EFECTOS DE LOS RETRASOS EN TIEMPOS
DE ENTREGA CON EL USO DE APRENDIZAJE
AUTOMÁTICO Y ANÁLISIS DE DECISIONES
MULTICRITERIO
EFFECTS OF DELIVERY TIME DELAYS WITH THE USE OF
MACHINE LEARNING AND MULTICRITERIA DECISION ANALYSIS
Ulises Mercado Valenzuela
Universidad Nacional Autónoma de México
Francisco Quiroz Aguilar
Tecnológico de Estudios Superiores de Coacalco, México
Oliverio Cruz Mejia
Universidad Nacional Autónoma de México
pág. 6488
DOI: https://doi.org/10.37811/cl_rcm.v9i6.21813
Efectos de los Retrasos en Tiempos de entrega con el Uso de Aprendizaje
Automático y Análisis de Decisiones Multicriterio
Ulises Mercado Valenzuela1
ulisesmv@comunidad.unam.mx
https://orcid.org/0009-0004-4737-0479
Universidad Nacional Autonoma de México
México
Francisco Quiroz Aguilar
francisco_quiroz@tesco.edu.mx
https://orcid.org/0000-0001-8801-6872
Tecnologico de Estudios Superiores de Coacalco
México
Oliverio Cruz Mejia
oliverio.cruz.mejia@comunidad.unam
https://orcid.org/0000-0001-7362-6408
Universidad Nacional Autonoma de México
México
RESUMEN
Los retrasos en los tiempos de entrega generan riesgos significativos en la producción, sobre todo en
sistemas justo a tiempo (JIT), donde las interrupciones disparan los costos, alargan los plazos y
disminuyen la satisfacción del cliente. Las mitigaciones tradicionales son reactivas y a menudo no
logran optimizar las compensaciones entre coste, resistencia y servicio. En este trabajo se plantea un
marco integrado de aprendizaje automático (AA) para el modelado predictivo y análisis de decisiones
multicriterio (ADMC) para la selección de estrategias prescriptivas. Con datos históricos de un
proveedor de autopiezas, los modelos de AA predijeron con exactitud la probabilidad y duración de los
retrasos (Random Forest: 87 % de exactitud; Gradient Boosting: R² = 0.78). La fiabilidad de los
proveedores y la volatilidad logística fueron los principales factores predictivos. Las estrategias —
abastecimiento dual, contratos con proveedores, envíos urgentes— se jerarquizaron con AHP-TOPSIS,
siendo el abastecimiento dual la mejor solución a largo plazo. Los resultados muestran la importancia
de combinar AA y ADMC para establecer soluciones proactivas, data-driven y estratégicamente
alineadas a los retrasos en los tiempos de entrega en la manufactura.
Palabras clave: aprendizaje automatico (AA), analisis de decisiones multicriterio (ADMC), demora de
tiempos de espera, sistemas de manufactura,
1 Autor principal
Correspondencia: ulisesmv@comunidad.unam.mx
DOI: https://doi.org/10.37811/cl_rcm.v9i6.21813
Efectos de los Retrasos en Tiempos de entrega con el Uso de Aprendizaje
Automático y Análisis de Decisiones Multicriterio
Ulises Mercado Valenzuela1
ulisesmv@comunidad.unam.mx
https://orcid.org/0009-0004-4737-0479
Universidad Nacional Autonoma de México
México
Francisco Quiroz Aguilar
francisco_quiroz@tesco.edu.mx
https://orcid.org/0000-0001-8801-6872
Tecnologico de Estudios Superiores de Coacalco
México
Oliverio Cruz Mejia
oliverio.cruz.mejia@comunidad.unam
https://orcid.org/0000-0001-7362-6408
Universidad Nacional Autonoma de México
México
RESUMEN
Los retrasos en los tiempos de entrega generan riesgos significativos en la producción, sobre todo en
sistemas justo a tiempo (JIT), donde las interrupciones disparan los costos, alargan los plazos y
disminuyen la satisfacción del cliente. Las mitigaciones tradicionales son reactivas y a menudo no
logran optimizar las compensaciones entre coste, resistencia y servicio. En este trabajo se plantea un
marco integrado de aprendizaje automático (AA) para el modelado predictivo y análisis de decisiones
multicriterio (ADMC) para la selección de estrategias prescriptivas. Con datos históricos de un
proveedor de autopiezas, los modelos de AA predijeron con exactitud la probabilidad y duración de los
retrasos (Random Forest: 87 % de exactitud; Gradient Boosting: R² = 0.78). La fiabilidad de los
proveedores y la volatilidad logística fueron los principales factores predictivos. Las estrategias —
abastecimiento dual, contratos con proveedores, envíos urgentes— se jerarquizaron con AHP-TOPSIS,
siendo el abastecimiento dual la mejor solución a largo plazo. Los resultados muestran la importancia
de combinar AA y ADMC para establecer soluciones proactivas, data-driven y estratégicamente
alineadas a los retrasos en los tiempos de entrega en la manufactura.
Palabras clave: aprendizaje automatico (AA), analisis de decisiones multicriterio (ADMC), demora de
tiempos de espera, sistemas de manufactura,
1 Autor principal
Correspondencia: ulisesmv@comunidad.unam.mx
pág. 6489
Effects of Delivery Time Delays with the use of Machine Learning and
Multicriteria Decision Analysis
ABSTRACT
Lead-time delays generate significant risks in production, especially in just-in-time (JIT) systems,
where disruptions drive up costs, lengthen lead times, and decrease customer satisfaction. Traditional
mitigations are reactive and often fail to optimize trade-offs between cost, resilience, and service. This
paper proposes an integrated machine learning (ML) framework for predictive modeling and multi-
criteria decision analysis (MCDA) for selecting prescriptive strategies. Using historical data from an
auto parts supplier, ML models accurately predicted the probability and duration of delays (Random
Forest: 87% accuracy; Gradient Boosting: R² = 0.78). Supplier reliability and logistics volatility were
the main predictors. Strategies—dual sourcing, supplier contracts, expedited shipments—were ranked
using AHP-TOPSIS, with dual sourcing being the best long-term solution. The results demonstrate the
importance of combining ML and MDCA to establish proactive, data-driven, and strategically aligned
solutions to manufacturing lead-time delays.
Keywords: lead time delays, manufacturing systems, machine learning (ML), multi-criteria decision
analysis (MCDA)
Artículo recibido 15 noviembre 2025
Aceptado para publicación: 15 diciembre 2025
Effects of Delivery Time Delays with the use of Machine Learning and
Multicriteria Decision Analysis
ABSTRACT
Lead-time delays generate significant risks in production, especially in just-in-time (JIT) systems,
where disruptions drive up costs, lengthen lead times, and decrease customer satisfaction. Traditional
mitigations are reactive and often fail to optimize trade-offs between cost, resilience, and service. This
paper proposes an integrated machine learning (ML) framework for predictive modeling and multi-
criteria decision analysis (MCDA) for selecting prescriptive strategies. Using historical data from an
auto parts supplier, ML models accurately predicted the probability and duration of delays (Random
Forest: 87% accuracy; Gradient Boosting: R² = 0.78). Supplier reliability and logistics volatility were
the main predictors. Strategies—dual sourcing, supplier contracts, expedited shipments—were ranked
using AHP-TOPSIS, with dual sourcing being the best long-term solution. The results demonstrate the
importance of combining ML and MDCA to establish proactive, data-driven, and strategically aligned
solutions to manufacturing lead-time delays.
