Diagnóstico operativo empresarial Alfa Laval S.A.
Bibliographic record
Abstract
El presente trabajo de investigación ha tenido como finalidad realizar el diagnóstico \noperativo empresarial a la compañía Alfa Laval, empresa dedicada al suministro de equipos, \nrepuestos y servicios de mantenimiento, con el propósito el generar propuestas de mejora que \ngeneren valor para la empresa en caso se decida aplicarlas. \nLa tesis comprende 15 capítulos en los que se analizan temas relacionados con la \ndescripción de la empresa, sus objetivos, ubicación y dimensionamiento de planta, diseño de \nproducto, procesos, planeamiento y diseño de planta, planeamiento y diseño del trabajo, \nplaneamiento agregado, programación de operaciones productivas, gestión logística, gestión \nde costos, gestión y control de calidad, gestión de mantenimiento, y cadena de suministro. \nCada capítulo de este documento cuenta con una propuesta de mejora de acuerdo al análisis \nrealizado buscando implementar los conocimientos obtenidos y aplicarlos a la realidad \nempresarial con la finalidad de mejorar los procesos y generar un impacto económico a favor \nde la gestión de las operaciones de Alfa Laval. Las propuestas de mejora buscan incrementar \nel valor de la gestión de operaciones generando ahorros sensibles a la empresa. \nLas propuestas de mejora tienen un costo estimado de US$ 237,816.00 dólares con lo \ncual se genera un ahorro anual de US$ 192,600 dólares que representan el 10% de las ventas \ndel año 2016. Con ello la empresa sería más competitiva en el sector siendo una opción \ninmejorable para sus clientes
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.003 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".