APLICATIVO WEB PARA LA ADMINISTRACIÓN DE LABORATORIOS Y SEGUIMIENTO DOCENTE EN UNISARC JUAN DAVID LÓPEZ MORALES CORPORACIÓN UNIVERSITARIA SANTA ROSA DE CABAL CIENCIAS Y TECNOLOGÍAS DE INFORMACIÓN Y COMUNICACIÓN

Más detalles

Construcción de un componente que permita manipular un gráfico para su almacenamiento como texto en una base de datos

Construcción de un componente que permita manipular un gráfico para su almacenamiento como texto en una base de datos La crisis corporativa: desencuentro entre la ética y la economía neoclásica Construcción de un componente que permita manipular un gráfico para su almacenamiento como texto en una base de datos Construction

Más detalles

LAC-2009-09 Modificación 2.3.3.3. DIRECT ALLOCATIONS TO ISPs DISTRIBUCIONES INICIALES A ISPs

LAC-2009-09 Modificación 2.3.3.3. DIRECT ALLOCATIONS TO ISPs DISTRIBUCIONES INICIALES A ISPs LAC-2009-09 Modificación 2.3.3.3 DIRECT ALLOCATIONS TO ISPs DISTRIBUCIONES INICIALES A ISPs Current Policy 2.3.3.3. Direct Allocations to Internet Service Providers LACNIC may grant this type of allocation

Más detalles

BSM, ITIL y la ISO 20000: Evolución en la Gestión de Servicios de TI

BSM, ITIL y la ISO 20000: Evolución en la Gestión de Servicios de TI BSM, ITIL y la ISO 20000: Evolución en la Servicios de TI Raúl Álvarez Senior Software Consultant Noviembre, 2006 Agenda El reto de las organizaciones de TI Business Service Management Introducción ITIL:

Más detalles

MANUAL EASYCHAIR. A) Ingresar su nombre de usuario y password, si ya tiene una cuenta registrada Ó

MANUAL EASYCHAIR. A) Ingresar su nombre de usuario y password, si ya tiene una cuenta registrada Ó MANUAL EASYCHAIR La URL para enviar su propuesta a la convocatoria es: https://easychair.org/conferences/?conf=genconciencia2015 Donde aparece la siguiente pantalla: Se encuentran dos opciones: A) Ingresar

Más detalles

Ficha de Producto. Características generales. Descripción de Producto. Disponible en formato licencia o SaaS (software as a service).

Ficha de Producto. Características generales. Descripción de Producto. Disponible en formato licencia o SaaS (software as a service). Descripción de Producto ServiceTonic es el software 100% web para la gestión de servicios que bajo las premisas de facilidad de uso y flexibilidad convierte su amplia funcionalidad en la plataforma ideal

Más detalles

EXIN IT Service Management Foundation Bridge based on ISO/IEC 20000

EXIN IT Service Management Foundation Bridge based on ISO/IEC 20000 Examen tipo EXIN IT Service Management Foundation Bridge based on ISO/IEC 20000 Edición Noviembre 2013 Copyright 2013 EXIN All rights reserved. No part of this publication may be published, reproduced,

Más detalles

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS UNIDAD DE POSTGRADO DE INGENIERÍA DE SISTEMAS E INFORMATICA

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS UNIDAD DE POSTGRADO DE INGENIERÍA DE SISTEMAS E INFORMATICA UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS UNIDAD DE POSTGRADO DE INGENIERÍA DE SISTEMAS E INFORMATICA DISEÑO E IMPLEMENTACIÓN DE UNA OFICINA DE GESTION DE PROYECTOS PARA LA POSITIVA SEGUROS Informe Profesional

Más detalles

Cisco CSS 11500 Series Content Services Switches

Cisco CSS 11500 Series Content Services Switches Cisco CSS 11500 Series Content Services Switches Cómo crear un pedido de firma de certificado en el CSS11500 Traducción por computadora Contenidos Introducción Antes de comenzar Convenciones Requisitos

Más detalles

DISPOSITIVO DE CONTROL PARA REDES DE DISTRIBUCIÓN ELÉCTRICA RESUMEN DEL PROYECTO

DISPOSITIVO DE CONTROL PARA REDES DE DISTRIBUCIÓN ELÉCTRICA RESUMEN DEL PROYECTO I DISPOSITIVO DE CONTROL PARA REDES DE DISTRIBUCIÓN ELÉCTRICA Autor: Juárez Montojo, Javier. Director: Rodríguez Mondéjar, José Antonio. Entidad Colaboradora: ICAI-Universidad Pontificia Comillas RESUMEN

Más detalles

Rendimiento y monitorización

Rendimiento y monitorización Rendimiento y monitorización RED ESPAÑOLA DE SUPERCOMPUTACIÓN -Operations Department -Barcelona Supercomputing Center Foreword All Information contained in this document refers to BSC s & RES s internal

Más detalles

Aplicación web para el modelado de redes eléctricas

Aplicación web para el modelado de redes eléctricas Aplicación web para el modelado de redes eléctricas Autores: Sergio Burgos González Carlos Mateo (Director) Tomás Gómez San Román (Director) Resumen: El proyecto consiste en el desarrollo de una aplicación

Más detalles

IMPLEMENTACIÓN DE LA METODOLOGÍA SEIS SIGMA EN LA EMPRESA INVELIGENT

IMPLEMENTACIÓN DE LA METODOLOGÍA SEIS SIGMA EN LA EMPRESA INVELIGENT IMPLEMENTACIÓN DE LA METODOLOGÍA SEIS SIGMA EN LA EMPRESA INVELIGENT 1 Raquel Iza, 2Marco Vergara, 3 Edgar Hermosa 1 Escuela Superior Politécnica del Ejército,Ecuador,raquel_iza140@hotmail.com 2 Escuela

Más detalles

UNIVERSIDAD NUEVA ESPARTA FACULTAD DE CIENCIAS INFORMATICAS ESCUELA DE COMPUTACION

UNIVERSIDAD NUEVA ESPARTA FACULTAD DE CIENCIAS INFORMATICAS ESCUELA DE COMPUTACION UNIVERSIDAD NUEVA ESPARTA FACULTAD DE CIENCIAS INFORMATICAS ESCUELA DE COMPUTACION Implantación de un sistema automatizado de simulación y generación de indicadores de comportamiento, para la optimización

Más detalles

UNIVERSIDAD TECNOLÓGICA DE QUERÉTARO

UNIVERSIDAD TECNOLÓGICA DE QUERÉTARO UNIVERSIDAD TECNOLÓGICA DE QUERÉTARO Página de seguros Grupo Santos Adilene Lorenzo Sebastian 2011 Nombre del Proyecto: Página Web De Grupo Santos Nombre de la Empresa: Grupo Santos Memoria Que como parte

Más detalles