Keywords: lead time delays, manufacturing systems, machine learning (ML), multi-criteria decision
analysis (MCDA)
Artículo recibido 15 noviembre 2025
Aceptado para publicación: 15 diciembre 2025
pág. 6490
INTRODUCCIÓN
El cumplimiento de los plazos de entrega es desde hace tiempo un elemento de competitividad de la
industria manufacturera. En el mundo empresarial actual, cada vez más globalizado e incierto, los
retrasos en los tiempos de entrega pueden causar serios problemas, como el aumento de los costos
operativos, interrupciones en los plazos de producción, insatisfacción del cliente y debilitamiento de la
resiliencia de la cadena de suministro (Treville et al., 2014). En industrias con flujos justo a tiempo
(JAT), como la automotriz, electrónica o farmacéutica, la variabilidad en los tiempos de entrega es un
riesgo estratégico que debe ser controlado (Singh et al, 2013).
Las maneras tradicionales de controlar los retrasos en los tiempos de entrega (políticas de stock de
seguridad, envíos urgentes, etc.) son reactivas y frecuentemente se sostienen en hipótesis estáticas
(Thürer et al, 2023). Si bien estas acciones pueden disminuir las interrupciones, pueden no capturar la
complejidad e interdependencia de las cadenas de suministro actuales (Nielsen et al, 2017). Además,
quienes deciden se enfrentan a un equilibrio entre rentabilidad, nivel de servicio, flexibilidad y
sostenibilidad, convirtiendo así el problema de gestión de retrasos en entregas en un problema de
decisiones o multicriterio (Mohammed & Mandal, 2023; Wyrembek & Baryannis, 2024).
Los últimos avances en AA permiten modelar de forma predictiva la fabricación (Chen et al, 2021).
Haciendo acopio de datos históricos de producción, proveedores y logística, el AA puede anticipar la
probabilidad y magnitud de retrasos en el tiempo de entrega y de esta manera preveerlo (Niitya et al,
2023). No obstante las predicciones por sí solas no son suficientes; los gerentes necesitan marcos de
referencia con la finalidad de contrastar y seleccionar las mejores estrategias de mitigación (Dutta et al,
2022).
En este artículo se propone un la integración de AA y ADMC con la finalidad de anticiparse y responder
a retrasos en los tiempos de entrega en la fabricación. El módulo AA da alertas tempranas de posibles
retrasos y el módulo ADMC evalúa entre distintas opciones estratégicas según criterios múltiples de
decisión, garantizando que las respuestas elegidas se alineen con los objetivos de la organización. El
marco llena la brecha entre el análisis predictivo y la toma de decisiones prescriptivas en la gestión de
la manufactura.
INTRODUCCIÓN
El cumplimiento de los plazos de entrega es desde hace tiempo un elemento de competitividad de la
industria manufacturera. En el mundo empresarial actual, cada vez más globalizado e incierto, los
retrasos en los tiempos de entrega pueden causar serios problemas, como el aumento de los costos
operativos, interrupciones en los plazos de producción, insatisfacción del cliente y debilitamiento de la
resiliencia de la cadena de suministro (Treville et al., 2014). En industrias con flujos justo a tiempo
(JAT), como la automotriz, electrónica o farmacéutica, la variabilidad en los tiempos de entrega es un
riesgo estratégico que debe ser controlado (Singh et al, 2013).
Las maneras tradicionales de controlar los retrasos en los tiempos de entrega (políticas de stock de
seguridad, envíos urgentes, etc.) son reactivas y frecuentemente se sostienen en hipótesis estáticas
(Thürer et al, 2023). Si bien estas acciones pueden disminuir las interrupciones, pueden no capturar la
complejidad e interdependencia de las cadenas de suministro actuales (Nielsen et al, 2017). Además,
quienes deciden se enfrentan a un equilibrio entre rentabilidad, nivel de servicio, flexibilidad y
sostenibilidad, convirtiendo así el problema de gestión de retrasos en entregas en un problema de
decisiones o multicriterio (Mohammed & Mandal, 2023; Wyrembek & Baryannis, 2024).
Los últimos avances en AA permiten modelar de forma predictiva la fabricación (Chen et al, 2021).
Haciendo acopio de datos históricos de producción, proveedores y logística, el AA puede anticipar la
probabilidad y magnitud de retrasos en el tiempo de entrega y de esta manera preveerlo (Niitya et al,
2023). No obstante las predicciones por sí solas no son suficientes; los gerentes necesitan marcos de
referencia con la finalidad de contrastar y seleccionar las mejores estrategias de mitigación (Dutta et al,
2022).
En este artículo se propone un la integración de AA y ADMC con la finalidad de anticiparse y responder
a retrasos en los tiempos de entrega en la fabricación. El módulo AA da alertas tempranas de posibles
retrasos y el módulo ADMC evalúa entre distintas opciones estratégicas según criterios múltiples de
decisión, garantizando que las respuestas elegidas se alineen con los objetivos de la organización. El
marco llena la brecha entre el análisis predictivo y la toma de decisiones prescriptivas en la gestión de
la manufactura.
pág. 6491
Antecedentes
Los retrasos en los plazos de entrega dependen de la fiabilidad de los proveedores, los cuellos de botella
en la producción, las averías de la maquinaria, la escasez de mano de obra, los problemas de transporte
y la volatilidad de la demanda (De Treville et al, 2004; Chang & Lin, 2019). La literatura concerniente
a la cadena de suministro denota que incluso pequeñas variaciones en los tiempos de entrega se
amplifican a medida que avanzan por la cadena, creando el efecto látigo y desestabilizando el proceso
de planeacion de la producción (Burrows et al, 2023; Bandaly & Shanker, 2016). Las estrategias de
mitigación tradicionales (reservas, diversificación de proveedores, reprogramación) carecen de rigor
analítico y no optimizan las compensaciones entre prioridades en competencia (Um & Han, 2021).
El AA se está abriendo camino en la fabricación para todo, desde el mantenimiento predictivo hasta el
control de calidad, la previsión de la demanda y la gestión de riesgos en la cadena de suministro (Qin
et al, 2022; Meng etal, 2020). Algoritmos como Random Forest, SVM, Gradient Boosting y redes
neuronales se han utilizado en datos reales a escala para descubrir relaciones no lineales y encontrar
patrones de riesgo (Yan et al, 2024; Domladovac, 2021). Sobre los retrasos en los tiempos de entrega,
el AA puede anticipar demoras basándose en factores como el tamaño del pedido, el historial del
proveedor, las rutas de envío o el uso de la maquinaria (Schneckenreither et al, 2021). Las metodologías
predictivas de AA superan los métodos estadísticos convencionales para modelar la incertidumbre y los
datos de alta dimensión (Paraschos et al, 2024).
La decisión a nivel productivo generalmente involucra varios objetivos en conflicto, tales como
minimizar costos, maximizar el nivel de servicio, disminuir el riesgo y aumentar la sostenibilidad
(Castañé et al, 2023). De acuerdo con Feria et al (2024) el ADMC, implica metodologías con un alto
grado de estructuración tales como “AHP, TOPSIS, PROMETHEE o VIKOR”, que permiten ordenar
y evaluar las alternativas según las ponderaciones y criterios establecidos con anterioridad. Las
aplicaciones del ADMC en la industria manufacturera abarcan la evaluación de proveedores, la
planificación de la capacidad y la selección de tecnología (De Felice, 2012). Pero los marcos ADMC
generalmente se basan en datos estáticos y no aprovechan las señales predictivas de datos en tiempo
real (De Montis et al, 2000).
Antecedentes
Los retrasos en los plazos de entrega dependen de la fiabilidad de los proveedores, los cuellos de botella
en la producción, las averías de la maquinaria, la escasez de mano de obra, los problemas de transporte
y la volatilidad de la demanda (De Treville et al, 2004; Chang & Lin, 2019). La literatura concerniente
a la cadena de suministro denota que incluso pequeñas variaciones en los tiempos de entrega se
amplifican a medida que avanzan por la cadena, creando el efecto látigo y desestabilizando el proceso
de planeacion de la producción (Burrows et al, 2023; Bandaly & Shanker, 2016). Las estrategias de
mitigación tradicionales (reservas, diversificación de proveedores, reprogramación) carecen de rigor
analítico y no optimizan las compensaciones entre prioridades en competencia (Um & Han, 2021).
