Six sigma en la era digital: Integración con inteligencia artificial y Big data para la mejora de procesos

Jesús Dolores Trejo Muñoz; Jorge Adolfo Pinto Santos; Eduardo Rafael Poblano Ojinaga; Manuel Arnoldo Rodríguez Medina; Perla Ivette Gómez Zepeda

doi:10.61273/neyart.v3i4.114

Autores/as

Jesús Dolores Trejo Muñoz Tecnológico Nacional de México
Jorge Adolfo Pinto Santos Tecnológico Nacional de México
Eduardo Rafael Poblano Ojinaga Tecnológico Nacional de México
Manuel Arnoldo Rodríguez Medina Tecnológico Nacional de México
Perla Ivette Gómez Zepeda Tecnológico Nacional de México

DOI:

https://doi.org/10.61273/neyart.v3i4.114

Palabras clave:

Six Sigma, DMAIC, Inteligencia Artificial, Big Data, Control de calidad predictivo, Industria 4.0, Aprendizaje automático, Manufactura inteligente

Resumen

En este artículo se investiga la integración de la metodología Six Sigma con Inteligencia Artificial (IA) y Big Data para optimizar procesos en la era digital. Six Sigma, desarrollada en la década de 1980, se ha consolidado como un enfoque sistemático para reducir la variabilidad y mejorar la calidad en procesos industriales y de servicios. Sin embargo, con el auge de herramientas como la IA y el Big Data, se ha abierto una nueva frontera para la optimización de procesos.

El estudio analiza cómo la combinación de estas tecnologías permite una reducción del tiempo de análisis, una disminución de defectos en manufactura, una optimización de la productividad operativa junto con un enfoque más sustentable en los procesos. Se destacan casos de estudio en industrias como la fabricación de jabones, semiconductores y textiles, donde la aplicación de IA y Big Data ha demostrado resultados significativos, como la reducción de defectos del 4.5% al 0.8% y la optimización del consumo de recursos.

A pesar de los beneficios, se identifican desafíos como los costos elevados y la falta de capacitación en IA y Big Data. El artículo concluye que la integración de estas tecnologías con Six Sigma representa una evolución significativa en la mejora de procesos, fomentando la innovación y la competitividad en la era de la Industria 4.0. Se recomienda invertir en formación y herramientas escalables para maximizar los beneficios de esta integración.

Descargas

Los datos de descargas todavía no están disponibles.

Métricas

Cargando métricas ...

Biografía del autor/a

Jesús Dolores Trejo Muñoz , Tecnológico Nacional de México

Jesús Dolores Trejo Muñoz es Ingeniero Mecatrónico y estudiante de Maestría en Ingeniería Industrial con especialidad en Six Sigma, en proceso de titulación. Se desempeña como docente en el Instituto Tecnológico de Ciudad Juárez, donde imparte clases relacionadas con manufactura digital y mejora continua. Cuenta con experiencia en coordinación de operaciones, mantenimiento de equipos de rayos X y proyectos en Industria 4.0 y CNC. Actualmente es responsable de instalaciones de radiación ionizante, garantizando el cumplimiento de la normativa en seguridad radiológica.

Jorge Adolfo Pinto Santos , Tecnológico Nacional de México

Jorge Adolfo Pinto Santos es profesor investigador de la División de Estudios de Posgrado e Investigación del Instituto Tecnológico de Ciudad Juárez (ITCJ), con 15 años de experiencia docente en Instituciones de Educación Superior. Se tituló de la Maestría en Ingeniería Industrial del Instituto Tecnológico de la Laguna y obtuvo su Doctorado en Tecnología en la Universidad Autónoma de Ciudad Juárez (2021). Su área de investigación se enfoca en Ingeniería de Calidad, Seis Sigma y Estadística Multivariable. Además, su experiencia profesional incluye Aseguramiento de la Calidad, Control de Producción, Sistemas de Almacenamiento y Compras. Actualmente es Jefe de la División de Estudios de Posgrado e Investigación del ITCJ y evaluador de competencias clave en el Consejo de Normalización y Certificación.

