Cuando un negocio quiere mejorar un proceso, es común probar un cambio, observar el resultado y después probar otro. El problema aparece cuando varias variables pueden afectar el resultado al mismo tiempo: puede ser difícil saber qué cambio produjo realmente la mejora o si dos cambios funcionan mejor cuando se aplican juntos.
El Diseño de Experimentos (DOE) permite abordar ese problema de forma estructurada. En lugar de modificar variables sin un plan, ayuda a definir qué factores probar, en qué niveles, qué combinaciones ejecutar y qué respuesta medir para identificar cuáles factores tienen mayor efecto y si existen interacciones entre ellos.
En esta guía utilizaremos como ejemplo una tienda ecommerce que quiere reducir el tiempo de preparación de pedidos sin deteriorar la calidad del proceso. Trabajaremos con tres factores y un diseño factorial de dos niveles para entender cómo se organiza y cómo se interpretan sus resultados.
Además, podrás descargar una plantilla gratuita de Excel para aplicar un Diseño de Experimentos (DOE), organizar factores y niveles, registrar las corridas y analizar los efectos de un experimento básico.
¿Qué es el Diseño de Experimentos (DOE) y para qué sirve?
El Diseño de Experimentos o DOE es una metodología estadística para planificar experimentos en los que se modifican deliberadamente uno o varios factores y se observa cómo esos cambios afectan una variable de respuesta.
La diferencia frente a realizar pruebas aisladas está en la planificación. Antes de ejecutar el experimento se define qué se quiere aprender, cuáles factores se modificarán, qué niveles tendrá cada uno, qué combinaciones se probarán y cómo se medirán los resultados.
El NIST Engineering Statistics Handbook explica que un diseño experimental busca obtener información útil y conclusiones válidas utilizando de manera eficiente el esfuerzo experimental disponible.
En la práctica, DOE puede ayudar a responder preguntas como:
- ¿Qué variables influyen realmente en el resultado de un proceso?
- ¿Qué factores tienen el mayor efecto?
- ¿El efecto de un factor depende del nivel de otro?
- ¿Qué combinación de condiciones produce un mejor resultado?
- ¿Qué factores conviene estudiar con mayor profundidad?
Por eso el DOE puede utilizarse para comparar configuraciones, identificar factores importantes, estudiar relaciones entre variables y avanzar hacia la optimización de un proceso. No se limita a manufactura: la misma lógica puede aplicarse a operaciones, logística, ecommerce, servicios y otros procesos donde sea posible modificar condiciones y medir resultados.
DOE frente a cambiar un factor a la vez
Una forma intuitiva de mejorar un proceso consiste en modificar una variable y mantener las demás constantes. Después se cambia otra y se compara nuevamente. Este enfoque puede ser útil en situaciones simples, pero pierde información cuando los factores interactúan.
Imagina que una tienda quiere saber si preparar pedidos por lotes reduce el tiempo de picking. Puede comparar el método actual con el picking por lotes y obtener una diferencia.
Pero supongamos que el beneficio del picking por lotes es pequeño cuando la estación de trabajo está desorganizada y mucho mayor cuando la estación está estandarizada.
En ese caso, el efecto del método de picking depende de cómo esté organizada la estación de trabajo. Existe una interacción entre los dos factores.
Los diseños multifactor permiten estudiar estas situaciones porque analizan combinaciones de factores. El curso de Diseño de Experimentos de Penn State destaca precisamente que trabajar con varios factores permite estudiar simultáneamente sus efectos y las relaciones entre ellos.
Esto no significa que todo problema necesite un experimento complejo. Significa que, cuando varios factores pueden actuar conjuntamente, cambiar uno por uno puede ocultar parte importante de lo que está ocurriendo.
Conceptos básicos de un Diseño de Experimentos
Antes de construir un experimento conviene diferenciar algunos conceptos. Los utilizaremos durante todo el ejemplo.
| Concepto | Qué significa | Ejemplo ecommerce |
|---|---|---|
| Factor | Variable que se modifica deliberadamente. | Método de picking. |
| Nivel | Valor o condición que se prueba para un factor. | Pedido individual o picking por lotes. |
| Variable de respuesta | Resultado que se mide. | Minutos de preparación por pedido. |
| Corrida | Una combinación concreta de niveles. | Lotes + estación estandarizada + etiquetas antes. |
| Réplica | Repetición independiente de una combinación experimental. | Volver a ejecutar la misma configuración. |
| Efecto | Cambio asociado al paso de un nivel a otro. | Cambio promedio de tiempo al usar picking por lotes. |
| Interacción | Situación en la que el efecto de un factor depende del nivel de otro. | El picking por lotes mejora más cuando la estación está estandarizada. |
Efecto principal
Un efecto principal representa cómo cambia, en promedio, la variable de respuesta cuando un factor pasa de un nivel a otro considerando las demás combinaciones del experimento.
