Ciencia de Datos Aplicada a la Reducción de la Diversidad de Piezas en Carteras Industriales

Eduardo Zonatto; Jéssica Eloá Poletto

DOI: 10.22167/2675-6528-202602850

Artículo derivado del Trabajo de Conclusión de Curso (TCC), con contenido basado en el trabajo original del alumno y adaptado al formato editorial de la Revista E&S con el apoyo de la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege para síntesis y organización textual.

Resumen

La excesiva diversidad de componentes en carteras industriales genera costos operativos e ineficiencias a lo largo de toda la cadena productiva. Se aplicó un pipeline integrado de ciencia de datos para caracterizar patrones de uso de componentes en una cartera industrial real e identificar, de forma cuantitativa y reproducible, oportunidades de estandarización y racionalización. La investigación se caracterizó como cuantitativa, con datos secundarios, utilizando análisis estadístico descriptivo, agrupamiento y modelado de red. Se analizaron 4.580 ítems con vínculo directo a la cartera de productos, sobre los cuales se desarrolló un pipeline analítico en Python, que incluyó preparación de datos, detección de valores atípicos, análisis exploratorio, reducción de dimensionalidad, agrupamiento K-means, modelado de red bipartita ponderada con métricas de centralidad y síntesis por el Network Criticality Index con detección de módulos. Los resultados segmentaron la cartera en cuatro perfiles: componentes ultraestructurales (11,7%), que demandan análisis individualizado; de plataforma (7,2%), candidatos a la consolidación en nuevos proyectos; de uso intermedio (15,8%), principal oportunidad de estandarización inmediata; y de uso restringido (65,3%), candidatos a la racionalización. Adicionalmente, 6.658 componentes (42,0%) no registraron utilización, representando oportunidad inmediata de simplificación. La detección de siete módulos reveló una organización modular que viabiliza iniciativas de estandarización con alcance controlado, demostrando la capacidad de la metodología para identificar oportunidades de optimización y gestión de cartera.

Palabras clave: Análisis de redes; Ciencia de datos aplicada a la ingeniería; Clustering; Diversidad de piezas; Estandarización de componentes.

1. Introducción

La excesiva diversidad de componentes en carteras industriales se reconoce como un factor generador de costos operativos y complejidad a lo largo de todo el ciclo de vida del producto. Cada nuevo componente introducido en una cartera conlleva cargas que van más allá del costo del artículo en sí, abarcando la calificación de proveedores, el mantenimiento de inventario dedicado, los procesos de inspección y trazabilidad, y el costo de retención en el catálogo. En entornos de manufactura de alta variedad, como el de vehículos comerciales con múltiples configuraciones, este efecto se amplifica por la superposición de componentes funcionalmente equivalentes que acumulan variantes a lo largo de generaciones de producto sin una gestión activa de la variedad (Fisher e Ittner, 1999; Ulrich y Eppinger, 2020).

La estandarización de componentes y el intercambio deliberado de piezas entre productos son estrategias consolidadas para contener este crecimiento y mitigar las ineficiencias. La literatura de ingeniería de producto demuestra que los diseños modulares y el uso de plataformas comunes reducen los costos de desarrollo, aumentan la reutilización y simplifican la cadena de suministro (Jose y Tollenaere, 2005; Liu et al., 2010). La medición del grado de comunalidad entre productos, que representa la fracción de componentes compartidos en relación con el total del portafolio, es un indicador crítico para las decisiones de arquitectura de producto, con diversos índices cuantitativos propuestos para capturar sus múltiples dimensiones (Thevenot y Simpson, 2006). Las decisiones de arquitectura de producto, especialmente la elección entre módulos independientes y componentes compartidos, determinan gran parte de los costos de desarrollo, producción y servicio a lo largo del ciclo de vida (Ulrich y Eppinger, 2020). La reutilización de componentes en proyectos mecánicos no es solo una conveniencia de ingeniería, sino una decisión de sistema con impacto directo sobre la confiabilidad, la intercambiabilidad y el costo de mantenimiento (Budynas y Nisbett, 2019; Norton, 2020).

