Efectos de los Retrasos en Tiempos de entrega con el Uso de Aprendizaje Automático y Análisis de Decisiones Multicriterio
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.
Descargas
Citas
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) (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.
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
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
Sánchez Sánchez, J. E., & Fernández Paradas, A. R. (2025). Análisis de Estrategias Didácticas Implementadas para el Desarrollo de Competencias Textuales en Estudiantes de Secundaria. Ciencia Y Reflexión, 4(2), 2384–2411. https://doi.org/10.70747/cr.v4i2.497
Alcántara , R. L. (2025). Acompañamiento Pedagógico Estrategia Colaborativa. Ciencia Latina Revista Científica Multidisciplinar, 9(3), 7881-7886. https://doi.org/10.37811/cl_rcm.v9i3.18412
Fernández Sánchez, D. (2022). El Impacto de las Intervenciones Basadas en la Atención Plena en la Reducción del Estrés en los Trabajadores de la Salud. Ciencia Y Reflexión, 1(1), 1–13. https://doi.org/10.70747/cr.v1i1.12
Chen Shih , J. (2025). Relación entre inteligencia emocional y rendimiento académico en estudiantes de nivel superior de Arequipa en la postpandemia . Ciencia Y Reflexión, 4(2), 648–667. https://doi.org/10.70747/cr.v4i2.299
Quelal Morejón , C. E., Rogel Calderón , A. S., Loaiza Dávila , L. E., & Maqueira Caraballo, G. D. L. C. (2025). Los juegos predeportivos: una alternativa para la inclusión de estudiantes con Trastorno del Espectro Autista (TEA) a la clase de Educación Física. Arandu UTIC, 12(2), 2169–2189. https://doi.org/10.69639/arandu.v12i2.1055
Guadalupe Beltrán , E. S., Palomeque Zambrano, J. Y., & Loor Avila, B. A. (2025). Desafíos de la Educación Superior en Contextos Híbridos: Análisis de las Prácticas Docentes en la Universidad Estatal de Milagro durante el Periodo Académico 2025. Revista Veritas De Difusão Científica, 6(2), 1259–1281. https://doi.org/10.61616/rvdc.v6i2.685
Lozano Flores, L. D. (2025). Gamificación en el aprendizaje de unidades de tiempo: el caso de Sims 4. Emergentes - Revista Científica, 5(2), 68–86. https://doi.org/10.60112/erc.v5.i1.373
Velásquez Torres, A. O., González Bautista, G., Neira Vera , M., & García Montañez , A. M. (2025). Formación Docente en la Resolución Pacífica de Conflictos: Diagnóstico de una Necesidad Curricular en Colombia. Estudios Y Perspectivas Revista Científica Y Académica , 5(2), 2936–2952. https://doi.org/10.61384/r.c.a.v5i2.1329
Duarte Gahona, Y. K. (2025). Aplicación de la Inteligencia Artificial en la Personalización del Aprendizaje para Estudiantes con Necesidades Educativas Especiales . Revista Científica De Salud Y Desarrollo Humano , 6(2), 33–53. https://doi.org/10.61368/r.s.d.h.v6i2.575
Derechos de autor 2026 Ulises Mercado Valenzuela , Francisco Quiroz Aguilar, Oliverio Cruz Mejia
Esta obra está bajo licencia internacional Creative Commons Reconocimiento 4.0.
.png)
.png)
1.png)
