Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Informe final
Simulacin en Arena
. Nicols Prez R. Juan Andrs Prado M. Javier Riquelme Juan Pablo Vera S. Mara Jos Grate P.
23/07/2013
INDICE
INDICE............................................................................................................................................ 2 INDICE............................................................................................................................................ 2 Introduccin .................................................................................................................................. 4 Descripcin del servicio ................................................................................................................. 5 Diagrama de flujos ........................................................................................................................ 6 Criterio de depuracin de datos ................................................................................................... 7 Anlisis Estadstico ........................................................................................................................ 9 Anlisis semanal ........................................................................................................................ 9 Anlisis por da de la semana .................................................................................................. 12 Preparacin de los datos para la simulacin............................................................................... 13 Anlisis mensual de tiempo medio de llegada y su tendencia ............................................... 13 Anlisis entre el 3 y 20 de Mayo ............................................................................................. 14 Anlisis entre el 24 y 31 de Mayo ........................................................................................... 15 Anlisis de distribuciones ........................................................................................................ 16 Anlisis de tiempo de atencin ............................................................................................... 16 Anlisis de tiempo de atencin entre el 3 y 20 de Mayo ........................................................ 17 Anlisis de la desercin ........................................................................................................... 18 Modelamiento en Arena ............................................................................................................. 19 Anlisis..................................................................................................................................... 19 Validacin de datos entre el 3 al 20 de mayo .................................................................... 20 Validacin de datos entre el 24 y el 31 de mayo ............................................................... 22 Lunes y mircoles ................................................................................................................ 22 Martes y jueves ................................................................................................................... 22 Viernes................................................................................................................................. 22 Bsqueda de la solucin.......................................................................................................... 23 Anlisis Lunes y martes ....................................................................................................... 23 Anlisis Mircoles-Jueves .................................................................................................... 23 Anlisis de Viernes............................................................................................................... 23 Lunes y Mircoles del 24 al 31 de Mayo ............................................................................. 24
Anlisis martes y jueves del 24 al 31 de mayo .................................................................... 24 Anlisis Viernes 28............................................................................................................... 25 Conclusin ................................................................................................................................... 26 Bibliografa .................................................................................................................................. 27
Introduccin
La teora de colas se puede describir como clientes que llegan buscando un servicio, esperan si es que hay otros siendo atendidos, luego son atendidos y se marchan del sistema. En la actualidad, es de gran importancia que cada empresa cuente con un sistema de colas personalizado, ya que el diseo de ste ayuda a encontrar el balance adecuado entre costos y buen servicio. Dado que si se ofrece un servicio inmediato es muy costoso para la empresa, pero no se puede arriesgar a perder clientela por un alto tiempo de espera. En esta ocasin es una de las oficinas de una empresa distribuidora de servicios elctricos la que ser analizada para determinar si su sistema actual est dando los resultados ptimos que toda empresa desea. Y si no fuese el caso, dar solucin al sistema especificando el nmero de ventanillas en funcionamiento segn horario de atencin.
Diagrama de flujos
El diagrama representa paso por paso el servicio que entrega cada ventanilla.
Segn OIT (Organizacin internacional del trabajo) explicamos el sistema con los smbolos correspondientes.
La cantidad de ventanillas expresadas en el diagrama no necesariamente deben ser tres, hay varas ventanillas con el fin de dar a entender que puede funcionar ms de una.
3. Se elimin tambin los datos de los das 3 de mayo al 20 de mayo, cuando se inicia el servicio despus de las 14:00 hrs, adems el tiempo de atencin fue extenso, y considerando la hora de cierre supuesta para esos das, se eliminaron los datos que coinciden con esa misma hora. En la siguiente tabla aparecen los horarios de cierre que se pueden suponer con los datos para los siguientes das.