A pesar de la relevancia del tema, la identificación de oportunidades de estandarización todavía se realiza con frecuencia de forma empírica, apoyada en la experiencia de ingenieros y en revisiones periódicas de catálogo. Este proceso está limitado por la escala de los portafolios industriales reales, que contienen decenas de miles de componentes distribuidos en cientos de productos y estructuras de montaje, lo que hace inviable el análisis manual sistemático. Aunque existen datos corporativos que registran cada vínculo estructural entre componentes y productos en estos entornos, rara vez se exploran como base para decisiones cuantitativas de gestión de portafolio.

La aplicación de técnicas de ciencia de datos a este problema permite transformar registros operacionales de ingeniería en conocimiento estructurado y accionable. Los métodos de agrupamiento, como el K-means, identifican componentes con perfiles de utilización similares. El Análisis de Componentes Principales (PCA) reduce la dimensionalidad del problema sin pérdida de información relevante. El modelado de redes complejas, a su vez, captura propiedades estructurales del portafolio que los análisis tabulares convencionales no alcanzan (Newman, 2010; Barabási, 2016). En particular, la representación bipartita de las relaciones componente-producto como una red ponderada permite calcular métricas de centralidad, como grado, fuerza, Betweenness, Eigenvector y PageRank, que cuantifican el papel sistémico de cada componente en la arquitectura del portafolio (Newman, 2010; Barabási, 2016).

Enfoques recientes han consolidado el uso de grafos y métricas de la teoría de redes como instrumentos de apoyo al diseño modular y a la gestión de interdependencias en sistemas de ingeniería complejos, demostrando que propiedades estructurales de la red, como la distribución de grado, permiten identificar componentes de alto impacto antes de cualquier intervención en el portafolio (Sosa et al., 2007). Componentes con alta centralidad de intermediación, por ejemplo, funcionan como puentes entre diferentes segmentos del portafolio y demandan un tratamiento diferenciado en iniciativas de racionalización. La combinación de estos enfoques produce una segmentación del portafolio más rica que cualquier técnica aislada: el agrupamiento proporciona grupos interpretables para la priorización, el análisis de red revela la criticidad sistémica de cada componente, y la integración de ambos, por medio de un índice de criticidad estructural, permite ordenar el portafolio por riesgo y por oportunidad simultáneamente, diferenciándose de enfoques que utilizan solo atributos funcionales y geométricos (Jiao et al., 2007).

Ante lo expuesto, este trabajo se justifica por la necesidad de un enfoque cuantitativo y reproducible para la gestión de la diversidad de componentes en carteras industriales, superando las limitaciones de los métodos empíricos tradicionales. El objetivo de este trabajo fue aplicar un pipeline integrado de ciencia de datos, combinando análisis exploratorio, agrupamiento y modelado de redes, para caracterizar los patrones de uso de componentes en una cartera industrial real e identificar, de forma cuantitativa y reproducible, oportunidades de estandarización y racionalización.

2. Material y Métodos

El presente estudio se caracterizó como una investigación de levantamiento de datos secundarios, de naturaleza cuantitativa. El enfoque metodológico incluyó análisis estadístico descriptivo, técnicas de agrupamiento (clustering) y modelado de red, conforme a las directrices de Gil (2019) y Prodanov y Freitas (2013). El objetivo fue aplicar un pipeline integrado de ciencia de datos para caracterizar patrones de utilización de componentes e identificar oportunidades de estandarización y racionalización en una cartera industrial real.

La investigación se llevó a cabo en una empresa ensambladora de vehículos comerciales, utilizando tres bases de datos corporativas extraídas del sistema de gestión de ingeniería de la empresa. Las bases se exportaron en formato tabular y se integraron mediante el identificador único de componente (Partno), garantizando la trazabilidad y la consistencia de los datos. El período de recolección de datos no se informó explícitamente en el TCC original, pero los datos representan un recorte estático del portafolio.

