No abstract

La gestión de cadenas de suministro implica la formulación de modelos y metodologías de mejora y optimización de operaciones y procesos internos, con el fin de aumentar la eficiencia y la capacidad de respuesta y a su vez reducir costos. En la gestión de cadenas de suministro, las actividades llevadas a cabo en almacenes y centros de distribución son fundamentales para garantizar un nivel de servicio óptimo y para obtener ahorros significativos en los costos logísticos totales. El slotting y el picking son dos actividades fundamentales en la operación y administración eficiente de las instalaciones de almacenamiento. Por ello, en este artículo se hace una revisión bibliográfica exhaustiva sobre los modelos y metodologías usados en la optimización de dichas actividades entre los años 2000 y 2018, identificando aplicaciones indirectas en otro tipo de industrias y oportunidades y tendencias de investigación, considerando los factores que influyen en los flujos de materiales y componentes estocásticos en la planeación de inventarios: acomodo dinámico, análisis de rutas, metodologías de ubicación de clústeres y división de almacén por tipo de productos.

Uno de los elementos clave de la gestión de calidad en Instituciones de Educación Superior (IES) públicas es asegurar la comunicación de su política de calidad a todos los miembros de la organización y revisar continuamente su adecuación al objeto y planteamiento estratégico. Por ello, en este artículo se explica cómo se desarrolla y aplica una metodología para el despliegue de la Política de la Calidad en instituciones de educación superior públicas, basada en los principios del Balanced Scorecard (BSC), la cual permite expresar la intencionalidad global de la institución respecto a la calidad en acciones concretas y medibles.

Overdispersion is a phenomenon that generally occurs in the analysis of large sample sizes. In discrete data analysis, it refers to the presence of a variation higher than that implied by a reference Binomial or Poisson distributions. The proportion of nonconforming units in clinical laboratories presents high variability and, generally, overdispersion. Therefore, it is required to analyze the most appropriate control charts that overcome the limitations of traditional control charts to deal with overdispersed data. This paper performs an analysis of monitoring overdispersed process in clinical laboratories using control charts. The methodology consists of four steps: (i) Determination of the interest variable, (ii) Diagnosis of data overdispersion, (iii) Elaboration of control charts, and (iv) Analysis of results. The results show that the methodology can quantitatively determine the degree of data overdispersion and select the most appropriate control chart for monitoring the process.

No abstract