Fecha 03 Mayo 04 Mayo 05 Mayo 06 Mayo 07 Mayo 08 Mayo 09 Mayo 10 Mayo 11 Mayo
16:40:59 No registra
Fecha 12 Mayo 13 Mayo 14 Mayo 15 Mayo 16 Mayo 17 Mayo 18 Mayo 19 Mayo 20 Mayo
4.
Se realiz una simulacin del tiempo mnimo, representada por nosotros mismos, con esto se busc reflejar el tiempo que podra ocupar un cliente para la serie cupn de pago, que bajo nuestro criterio es el servicio que requiere menos tiempo para ser satisfecho. El resultado de la simulacin fue de 45 segundos como mnimo para atender un cupn de pago. Esta simulacin refleja el tiempo estndar que podra tardar una persona en este servicio en particular, lo que no imposibilita que dadas distintas circunstancias un cliente pueda demorarse ms que el tiempo estipulado.
5.
Desde el 24 de mayo al 31 de mayo no se aplic el mismo criterio que en el punto 3, ya que en esa ltima semana del mes se recibi gente tambin en la tarde, dado que muchos nmeros de atencin fueron emitidos despus de las 14:00 hrs. Por ser la
ltima semana del mes, y ya que es usual que aumente la llegada de clientes, se decide extender el horario de atencin. 6. Se eliminaron los datos de la serie servicio al cliente, la cual se asocian a una larga espera (ms de una hora), con un tiempo de atencin de menos de un minuto. Ya que consideramos que son datos errneos, debido a personas que abandonaron o a ejecutivos que no siguen el protocolo establecido por la empresa.
Anlisis Estadstico
Se realiz un anlisis estadstico diario, semanal y mensual. En la siguiente tabla se entrega el significado de las abreviaciones de las tablas de anlisis.
Abreviacin
TimeWP Desv W Max W Max A Llegadas P Max Llegadas
Significado
Tiempo espera promedio. Desviacin del tiempo de espera. Mximo tiempo de espera. Mximo tiempo de atencin. Llegadas llegada promedio Mxima cant. llegadas
Abreviacin
TimeAP Desv. A Min W Min A Desv. Llegadas Min Llegadas
Significado
Tiempo atencin promedio Desviacin del tiempo de atencin. Mnimo tiempo de espera. Mnimo tiempo de atencin. Desviacin llegada Mnima cant. Llegadas
Anlisis semanal
Primera semana: Del 03 al 07 de Mayo. Tabla 2.1 Mediciones TimeWP TimeAP Desv W (s) Desv A (s) Max W Min W Max A Min A
Lunes 03
137 2:13:17 0:12:14 0:57:53 0:11:40 3:32:15 0:06:21 1:22:32 0:00:34
Martes 04 Mircoles 05
131 2:33:15 0:12:26 1:12:52 0:09:48 4:02:06 0:04:42 0:50:43 0:00:46 156 2:20:16 0:11:07 1:01:29 0:09:04 3:41:46 0:04:00 0:50:28 0:00:47
Jueves 06 Viernes 07
143 1:59:30 0:11:26 0:53:43 0:09:30 3:06:39 0:04:48 0:40:56 0:00:42 123 1:29:42 0:11:46 0:25:03 0:10:31 1:58:20 0:08:47 1:07:38 0:00:49
Se calculan los promedios y desviaciones ponderadas de cada da. Y se realiza un balance semanal. Anlisis 1 semana 03 al 07 de mayo Mediciones TimeWP TimeAP Desv. W Desv. A Llegadas P Desv. Llegadas Max Llegadas Min Llegadas 690 2:08:02 0:11:46 0:54:50 0:10:04 138
12,489996
156 123
Segunda semana: Del 10 al 14 de Mayo. Tabla 2.2 Mediciones TimeWP TimeAP Desv W (s) Desv A (s) Max W Min W Max A