La primera base, denominada base de componentes, contenía el registro general de los ítems del portafolio, incluyendo atributos de etapa de desarrollo y estado de validez. La segunda base, de enlaces, registraba los vínculos estructurales directos entre componentes y productos, utilizando identificadores únicos de enlace (LinkID) y la cantidad ajustada de cada ocurrencia (adjusted_qty). La tercera base, de ensamblajes, describía los vínculos entre componentes y subensamblajes intermedios, siendo utilizada para clasificar el tipo de utilización de los componentes.

A partir del cruce de estas tres bases, se clasificaron 15.847 componentes válidos, restringidos a la etapa de industrialización (Stage = P) y al estado activo (Status = VALID). De estos, 4.580 componentes presentaban vínculos directos con productos, formando la Red A, que constituyó el universo de estudio principal. La base de ensamblajes (Red B) se utilizó solo para fines de clasificación, no siendo sometida a modelado de red.

El tratamiento y análisis de los datos se estructuraron en un pipeline secuencial de siete etapas, implementado en Python 3. Las bibliotecas utilizadas incluyeron pandas y numpy para manipulación de datos, scikit-learn para estandarización, Análisis de Componentes Principales (PCA) y K-means, networkx para construcción y análisis de la red, y python-louvain para detección de comunidades. Los resultados se exportaron en formato CSV para visualización en Power BI Desktop.

En la etapa de preparación de los datos, las tres bases fueron cargadas, filtradas e integradas. La base de enlaces, que inicialmente contenía 692.465 registros brutos, fue procesada con eliminación de registros nulos y deduplicación por par (Partno, Product_ID), resultando en 18.818 relaciones únicas de componente-producto. Cada línea representó un LinkID único, indicando la recurrencia estructural de un componente en un ensamblaje específico.

Para cada componente, se calcularon tres variables de caracterización: num_products, que expresa el número de productos distintos en los que se utiliza el componente; num_links, que contabiliza el total de LinkIDs asociados al componente en todos los productos; y total_qty, que corresponde a la suma de los valores de adjusted_qty, representando el volumen físico total consumido en el portafolio.

Antes de la aplicación de las técnicas de agrupamiento, se realizó la detección y el aislamiento de componentes con valores extremos, denominados “outliers”. El criterio adoptado fue el método del rango intercuartílico (IQR), definido como la diferencia entre el tercer (Q3) y el primer (Q1) cuartil de la distribución de la variable. Un factor conservador k = 3.0 se aplicó de forma independiente sobre cada una de las tres variables de caracterización.

Un componente fue clasificado como “outlier” cuando superó el límite superior, calculado como Q3 + k × IQR. Este procedimiento identificó 538 componentes que fueron aislados de la base analítica y caracterizados por separado, para evitar distorsiones en los centroides del K-means. La base limpia, utilizada en los análisis subsecuentes, quedó compuesta por 4.042 componentes.

El análisis exploratorio comprendió la elaboración de estadísticas descriptivas de las variables de caracterización, incluyendo la distribución por rangos de reutilización y el cálculo de correlaciones de Pearson. Para la reducción de dimensionalidad, se aplicó el Análisis de Componentes Principales (PCA) sobre las variables num_products y num_links de la base limpia, tras la estandarización por el método z-score. La variable total_qty fue excluida debido a su alta redundancia con num_links.

El agrupamiento se realizó mediante el algoritmo K-means sobre la proyección bidimensional del PCA. La determinación del número de grupos (K) se basó en el método del codo (inercia intracluster) y el coeficiente de silueta. Se adoptó K = 3, justificado por criterios de ingeniería para distinguir componentes de uso único, intermedio y de alta reutilización, con un coeficiente de silueta de 0,588.

Como método de validación, se aplicó el algoritmo DBSCAN sobre el mismo espacio PCA, con parámetros eps = 0,5 y min_samples = 5. Esta validación confirmó la ausencia de una estructura multimodal clara en los datos, corroborando la elección del K-means como método de agrupamiento principal. Los centroides de los grupos se ordenaron por el valor mediano de num_products para garantizar la consistencia entre las ejecuciones.

