Industrial Data

ISSN: 1560-9146
iifi@unmsm.edu.pe
Universidad Nacional Mayor de San Marcos
Per

Raffo Lecca, Eduardo; Rez Guevara, Luis; Quispe Atncar, Carlos

Medicin de la atencin en un call center usando box-jenkins
Industrial Data, vol. 15, nm. 1, enero-junio, 2012, pp. 100-109
Universidad Nacional Mayor de San Marcos
Lima, Per

Disponible en: http://www.redalyc.org/articulo.oa?id=81624969011

Cmo citar el artculo

Nmero completo
Sistema de Informacin Cientfica
Ms informacin del artculo Red de Revistas Cientficas de Amrica Latina, el Caribe, Espaa y Portugal
Pgina de la revista en redalyc.org Proyecto acadmico sin fines de lucro, desarrollado bajo la iniciativa de acceso abierto
Revista de la Facultad de Ingeniera Industrial
15(1): 100-109 (2012) UNMSM
ISSN: 1560-9146 (Impreso) / ISSN: 1810-9993 (Electrnico)
Medicin de la atencin en un call center
usando box-jenkins
Recibido: 16/08/12 Aceptado: 26/09/12
RESUMEN
El artculo revisa los conceptos de prediccin y pre-
senta una nueva metodologa que utiliza la clase
Box-Jenkins para la prediccin de la demanda de
llamadas, que efectan los clientes a los centros de
llamadas ms conocidos como call-center.
El estudio concluye que el empleo de herramientas
de serie de tiempos funciona de manera eficiente,
lo que ha de redundar en la mejora de la eficiencia
y competitividad en los call-center.
Palabras clave: prediccin, series de tiempo,
tcnicas univariantes, modelos autorregresivos,
modelos matemticos, metodologa Box-Jenkins,
ARIMA.
MEASUREMENT OF CARE IN A CALL-
CENTER USING BOX-JENKINS
ABSTRACT
The article reviews the concepts of prediction and
presents a new methodology, which uses the Box-
Jenkins class, for prediction of demand for calls,
which make customers call centers known as call-
center.
The study concludes that the use of time series
tools, works efficiently, which would be in impro-
ving the efficiency and competitiveness in the call
center.
Keywords: forecasting, time series, univariante
techniques, autoregressive models, mathematical
models, Box-Jenkins, ARIMA.
Eduardo Raffo Lecca1
Luis Rez Guevara2
Carlos Quispe Atncar3
1. SITUACIN PROBLEMTICA
Con la llegada a nuestro pas de las estrategias de venta por
telfono, como tiempos compartidos e incluso sistemas de emer-
gencias mdicas; como ocurri en otros pases, hace que tenga-
mos que definir la importancia de la administracin del recurso
humano involucrado en estos nuevos negocios, que surgieron
como miniempresas de escasa o nula inversin tecnolgica, los
teleoperadores.
Los centros de atencin telefnica han experimentado un gran
aumento en las ltimas dcadas, hoy en da estn presentes en
casi cualquier compaa que interacte con un alto nmero de
clientes. La capacidad est determinada principalmente por el
nmero de operadores humanos o telefonistas.
2. ANTECEDENTES DE LA INVESTIGACIN
En la primera mitad de la dcada de 1990 aparecen los primeros
centros de llamadas profesionales, con la presencia de agen-
cias de telemarketing y atencin de llamadas. En la segunda
mitad de la dcada de 1990, el mercado fue depurndose, las
comercializadoras fueron paulatinamente dejando su lugar a las
agencias profesionales por un lado y a los centros de llamadas
internas por el otro.
Algunos factores que han contribuido al auge de los centros de
atencin:
a) Con la llegada de la empresa Telefnica, la tecnologa de te-
lecomunicaciones y de procesamiento de datos, se desarro-
llaron aceleradamente a finales de la dcada del 90.
b) Los costos de las telecomunicaciones a nivel mundial caye-
ron drsticamente por razones tecnolgicas y econmicas,
en el tiempo.
c) La inversin en telecomunicaciones de la dcada de 1990
ubic a nuestro pas en un nivel de avanzada, superando in-
cluso los ratios de pases ms desarrollados.
d) El desempleo hizo que trabajar como teleoperador fuera una
alternativa.
1 Ingeniero Industrial. Profesor del Departamento Acadmico de Ingeniera de Sistemas e
Informtica, UNMSM. E-mail: eraffolecca@yahoo.es.
2 Ingeniero Industrial. Profesor del Departamento Acadmico de Diseo y Tecnologa Industrial,
UNMSM. E-mail: lraezg@unmsm.edu.pe, luisraez2010@hotmail.com.
3 Ingeniero Industrial. Profesor del Departamento Acadmico de Ingeniera de Sistemas e
Informtica, UNMSM. E-mail: cquispea@unmsm.edu.pe, cquispea9@gmail.com.
 Sistemas e Informtica
En la industria de telemarketing se condensa una
nueva forma laboral, el teleoperador, cuyas funcio-
nes responden a una lgica de produccin en serie
