Durante buena parte de mi carrera, Lean Manufacturing ha sido mi principal enfoque para la mejora continua. Aprendí no desde la teoría, sino desde la práctica directa en planta. En el Grupo Volkswagen se apostó con fuerza por la formación en Lean, y se creó un departamento que no solo velaba por mantener los estándares, sino que los promovía a través de centros de entrenamiento que abarcaban desde habilidades básicas como el atornillado hasta otras más avanzadas como las diferentes técnicas de soldadura. Se creó una red de centros de entrenamiento por todo el grupo, además de que cada marca tenía su propio sistema de producción a imagen del TPS, y todos ellos también coordinados centralmente.
Gracias a toda esta infraestructura, fui incorporando conceptos como takt time, SMED, heijunka, jidoka, poka-yoke o pull systems. Las formaciones eran eminentemente prácticas: simulaciones con líneas de montaje de juguetes, dinámicas en equipo y ejercicios reales que facilitaban una interiorización profunda del conocimiento. No eran marcos teóricos, sino soluciones concretas a problemas reales, diseñadas para parecerse lo máximo posible a la realidad de una línea de montaje de automóviles. La clave estaba en la velocidad de aprendizaje y aplicación, con un enfoque vivencial que generaba una motivación genuina, que a su vez impulsaba una aplicación real lo más inmediata posible. Salías del curso hambriento por aplicar lo aprendido lo antes posible.
Mi experiencia con Six Sigma no fue así. Para empezar, apenas recuerdo haber oído hablar de ella en mi paso por el sector automotriz en ningún momento. Sin embargo, mi primer contacto con Six Sigma fue muy anterior. Siendo becario allá por 1998, en General Electric Plastics, fue la primera vez que escuché el término. General Electric ya sabemos que es una de las compañías paradigmáticas para Six Sigma desde que su CEO Jack Welch la implementó allá por 1995. Yo, que entonces no tenía mucha experiencia, me veía imbuido en todo aquel ambiente de cinturones de colores que, a decir verdad, me pareció un poco cómico al principio. Por más que buscaba, nunca encontraba el tatami.
El caso es que lo viví con cierta curiosidad, puesto que recuerdo la reverencia que se le tenía a ciertos black belts y la soberbia con la que alguno de éstos respondía. Por más que me quería acercar, no terminaba de entender su utilidad práctica. Lo veía como un enfoque excesivamente teórico, repleto de estadística y estructura formalista, y sinceramente en aquella época yo estaba mucho más interesado por programar PLCs que por la estadística. Quizá el contexto no me ayudó a entenderlo, quizá yo no estaba aún lo suficientemente maduro profesionalmente hablando.
Años después intenté retomarlo, siendo consciente de que, pasados los años, el concepto Six Sigma pasaba a ser una disciplina mucho más madura y asentada. Hice un intento más formal para adoptarla. Decidí apuntarme a un curso por correspondencia —sí, por correspondencia— de esos que te mandaban por paquetería los apuntes a tu casa y tenías que devolver los ejercicios por correo postal y esperar un par de semanas la resolución. Vistas ahora las plataformas digitales, esto parece del Pleistoceno, y de verdad que lo era, puesto que los apuntes eran fotocopias mal hechas de otras fotocopias, y las preguntas no tenían absolutamente ninguna relación con la teoría: un auténtico caos.
En fin, el contexto no ayudaba a adoptar la herramienta que, lamentablemente, me seguía pareciendo de difícil aplicación práctica. Sobre todo en aquel momento donde yo ya había tenido mis primeros encuentros con Lean y ya era un adepto Lean total. Vamos, que yo no me veía gastando mi tiempo midiendo hasta generar muchos datos, trazando gráficas para luego sacar conclusiones que hubiera que ratificar con test estadísticos, etc. Estaba en una línea de montaje y cada minuto que la línea se paraba, era un coche menos que salía a tiempo por su punta de línea, y para evitar que eso pasase, no había tiempo para hacer cuentas. Teníamos que ser muy expeditivos. O eso era lo que yo pensaba en aquel momento, así que decidí sentenciar a Six Sigma al ostracismo para siempre y entregarme por entero a la causa Lean.