La relación entre componentes y productos se modeló como una red bipartita ponderada. Los nodos de tipo C representaron componentes y los nodos de tipo P representaron productos. A cada arista C-P se le asignó como peso el número de LinkIDs del par correspondiente, reflejando la intensidad de la relación estructural. La red resultante incluyó 4.580 nodos de componentes, 41 nodos de productos, 18.818 aristas únicas y 692.455 enlaces ponderados totales.

Se calcularon cinco métricas de centralidad para cada componente de la red, capturando distintas dimensiones de importancia estructural: “Degree” (grado), “Strength” (fuerza), “Betweenness” (centralidad de intermediación), “Eigenvector” y “PageRank”. El cálculo de la centralidad de intermediación se realizó por aproximación, con 500 nodos muestreados. Todas las métricas se normalizaron mediante el método Min-Max en el intervalo [0, 1] para permitir la comparación y composición.

Para sintetizar las métricas de centralidad en un único indicador de criticidad estructural, se definió el Network Criticality Index (NCI) como la media aritmética de las métricas normalizadas (Degree_norm, Strength_norm, Betweenness_norm, Eigenvector_norm, PageRank_norm). La detección de módulos estructurales se realizó mediante el algoritmo de Louvain (Blondel et al., 2008), aplicado directamente sobre la red bipartita para la maximización de modularidad.

Para verificar la robustez de la detección de módulos, el algoritmo Leiden (Traag et al., 2019) también se aplicó a la Red A. La concordancia sustancial entre los resultados de ambos algoritmos, sin identificación de comunidades desconectadas en la partición Louvain, confirmó que la elección metodológica no afectó la identificación de los módulos estructurales.

En conformidad con las orientaciones éticas institucionales, se preservó el nombre de la empresa y los datos sensibles, garantizando el sigilo de las informaciones utilizadas en el estudio. Adicionalmente, se obtuvo la autorización del responsable de la empresa, por medio de un Término de Anuencia, para el uso de las informaciones y datos.

3. Resultados y Discusión

El análisis inicial del portafolio reveló un universo de 15.847 componentes válidos, de los cuales 6.658, correspondientes al 42,0% del total, no presentaban ningún registro de utilización. Este contingente de ítems sin uso representa una oportunidad inmediata y directa de simplificación del portafolio, ya que la ausencia de vínculos es, por sí sola, un criterio robusto para revisión y potencial eliminación, independientemente de análisis más complejos. La gestión de tales componentes inactivos genera costos innecesarios de mantenimiento de catálogo y potencial de stock, impactando la eficiencia operacional de la empresa.

De los componentes con uso registrado, 4.580 ítems, que representan el 28,9% del total válido, estaban directamente vinculados a productos finales, constituyendo la Red A, foco principal de este estudio. La base de datos de enlaces, inicialmente con 692.465 registros brutos, fue tratada mediante deduplicación de pares componente-producto, resultando en 18.818 relaciones únicas. Esta diferencia significativa entre el número de registros brutos y las relaciones únicas evidencia la alta recurrencia estructural del portafolio, donde cada par componente-producto aparece, en promedio, 36,8 veces en la estructura de montaje. El registro más intensivo alcanzó 42.774 ocurrencias para un único par, indicando que ciertos componentes están profundamente integrados en la arquitectura de múltiples productos.

Estadística descriptiva y distribución de reutilización

La estadística descriptiva de las variables de caracterización, calculada sobre la base completa y la base limpia (después de la eliminación de los componentes ultraestructurales), demostró el impacto de los “outliers” en las estimativas de tendencia central. En la base completa, la media de num_links era de 151,2, mientras que en la base limpia, después del aislamiento de 538 componentes, esta media cayó a 18,3. Esta variación subraya la importancia de la detección y el tratamiento de valores extremos para garantizar la precisión de los análisis subsecuentes, especialmente en lo que respecta a la identificación de patrones de uso y reutilización.