dentro del nuevo modelo de sociedad postindustrial
que se ha denominado sociedad de la informacin.
Entre otros datos: la existencia de una fuerza labo-
ral de 2.86 millones de personas en Estados Unidos
(Datamonitor, 2004). En otros pases, Europa cuen-
ta con 750 mil personas operando en esta industria
(Datamonitor, 2004) y en Francia hay 200 mil.
En 1970, los investigadores de la Universidad of
Wisconsin-Madison George E. P. Box y Gwilym M.
Jenkins, desarrollaron una metodologa destinada
a identificar, estimar y diagnosticar modelos din-
micos de series temporales en los que la variable
tiempo juega un papel fundamental. Una parte im-
portante de esta metodologa est pensada para
liberar al investigador en econometra de la tarea
de especificacin de los modelos, dejando que los
propios datos temporales de la variable a estudiar
indiquen las caractersticas de la estructura proba-
bilstica subyacente.
Los procedimientos a analizar se contraponen a
la "forma tradicional" de identificar y especificar un
modelo apoyados en las teoras subyacentes al
fenmeno analizado aunque, convenientemente
utilizados, los conceptos y procedimientos a exa-
minar constituyen una herramienta til para ampliar
y complementar los conocimientos economtricos
bsicos.
Una serie temporal, conocida como serie cronolgi-
ca o histrica, es una sucesin de observaciones
de una variable tomados secuencialmente en el
tiempo (Box, Jenkins y Reinsel, 2008).
Estudios recientes como evaluacin de las series
temporales para la previsin de la demanda de
emergencias sanitarias de Daz-Hierro y otros, pu-
blicado en la revista espaola Emergencias (2012),
Pronstico de llamadas de emergencias sanitarias
mediante modelos de series temporales, realizado
en la Empresa Pblica de Emergencias Sanitarias
(EPES) en la ciudad de Mlaga (2008), son ejem-
plos de investigaciones en los que se aplican las
tcnicas de pronsticos al estudio de las demandas
de llamadas. El anlisis central est centrado en el
uso de la metodologa ARIMA de Box-Jenkins.
3. PREDICCIN
Una de las dimensiones ms sobresalientes en la
que difieren las tcnicas discrecionales y cuantitati-
Eduardo Raffo L. / Luis Rez G. / Carlos Quispe A.
vas es su exactitud. Los datos numricos y los m-
todos estadsticos pueden proporcionar respuestas
precisas y objetivas, las cuales en muchas ocasio-
nes pueden ser muy importantes. En otras, podran
no ser tan importantes. Esta diferencia plantea la
cuestin de si se pueden obtener pronsticos ms
exactos de los mtodos cuantitativos que de los
mtodos discrecionales.
En situaciones repetitivas donde los datos pueden
recopilarse sistemticamente, los mtodos cuanti-
tativos realmente proporcionan predicciones ms
exactas. Los cualitativos no procesan informacin
de manera precisa y consistente; no obstante, es
importante tener presente que tanto el juicio como
los mtodos cuantitativos trabajan con el mismo
principio bsico: la identificacin de los patrones o
relaciones existentes. La diferencia estriba en los
mtodos al preparar pronsticos.
Una de las ms grandes ventajas de los mtodos
cuantitativos es la facilidad que se tiene para iden-
tificar los elementos de estacionalidad, tendencia,
ciclicidad y aleatoriedad de manera eficiente y razo-
nablemente objetiva. Subsecuentemente, cada uno
de los tres primeros elementos, pueden extrapo-
larse para preparar pronsticos ms exactos. Por
definicin, la aleatoriedad no puede pronosticarse,
pero una vez que ha sido aislada, su magnitud se
puede estimar y utilizar para determinar el alcance
de la probable variacin entre los resultados reales
y pronosticados. En otras palabras, la aleatoriedad
ayuda a determinar el alcance de la incertidumbre
en las predicciones.
4. LA TEORA DE LAS SERIES DE TIEMPO
Durante las ltimas tres dcadas, se ha producido
un importante incremento en el nmero de trabajos
publicados sobre modelizacin y prediccin de la
demanda de los clientes.
Los mtodos de prediccin pueden ser agrupados
en dos grandes categoras: mtodos cualitativos
y mtodos cuantitativos (Bowerman, OConnell
y Koehler, 2007). En la Figura 1 podemos obser-
var una clasificacin de los principales mtodos
de prediccin utilizados. Los primeros en aquellas
situaciones en las que el pasado no proporciona
informacin directa sobre el fenmeno considera-
do, como ocurre, por ejemplo, en marketing con
la aparicin de productos totalmente nuevos en el
mercado, de los cuales no se tienen ningn tipo de
referencia.
Ind. data 15(1), 2012 101