Lunes 10
88 1:16:38 0:15:04 0:34:42 0:14:50 2:06:03 0:04:31 1:26:21
Martes 11 Mircoles 12
116 1:11:59 0:12:55 0:33:50 0:12:14 2:07:15 0:05:54 1:43:57 101 1:21:48 0:14:55 0:38:36 0:15:07 2:18:35 0:05:25 1:34:01
Jueves 13 Viernes 14
102 1:19:55 0:14:54 0:36:17 0:14:41 2:29:10 0:06:20 1:45:54 99 0:46:35 0:13:03 0:21:27 0:11:23 1:23:32 0:06:30 1:02:12
Se calculan los promedios y desviaciones ponderadas de cada da. Y se hace un balance semanal: Anlisis 2 semana 10 al 14 de mayo Mediciones TimeWP TimeAP Desv. W (s) Desv. A (s) Llegadas P Desv. Llegadas Max Llegadas Min Llegadas 506 1:11:23 0:14:07 0:33:01 0:13:35 101.2
9,984988733
116 88
Tercera semana: del 17 al 20 de Mayo. Tabla 2.3 Mediciones TimeWP TimeAP Desv W (s) Desv A (s) Max W Min W
Lunes 17
120 1:42:54 0:13:28 0:48:14 0:10:48 2:49:54 0:03:46
Martes 18 Mircoles 19
127 1:28:56 0:14:58 0:37:44 0:12:06 2:17:54 0:03:38 108 1:26:09 0:17:03 0:39:36 0:14:15 2:29:42 0:06:16
Jueves 20
128 1:12:45 0:14:23 0:28:31 0:10:39 1:47:04 0:05:04
10
Se calculan los promedios y desviaciones ponderadas de cada da. Y se hace un balance semanal: Anlisis 3 semana Mediciones TimeWP TimeAP Desv. W (s) Desv. A (s) Llegadas P Desv. Llegadas Max Llegadas Min Llegadas 17 al 20 de Mayo 483 1:27:30 0:14:54 0:38:19 0:11:53 120.75 9,215023965 128 108
Cuarta semana: del 24 al 28 de Mayo. Tabla 2.4 Mediciones TimeWP TimeAP Desv W (s) Desv A (s) Max W Min W Max A Min A
Lunes 24
524 0:42:40 0:06:55 0:24:12 0:07:03 1:41:50 0:00:10 0:48:47 0:00:36
Martes 25 Mircoles 26
526 0:53:06 0:06:20 0:41:54 0:07:55 2:27:10 0:00:05 1:24:33 0:00:29 432 0:31:57 0:08:18 0:29:31 0:11:57 2:03:38 0:00:04 1:35:57 0:00:34
Jueves 27 Viernes 28
419 0:17:33 0:08:09 0:10:13 0:09:39 0:38:53 0:00:05 1:06:22 0:00:29 384 0:28:06 0:09:10 0:24:29 0:11:23 1:20:33 0:00:03 1:27:04 0:00:32
Se calculan los promedios y desviaciones ponderadas de cada da. Y se hace un balance semanal: Anlisis 4 semana 24 al 28 de Mayo Mediciones 2285 TimeWP 0:35:57 TimeAP 0:07:46 Desv. W (s) 0:26:44 Desv. A (s) 0:09:22 Llegadas P 457 Desv. Llegadas 64,51356447 Max Llegadas 526 Min Llegadas 384 Observacin: Con respecto a la 4 semana podemos decir que la cantidad de personas que llegan por da es mucho mayor a la cantidad que llega el resto del mes.
11
Quinta semana: 31 de Mayo. Lunes 31 Mediciones TimeWP TimeAP Desv. W (s) Desv. A (s) Max W Min W Max A Min A
Das en el Mes Mediciones TimeWP TimeAP Desv. W (s) Desv. A (s) Llegadas P Desv. Llegadas Max Llegadas Min Llegadas
12
Como podemos observar en el grfico la tendencia es negativa, lo que quiere decir que entre ms avanza el mes, se demoran menos en llegar los clientes al local. Lo que concuerda con el anlisis previamente realizado, de que la demanda del servicio prcticamente se duplicaba en la ltima semana. Para efectos de un anlisis ms completo, dividiremos el mes en 2 periodos. Entre el 3 y el 20 de Mayo. Entre el 24 y 31 de Mayo.