Eduardo Rafael Poblano Ojinaga , Tecnológico Nacional de México

Eduardo Rafael Poblano Ojinaga es Ingeniero Industrial egresado del Tecnológico Nacional de México, Instituto Tecnológico de La Laguna. Obtuvo la Maestría en Ciencias en Ingeniería Industrial (1995) y la Maestría en Ingeniería Administrativa (2000) en el Instituto Tecnológico de Ciudad Juárez. Recibió el grado de Doctor en Tecnología por la Universidad Autónoma de Ciudad Juárez (2019). Su línea de investigación se relaciona con la Planeación Estratégica, la Ingeniería de la Calidad y SEM. Cuenta con experiencia profesional como Gerente de Manufactura, Calidad e Ingeniería, así como consultor en Ingeniería de la Calidad, Seis Sigma y Trabajo en Equipo.

Manuel Arnoldo Rodríguez Medina , Tecnológico Nacional de México

Manuel Arnoldo Rodríguez Medina es Ingeniero Químico con Maestría y Doctorado en Ciencias en Ingeniería Industrial por el Instituto Tecnológico de Ciudad Juárez. Con más de 45 años de trayectoria en docencia e investigación, es pilar de la formación de ingenieros y maestros en ciencias en el TecNM-ITCJ. Sus áreas de especialidad incluyen estadística, control de calidad, diseño de experimentos, confiabilidad, estadística bayesiana e investigación de operaciones. Ha publicado más de 35 artículos en revistas nacionales e internacionales, lo que le ha valido formar parte del Sistema Nacional de Investigadores (SNI) Nivel 1.

Perla Ivette Gómez Zepeda , Tecnológico Nacional de México

Perla Ivette Gómez Zepeda es Doctora en Administración, egresada de la Facultad de Contaduría y Administración de la Universidad Autónoma de Chihuahua. Cuenta con 16 años de experiencia docente y forma parte del Sistema Nacional de Investigadores (SNII) como Candidata, además de contar con el Segundo Nivel en el Sistema Estatal de Investigadores (SEI) del Estado de Chihuahua. Sus líneas de investigación incluyen Internet, Estudios de Género, Pymes, Logística e Ingeniería Industrial.

Citas

Albliwi, S., Antony, J., Lim, S. A. H., & van der Wiele, T. (2014). Critical failure factors of Lean Six Sigma: A systematic literature review. International Journal of Quality & Reliability Management, 31(9), 1012–1030. https://doi.org/10.1108/ijqrm-09-2013-0147 DOI: https://doi.org/10.1108/IJQRM-09-2013-0147

Al-Rifai, M. (2025). Application of the DMAIC methodology and Lean Six Sigma (LSS) tools to improve recruitment cycle time. Measuring Business Excellence. https://doi.org/10.1108/mbe-09-2024-0142 DOI: https://doi.org/10.1108/MBE-09-2024-0142

Antony, J., Sony, M., & Gutierrez, L. (2020). An empirical study into the limitations and emerging trends of Six Sigma: Findings from a global survey. IEEE Transactions on Engineering Management, 69(5), 2088–2101. https://doi.org/10.1109/TEM.2020.2995168 DOI: https://doi.org/10.1109/TEM.2020.2995168

Baiochi, R., Lizot, M., & Santos, E. A. P. (2025). A review of quality improvement framework for Industry 4.0. Procedia CIRP, 132, 13–18. https://doi.org/10.1016/j.procir.2025.01.003 DOI: https://doi.org/10.1016/j.procir.2025.01.003

Bloomberg. (2024). AI infrastructure spending. Bloomberg. https://www.bloomberg.com

Bukhari, S. M. S., & Akhtar, R. (2024). Leveraging artificial intelligence to revolutionize Six Sigma: Enhancing process optimization and predictive quality control. Contemporary Journal of Social Science Review, 2(4), 1932–1948.

Bukhari, S. M. S., Akhtar, R., ul Haq, I., & Saleem, M. A. (2024). Improvement of quality defects and wastage control in the ATN Soap Industry Peshawar through Six Sigma and artificial intelligence (AI). Bulletin of Management Review, 1(4), 126–143.

Díaz, C. A. E. (2024). Beyond DMAIC: Leveraging AI and Quality 4.0 for manufacturing innovation in the Fourth Industrial Revolution. Quality, 63(12), 29–30.