Si los pedidos tardan menos cuando se utiliza picking por lotes que cuando se preparan individualmente, el método de picking presenta un efecto sobre el tiempo de preparación.
Interacción entre factores
Una interacción aparece cuando el efecto de un factor cambia según el nivel de otro factor. Este concepto es una de las razones por las que los diseños factoriales son especialmente útiles.
La introducción a diseños factoriales de Penn State incorpora explícitamente los efectos de interacción dentro del modelo factorial.
Cómo aplicar un Diseño de Experimentos paso a paso
Un buen experimento empieza antes de ejecutar la primera corrida. El NIST propone una secuencia que parte de establecer objetivos y seleccionar variables, continúa con la elección y ejecución del diseño y termina con el análisis e interpretación de los resultados.
1. Define el problema y la variable de respuesta
El experimento debe comenzar con una pregunta concreta.
En nuestro caso:
¿Qué cambios en la preparación de pedidos permiten reducir el tiempo promedio por pedido?
La respuesta principal será el tiempo de preparación por pedido, medido en minutos.
También conviene vigilar una métrica de control, como el porcentaje de pedidos con errores. Reducir el tiempo no sería una mejora real si el proceso empieza a enviar más referencias o cantidades incorrectas.
Antes de iniciar el experimento, asegúrate de que la respuesta pueda medirse de manera suficientemente consistente. El NIST incluye la capacidad del sistema de medición entre las condiciones que conviene revisar antes de interpretar un DOE. Si tienes dudas sobre la calidad de los datos, puedes revisar primero nuestro análisis de sistemas de medición (MSA).
2. Selecciona los factores
Ahora debes decidir qué variables pueden modificarse y tienen sentido operativo.
Para el ecommerce utilizaremos tres factores:
- A. Método de picking.
- B. Organización de la estación.
- C. Momento de preparación de las etiquetas.
No conviene añadir factores solamente porque podrían tener algún efecto. Cada variable adicional aumenta el número de combinaciones o exige recurrir a diseños más eficientes.
Si todavía no tienes claro qué variables podrían explicar el problema, puedes utilizar previamente un diagrama de Ishikawa para organizar posibles causas. Ishikawa ayuda a formular hipótesis; el experimento permite poner a prueba factores seleccionados bajo condiciones planificadas.
3. Define los niveles de cada factor
En un diseño de dos niveles, cada factor se estudia utilizando dos condiciones. Es habitual representarlas como nivel bajo (-1) y nivel alto (+1), aunque esos códigos no significan necesariamente que un valor sea mejor que el otro.
| Factor | Nivel -1 | Nivel +1 |
|---|---|---|
| A. Método de picking | Pedido por pedido | Picking por lotes |
| B. Organización | Estación actual | Estación estandarizada |
| C. Etiquetas | Después de empacar | Antes del empaque |
Los niveles deben ser operativamente viables, suficientemente diferentes para poder detectar cambios relevantes y mantenerse dentro de condiciones seguras para el proceso.
4. Elige el diseño experimental
Como tenemos tres factores y cada uno tiene dos niveles, utilizaremos un diseño factorial completo 2³.
Eso significa:
2 × 2 × 2 = 8 combinaciones.
Un diseño factorial completo permite observar todas las combinaciones de los niveles seleccionados. Los diseños 2k son una estructura fundamental dentro del DOE y permiten estudiar varios factores con dos niveles cada uno, como explica Penn State.
5. Define réplicas, bloques y orden de las corridas
No basta con definir las ocho combinaciones. También debes decidir cómo se ejecutarán.
Aleatorizar significa evitar que todas las corridas se realicen siguiendo un orden que pueda confundirse con cambios de hora, fatiga, volumen de pedidos u otras condiciones.
Replicar significa repetir de manera independiente determinadas combinaciones para obtener información sobre la variabilidad experimental.
Bloquear puede ser útil cuando existe una fuente conocida de variación que no constituye el objetivo del experimento. Por ejemplo, si las corridas deben realizarse con dos turnos diferentes, el turno podría considerarse dentro de la planificación para evitar atribuir su efecto a otro factor.