El AA se está abriendo camino en la fabricación para todo, desde el mantenimiento predictivo hasta el
control de calidad, la previsión de la demanda y la gestión de riesgos en la cadena de suministro (Qin
et al, 2022; Meng etal, 2020). Algoritmos como Random Forest, SVM, Gradient Boosting y redes
neuronales se han utilizado en datos reales a escala para descubrir relaciones no lineales y encontrar
patrones de riesgo (Yan et al, 2024; Domladovac, 2021). Sobre los retrasos en los tiempos de entrega,
el AA puede anticipar demoras basándose en factores como el tamaño del pedido, el historial del
proveedor, las rutas de envío o el uso de la maquinaria (Schneckenreither et al, 2021). Las metodologías
predictivas de AA superan los métodos estadísticos convencionales para modelar la incertidumbre y los
datos de alta dimensión (Paraschos et al, 2024).
La decisión a nivel productivo generalmente involucra varios objetivos en conflicto, tales como
minimizar costos, maximizar el nivel de servicio, disminuir el riesgo y aumentar la sostenibilidad
(Castañé et al, 2023). De acuerdo con Feria et al (2024) el ADMC, implica metodologías con un alto
grado de estructuración tales como “AHP, TOPSIS, PROMETHEE o VIKOR”, que permiten ordenar
y evaluar las alternativas según las ponderaciones y criterios establecidos con anterioridad. Las
aplicaciones del ADMC en la industria manufacturera abarcan la evaluación de proveedores, la
planificación de la capacidad y la selección de tecnología (De Felice, 2012). Pero los marcos ADMC
generalmente se basan en datos estáticos y no aprovechan las señales predictivas de datos en tiempo
real (De Montis et al, 2000).
pág. 6492
Mientras que el AA se usa para pronosticar y el ADMC para valorar, poco se ha hecho que los integre
para la toma de decisiones en la manufactura (Yska & Guedes, 2022). Algunos trabajos recientes
abordan marcos híbridos, pero por lo general se enfocan en áreas como la gestión energética o la toma
de decisiones en salud (Yang et al, 2024; Liao et al, 2025). El AA combinado con el ADMC en la
manufactura es un área emergente para abordar incertidumbres como los retrasos en el tiempo de
entrega. Esta integración permite a los gerentes anticipar riesgos y probar estrategias en tiempo real,
alineadas con las politicas organizacionales.
METODOLOGÍA
La metodología se diseño con un enfoque transversal, cualitativo y cuantitativo de tal forma que sea
posible medir y evaluar el impacto de los retrasos en los tiempos de entrega en procesos de fabricación
especificos con la ayuda del AA con el auxilio del ADMC. El enfoque consta de tres etapas clave:
a) Recopilación y preprocesamiento de datos,
b) Modelado predictivo mediante aprendizaje automático.
c) Evaluación de estrategias de mitigación mediante análisis de decisiones multicriterio (ADMC). La
integración de estas etapas proporciona información a futuro y orientación para los responsables de
la toma de decisiones.
Los datos para este análisis se pueden obtener de sistemas "Enterprise Reosurces Planning (ERP),
registros de producción y desempeño de proveedores.
La captura de datos debe incluir:
a) Variables independientes: tamaño del pedido, tasa de utilización de la maquinaria, índices de
fiabilidad del proveedor, plazos de entrega de transporte, disponibilidad de mano de obra y
volúmenes históricos de producción.
b) Variables dependientes: El modelo de aprendizaje automático predice la probabilidad y duración de
los retrasos en los plazos de entrega.
Para lo anterior se proponen dos modelos:
a) Modelos de clasificación: para predecir si un pedido se va a demorar o no el cual se puede expresar
mediante la ecuación 1.
Mientras que el AA se usa para pronosticar y el ADMC para valorar, poco se ha hecho que los integre
para la toma de decisiones en la manufactura (Yska & Guedes, 2022). Algunos trabajos recientes
abordan marcos híbridos, pero por lo general se enfocan en áreas como la gestión energética o la toma
de decisiones en salud (Yang et al, 2024; Liao et al, 2025). El AA combinado con el ADMC en la
manufactura es un área emergente para abordar incertidumbres como los retrasos en el tiempo de
entrega. Esta integración permite a los gerentes anticipar riesgos y probar estrategias en tiempo real,
alineadas con las politicas organizacionales.
METODOLOGÍA
La metodología se diseño con un enfoque transversal, cualitativo y cuantitativo de tal forma que sea
posible medir y evaluar el impacto de los retrasos en los tiempos de entrega en procesos de fabricación
especificos con la ayuda del AA con el auxilio del ADMC. El enfoque consta de tres etapas clave:
a) Recopilación y preprocesamiento de datos,
b) Modelado predictivo mediante aprendizaje automático.
c) Evaluación de estrategias de mitigación mediante análisis de decisiones multicriterio (ADMC). La
integración de estas etapas proporciona información a futuro y orientación para los responsables de
la toma de decisiones.
Los datos para este análisis se pueden obtener de sistemas "Enterprise Reosurces Planning (ERP),
registros de producción y desempeño de proveedores.
La captura de datos debe incluir:
a) Variables independientes: tamaño del pedido, tasa de utilización de la maquinaria, índices de
fiabilidad del proveedor, plazos de entrega de transporte, disponibilidad de mano de obra y
volúmenes históricos de producción.
b) Variables dependientes: El modelo de aprendizaje automático predice la probabilidad y duración de
los retrasos en los plazos de entrega.
Para lo anterior se proponen dos modelos:
a) Modelos de clasificación: para predecir si un pedido se va a demorar o no el cual se puede expresar
mediante la ecuación 1.
pág. 6493
P( y = 1 ∣∣ 𝐱 ) = 1
1 + e−(β0+β1x1+β2x2+⋯+βnxn)
Donde:
y = 1 pedido demorado
y = 0 pedido a tiempo
x = (x1, x2, … , xn): caracteristicas de entrada
βi = Parametros estimados del modelo tomados de los datos iniciales
b) El modelo se entrena con métricas estándar:
Categoría: El modelo predice el numero de dias de demora, como se muestra en la ecuación 2.
𝑦̂ = 𝑓(𝑥1, 𝑥2, … , 𝑥𝑛)
𝐷𝑜𝑛𝑑𝑒:
𝑦̂ = 𝐷𝑖𝑎𝑠 𝑑𝑒 𝑑𝑒𝑚𝑜𝑟𝑎 𝑝𝑟𝑒𝑒𝑐𝑖𝑑𝑜𝑠
𝑓(∙) = 𝑓𝑢𝑛𝑐𝑖𝑜𝑛 𝑑𝑒 𝑟𝑒𝑔𝑟𝑒𝑠𝑖𝑜𝑛 𝑜𝑏𝑡𝑒𝑛𝑖𝑑𝑎 𝑚𝑒𝑑𝑖𝑎𝑛𝑡𝑒 𝑎𝑙 𝐴𝐴.