Medicin de la atencin en un call-center usando box-jenkins
Figura 1: Mtodos de prediccin
Mtodos de
prediccin
Mtodos
cualitativos
Anlisis
univariante de
series de tiempo
Mtodos de
descomposicin
Fuente: Makridakis
En los mtodos cuantitativos el objetivo es extraer
toda la informacin posible contenida en los datos
y, en base al patrn de conducta seguida en el pa-
sado, realizar estimaciones sobre el futuro. El mo-
delo de la serie de tiempos es quizs el ms comn
de los modelos de prediccin cuantitativo (Makrida-
kis y Wheelwright, 2010). En relacin a este tipo de
mtodos, se pueden considerar dos enfoques alter-
nativos: anlisis univariante de series temporales y
anlisis causal.
La serie de tiempo cronolgica o histrica, se define
en una sucesin cronolgica de observaciones de
una variable particular (Bowerman y otros). Una se-
cuencia de cantidad de bienes enviados desde un
proveedor o una serie de observaciones por hora
dentro de un proceso qumico (Box, Jenkins y Rein-
sel), son ejemplos de una serie cronolgica. Bsi-
camente, lo que se pretende con el estudio de las
series temporales es el conocimiento de una varia-
ble a travs del tiempo a partir de este conocimien-
to, y bajo el supuesto de que no se van a producir
cambios estructurales, poder realizar predicciones.
Es, por tanto, la estabilidad temporal del conjunto
de factores causales que operan sobre la variable
dependiente, el elemento clave sobre el que se ar-
ticulan las predicciones.
En los modelos causales (economtricos) se tienen
en cuenta factores externos que pueden influir en
las variables objeto de estudio. Relacionadas estas
variables, en un modelo que describe la relacin
entre estas variables y la variable que se desea
pronosticar. En el anlisis univariante no se nece-
sita conocer ninguna relacin de causalidad expli-
cativa del comportamiento de la variable endgena.
Entre las tcnicas univariantes existen algunas
sencillas, como los modelos autorregresivos de
102 Ind. data 15(1), 2012
Sistemas e Informtica
primer orden, o los modelos de tendencia lineal o
exponencial, mientras que otras tcnicas resultan
ms complejas, (pe. los modelos Box-Jenkins o los
modelos de funcin de transferencia).
Existen cinco reas importantes de aplicacin de
Mtodos los modelos de serie de tiempos:
cuantitativos
1. El pronstico de valores futuros.
2. La determinacin de funciones de transferen-
Anlisis
causal
cias.
3. El uso de indicadores de variables de entrada en
las funciones de transferencias para representar
un modelo.
Modelos
ARIMA
4. El examen de las interrelaciones entre las varia-
bles de inters y la determinacin de modelos
dinmicos multivariables.
5. El diseo de sistemas de control.
Los pronsticos de series de tiempo, consideran
al sistema como una caja negra y no intentan des-
cubrir los factores que afectan su comportamiento.
Existen tres razones, segn Makridakis, para consi-
derar un sistema como una caja negra. La primera
puede ser que no se entienda el problema y an si
se explica, puede ser sumamente difcil medir las
relaciones que se supone gobiernan su compor-
tamiento. Una segunda razn es pronosticar qu
suceder; y la tercera empleando series de tiempo,
el costo de predecir puede ser relativamente bajo.
La prediccin univariante se utiliza en problemas
econmicos, principalmente con dos objetivos:
1. La prediccin de algunas variables explicativas
de un modelo causal, cuando se espera que en
el futuro conserven algunas de las caractersti-
cas de su evolucin en el pasado.
2. La prediccin a corto plazo, debido a su gran
capacidad de recoger la dinmica en el compor-
tamiento de la variable en estudio; adems en
condiciones normales, cuando no existen brus-
cas alteraciones con respecto a la experiencia
reciente de la variable.
Entre las tcnicas univariantes existen algunas
sencillas, como por ejemplo los modelos autorre-
gresivos de primer orden o los modelos de tenden-
cia lineal o exponencial, mientras que, otras tcni-
cas resultan ms complejas, como son los modelos
Box-Jenkins o los modelos de funcin de transfe-
rencia. En teora, la metodologa de Box-Jenkins
se puede usar para pronosticar cualquier tipo de
serie de tiempo. Es la ms adecuada cuando los
componentes de la serie de tiempo estn cambian-
do conforme transcurre el tiempo (Bowermann,
2007).
 Sistemas e Informtica