El NIST describe el bloqueo como una forma de tratar factores de ruido conocidos, mientras que la aleatorización ayuda a distribuir el efecto de fuentes de variación que no se controlan directamente.
6. Ejecuta las corridas y registra los resultados
Durante cada corrida deben mantenerse las condiciones definidas y registrarse tanto la respuesta como cualquier incidencia que pueda afectar la interpretación.
Si durante una corrida cambia el operador, falla un equipo, aumenta de forma extraordinaria el volumen o se altera una condición que debía permanecer estable, conviene documentarlo.
7. Analiza efectos e interacciones
Con los resultados registrados puedes comparar las respuestas promedio de los niveles de cada factor y estudiar si el efecto de uno cambia dependiendo del nivel de otro.
En un análisis formal también pueden utilizarse modelos estadísticos y ANOVA, especialmente cuando existen réplicas suficientes para estimar el error experimental.
8. Confirma el resultado
Encontrar una combinación prometedora no significa que debas adoptarla inmediatamente.
Realiza una corrida o conjunto de corridas de confirmación bajo la configuración seleccionada y comprueba que el resultado esperado se reproduce. La confirmación ayuda a evitar decisiones basadas únicamente en una combinación favorable que podría haber estado influida por variación no controlada.
Ejemplo de DOE aplicado a un ecommerce
El problema del negocio
Una tienda online quiere reducir el tiempo de preparación de pedidos. Actualmente el proceso incluye recorridos por las ubicaciones de almacenamiento, preparación del pedido, empaque e impresión de etiquetas.
El equipo considera tres posibles mejoras:
- preparar varios pedidos por lotes;
- estandarizar la disposición de la estación de empaque;
- tener las etiquetas preparadas antes del empaque.
En lugar de introducir las tres mejoras simultáneamente y asumir que todas funcionan, el negocio organiza un experimento factorial.
Factores y niveles del experimento
| Factor | -1 | +1 |
|---|---|---|
| A. Picking | Individual | Por lotes |
| B. Estación | Actual | Estandarizada |
| C. Etiquetas | Después | Antes |
Las ocho combinaciones del diseño 2³
Supongamos que el equipo obtiene los siguientes resultados didácticos:
| Combinación | Picking | Estación | Etiquetas | Tiempo promedio |
|---|---|---|---|---|
| 1 | Individual | Actual | Después | 12,0 min |
| 2 | Lotes | Actual | Después | 11,2 min |
| 3 | Individual | Estandarizada | Después | 10,5 min |
| 4 | Lotes | Estandarizada | Después | 8,0 min |
| 5 | Individual | Actual | Antes | 11,2 min |
| 6 | Lotes | Actual | Antes | 10,4 min |
| 7 | Individual | Estandarizada | Antes | 9,7 min |
| 8 | Lotes | Estandarizada | Antes | 7,2 min |
Los valores son didácticos. La numeración muestra las combinaciones en un orden fácil de leer; en un experimento real, el orden de ejecución debería planificarse y normalmente aleatorizarse.
Qué muestran los efectos principales
Podemos comenzar comparando el promedio de la respuesta para los dos niveles de cada factor.
| Factor | Promedio nivel -1 | Promedio nivel +1 | Efecto estimado |
|---|---|---|---|
| A. Picking | 10,85 min | 9,20 min | -1,65 min |
| B. Estación | 11,20 min | 8,85 min | -2,35 min |
| C. Etiquetas | 10,43 min | 9,63 min | -0,80 min |
En estos datos, la estandarización de la estación presenta el mayor efecto principal: el tiempo promedio disminuye aproximadamente 2,35 minutos al pasar de la estación actual a la estandarizada.
El picking por lotes también presenta una reducción promedio de aproximadamente 1,65 minutos, mientras que preparar las etiquetas antes del empaque reduce alrededor de 0,80 minutos.
Sin embargo, detenerse en estos promedios puede ocultar una parte importante del resultado.
Cómo aparece una interacción entre picking y estación
Veamos qué ocurre con el picking dependiendo de la organización de la estación.
Con la estación actual, pasar de picking individual a picking por lotes reduce el tiempo aproximadamente:
0,8 minutos.
Pero con la estación estandarizada, el mismo cambio reduce aproximadamente:
2,5 minutos.
Por tanto, el efecto del picking no es igual en las dos condiciones de la estación. El picking por lotes ofrece un beneficio mucho mayor cuando el área de trabajo ya está estandarizada.
Ese comportamiento es precisamente una interacción entre los factores A y B.