El desarrollo de las ecuaciones (1) y (2), se puede medir mediante las siguentes métricas:
Error absoluto medio (MAE):
𝑀𝐴𝐸 = 1
𝑁 ∑|𝑦𝑖 − 𝑦𝑖̂ |
𝑁
𝑖=1
Error cuadrático medio (RMSE),:
𝑅𝑀𝑆𝐸 = √1
𝑁 ∑(𝑦𝑖 − 𝑦𝑖̂ )2
𝑁
𝑖=1
R²:
𝑅2 = 1 − ∑ (𝑦𝑖 − 𝑦𝑖̂ )2𝑁
𝑖=1
∑ (𝑦𝑖 − 𝑦̅ )2𝑁
𝑖=1
El análisis llevado a cabo debe dar una idea acerca de las variables que más impactan en las demoras
de los tiempos de entrega con la finalidad de que los encargados de la toma de decisiones puedan
enfocarse y controlar las variables de mayor relevancia.
P( y = 1 ∣∣ 𝐱 ) = 1
1 + e−(β0+β1x1+β2x2+⋯+βnxn)
Donde:
y = 1 pedido demorado
y = 0 pedido a tiempo
x = (x1, x2, … , xn): caracteristicas de entrada
βi = Parametros estimados del modelo tomados de los datos iniciales
b) El modelo se entrena con métricas estándar:
Categoría: El modelo predice el numero de dias de demora, como se muestra en la ecuación 2.
𝑦̂ = 𝑓(𝑥1, 𝑥2, … , 𝑥𝑛)
𝐷𝑜𝑛𝑑𝑒:
𝑦̂ = 𝐷𝑖𝑎𝑠 𝑑𝑒 𝑑𝑒𝑚𝑜𝑟𝑎 𝑝𝑟𝑒𝑒𝑐𝑖𝑑𝑜𝑠
𝑓(∙) = 𝑓𝑢𝑛𝑐𝑖𝑜𝑛 𝑑𝑒 𝑟𝑒𝑔𝑟𝑒𝑠𝑖𝑜𝑛 𝑜𝑏𝑡𝑒𝑛𝑖𝑑𝑎 𝑚𝑒𝑑𝑖𝑎𝑛𝑡𝑒 𝑎𝑙 𝐴𝐴.
El desarrollo de las ecuaciones (1) y (2), se puede medir mediante las siguentes métricas:
Error absoluto medio (MAE):
𝑀𝐴𝐸 = 1
𝑁 ∑|𝑦𝑖 − 𝑦𝑖̂ |
𝑁
𝑖=1
Error cuadrático medio (RMSE),:
𝑅𝑀𝑆𝐸 = √1
𝑁 ∑(𝑦𝑖 − 𝑦𝑖̂ )2
𝑁
𝑖=1
R²:
𝑅2 = 1 − ∑ (𝑦𝑖 − 𝑦𝑖̂ )2𝑁
𝑖=1
∑ (𝑦𝑖 − 𝑦̅ )2𝑁
𝑖=1
El análisis llevado a cabo debe dar una idea acerca de las variables que más impactan en las demoras
de los tiempos de entrega con la finalidad de que los encargados de la toma de decisiones puedan
enfocarse y controlar las variables de mayor relevancia.
pág. 6494
Cuando se prevén retrasos, los responsables deben elegir la mejor manera de gestionarlos. El ADMC
proporciona a esta evaluación un marco estructurado que analiza más de un criterio a la vez, para lo
cual se consideran las siguientes opciones.
a) Alternativas (estrategias de mitigación)
- Añadir más existencias de seguridad.
- Utilizar dos fuentes.
- Utilizar una programación flexible para la fabricación.
- Consultar con los proveedores sobre las garantías de rendimiento.
- Enviar la información rápidamente.
b) Criterios de evaluación:
- Efecto en el coste.
- Reducción del riesgo.
- Nivel de atención al cliente.
- Fácil de implementar.
- Efectos en el medio ambiente.
El Proceso Analítico Jerárquico (PAJ) se utiliza para determinar el peso relativo de cada criterio
comparándolos por pares, lo que muestra las expectativas de las partes interesadas. Tras asignar los
pesos, se utiliza la técnica para la ordenación de las preferencias por similitud con la solución ideal
(TOPSSI) para encontrar el mejor enfoque para la situación (Lai et al, 1994).
El proceso PAJ se ve reflejado en las siguientes ecuaciones:
𝐴 =
[
1 𝛼12
1
𝛼12
1 ⋯ 𝛼1𝑛
𝛼2𝑛
⋮ ⋱ ⋮
1
𝛼1𝑛
1
𝛼2𝑛
⋯ 1 ]
De manera corresponsal se adjunta el vector de pesos que se muestra en la ecuacion :
𝑤𝑖 = (∏ 𝑎𝑖𝑗
𝑛
𝑗=1 )1/𝑛
∑ (∏ 𝑎𝑘𝑗
𝑛
𝑗=1 )1/𝑛𝑛
𝑘=1
Cuando se prevén retrasos, los responsables deben elegir la mejor manera de gestionarlos. El ADMC
proporciona a esta evaluación un marco estructurado que analiza más de un criterio a la vez, para lo
cual se consideran las siguientes opciones.
a) Alternativas (estrategias de mitigación)
- Añadir más existencias de seguridad.
- Utilizar dos fuentes.
- Utilizar una programación flexible para la fabricación.
- Consultar con los proveedores sobre las garantías de rendimiento.
- Enviar la información rápidamente.
b) Criterios de evaluación:
- Efecto en el coste.
- Reducción del riesgo.
- Nivel de atención al cliente.
- Fácil de implementar.
- Efectos en el medio ambiente.
El Proceso Analítico Jerárquico (PAJ) se utiliza para determinar el peso relativo de cada criterio
comparándolos por pares, lo que muestra las expectativas de las partes interesadas. Tras asignar los
pesos, se utiliza la técnica para la ordenación de las preferencias por similitud con la solución ideal
(TOPSSI) para encontrar el mejor enfoque para la situación (Lai et al, 1994).
El proceso PAJ se ve reflejado en las siguientes ecuaciones:
𝐴 =
[
1 𝛼12
1
𝛼12
1 ⋯ 𝛼1𝑛
𝛼2𝑛
⋮ ⋱ ⋮
1
𝛼1𝑛
1
𝛼2𝑛
⋯ 1 ]
De manera corresponsal se adjunta el vector de pesos que se muestra en la ecuacion :
𝑤𝑖 = (∏ 𝑎𝑖𝑗
𝑛
𝑗=1 )1/𝑛
∑ (∏ 𝑎𝑘𝑗
𝑛
𝑗=1 )1/𝑛𝑛
𝑘=1
pág. 6495
Donde:
αij = Importancia relaitiva del criterio i sobre el criterio j
wi = peso normalizado del criterio i
En lo relacionado con el método TOPSSI, para encontrar el mejor enfoque para la situación se dan
distintas alternativas 𝐴1, 𝐴2, . . . , 𝐴𝑚 𝑦 𝑙𝑜𝑠 𝑐𝑟𝑖𝑡𝑒𝑟𝑖𝑜𝑠 𝐶1, 𝐶2, . . . , 𝐶𝑛, 𝑠𝑢𝑗𝑒𝑡𝑜 𝑎 ∶
Matriz de decisión normalizada.
𝑟𝑖𝑗 = 𝑥𝑖𝑗
√∑ 𝑥𝑖𝑗
2𝑚
𝑖=1
Matriz de pesos normalizados.
𝑣𝑖𝑗 = 𝑤𝑗 ⋅ 𝑟𝑖𝑗
Considerando las soluciones ideales y las no ideales.