Eduardo Raffo L. / Luis Rez G. / Carlos Quispe A.

5. MODELOS MATEMTICOS 1. Autorregresivos (AR)

La autocorrelacin es la herramienta bsica utiliza- 2. De promedio mvil (MA)
da en la mayora de los mtodos avanzados, ta-
3. De promedio mvil autorregresivo mixto (ARMA)
les como ARMA de Wold, ARIMA de Box-Jenkins,
ARARMA de Parzen y filtrado de Kalman. Un modelo autorregresivo tiene la forma siguiente:
La herramienta de autocorrelacin (AC) sirve para
identificar el patrn bsico y determinar el mode-
Donde es la variable dependiente y
lo apropiado que corresponde a la serie de datos.
El coeficiente de correlacin es la asociacin entre son las variables
dos variables y describe lo que tiende a sucederle a independientes. El trmino se conoce como
una de ellas si se da un cambio en la otra. error o trmino residual, que representa las pertur-
baciones aleatorias que no se pueden explicar por
El grado de la relacin vara entre -1 y +1. Un valor
el modelo.
aproximado a +1 implica una fuerte relacin positi-
va entre las dos variables, un coeficiente de -1 ex- Un segundo modelo es el de promedio mvil; y tie-
presa lo opuesto. Los aumentos se asociarn con ne la forma siguiente:
una disminucin, un valor de cero indica que las
variables no estn relacionadas.
El grado de la relacin de una autocorrelacin se Donde es la variable dependiente, y
mide mediante el coeficiente de correlacin, con la son los valores
excepcin de que describe la asociacin entre va- anteriores del error. El trmino se conoce como
lores de la misma variable en diferentes periodos. error o trmino residual, que representa las pertur-
En la Figura 2, las variables A y B se consideran baciones aleatorias que no se pueden explicar por
como dos variables diferentes y separadas, an el modelo.
cuando ambas provienen del mismo conjunto de
Un tercer modelo es el mixto que tiene la forma si-
datos. La variable B se construye eliminando el pri-
guiente:
mer trmino de A, es una creacin de variables con
rezagos de 1 tiempo.
Figura 2: Variables con rezago de 1 tiempo
Donde es la variable dependiente, y
son los valores
Variable A Variable B
anteriores del error. El trmino se conoce como
error o trmino residual, que representa las pertur-
2 5
baciones aleatorias que no se pueden explicar por
el modelo.
5 3 Una serie de tiempos de N
sucesivas observaciones muestrales de una po-
blacin infinita de tales series de tiempos; de los
3 9 procesos estocsticos; ms comnmente denomi-
nados procesos.
Una importante clase de modelos estocsticos para
9 10
describir series de tiempos que ha recibido gran
atencin, son los llamados modelos estacionarios,
los que asumen que el proceso permanece en equi-
10 librio estadstico, con una propiedad probabilstica
que no cambia sobre el tiempo, en particular va-
riando un nivel promedio constante fijo y con una
Fuente: Makridakis varianza constante. En actividades de la economa,
La autocorrelacin es una medida de asociacin muchas series de tiempo a menudo son represen-
entre valores sucesivos de la misma variable. tadas como no estacionarias y en particular no tie-
nen un nivel promedio constante. Tcnicas como
Son tres grandes clases de modelos de series de las propuestas por Holt, Winters y Brown son apro-
tiempo que pueden describir cualquier tipo o patrn piadas para modelos no estacionarios (Box, Jen-
de datos de series de tiempo: kins y Reinsel, 2008).

