TIPOS DE REGRESIONES QUE PUEDAS HACER EN EXCEL Y SU APLICACIÓN AL LEAN MANUFACTURING

En Lean Manufacturing, la toma de decisiones basada en datos es clave para mejorar la eficiencia operativa, reducir desperdicios y optimizar la producción. Para ello, herramientas estadísticas como la regresión permiten analizar la relación entre diferentes variables y predecir tendencias futuras.
Microsoft Excel es una herramienta accesible y potente que facilita la ejecución de regresiones estadísticas, ayudando a las empresas a identificar patrones, prever problemas y mejorar la calidad de sus procesos sin necesidad de software avanzado.

¿QUÉ ES UNA REGRESIÓN Y POR QUÉ ES ÚTIL EN LEAN MANUFACTURING?
La regresión es una técnica estadística que permite analizar la relación entre dos o más variables.
Su propósito es encontrar un modelo matemático que explique cómo una variable afecta a otra.
En Lean Manufacturing, la regresión se utiliza para:

• Identificar factores que impactan la calidad o la productividad.
• Predecir fallos o defectos antes de que ocurran.
• Optimizar parámetros de producción como velocidad, temperatura o presión.
• Analizar tendencias en el tiempo y mejorar la planificación.

Por ejemplo, si una fábrica nota que los defectos en una línea de ensamblaje aumentan con la temperatura de las máquinas, una regresión lineal puede ayudar a cuantificar esa relación y establecer un límite de temperatura ideal.

TIPOS DE REGRESIONES QUE PUEDES HACER EN EXCEL

1. Regresión Lineal Simple

• Descripción: Evalúa la relación entre una variable independiente (X) y una variable dependiente (Y).
• Resultado esperado: Una ecuación del tipo Y = aX + b que indica cómo cambia Y cuando X varía.
• Ejemplo en Lean Manufacturing: Relación entre la temperatura de una máquina y el número de defectos en la producción.

2. Regresión Lineal Múltiple

• Descripción: Analiza cómo varias variables independientes afectan a una variable dependiente.
• Resultado esperado: Un modelo que predice cómo múltiples factores afectan el resultado.
• Ejemplo en Lean Manufacturing: Impacto del tiempo de formación del operario y la velocidad de la línea de producción en la tasa de defecto.

3. Regresión Logística

• Descripción: Se usa cuando la variable dependiente es binaria (Sí/No, Aceptado/Rechazado).
• Resultado esperado: Probabilidad de que un evento ocurra basado en variables predictivas.
• Ejemplo en Lean Manufacturing: Determinar si un producto pasa o falla en el control de calidad en función de diferentes variables como presión de moldeo y temperatura de inyección.

4. Regresión No Lineal (Polinómica o Exponencial)

• Descripción: Se usa cuando la relación entre variables no es lineal.
• Resultado esperado: Un modelo más preciso cuando la relación entre variables no sigue una línea recta.
• Ejemplo en Lean Manufacturing: Relación entre el tiempo de producción y el desgaste de una herramienta (puede no ser lineal, sino exponencial).

CÓMO HACER UNA REGRESIÓN EN EXCEL PASO A PASO

1. Recolectar y organizar los datos

• Asegúrate de que los datos estén organizados en dos o más columnas:
  > Variable independiente (X): Es el factor que influye en la otra variable (por ejemplo, temperatura de la máquina).
  > Variable dependiente (Y): Es la que se intenta predecir o explicar (por ejemplo, número de defectos).
• Evita valores atípicos o datos erróneos que puedan distorsionar los resultados.

2. Acceder a la herramienta de análisis de datos

• En Excel, ve a la pestaña Datos y selecciona Análisis de Datos.
• Si la opción no está disponible, actívala en Opciones > Complementos > Herramientas para Análisis.

3. Seleccionar la opción de regresión

• En el menú de Análisis de Datos, elige Regresión y haz clic en «Aceptar».
• Ingresa el rango de entrada Y (variable dependiente) y el rango de entrada X (variable independiente o múltiples variables para regresión múltiple).

4. Configurar opciones adicionales

• Activa Intervalo de confianza del 95 % para evaluar la fiabilidad del modelo.
• Habilita Línea de tendencia si deseas visualizar el ajuste en un gráfico.
• Selecciona Salida en una nueva hoja para organizar mejor los resultados.

5. Interpretar los resultados

• Coeficiente de determinación (R²): Indica qué tan bien la variable independiente explica la variabilidad de la dependiente (valores cercanos a 1 son ideales).
• P-valor: Si es menor a 0.05, significa que la relación entre variables es significativa.
• Ecuación de regresión: Se representa como Y = aX + b, donde a es la pendiente y b la intersección con el eje Y.

VERIFICAR SI SE HA ESCOGIDO LA REGRESIÓN MÁS ADECUADA
Una vez realizada la regresión, es importante verificar si el modelo elegido es el más adecuado.
Puedes guiarte por:
A/ El valor de R²:

• Si R² es alto (>0.80): El modelo explica bien la relación entre variables.
• Si R² es bajo (<0.50): Puede ser necesario probar otra forma de regresión o incluir más variables.

B/ El gráfico de dispersión:

• Si los puntos siguen una línea recta, la regresión lineal es adecuada.
• Si los datos muestran una curva, prueba una regresión polinómica o exponencial.
• Si la variable dependiente es binaria (Sí/No, Aprobado/Rechazado, Defectuoso/No defectuoso), la regresión logística es la opción adecuada.

C/ Los p-valores:

• Si una variable tiene un p-valor mayor a 0.05, su impacto en la regresión no es significativo y podría eliminarse del modelo.

CONCLUSIONES
Las regresiones en Excel son herramientas poderosas para analizar datos en Lean Manufacturing, permitiendo tomar decisiones informadas, reducir desperdicios y mejorar la calidad de los procesos productivos.
Dominar estas técnicas ayuda a las empresas a optimizar su producción y anticiparse a problemas, asegurando una operación más eficiente y rentable.
Para terminar, te instamos a que no dudes en analizar tu empresa para mejorar en este ámbito, solicitándonos más información sin ningún tipo de compromiso, ya que en nuestro catálogo de servicios encontrarás la mejor orientación para tu empresa.