𝑣𝑗
+ = max
𝑖 𝑣𝑖𝑗 , 𝑣𝑗
− = min
𝑖 𝑣𝑖𝑗
Las medidas de separación
𝑆𝑖
+ = √∑ (𝑣𝑖𝑗 − 𝑣𝑗
+)2𝑛
𝑗=1 , 𝑆𝑖
− = √∑ (𝑣𝑖𝑗 − 𝑣𝑗
−)2𝑛
𝑗=1
Y finalmente la cercanía relativa a la solución ideal:
𝐶𝑖 = 𝑆𝑖
−
𝑆𝑖
+ + 𝑆𝑖
−
Por lo anterior se espera que la integración del AA-ADMC se formen en dos etapas:
a) Etapa de predicción: El AA provee de señales de alerta temprana que permitira clasificar ordenes,
de riesgo de demora y cuantificar las desviaciones esperadas.
b) Etapa de decisión: El ADMC evaluara posibles estrategias de mitigación, emparejando las
predicciones de AA con las politicas organizacionales.
Esta aproximación dual asegura que la decisión tomada, este alineada con la estrategia organizacional
en función de la información capturada, la figura 1 indica la secuencia correcta:
Donde:
αij = Importancia relaitiva del criterio i sobre el criterio j
wi = peso normalizado del criterio i
En lo relacionado con el método TOPSSI, para encontrar el mejor enfoque para la situación se dan
distintas alternativas 𝐴1, 𝐴2, . . . , 𝐴𝑚 𝑦 𝑙𝑜𝑠 𝑐𝑟𝑖𝑡𝑒𝑟𝑖𝑜𝑠 𝐶1, 𝐶2, . . . , 𝐶𝑛, 𝑠𝑢𝑗𝑒𝑡𝑜 𝑎 ∶
Matriz de decisión normalizada.
𝑟𝑖𝑗 = 𝑥𝑖𝑗
√∑ 𝑥𝑖𝑗
2𝑚
𝑖=1
Matriz de pesos normalizados.
𝑣𝑖𝑗 = 𝑤𝑗 ⋅ 𝑟𝑖𝑗
Considerando las soluciones ideales y las no ideales.
𝑣𝑗
+ = max
𝑖 𝑣𝑖𝑗 , 𝑣𝑗
− = min
𝑖 𝑣𝑖𝑗
Las medidas de separación
𝑆𝑖
+ = √∑ (𝑣𝑖𝑗 − 𝑣𝑗
+)2𝑛
𝑗=1 , 𝑆𝑖
− = √∑ (𝑣𝑖𝑗 − 𝑣𝑗
−)2𝑛
𝑗=1
Y finalmente la cercanía relativa a la solución ideal:
𝐶𝑖 = 𝑆𝑖
−
𝑆𝑖
+ + 𝑆𝑖
−
Por lo anterior se espera que la integración del AA-ADMC se formen en dos etapas:
a) Etapa de predicción: El AA provee de señales de alerta temprana que permitira clasificar ordenes,
de riesgo de demora y cuantificar las desviaciones esperadas.
b) Etapa de decisión: El ADMC evaluara posibles estrategias de mitigación, emparejando las
predicciones de AA con las politicas organizacionales.
Esta aproximación dual asegura que la decisión tomada, este alineada con la estrategia organizacional
en función de la información capturada, la figura 1 indica la secuencia correcta:
pág. 6496
Figura 1. diagrama de bloques del algoritmo propuesto
RESULTADOS Y DISCUSIÓN
Con la finalidad de demostrar la aplicabilidad de la propuesta se propone un caso de estudio desarrollado
en una empresa de la zona de Xalostoc, Estado de Mexico, México que se dedica a la fabricación de
pernos y tensores automotrices, los cuales son suministrados al mercado de refacción nacional y a las
palntas ensambladoras . Debido a este compromiso con la politica de justo a tiempo implementada por
la compañía, las variaviones en los teimpos de entrega son de gran impactode forma particular con los
proveedores de materias primas tales como los de varillas de acero y revestimientos metálicos.
Los datos utilizados corresponden a la producción propia e información del proveedor de todo un año,
considerando 12000 ordenes emitidas. Las variables clave son:
- Caracteristicas de la orden: Tamaño de la orden, tipo de producto, frecuencia de la orden.
- Factores de producción: Nivel de utilización de la maquinaria, tiempo de inactividad, disponibilidad
de la mano de obra.
- Factores relacionados con el proveedor: indice de confiabilidad del proveedor, tasa de emtregas a
tiempo, tasa de defectos.
- Factores logísticos: Modos de transporte, tiempo de embarque promedio, retrasos en la entrega a
los clientes.
- Variables externas: Desviación de los teimpos de entrega actuales mediso en dias.
Figura 1. diagrama de bloques del algoritmo propuesto
RESULTADOS Y DISCUSIÓN
Con la finalidad de demostrar la aplicabilidad de la propuesta se propone un caso de estudio desarrollado
en una empresa de la zona de Xalostoc, Estado de Mexico, México que se dedica a la fabricación de
pernos y tensores automotrices, los cuales son suministrados al mercado de refacción nacional y a las
palntas ensambladoras . Debido a este compromiso con la politica de justo a tiempo implementada por
la compañía, las variaviones en los teimpos de entrega son de gran impactode forma particular con los
proveedores de materias primas tales como los de varillas de acero y revestimientos metálicos.
Los datos utilizados corresponden a la producción propia e información del proveedor de todo un año,
considerando 12000 ordenes emitidas. Las variables clave son:
- Caracteristicas de la orden: Tamaño de la orden, tipo de producto, frecuencia de la orden.
- Factores de producción: Nivel de utilización de la maquinaria, tiempo de inactividad, disponibilidad
de la mano de obra.
- Factores relacionados con el proveedor: indice de confiabilidad del proveedor, tasa de emtregas a
tiempo, tasa de defectos.
- Factores logísticos: Modos de transporte, tiempo de embarque promedio, retrasos en la entrega a
los clientes.
- Variables externas: Desviación de los teimpos de entrega actuales mediso en dias.
pág. 6497
Modelo de aplicación de AA.
Se desarrollaron dos modelos predictivos
a) Modelo de clasificación: Se utilizo el algoritmo de “Random Forest”, para predecir la demora de
un pedido (considerando entradas binarias).
- Exactitud: 87%.
- Precisión: 82%.
- Retiro: 79%.
- ABC (Area bajo la curva): 0.89
b) Modelo de regresion: El regresor de incremento del gradiente estima la magnitud de las demoras
(en dias).
- RMSE = 2.1 dias.
- MAE = 1.5 dias.
- R2 = 0.78.
Derrivado de este análisis de importancia, se ha revelado que los factores de mayor importancia son:
a) Confiabilidad del proveedor (27%).
b) Variabilidad en el tiempo de transportación (21%)
c) Utilización de la maquinaria (18%)
d) Tamaño de la orden (15%)
e) Disponibilidad de la mano de obra (9%)
Esto indica que el desempeño del proveedor y la logística son los factores de mayor peso en las demoras
de los tiempo de entrega.
Basado en las predicciones hechas con el AA, se han considerado 5 estrategias de mitigación.
a) Incrementar el inventario de seguridad (altos costos de mantenimiento, bajo riesgo de disrupción)
b) Abastecimiento dual ((Costos medios, mayor resiliencia del sistema)
c) Calendarización flexible (requiere entrenamiento de la fuerza de trabajo y actualizaciones en el
sistema informatico)
d) Desarrollo de nuevos contratos en función del desempeño de los proveedores (mejoras a largo plazo
que requieren de cierta negociación).
Modelo de aplicación de AA.
Se desarrollaron dos modelos predictivos
a) Modelo de clasificación: Se utilizo el algoritmo de “Random Forest”, para predecir la demora de
un pedido (considerando entradas binarias).
- Exactitud: 87%.
- Precisión: 82%.
- Retiro: 79%.
- ABC (Area bajo la curva): 0.89
b) Modelo de regresion: El regresor de incremento del gradiente estima la magnitud de las demoras
(en dias).
- RMSE = 2.1 dias.
- MAE = 1.5 dias.
- R2 = 0.78.