Si el negocio hubiera probado solamente el picking por lotes manteniendo la estación actual, podría haber concluido que la mejora era pequeña y descartarla. El diseño factorial permite descubrir que la combinación de ambos cambios ofrece información diferente.
Qué decisión podría tomar el negocio
La combinación con el menor tiempo observado es:
- picking por lotes;
- estación estandarizada;
- etiquetas preparadas antes del empaque.
El tiempo observado en esa combinación es de 7,2 minutos, frente a 12 minutos en la configuración inicial.
Eso no significa todavía que la empresa deba declarar esta configuración como óptima. Primero debería comprobar el resultado mediante corridas de confirmación y verificar que la reducción del tiempo no aumente errores de picking, productos equivocados o problemas de empaque.
¿Dónde entra el ANOVA en un DOE?
El DOE define cómo se planifica y obtiene la información experimental. El análisis de varianza (ANOVA) puede utilizarse posteriormente para separar fuentes de variación y evaluar estadísticamente los efectos incluidos en el modelo.
Pero existe una consideración importante: en el ejemplo anterior tenemos una sola observación por cada una de las ocho combinaciones. Podemos calcular y comparar efectos descriptivos, pero no contamos con una estimación independiente del error experimental como la que obtendríamos mediante réplicas adecuadas.
Por eso no deberíamos afirmar solamente con esta tabla que un factor es “estadísticamente significativo”. En un experimento formal, el diseño, las réplicas y el modelo de análisis deben permitir evaluar correctamente la incertidumbre de las conclusiones.
Una referencia académica amplia para diseños factoriales, análisis e interpretación es Industrial Design of Experiments, de Sammy Shina, que aborda DOE desde una perspectiva aplicada a procesos y optimización.
Principales tipos de Diseño de Experimentos
No existe un único diseño adecuado para todos los problemas. La elección depende del objetivo, el número de factores, los recursos disponibles y el nivel de detalle que necesitas obtener.
| Diseño | Idea principal | Cuándo puede ser útil |
|---|---|---|
| Factorial completo | Evalúa todas las combinaciones de los niveles definidos. | Cuando el número de factores permite ejecutar todas las corridas necesarias. |
| Factorial fraccional | Utiliza una fracción estructurada de las combinaciones. | Para estudiar más factores utilizando menos corridas, aceptando determinadas confusiones entre efectos. |
| Diseño en bloques | Agrupa corridas para considerar fuentes conocidas de variación. | Cuando turno, día, lote u otra condición puede afectar la respuesta. |
| Superficie de respuesta | Estudia relaciones que pueden incluir curvatura y ayuda a buscar mejores configuraciones. | Cuando ya se conocen factores relevantes y se busca avanzar hacia optimización. |
| Diseño robusto / Taguchi | Busca configuraciones menos sensibles a factores de ruido. | Cuando interesa mantener un desempeño consistente aunque cambien condiciones difíciles de controlar. |
El NIST incluye entre los diseños habituales los factoriales completos, factoriales fraccionados, bloques y diseños de superficie de respuesta. La elección debe responder a la pregunta experimental y a los recursos disponibles.
Si tu objetivo es diseñar un proceso que mantenga resultados más estables frente a condiciones difíciles de controlar, puedes profundizar en nuestra guía sobre métodos Taguchi y diseño robusto.
Los diseños de superficie de respuesta son un paso más avanzado y pueden incorporar términos cuadráticos para representar curvatura, como explica el Engineering Statistics Handbook del NIST.
¿Cuándo conviene utilizar DOE y cuándo no?
DOE puede aportar mucho valor cuando necesitas comprobar cómo varios factores controlables afectan una respuesta medible.
Puede ser una buena alternativa cuando:
- existen varios factores que pueden modificar el resultado;
- puedes cambiar esos factores de forma controlada;
- la variable de respuesta puede medirse con suficiente consistencia;
- quieres identificar efectos e interacciones;
- puedes realizar las corridas necesarias y documentar sus condiciones;
- los niveles seleccionados son seguros y operativamente viables.
Antes de experimentar también conviene revisar la estabilidad del proceso y la confiabilidad del sistema de medición. El NIST incluye ambas condiciones entre los supuestos prácticos que deben considerarse en DOE.
En cambio, DOE puede no ser el primer paso si todavía no tienes un problema suficientemente definido, no puedes medir la respuesta de forma confiable o ni siquiera sabes qué parte del proceso está provocando una falla repetitiva.
Si el proceso ya presenta errores, retrasos o defectos recurrentes pero todavía necesitas investigar por qué ocurren, puede ser más apropiado comenzar con un método estructurado como DMAIC en Six Sigma.