La distribución de la variable num_products en la base limpia (n = 4.042) reveló una estructura de cola larga pronunciada, característica de redes con distribución de grado heterogénea, como se describe en Barabási (2016). Se observó que el 44,6% de los componentes se utilizan en un solo producto, y el 63,2% en un máximo de dos productos. Solo el 4,6% de los componentes están presentes en diez o más productos. Este patrón indica que la mayor parte de la cartera está compuesta por artículos de aplicación puntual, con bajo potencial de reutilización transversal, lo que dirige las estrategias de estandarización a segmentos específicos.

Componentes ultraestructurales

Los 538 componentes clasificados como ultraestructurales, representando el 11,7% de la Red A, fueron aislados debido a su alta criticidad y potencial de distorsión en los análisis de agrupamiento. Estos ítems concentran una porción desproporcional de la conectividad de la red. Por ejemplo, el componente con mayor criticidad (Partno 980464) estuvo presente en 35 de los 41 productos analizados, respondiendo por el 13,9% de todos los enlaces de la base. Este patrón de concentración, donde pocos componentes sustentan la mayor parte de las conexiones, es un rasgo distintivo de redes con distribución de grado heterogénea, como señalado por Barabási (2016).

La identificación y el aislamiento de estos componentes ultraestructurales son cruciales para la gestión de la cartera. Desde el punto de vista de la ingeniería, estos elementos no son candidatos a la racionalización sin una evaluación técnica individualizada y profunda, ya que su eliminación o sustitución podría impactar significativamente la estructura de una fracción expresiva de la cartera. La gestión diferenciada de estos componentes es, por lo tanto, una condición necesaria para cualquier iniciativa de estandarización eficaz, permitiendo que las acciones se dirijan de forma estratégica y minimizando los riesgos sistémicos.

Análisis de Componentes Principales

El Análisis de Componentes Principales (PCA) se aplicó sobre las variables num_products y num_links de la base limpia (4.042 componentes), tras la estandarización z-score. La variable total_qty se excluyó del análisis por presentar una alta correlación con num_links (r = 0,738, p 0,17, demandan análisis técnico individualizado debido al riesgo sistémico de cualquier alteración.

En conjunto, los componentes sin uso registrado y los de uso restringido suman 9.649 ítems, representando el 60,9% del portafolio válido total. Este contingente constituye la principal oportunidad de simplificación del portafolio, con potencial de reducción expresiva en los costos de gestión, inventarios y procesos de calificación de proveedores. Los 723 componentes de uso intermedio representan la oportunidad de estandarización más inmediata, pues ya poseen reutilización moderada comprobada, indicando una demanda real que justifica la inversión en consolidación. Los componentes de plataforma (Grupo 2) no son candidatos a la eliminación, sino a la consolidación y protección, siendo la creación de familias de componentes estandarizados a partir de este grupo la palanca más eficiente para reducir la entrada de nuevos componentes en el portafolio a lo largo del tiempo.

Limitaciones

El estudio presenta algunas limitaciones que deben considerarse en la interpretación de los resultados. El análisis se limitó a la Red A, que comprende los vínculos directos entre componentes y productos, excluyendo la Red B, que modela las relaciones a través de subconjuntos intermedios. La inclusión de la Red B podría alterar la clasificación de componentes que participan intensamente en ensamblajes, pero aparecen poco en los vínculos directos al producto final. Adicionalmente, los análisis se realizaron sobre un recorte temporal estático de los datos, sin considerar la evolución histórica del portafolio, lo que significa que no se capturaron variaciones estacionales, proyectos en desarrollo y componentes en fase de descontinuación.

La elección de K = 3 en el agrupamiento, aunque justificada por un criterio de ingeniería para una mayor granularidad interpretativa, implica cierta arbitrariedad en la frontera entre los grupos. Los componentes cercanos a estas fronteras deben tratarse con cautela y evaluarse individualmente antes de cualquier decisión de racionalización. Además, el Índice de Criticidad de Red (NCI), aunque útil como índice de priorización, no sustituye el análisis de viabilidad técnica y económica de las acciones de estandarización; indica dónde dirigir la atención, pero no qué decidir específicamente.