Derrivado de este análisis de importancia, se ha revelado que los factores de mayor importancia son:
a) Confiabilidad del proveedor (27%).
b) Variabilidad en el tiempo de transportación (21%)
c) Utilización de la maquinaria (18%)
d) Tamaño de la orden (15%)
e) Disponibilidad de la mano de obra (9%)
Esto indica que el desempeño del proveedor y la logística son los factores de mayor peso en las demoras
de los tiempo de entrega.
Basado en las predicciones hechas con el AA, se han considerado 5 estrategias de mitigación.
a) Incrementar el inventario de seguridad (altos costos de mantenimiento, bajo riesgo de disrupción)
b) Abastecimiento dual ((Costos medios, mayor resiliencia del sistema)
c) Calendarización flexible (requiere entrenamiento de la fuerza de trabajo y actualizaciones en el
sistema informatico)
d) Desarrollo de nuevos contratos en función del desempeño de los proveedores (mejoras a largo plazo
que requieren de cierta negociación).
pág. 6498
e) Embarque enviados (Un alto costo que requiere solucion en el corto plazo)
Los pesos y los criterios se desarrollaron en base al PJA
a) Impacto sobre el costo (30%)
b) Reducción del riesgo (25%)
c) Nivel de servicio al cliente (20%)
d) Facilidad de implementación (15%)
e) Impacto ambiental (10%)
Usando TOPSSI para establecer un rango, las alternativas quedan como se muestra en la tabla 1.
Tabla 1. Rangos estableciados mediante el método TOPSSI
Estrategia Puntaje Rango
Abastecimiento dual 0.81 1
Desarrollo de nuevos contratos en función del desempeño de los proveedores 0.76 2
Calendarización flexible 0.68 3
Incrementar e inventario de seguridad 0.55 4
Embarques enviados 0.42 5
Si se combinan las predicciones hechas con AA con el ADMC, el estudio nos da un esquema que
implica lo siguiente:
a) El AA marco al proveedor A con un 40% de probabilidad de demora en el proximo trimestre
b) ADMC recomienda la utilización del abastecimiento dual como una estrategia óptima de mitigación
de las demoras.
c) Los embarques enviados deben ser reservados para contingencias en el corto palzo.
Por otro lado si lleva a cabo un análisis de sensibilidad como el mostrado en la figura 2, se vera que:
a) Cuando se priorizan los costos el abastecimiento dual aumenta, mientras que los embarques
enviados mejoran ligeramente derivado del beneficio de sus costos inmediatos.
b) Cuando se prioriza el nivel de servicio al cliente el desarrollo de nuevos contratos en función del
desempeño de los proveedores se vuelven prioritarios reflejando el impacto que tienen en la
confiabilidad y desempeño de las entregas.
e) Embarque enviados (Un alto costo que requiere solucion en el corto plazo)
Los pesos y los criterios se desarrollaron en base al PJA
a) Impacto sobre el costo (30%)
b) Reducción del riesgo (25%)
c) Nivel de servicio al cliente (20%)
d) Facilidad de implementación (15%)
e) Impacto ambiental (10%)
Usando TOPSSI para establecer un rango, las alternativas quedan como se muestra en la tabla 1.
Tabla 1. Rangos estableciados mediante el método TOPSSI
Estrategia Puntaje Rango
Abastecimiento dual 0.81 1
Desarrollo de nuevos contratos en función del desempeño de los proveedores 0.76 2
Calendarización flexible 0.68 3
Incrementar e inventario de seguridad 0.55 4
Embarques enviados 0.42 5
Si se combinan las predicciones hechas con AA con el ADMC, el estudio nos da un esquema que
implica lo siguiente:
a) El AA marco al proveedor A con un 40% de probabilidad de demora en el proximo trimestre
b) ADMC recomienda la utilización del abastecimiento dual como una estrategia óptima de mitigación
de las demoras.
c) Los embarques enviados deben ser reservados para contingencias en el corto palzo.
Por otro lado si lleva a cabo un análisis de sensibilidad como el mostrado en la figura 2, se vera que:
a) Cuando se priorizan los costos el abastecimiento dual aumenta, mientras que los embarques
enviados mejoran ligeramente derivado del beneficio de sus costos inmediatos.
b) Cuando se prioriza el nivel de servicio al cliente el desarrollo de nuevos contratos en función del
desempeño de los proveedores se vuelven prioritarios reflejando el impacto que tienen en la
confiabilidad y desempeño de las entregas.
pág. 6499
Figura 2. Analisis de sensibilidad de la estrategia de rangos.
CONCLUSIONES
Los modelos de aprendizaje automatico proveen de un pronostico mas certero en relación con los
tiempos de demora, no obstante las predicciones por si solas no son suficientes. Al vincular las salidas
obtenidas del AA con las evaluaciones del ADMC, las predicciones realizadas se trasladan hacia
decisiones de prioridad relevante, lo cual permite evaluar y mitigar el impacto de la demora en los
tiempos de entrega en el el area de manufactura.
El caso de estudio esta centrado en la industria automotriz de autopartes ha demostrado que la
confiabilidad del proveedor y la logistica son las principales areas responsables de que puedan existir
demoras en los tiempos de entrega. El AA ha permitido un alto grado de precision, mientras que el
ADMC identifica al abastecimiento dual como la mejor estrategia a largo plazo. De forma conjunto los
dos criterios permiten orientar a los gerentes de resolver problemas reactivos a encontrar su solución de
forma proactiva a problemas con un alto riesgo.
Este estudio contribuye en dos vertientes el academico y el práctico, vinculando el análisis predictivo y
prescriptivo. El trabajo futuro debe centrarse en validar la metodología con datos reales y la exploración
de técnicas de ADMC híbridas para mejorar la robustez de las decisiones gerenciales.
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
Abastecimiento dual Nuevos contratos de
los proveedores
Calendarización
flexible
Inventario de
seguridad
Embarques enviados
Analisis de sensibilidad de la estrategia de rangos
Priorización del costo Priorización del servicio
Figura 2. Analisis de sensibilidad de la estrategia de rangos.
CONCLUSIONES
Los modelos de aprendizaje automatico proveen de un pronostico mas certero en relación con los
tiempos de demora, no obstante las predicciones por si solas no son suficientes. Al vincular las salidas
obtenidas del AA con las evaluaciones del ADMC, las predicciones realizadas se trasladan hacia
decisiones de prioridad relevante, lo cual permite evaluar y mitigar el impacto de la demora en los
tiempos de entrega en el el area de manufactura.
El caso de estudio esta centrado en la industria automotriz de autopartes ha demostrado que la
confiabilidad del proveedor y la logistica son las principales areas responsables de que puedan existir
demoras en los tiempos de entrega. El AA ha permitido un alto grado de precision, mientras que el
ADMC identifica al abastecimiento dual como la mejor estrategia a largo plazo. De forma conjunto los
dos criterios permiten orientar a los gerentes de resolver problemas reactivos a encontrar su solución de
forma proactiva a problemas con un alto riesgo.
Este estudio contribuye en dos vertientes el academico y el práctico, vinculando el análisis predictivo y
prescriptivo. El trabajo futuro debe centrarse en validar la metodología con datos reales y la exploración
de técnicas de ADMC híbridas para mejorar la robustez de las decisiones gerenciales.