Y si el problema todavía está en entender, mapear o estandarizar la forma de trabajar, puedes empezar por nuestra ruta de mejora y automatización operativa antes de diseñar un experimento.
Errores frecuentes al aplicar un Diseño de Experimentos
Incluir demasiados factores desde el inicio
Cada factor adicional puede aumentar rápidamente el número de combinaciones. Empieza con factores que tengan una justificación operativa y utiliza diseños de screening cuando el número de variables sea elevado.
Elegir niveles demasiado parecidos
Si los dos niveles producen prácticamente la misma condición, puede resultar difícil detectar un efecto útil. Los niveles deben tener sentido operativo y representar una diferencia suficientemente relevante sin llevar el proceso a condiciones inseguras.
No aleatorizar las corridas
Ejecutar todas las combinaciones siguiendo siempre un orden fijo puede mezclar los efectos estudiados con cambios de turno, cansancio, temperatura, demanda o deriva del proceso.
Confundir repetición con replicación
Tomar varias lecturas de una misma unidad no siempre equivale a repetir independientemente una corrida experimental. La replicación debe diseñarse según la variabilidad que realmente quieres estimar.
Ignorar las interacciones
Un factor puede parecer poco importante en promedio y resultar decisivo cuando otro factor cambia. Analizar solamente los efectos principales puede llevar a una interpretación incompleta.
Escoger la mejor corrida y llamarla configuración óptima
La corrida con el mejor resultado observado no es automáticamente la configuración óptima. Puede existir variabilidad experimental, curvatura o una combinación no estudiada que produzca un resultado diferente.
No realizar una prueba de confirmación
Una vez identificada una configuración prometedora, ejecuta corridas adicionales para comprobar que el resultado puede reproducirse antes de convertirlo en una nueva condición operativa.
Descarga la plantilla
Utiliza esta plantilla gratuita de Excel para organizar un Diseño de Experimentos básico con factores de dos niveles, registrar las corridas y sus resultados y comparar efectos e interacciones. Incluye instrucciones y un ejemplo aplicado para que puedas seguir la lógica del experimento antes de trabajar con tus propios datos.
Preguntas frecuentes sobre Diseño de Experimentos
¿Cuántas corridas necesita un Diseño de Experimentos?
Depende del diseño, el número de factores, los niveles y las réplicas. En un factorial completo de dos niveles con k factores, el número básico de combinaciones es 2k. Por ejemplo, tres factores generan 2³ = 8 combinaciones antes de considerar réplicas, puntos centrales u otras corridas adicionales.
¿Se puede aplicar DOE en una pequeña empresa?
Sí, siempre que exista una pregunta medible, factores que puedan modificarse de manera controlada y suficientes observaciones para ejecutar el diseño elegido. Un DOE no tiene que comenzar con decenas de factores ni software complejo.
¿DOE sirve solamente para manufactura?
No. La lógica de experimentar con factores y medir respuestas puede aplicarse a procesos de logística, ecommerce, servicios, operaciones administrativas y otros entornos. Lo importante es que los cambios puedan planificarse y que la respuesta pueda medirse de forma consistente.
¿Cuál es la diferencia entre DOE y una prueba A/B?
Una prueba A/B suele comparar dos alternativas para una variable o tratamiento concreto. DOE abarca una familia más amplia de diseños que puede estudiar varios factores simultáneamente, sus niveles y las interacciones entre ellos.
¿Necesito software estadístico para aplicar DOE?
Para diseños sencillos es posible organizar factores, corridas y cálculos básicos en Excel. Cuando necesitas ANOVA formal, diseños fraccionados complejos, múltiples respuestas, superficies de respuesta o modelos avanzados, un software estadístico especializado facilita el diseño y reduce el riesgo de errores de cálculo e interpretación.
¿Cuál es la diferencia entre DOE y los métodos Taguchi?
DOE es el campo general del diseño estadístico de experimentos. Los métodos Taguchi son un enfoque específico relacionado con el diseño robusto y buscan configuraciones que mantengan un desempeño menos sensible frente a factores de ruido. Por eso no todo Diseño de Experimentos es un experimento Taguchi.
¿Qué significa que dos factores interactúan?
Significa que el efecto de un factor sobre la respuesta cambia dependiendo del nivel de otro. En nuestro ejemplo, el picking por lotes produjo una reducción mucho mayor del tiempo cuando la estación estaba estandarizada que cuando se mantenía la organización actual.
Discover more from
Subscribe to get the latest posts sent to your email.