Una limitación adicional reside en el uso del volumen físico de consumo en el modelo. Cada LinkID posee un atributo adjusted_qty, que indica la cantidad de ese componente en una posición de montaje específica. Sin embargo, este valor granular no se utilizó directamente como peso de las aristas en la red bipartita; los pesos se definieron por el número de LinkIDs del par componente-producto (num_links), tratando cada enlace con peso unitario. La variable total_qty, que agrega los valores de adjusted_qty por componente, se consideró en el análisis exploratorio, pero se excluyó antes del PCA por alta correlación con num_links (r = 0,738, p < 0,001). Como consecuencia, dos componentes con el mismo num_links reciben el mismo NCI, incluso si uno consume 1 pieza por enlace y el otro 500, una diferencia que puede ser determinante para el costo de inventario, logística y calificación de proveedor asociados a cada artículo. El modelo actual captura dónde se usa el componente en la estructura, pero no cuánto se consume en cada posición.

Contribuciones y trabajos futuros

La principal contribución de este trabajo es metodológica, demostrando que la combinación de agrupamiento (clustering) sobre el espacio PCA con el modelado de red bipartita ponderada produce una segmentación de la cartera más rica que cualquiera de los dos enfoques aislados. El uso de variables derivadas de la estructura de la red, como num_links, como entrada para el PCA, permitió capturar la recurrencia estructural como una dimensión independiente de la transversalidad, lo que supone un avance respecto a enfoques que utilizan solo atributos puramente contables.

Como desarrollos naturales de este trabajo, se identifica la extensión del análisis a la Red B (subensamblajes), permitiendo la clasificación de componentes por nivel jerárquico en la estructura del producto. La incorporación de datos económicos, como costo unitario, costo de calificación de proveedor y volumen de compra, es esencial para transformar la priorización estructural en un análisis de impacto financiero. La aplicación longitudinal del pipeline para monitorear la evolución de los indicadores de diversidad a lo largo del tiempo también es un camino prometedor, creando una base de referencia para evaluar el efecto real de las iniciativas de estandarización implementadas.

En resumen, el pipeline integrado de ciencia de datos demostró ser una herramienta eficaz para caracterizar cuantitativamente los patrones de uso de componentes en una cartera industrial real, identificando oportunidades claras de estandarización y racionalización. La segmentación de la cartera en perfiles distintos, la jerarquía de criticidad estructural revelada por el NCI y la detección de módulos estructurales ofrecen una hoja de ruta procesable para la gestión de la diversidad, permitiendo decisiones de ingeniería y gestión de proveedores más informadas y estratégicas, y respondiendo directamente al objetivo de optimizar la gestión de la cartera.

4. Conclusión

El estudio buscó aplicar un pipeline integrado de ciencia de datos para caracterizar los patrones de uso de componentes en una cartera industrial real e identificar oportunidades de estandarización y racionalización. Se encontró que 6.658 componentes no registraban uso, lo que representa una oportunidad inmediata de simplificación. Adicionalmente, el análisis de los 4.580 componentes activos reveló la existencia de 538 elementos ultraestructurales, cuya criticidad sistémica demanda una evaluación individualizada. El agrupamiento por K-means, aplicado sobre el espacio de componentes principales, segmentó el resto de la cartera en tres perfiles distintos: 2.991 componentes de uso restringido, candidatos a la racionalización; 723 de uso intermedio, que constituyen la principal oportunidad de estandarización inmediata; y 328 de alta reutilización, designados como componentes de plataforma para consolidación en nuevos proyectos. El modelado de red bipartita y el Network Criticality Index (NCI) confirmaron una jerarquía de criticidad, y la detección de siete módulos estructurales indicó la viabilidad de iniciativas de estandarización con alcance controlado. La principal contribución metodológica reside en la demostración de que la combinación de agrupamiento con modelado de red, utilizando variables de recurrencia estructural como entrada para el PCA, ofrece una segmentación más rica y accionable de la cartera, superando las limitaciones de enfoques basados solo en atributos contables o funcionales.