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
Abastecimiento dual Nuevos contratos de
los proveedores
Calendarización
flexible
Inventario de
seguridad
Embarques enviados
Analisis de sensibilidad de la estrategia de rangos
Priorización del costo Priorización del servicio
pág. 6500
REFERENCIAS BIBLIOGRAFICAS
Bandaly, D., Satir, A., & Shanker, L. (2016). Impact of lead time variability in supply chain risk
management. International Journal of Production Economics, 180, 88-100.
https://doi.org/10.1016/j.ijpe.2016.07.014
Burrows, T. N., Hamilton, M. A., & Grimsman, D. (2023, December). Who gets the whip? how supplier
diversification influences bullwhip effect in a supply chain. In 2023 62nd IEEE Conference on
Decision and Control (CDC) (pp. 7592-7597). IEEE.
https://doi.org/10.1109/CDC49753.2023.10384291
Castañé, G., Dolgui, A., Kousi, N., Meyers, B., Thevenin, S., Vyhmeister, E., & Östberg, P. O. (2023).
The ASSISTANT project: AI for high level decisions in manufacturing. International Journal of
Production Research, 61(7), 2288-2306.
https://doi.org/10.1080/00207543.2022.2069525
Chang, W. S., & Lin, Y. T. (2019). The effect of lead-time on supply chain resilience performance.
Asia Pacific Management Review, 24(4), 298-309.
https://doi.org/10.1016/j.apmrv.2018.10.004
Chen, Y., Zhou, Y., & Zhang, Y. (2021). Machine learning-based model predictive control for
collaborative production planning problem with unknown information. Electronics, 10(15), 1818.
https://doi.org/10.3390/electronics10151818
De Treville, S., Bicer, I., Chavez-Demoulin, V., Hagspiel, V., Schürhoff, N., Tasserit, C., & Wager, S.
(2014). Valuing lead time. Journal of Operations Management, 32(6), 337-346.
https://doi.org/10.1016/j.jom.2014.06.002
De Treville, S., Shapiro, R. D., & Hameri, A. P. (2004). From supply chain to demand chain: the role
of lead time reduction in improving demand chain performance. Journal of operations
management, 21(6), 613-627.
https://doi.org/10.1016/j.jom.2003.10.001
Domladovac, M. (2021, September). Comparison of neural network with gradient boosted trees,
random forest, logistic regression and SVM in predicting student achievement. In 2021 44th
International Convention on Information, Communication and Electronic Technology (MIPRO)
REFERENCIAS BIBLIOGRAFICAS
Bandaly, D., Satir, A., & Shanker, L. (2016). Impact of lead time variability in supply chain risk
management. International Journal of Production Economics, 180, 88-100.
https://doi.org/10.1016/j.ijpe.2016.07.014
Burrows, T. N., Hamilton, M. A., & Grimsman, D. (2023, December). Who gets the whip? how supplier
diversification influences bullwhip effect in a supply chain. In 2023 62nd IEEE Conference on
Decision and Control (CDC) (pp. 7592-7597). IEEE.
https://doi.org/10.1109/CDC49753.2023.10384291
Castañé, G., Dolgui, A., Kousi, N., Meyers, B., Thevenin, S., Vyhmeister, E., & Östberg, P. O. (2023).
The ASSISTANT project: AI for high level decisions in manufacturing. International Journal of
Production Research, 61(7), 2288-2306.
https://doi.org/10.1080/00207543.2022.2069525
Chang, W. S., & Lin, Y. T. (2019). The effect of lead-time on supply chain resilience performance.
Asia Pacific Management Review, 24(4), 298-309.
https://doi.org/10.1016/j.apmrv.2018.10.004
Chen, Y., Zhou, Y., & Zhang, Y. (2021). Machine learning-based model predictive control for
collaborative production planning problem with unknown information. Electronics, 10(15), 1818.
https://doi.org/10.3390/electronics10151818
De Treville, S., Bicer, I., Chavez-Demoulin, V., Hagspiel, V., Schürhoff, N., Tasserit, C., & Wager, S.
(2014). Valuing lead time. Journal of Operations Management, 32(6), 337-346.
https://doi.org/10.1016/j.jom.2014.06.002
De Treville, S., Shapiro, R. D., & Hameri, A. P. (2004). From supply chain to demand chain: the role
of lead time reduction in improving demand chain performance. Journal of operations
management, 21(6), 613-627.
https://doi.org/10.1016/j.jom.2003.10.001
Domladovac, M. (2021, September). Comparison of neural network with gradient boosted trees,
random forest, logistic regression and SVM in predicting student achievement. In 2021 44th
International Convention on Information, Communication and Electronic Technology (MIPRO)
pág. 6501
(pp. 211-216). IEEE.
https://doi.org/10.23919/MIPRO52101.2021.9596684
Dutta, G., Kumar, R., Sindhwani, R., & Singh, R. K. (2022). Overcoming the barriers of effective
implementation of manufacturing execution system in pursuit of smart manufacturing in SMEs.
Procedia Computer Science, 200, 820-832.
https://doi.org/10.1016/j.procs.2022.01.279
De Felice, F. (2012). Research and applications of AHP/ANP and MCDA for decision making in
manufacturing. International Journal of Production Research, 50(17), 4735-4737.
https://doi.org/10.1080/00207543.2012.657963
De Montis, A., De Toro, P., Droste-Franke, B., Omann, I., & Stagl, S. (2000, May). Criteria for quality
assessment of MCDA methods. In 3rd Biennial conference of the European society for ecological
economics, Vienna (pp. 3-6). Citeseer.
Ferla, G., Mura, B., Falasco, S., Caputo, P., & Matarazzo, A. (2024). Multi-Criteria Decision Analysis
(MCDA) for sustainability assessment in food sector. A systematic literature review on methods,
indicators and tools. Science of the Total Environment, 946, 174235.
https://doi.org/10.1016/j.scitotenv.2024.174235
Lai, Y. J., Liu, T. Y., & Hwang, C. L. (1994). Topsis for MODM. European journal of operational
research, 76(3), 486-500.
https://doi.org/10.1016/0377-2217(94)90282-8
Liao, Y., Miao, S., Fan, W., & Liu, X. (2025). A Novel Hybrid Fuzzy Comprehensive Evaluation and
Machine Learning Framework for Solar PV Suitability Mapping in China. Remote Sensing,
17(12), 2070.
https://doi.org/10.3390/rs17122070
Meng, L., McWilliams, B., Jarosinski, W., Park, H. Y., Jung, Y. G., Lee, J., & Zhang, J. (2020).
Machine learning in additive manufacturing: a review. Jom, 72(6), 2363-2377.
https://doi.org/10.1007/s11837-020-04155-y
Mohammed, I. A., & Mandal, J. (2023). The Impact of Lead Time Variability on Supply Chain
Management. International Journal of Supply Chain Management, 8(2), 41-55.
(pp. 211-216). IEEE.
https://doi.org/10.23919/MIPRO52101.2021.9596684
Dutta, G., Kumar, R., Sindhwani, R., & Singh, R. K. (2022). Overcoming the barriers of effective
implementation of manufacturing execution system in pursuit of smart manufacturing in SMEs.
Procedia Computer Science, 200, 820-832.
https://doi.org/10.1016/j.procs.2022.01.279
De Felice, F. (2012). Research and applications of AHP/ANP and MCDA for decision making in
manufacturing. International Journal of Production Research, 50(17), 4735-4737.
https://doi.org/10.1080/00207543.2012.657963
De Montis, A., De Toro, P., Droste-Franke, B., Omann, I., & Stagl, S. (2000, May). Criteria for quality
assessment of MCDA methods. In 3rd Biennial conference of the European society for ecological
economics, Vienna (pp. 3-6). Citeseer.