13
Al analizar la tendencia de la primera parte del mes, ahora es positiva, lo que quiere decir es que conforme avanza el mes, los clientes se tardan ms en llegar al local. Este anlisis se desfragmentar por los das de la semana, para ver si hay mucha variacin entre un da y otro. Se har una regresin lineal y se compararn los valores obtenidos con los dems das, para as saber si existe diferencia alguna. Los resultados a lo anterior se especifican en el anexo, siendo ellos similares al anlisis del periodo completo (03-20 de Mayo). Tambin se puede ver que el error cuadrado al dividir en segmentos ha bajado considerablemente. Lo que hace que se tenga una mejor estimacin y orden de los datos.
14
Al analizar la tendencia de este periodo, podemos ver que es bastante pequea en relacin al otro periodo, por lo que creemos que no hay mayor diferencia entre un da y otro. Los valores de tiempo que resultarn de la ecuacin sern menores en comparacin al primer periodo.
Tabla resumen
En esta tabla estn los das analizados y sus respectivas distribuciones de tiempo medio de llegada.
Tabla 1.1
Lunes Martes Mircoles Jueves Viernes Lunes 24-31 Martes 25 Mircoles 26 Jueves 27 Viernes 28
Expresin original
WEIB(1,85;0.623) WEIB(1.87,0.656) WEIB(1,4;0,648) WEIB(1.53,0.646) WEIB(2.22,0.752) LOGN(1.05, 2.08) LOGN(0.957, 1.72) LOGN(1.19, 2.1) LOGN(1,1.732) WEIB(1.18, 0.905)
Expresin a 5 aos.
-0.001 + WEIB(1.43, 0.616). -0.001 + WEIB(1.45, 0.649) WEIB(1.1,0.648) WEIB(1.21, 0.646) WEIB(1.86, 0.725) LOGN(0.823, 1.64) LOGN(0.754, 1.35) LOGN(0.937,1.654) LOGN(1.27,2.2) WEIB(0.927, 0.905)
15
Anlisis de distribuciones
Ya calculadas las distribuciones podemos ver o agrupar das en una distribucin comn. Observando las distribuciones podemos encontrar que algunas son muy similares a otras, con una diferencia pequea entre ellas.
Tabla 1.2 Lunes y martes Mircoles Y jueves Viernes Lunes 24-31 Martes 25 y Jueves 27 Viernes 28
Expresin original WEIB(1,86;0.640) WEIB(1,47;0,647) WEIB(2.22,0.752) LOGN(1.12, 2.09) LOGN(0.978, 1.725) WEIB(1.18, 0.905)
Expresin a 5 aos. -0.001 + WEIB(1.43, 0.616). WEIB(1.16,0.647) WEIB(1.86, 0.725) LOGN(0.88, 1.65) LOGN(0.754, 1.35) WEIB(0.927, 0.905)
16
Para un completo anlisis de este periodo se calcularn las distribuciones por da de la semana
Expresin
1 + LOGN(12.7, 14.4) LOGN(13.8, 13.6) LOGN(14.1, 13.8) 1 + LOGN(13.5, 17.3) LOGN(12.4, 11.4) LOGN(7.7, 9.23)
Anlisis de distribucin
Para un anlisis ms corto y preciso, debemos agrupar los datos en periodos para as realizar menos anlisis sin perder la exactitud en nuestra simulacin final. Al observar las distribuciones, stas comparten una distribucin en comn, dado lo anterior se llegar a un valor medio entre los 5 das y se obtendr la nueva distribucin para esos das.