Fan, J., Han, F., & Liu, H. (2014). Challenges of big data analysis. National Science Review, 1(2), 293–314. https://doi.org/10.1093/nsr/nwt032 DOI: https://doi.org/10.1093/nsr/nwt032

Gutiérrez Pulido, H., & Vara Salazar, R. (2013). Control estadístico de la calidad y Seis Sigma. McGraw-Hill Education.

Jiang, Y., Li, X., Luo, H., Yin, S., & Kaynak, O. (2022). Quo vadis artificial intelligence? Discover Artificial Intelligence, 2(1), 4. https://doi.org/10.1007/s44163-022-00022-8 DOI: https://doi.org/10.1007/s44163-022-00022-8

Khan, M., Wu, X., Xu, X., & Dou, W. (2017). Big data challenges and opportunities in the hype of Industry 4.0. En 2017 IEEE International Conference on Communications (ICC) (pp. 1–6). IEEE. https://doi.org/10.1109/ICC.2017.7996801 DOI: https://doi.org/10.1109/ICC.2017.7996801

Kim, S. W., Kong, J. H., Lee, S. W., & Lee, S. (2022). Recent advances of artificial intelligence in manufacturing industrial sectors: A review. International Journal of Precision Engineering and Manufacturing, 23(1), 111–129. https://doi.org/10.1007/s12541-021-00600-3 DOI: https://doi.org/10.1007/s12541-021-00600-3

Malta, A. A. P., Santos, C. C. R., Santos, J. S., Silva, I. C., & Lopes, J. M. (2023). Lean Six Sigma: Aplicação de um roteiro DMAIC como ferramenta para redução do sobrepeso do pacote em uma indústria de biscoitos. Observatorio de la Economía Latinoamericana, 21(4), 2080–2100. https://doi.org/10.55905/oelv21n4-019 DOI: https://doi.org/10.55905/oelv21n4-019

Meyes, R., Donauer, J., Schmeing, A., & Meisen, T. (2019). A recurrent neural network architecture for failure prediction in deep drawing sensory time series data. Procedia Manufacturing, 34, 789–797. https://doi.org/10.1016/j.promfg.2019.06.205 DOI: https://doi.org/10.1016/j.promfg.2019.06.205

Navarro Albert, E., Gisbert Soler, V., & Pérez Molina, A. I. (2017). Metodología e implementación de Six Sigma. 3C Empresa: Investigación y Pensamiento Crítico, 6(5), 73–80. https://doi.org/10.17993/3cemp.2017.especial.73-80 DOI: https://doi.org/10.17993/3cemp.2017.especial.73-80

Parmar, T. (2022). Structured problem-solving techniques for manufacturing datasets to enhance yield. Journal of Artificial Intelligence, Machine Learning & Data Science, 1(1), 2161–2166. https://doi.org/10.51219/jaimld/tarun-parmar/473 DOI: https://doi.org/10.51219/JAIMLD/tarun-parmar/473

Prabhushankar, G. V., Devadasan, S. R., Shalij, P. R., & Thirunavukkarasu, V. (2008). The origin, history and definition of Six Sigma: A literature review. International Journal of Six Sigma and Competitive Advantage, 4(2), 133–150. https://doi.org/10.1504/ijssca.2008.020279 DOI: https://doi.org/10.1504/IJSSCA.2008.020279

Shivaramu, P. (2025). Optimizing manufacturing processes with predictive maintenance using machine learning and Lean Six Sigma. [Manuscrito no publicado]. DOI: https://doi.org/10.2139/ssrn.5161097

Sood, A. C., & Dhull, K. S. (2024). The future of Six Sigma—Integrating AI for continuous improvement. International Journal of Innovative Research in Engineering & Management, 11(5), 12–21. https://doi.org/10.55524/ijirem.2024.11.5.2 DOI: https://doi.org/10.55524/ijirem.2024.11.5.2

Tercan, H., & Meisen, T. (2022). Machine learning and deep learning based predictive quality in manufacturing: A systematic review. Journal of Intelligent Manufacturing, 33(7), 1879–1905. https://doi.org/10.1007/s10845-022-01963-8 DOI: https://doi.org/10.1007/s10845-022-01963-8