Ferla, G., Mura, B., Falasco, S., Caputo, P., & Matarazzo, A. (2024). Multi-Criteria Decision Analysis
(MCDA) for sustainability assessment in food sector. A systematic literature review on methods,
indicators and tools. Science of the Total Environment, 946, 174235.
https://doi.org/10.1016/j.scitotenv.2024.174235
Lai, Y. J., Liu, T. Y., & Hwang, C. L. (1994). Topsis for MODM. European journal of operational
research, 76(3), 486-500.
https://doi.org/10.1016/0377-2217(94)90282-8
Liao, Y., Miao, S., Fan, W., & Liu, X. (2025). A Novel Hybrid Fuzzy Comprehensive Evaluation and
Machine Learning Framework for Solar PV Suitability Mapping in China. Remote Sensing,
17(12), 2070.
https://doi.org/10.3390/rs17122070
Meng, L., McWilliams, B., Jarosinski, W., Park, H. Y., Jung, Y. G., Lee, J., & Zhang, J. (2020).
Machine learning in additive manufacturing: a review. Jom, 72(6), 2363-2377.
https://doi.org/10.1007/s11837-020-04155-y
Mohammed, I. A., & Mandal, J. (2023). The Impact of Lead Time Variability on Supply Chain
Management. International Journal of Supply Chain Management, 8(2), 41-55.
pág. 6502
https://doi.org/10.47604/ijscm.3075
Nielsen, P., Michna, Z., Sørensen, B. B., & Dung, N. D. A. (2017). Lead times–their behavior and the
impact on planning and control in supply chains. Management and Production Engineering
Review.
https://doi.org/10.1515/mper-2017-0015
Nithya, T., Kumar, V. N., Deepa, S., CM, V., & Subramanian, R. S. (2023, August). A comprehensive
survey of machine learning: Advancements, applications, and challenges. In 2023 Second
International Conference on Augmented Intelligence and Sustainable Systems (ICAISS) (pp. 354-
361). IEEE.
https://doi.org/10.1109/ICAISS58487.2023.10250547
Paraschos, P. D., Gasteratos, A. C., & Koulouriotis, D. E. (2024). Deep learning model for optimizing
control and planning in stochastic manufacturing environments. Expert Systems with
Applications, 257, 125075.
https://doi.org/10.1016/j.eswa.2024.125075
Qin, J., Hu, F., Liu, Y., Witherell, P., Wang, C. C., Rosen, D. W., ... & Tang, Q. (2022). Research and
application of machine learning for additive manufacturing. Additive Manufacturing, 52, 102691.
https://doi.org/10.1016/j.addma.2022.102691
Singh, R. J., Sohani, N., & Marmat, H. (2013). Effect of Lean/JIT Practices and Supply Chain
Integration on Lead Time Performance. Journal of Supply Chain Management Systems, 2(2).
Schneckenreither, M., Haeussler, S., & Gerhold, C. (2021). Order release planning with predictive lead
times: a machine learning approach. International Journal of Production Research, 59(11), 3285-
3303.
https://doi.org/10.1080/00207543.2020.1859634
Thürer, M., Fernandes, N. O., Haeussler, S., & Stevenson, M. (2023). Dynamic planned lead times in
production planning and control systems: does the lead time syndrome matter?. International
Journal of Production Research, 61(4), 1268-1282.
https://doi.org/10.1080/00207543.2022.2034193
https://doi.org/10.47604/ijscm.3075
Nielsen, P., Michna, Z., Sørensen, B. B., & Dung, N. D. A. (2017). Lead times–their behavior and the
impact on planning and control in supply chains. Management and Production Engineering
Review.
https://doi.org/10.1515/mper-2017-0015
Nithya, T., Kumar, V. N., Deepa, S., CM, V., & Subramanian, R. S. (2023, August). A comprehensive
survey of machine learning: Advancements, applications, and challenges. In 2023 Second
International Conference on Augmented Intelligence and Sustainable Systems (ICAISS) (pp. 354-
361). IEEE.
https://doi.org/10.1109/ICAISS58487.2023.10250547
Paraschos, P. D., Gasteratos, A. C., & Koulouriotis, D. E. (2024). Deep learning model for optimizing
control and planning in stochastic manufacturing environments. Expert Systems with
Applications, 257, 125075.
https://doi.org/10.1016/j.eswa.2024.125075
Qin, J., Hu, F., Liu, Y., Witherell, P., Wang, C. C., Rosen, D. W., ... & Tang, Q. (2022). Research and
application of machine learning for additive manufacturing. Additive Manufacturing, 52, 102691.
https://doi.org/10.1016/j.addma.2022.102691
Singh, R. J., Sohani, N., & Marmat, H. (2013). Effect of Lean/JIT Practices and Supply Chain
Integration on Lead Time Performance. Journal of Supply Chain Management Systems, 2(2).
Schneckenreither, M., Haeussler, S., & Gerhold, C. (2021). Order release planning with predictive lead
times: a machine learning approach. International Journal of Production Research, 59(11), 3285-
3303.
https://doi.org/10.1080/00207543.2020.1859634
Thürer, M., Fernandes, N. O., Haeussler, S., & Stevenson, M. (2023). Dynamic planned lead times in
production planning and control systems: does the lead time syndrome matter?. International
Journal of Production Research, 61(4), 1268-1282.
https://doi.org/10.1080/00207543.2022.2034193
pág. 6503
Um, J., & Han, N. (2021). Understanding the relationships between global supply chain risk and supply
chain resilience: the role of mitigating strategies. Supply chain management: an international
journal, 26(2), 240-255.
https://doi.org/10.1108/SCM-06-2020-0248
Wyrembek, M., & Baryannis, G. (2024). Using MCDM methods to optimise machine learning
decisions for supply chain delay prediction: A Stakeholder-centric approach. Logforum, 20(2).
https://doi.org/10.17270/J.LOG.001019
Yang, X., Li, Y. M., Wang, Q., Li, R., & Zhang, P. (2024). Machine learning model based on RCA-
PDCA nursing methods and differentiating factors to predict hypotension during cesarean section
surgery. Computers in Biology and Medicine, 174, 108395.
https://doi.org/10.1016/j.compbiomed.2024.108395
Yang, C. L., Yilma, A. A., Woldegiorgis, B. H., Tampubolon, H., & Sutrisno, H. (2024). A Hybrid
Manufacturing Process Monitoring Method Using Stacked Gated Recurrent Unit and Random
Forest. Intelligent Automation & Soft Computing, 39(2).
https://doi.org/10.32604/iasc.2024.043091
Yska, S., Bustos, D., & Guedes, J. C. (2022). Machine learning applications for continuous
improvement in integrated management systems: a short review. Occupational and
Environmental Safety and Health IV, 541-551.
https://doi.org/10.1007/978-3-031-12547-8_43
Um, J., & Han, N. (2021). Understanding the relationships between global supply chain risk and supply
chain resilience: the role of mitigating strategies. Supply chain management: an international
journal, 26(2), 240-255.
https://doi.org/10.1108/SCM-06-2020-0248
Wyrembek, M., & Baryannis, G. (2024). Using MCDM methods to optimise machine learning
decisions for supply chain delay prediction: A Stakeholder-centric approach. Logforum, 20(2).
https://doi.org/10.17270/J.LOG.001019
Yang, X., Li, Y. M., Wang, Q., Li, R., & Zhang, P. (2024). Machine learning model based on RCA-
PDCA nursing methods and differentiating factors to predict hypotension during cesarean section
surgery. Computers in Biology and Medicine, 174, 108395.
https://doi.org/10.1016/j.compbiomed.2024.108395
Yang, C. L., Yilma, A. A., Woldegiorgis, B. H., Tampubolon, H., & Sutrisno, H. (2024). A Hybrid
Manufacturing Process Monitoring Method Using Stacked Gated Recurrent Unit and Random
Forest. Intelligent Automation & Soft Computing, 39(2).
https://doi.org/10.32604/iasc.2024.043091
Yska, S., Bustos, D., & Guedes, J. C. (2022). Machine learning applications for continuous
improvement in integrated management systems: a short review. Occupational and
Environmental Safety and Health IV, 541-551.
https://doi.org/10.1007/978-3-031-12547-8_43