17
Expresin
0.5 + LOGN(13.3,13.34) LOGN(7.7, 9.23)
Anlisis de la desercin
Para analizar la desercin debemos preguntarnos los motivos por los cuales sta se produce. Los cuales pueden ser: 1- El cliente saca el nmero, hace la fila, espera mucho y prefiere irse. 2- El cliente saca nmero, surge algn imprevisto y se tiene que ir. Para efectos del anlisis de desercin vamos a suponer que el motivo principal de la desercin es que el cliente espera mucho, se aburre y se va, es decir, el motivo 1. En los datos originales, la desercin en el primer periodo llega hasta un 71%, y en el segundo periodo un 44%, y debido a que ahora los tiempos de espera sern mucho menores se pudo estimar que las deserciones sern un 5% y 3% respectivamente.
18
Modelamiento en Arena
Para el anlisis y simulacin, se tiene el siguiente diagrama construido en Arena que va a representar nuestro problema y nos ayudar a encontrar la solucin ptima. En el anlisis debemos encontrar la cantidad ptima de ventanillas para que ningn cliente espere ms de 20 minutos y el promedio de espera sea 10 minutos. Para eso debemos colocar ms cajas y ver en que horario van a funcionar. Como la solucin debe servir a 5 aos, debemos modelar con las distribuciones de llegada a 5 aos.
Para comenzar a modelar en el software Arena nos encontramos con 2 escenarios muy diferentes.
Anlisis
Entre el 3 y 20 de Mayo se utilizar la siguiente configuracin para el modelamiento.
19
Lunes y Martes
Se hace una simulacin con las distribuciones actuales solo para comprobar que la gente que entra en el sistema es la misma que actualmente entra. La cantidad de ventanillas es depreciable ya que no buscamos la solucin an slo saber si los datos concuerdan con la cantidad de llegadas. Los resultados de la simulacin en la siguiente imagen:
El promedio de personas que entran es 129, y su rango va entre las 80 y 168 personas promedio por da lo que corresponde con los valores entregados para esos das sealados en las tablas 2.1, 2.2 y 2.3 del anlisis semanal. 20
Mircoles y jueves
Se hace una simulacin con las distribuciones actuales solo para comprobar que la gente que entra en el sistema es la misma que actualmente entra. La cantidad de ventanillas es depreciable ya que no buscamos la solucin an slo saber si los datos concuerdan con la cantidad de llegadas. Los resultados de la simulacin en la siguiente imagen:
El promedio de personas que entran es 157 y su rango va entre las 91 y 197 personas promedio por da lo que corresponde con los valores entregados para esos das sealados en las tablas 2.1, 2.2 y 2.3 del anlisis semanal.
Viernes
Se hace una simulacin con las distribuciones actuales solo para comprobar que la gente que entra en el sistema es la misma que actualmente entra. La cantidad de ventanillas es depreciable ya que no buscamos la solucin an slo saber si los datos concuerdan con la cantidad de llegadas. Los resultados de la simulacin en la siguiente imagen:
El promedio de personas que entran es 120 y su rango va entre las 82 y 145 personas promedio por da lo que corresponde con los valores entregados para esos das sealados en las tablas 2.1, 2.2 y 2.3 del anlisis semanal.
21
Lunes y mircoles
El nmero de personas que llega los das lunes y mircoles concuerda con los datos depurados analizados en las tablas 2.2 y 2.4
Martes y jueves
El nmero de personas que llega los das lunes y mircoles concuerda con los datos depurados analizados en las tablas 2.2 y 2.4
Viernes
El nmero de personas que llega los das lunes y mircoles concuerda con los datos depurados analizados en las tablas 2.2 y 2.4
22
Bsqueda de la solucin
Para encontrar la cantidad de ventanillas para cada uno de nuestro das, debemos utilizar las distribuciones de llegada a 5 aos, ya que la solucin debe tener esa demanda de llegadas, despus la solucin encontrada se comparar con los datos actuales, para darle menos horas a cada ventanilla con el fin de reducir la capacidad ociosa. Los informes con los parmetros se adjuntarn.