Sin embargo, el estudio presentó limitaciones, como la restricción del análisis a la Red A, que modela solo vínculos directos entre componentes y productos, y la naturaleza estática de los datos, que no capturó la evolución temporal del portafolio. La elección de K = 3 en la agrupación, aunque justificada por criterios de ingeniería, introdujo cierta arbitrariedad en las fronteras de los grupos, y el NCI, aunque es un valioso índice de priorización, no sustituye el análisis de viabilidad técnica y económica. Una limitación adicional fue la no utilización del volumen físico de consumo (adjusted_qty) como peso de las aristas en la red, lo que puede impactar la priorización de componentes con el mismo número de enlaces, pero volúmenes de consumo distintos. Para trabajos futuros, se sugiere la extensión del análisis a la Red B (subconjuntos), la incorporación de datos económicos para un análisis de impacto financiero más completo, la aplicación longitudinal del pipeline para monitoreo continuo de la diversidad y la inclusión del volumen físico de consumo como peso en las aristas de la red. En resumen, el pipeline integrado de ciencia de datos demostró ser una herramienta robusta para la gestión estratégica de la diversidad de componentes, proporcionando una hoja de ruta cuantitativa para optimizar el portafolio industrial.

Referencias Bibliográficas

Barabási, A.L. 2016. Network Science. Cambridge University Press, Cambridge, UK. Disponível em: <http://networksciencebook.com>. Acesso em: 10 mar. 2026.

Blondel, V. D.; Guillaume, J. L.; Lambiotte, R.; Lefebvre, E. 2008. Fast unfolding of communities in large networks. Journal of Statistical Mechanics: Theory and Experiment 2008(10): P10008.

Braha, D.; Bar-Yam, Y. 2007. The statistical mechanics of complex product development: empirical and analytical results. Management Science 53: 1127-1145.

Budynas, R. G.; Nisbett, J. K. 2019. Shigley’s Mechanical Engineering Design. 11ed. McGraw-Hill, New York, NY, USA.

Fisher, M. L.; Ittner, C. D. 1999. The impact of product variety on automobile assembly operations: empirical evidence and simulation analysis. Management Science 45: 771–786.

Gil, A. C. 2019. Métodos e Técnicas de Pesquisa Social. 7ed. Atlas, São Paulo, SP, Brasil.

Jiao, J.; Simpson, T. W.; Siddique, Z. 2007. Product family design and platform-based product development: a state-of-the-art review. Journal of Intelligent Manufacturing 18(1): 5-29.

Jose, A.; Tollenaere, M. 2005. Modular and platform methods for product family design. Journal of Intelligent Manufacturing 16: 371-390.

Liu, Z.; Wong, Y. S.; Lee, K. S. 2010. Modularity analysis and commonality design: a framework for the top-down platform and product family design. International Journal of Production Research 48: 3657-3680.

Newman, M. E. J. 2010. Networks: An Introduction. Oxford University Press, Oxford, UK.

Norton, R. L. 2020. Machine Design: An Integrated Approach. 6ed. Pearson, New York, NY, USA.

Prodanov, C. C.; Freitas, E. C. 2013. Metodologia do Trabalho Científico: métodos e técnicas da pesquisa e do trabalho acadêmico. Feevale, Novo Hamburgo, RS, Brasil.

Sosa, M. E.; Eppinger, S. D.; Rowles, C. M. 2007. A network approach to define modularity of components in complex products. Journal of Mechanical Design 129: 1118-1129.

Thevenot, H. J.; Simpson, T. W. 2006. Commonality indices for product family design: a detailed comparison. Journal of Engineering Design 17: 99–119.

Traag, V. A.; Waltman, L.; Van Eck, N. J. 2019. From Louvain to Leiden: guaranteeing well-connected communities. Scientific Reports 9: 5233.

Ulrich, K. T.; Eppinger, S. D.; Yang, M. C. 2020. Product Design and Development. 7ed. McGraw-Hill, New York, NY, USA.

Artículo originado del Trabajo de Conclusión de Curso de la Especialización en Data Science y Analytics del MBA USP/Esalq

Para saber más sobre el curso, haga clic aquí y acceda a la plataforma MBX Academy