Unos años más tarde, durante mi MBA, no pude evitar sonreír con cierta ironía al ver cómo el concepto Six Sigma había pasado a denominarse Lean Six Sigma. En mi foro interno, yo mismo me decía que era lógico, puesto que para mí Six Sigma se alejaba mucho de la aplicabilidad real de Lean, por lo que dicha asociación le era muy beneficiosa a Six Sigma. Sin embargo, en el otro sentido, no era capaz de ver en qué podía Lean beneficiarse de Six Sigma, más allá de burocratizarse. Estaba claro que mi opinión estaba muy sesgada por aquel entonces, y seguí ignorando a Six Sigma.
Eso cambió recientemente tras finalizar mi máster en ciencia de datos con Python en Nodd3r. Desde mi etapa al frente del equipo de Smart Factory, la ciencia de datos había sido para mí un referente a seguir. Tenía un componente de programación, algo a lo que siempre me había sentido atraído, pero además era la herramienta perfecta para poner en valor los datos, esa materia prima que solía ser tan masivamente despilfarrada, puesto que eran muchos los datos y poco el tiempo para analizarlos, y mucho menos para aprender y entender cómo hacerlo.
El caso es que me vi con tiempo y me puse a estudiar los diferentes algoritmos de Machine Learning y Deep Learning, aprendiendo previamente cómo buscar, seleccionar, limpiar y preparar los datos para ser posteriormente ingeridos por la IA. Todo este proceso realizado con Python fue muy motivador para mí, y me llevó a poner en práctica muchos pequeños retos, como aplicar un algoritmo de Machine Learning para predecir diabetes o averías en máquinas rotativas.
El caso es que en esas primeras fases de la matemática a aplicar, creí recordar ciertas herramientas que aplicaban también en Six Sigma, y no me preguntes por qué, decidí que tras la aventura con la IA, quizá podría hacer un último acercamiento a Six Sigma, ahora que lo tenía todo mucho más fresco. Descubrí un curso de Lean Six Sigma con Python en Udemy y esta vez, el uso de Python fue el puente que necesitaba para conectar mi experiencia Lean con el rigor de Six Sigma.
En este curso pude atravesar esa capa de formalismos que tiene Six Sigma y, apoyado ahora sí en una mentalidad mucho más madura en datos y estrategia corporativa, fui capaz de entender su verdadero posicionamiento. Su estructura no es una traba, sino un marco robusto para analizar causas, reducir variabilidad y tomar decisiones basadas en datos.
«Without data, you’re just another person with an opinion.»
— W. Edwards Deming
Esta frase nunca me resonó tanto como ahora. Donde antes mejoraba por observación y experiencia, ahora también cuantifico, valido y escalo gracias a Python y la estadística.
Lean y Six Sigma: dos caras de la misma moneda
Antes veía Lean como un conjunto de herramientas útiles pero dispersas. Six Sigma me mostró el valor de una arquitectura metodológica más rigurosa. Con el ciclo DMAIC, el análisis de hipótesis y el control estadístico, cada mejora gana en sostenibilidad y solidez.
Lean y Six Sigma no compiten, se complementan: Lean impulsa la acción rápida y centrada en el cliente; Six Sigma aporta profundidad y control. Juntos forman una combinación potente para una mejora sostenible.
Y Python ha sido el catalizador perfecto. Su capacidad para automatizar, visualizar y trabajar con grandes volúmenes de datos permite democratizar el acceso a técnicas analíticas avanzadas, rompiendo barreras que antes parecían inaccesibles.
Aquella sensación de falta de tiempo y exceso de datos se ha invertido totalmente, bajo el amparo de una marcho metodológico como DMAIC, separando el grano de la paja con Lean y usando algoritmos que Python ya tiene en sus librerías, el tiempo necesario se reduce drásticamente y los datos ya no te parecen tantos, de hecho te gustaría tener más para poder probar más y más hipótesis.
El trío estratégico: Lean + Python + Six Sigma
Sin buscarlo, he llegado a una combinación que considero clave para la excelencia operativa actual:
- Lean: entender procesos y actuar con rapidez.
- Six Sigma: estructurar, validar y estabilizar.
- Python / Ciencia de Datos: escalar conocimiento y potenciar la mejora.
Hoy me siento mejor preparado para los desafíos de operaciones modernas: contextos cambiantes, alta exigencia en calidad y necesidad de escalar soluciones basadas en datos.
Si antes mejorábamos por intuición, ahora lo hacemos con precisión, velocidad y evidencia.
Y eso convierte esta evolución en algo no solo natural, sino también inevitable.