Anlisis de los horarios actuales de atencin de las ventanillas La solucin escogida es 2 horas menos en una ventanillas, dos ventanillas con 1 hora menos, ya que cumple con un tiempo promedio de espera bajo y est en el lmite de tiempo mximo de espera. Entonces dos ventanillas cierran a las 13:00 hrs y una cierra a las 12:00 hrs.
Anlisis Mircoles-Jueves
Para este tercer anlisis los resultados son los esperados, con un tiempo mximo de 16.16 minutos de espera en la cola. Esto quiere decir que para los das mircoles y jueves el nmero de ventanillas a utilizar son 14.
Anlisis de los horarios actuales de atencin de las ventanillas Actualmente se mantienen las 14 ventanillas, pero con 3 ventanillas trabajando solo 3 horas diarias.
Anlisis de Viernes
A pesar de que esta cerca de los 20 minutos que se toma como mximo en comparacin a las 10 ventanillas, se debe pensar tambin en el hecho del costo de oportunidad que se ve en este caso, se debe contrastar 3 minutos ms de espera vs el costo de tener una caja ms funcionando. Por tanto para los das viernes de las 3 primeras semanas el nmero ideal de ventanillas para el sistema ser de 10.
23
Anlisis de los horarios actuales de atencin de las ventanillas Con 10 ventanillas el tiempo de espera de los clientes aumenta a 23.46 minutos, este se deja como el resultado ptimo, ya que a pesar que el tiempo en cola sea mayor a los 20 minutos permitidos, el tiempo mximo de espera no lo poseen todos los clientes, sino uno o unos pocos, en cambio, el tiempo medio de espera es de 1.0197 minutos, que es un tiempo muy bajo de espera en la cola. Gracias a esto, pudimos concluir que el resultado ptimo es de 10 ventanillas.
Anlisis de los horarios actuales de atencin de las ventanillas Los resultados arrojan un tiempo en cola de 23.17 minutos, a pesar que es ms que el tiempo ptimo de 20 minutos, este es un resultado positivo, ya que al aumentarle una ventanilla, el tiempo de espera de los clientes disminuye considerablemente, incluso muy por debajo del resultado ptimo. Esto equivale a que los costos para la empresa sean mayores. Es por esto que la empresa en los das martes y jueves de ltima semana del mes de Mayo sern 12 ventanillas.
24
Anlisis Viernes 28
Para esta semana no sucede lo mismo, que suceda las 3 semanas anteriores en la cual se deba tomar la decisin de entre una caja menos o unos minutos ms promedio en el sistema, aqu el hecho de tener una caja ms me dispara de forma descendente los tiempos, disminuye hasta 12.60 minutos lo que es demasiada diferencia a 20 minutos, por lo que se reafirma que deben ser 10 ventanillas.
Anlisis de los horarios actuales de atencin de las ventanillas Deben ser 10 ventanillas, 8 normales y dos a tiempos diferentes, 7 horas y 6 horas funcionando respectivamente.
25
Conclusin
A travs del presente trabajo hemos aprendido a depurar, ordenar, distribuir, utilizar datos estadsticos para ser utilizados en el software de modelacin Arena, con el fin de aprender a simular distintos escenarios de una situacin que involucre procesos, tiempos, recursos, y as obtener una distribucin y una optimizacin de estos mismos. Al aplicar lo aprendido se ha llegado a la siguiente conclusin: Se deben instalar 14 ventanillas para satisfacer la demanda a 5 aos que sera la que produce en los das peack de demanda que son los das martes y jueves. Para el resto del mes se seal un horario de atencin para reducir la capacidad ociosa actual. Finalmente pensamos que la herramienta Arena nos puede servir a futuro y puede marcar la diferencia entre un ingeniero y otro.
26
Bibliografa
o Apuntes de clases
27