Agrupación de trabajadores con perfiles de aprendizaje similares basada en el análisis de componentes principales

Clustering of workers with similar learning profiles based on Principal Component Analysis

La fabricación de productos personalizados a gran escala, conocida como personalización masiva, implica un aumento de la variedad de modelos y una reducción del tamaño de los lotes de producción. Las tareas que dependen de la destreza humana se ven especialmente afectadas en este contexto, ya que los trabajadores deben adaptarse a las características del nuevo modelo. Este proceso de adaptación puede ocurrir de forma diferente dentro de un grupo de trabajadores, lo que justifica el desarrollo de sistemas destinados a agrupar individuos con características de aprendizaje similares. Este artículo propone un método para formar grupos homogéneos de trabajadores en función de sus perfiles de aprendizaje mediante la integración de curvas de aprendizaje y clustering. Para ello, se recogen datos de rendimiento y se modelizan mediante curvas de aprendizaje; los parámetros derivados de la modelización cuantifican el proceso de adaptación de los trabajadores a las tareas, sirviendo de base para la agrupación de trabajadores. En la primera propuesta de este artículo, los datos originales (parámetros) se agrupan mediante el método de K-Means y la calidad de las agrupaciones formadas se evalúa mediante el Índice de Silueta (IS). En una propuesta alternativa, se aplica el Análisis de Componentes Principales (ACP) a los datos originales y las variables latentes generadas (puntuaciones) se agrupan mediante K-Means. Cuando se aplicó a un proceso de la industria del calzado, la agrupación basada en puntuaciones mostró un aumento de la calidad de la agrupación medida por SI del 147% (de SI=0,392 a SI=0,968) en comparación con la agrupación aplicada a las variables originales. Los dos grupos de trabajadores generados por el método se corroboraron a partir de la separación en un gráfico que relacionaba los componentes principales obtenidos. Por último, se llevó a cabo un estudio de simulación para corroborar la eficacia del método propuesto, que demostró ser robusto cuando se le sometió a diferentes niveles de ruido, correlación y proporciones de variables y observaciones. El análisis de la varianza (ANOVA) mostró que los factores varianza de ruido y proporción de observaciones por variable interferían significativamente en la calidad de la agrupación, mientras que la correlación entre variables no mostraba una variación significativa en las agrupaciones.

1. INTRODUCCIÓN

La reducción del ciclo de vida de los productos y el aumento de la competencia industrial llevaron a muchas industrias de masas a replantearse sus estrategias de producción, centrándose en las necesidades individuales de los clientes.