En este documento, proponemos y comparamos nuevas metodologías para clasificar la importancia de las variables en procesos productivos a través de una adaptación de Máquinas de Vectores de Soporte de Clase Única. En particular, adaptamos dos metodologías inspiradas en la literatura de aprendizaje automático: una que implica la mezcla aleatoria de valores de una variable y otra que utiliza el valor objetivo de la formulación dual del modelo. Además, motivamos el uso de este tipo de algoritmos en el contexto de producción y comparamos su rendimiento a través de un experimento computacional. Observamos que la metodología basada en la mezcla de valores de una variable supera a la metodología basada en la formulación dual. Observamos que la metodología basada en la mezcla de valores clasifica correctamente las variables en el 94% de los escenarios con una entrada relevante y una entrada irrelevante. Además, clasifica correctamente cada variable en al menos el 65% de las replicaciones de un escenario con tres entradas relevantes y una entrada irrelevante.