Ind. data 15(1), 2012 103

 Sistemas e Informtica

Medicin de la atencin en un call-center usando box-jenkins

El operador de desplazamiento hacia atrs (Bac- , donde uno o ms ceros de la raz del polino-
kward Shift Operator) se define por mio se encuentran en un crculo unitario. Si existen
y . La opera- d races unitarias y las otras races se encuentran
cin inversa es desarrollada por el operador hacia fuera del crculo, el operador puede es-
adelante (Forward Shift Operator) y viene dado
cribirse como:
por y , con
. Otro operador importante Donde es el operador autorregresivo es-
es el operador de diferencia hacia atrs , defini- tacionario. Esto es un modelo que puede represen-
tar conductas no estacionarias homogneas es de
do por ; lo que permite
escribir como: la forma:

Esto es: Donde

Los modelos estocsticos que se emplean se ba-

san en observaciones de series de tiempos La conducta no estacionaria homognea a menudo
cuyos valores con frecuencia pueden ser genera- es representada por un modelo que llama a la d-
dos desde una serie de valores independientes sima diferenciacin del proceso para ser estaciona-
. Estos valores conocidos como shock provie- rio. En la prctica d es usual entre los valores 0, 1 y
nen de una distribucin fija, usualmente asumida 2. Para el caso de d = 0, el proceso tiene conducta
como distribucin normal con media cero y varian- estacionaria.
za . Tal secuencia de variables aleatorias
El proceso provee un poderoso mo-
es llamada proceso
delo para describir procesos de series de tiempos
de ruido blanco.
con conductas estacionarias y no estacionarias. Es
El proceso de ruido blanco es trans- conocido como modelos autorregresivos integrados
formado al proceso por un filtro li- de medias mviles (procede del trmino anglosajn
neal atendiendo al operador : Autorregresive, Integrated and Moving Average), o
ARIMA de orden ; y viene definido
por:
En general es planteado como:

Con
La secuencia formada por los
El modelo ARIMA es la integracin del proceso es-
pesos, se dice que es estable y el proceso es
estacionario si cumple: tacionario ARMA con diferenciado d veces.

6. METODOLOGA BOX-JENKINS
La metodologa de los modelos ARIMA fue forma-
En otro caso el proceso es no estacionario. lizada por Box y Jenkins en 1976, de all que tam-
En un modelo autorregresivo se tiene el operador: bin se les denomina modelos Box-Jenkins. Este
enfoque parte del hecho de que la serie temporal
que se trata de predecir es generada por un pro-
Que es equivalente a ceso estocstico cuya naturaleza puede ser carac-
terizada mediante un modelo. Para efectuar la es-
En un modelo de promedio mvil se tiene el opera-
timacin de un modelo ARIMA se requiere de una
dor:
serie temporal diaria, mensual, trimestral, etc, con
En un modelo ARMA se cumple: un elevado nmero de observaciones.

Este modelo emplea parmetros La metodologa Box-Jenkins proporciona una forma

desconocidos:
El nivel de fluctuaciones ocurre en diferentes pun-
tos de tiempo. Tales conductas son representadas
por un operador autorregresivo generalizado
apropiada para modelar o encontrar modelos din-
micos para emplearlos en pronstico y control. En
la Figura 3, se presentan los 5 pasos del mtodo,
de tres etapas con la finalidad de construir modelos
de series de tiempo univariables.

104 Ind. data 15(1), 2012

 Sistemas e Informtica
Esta metodologa est pensada para liberar al in-
vestigador de la tarea de buscar el modelo, los
propios datos temporales de la variable indicarn
la estructura probabilstica subyacente. En parte,
los procedimientos a analizar se contraponen a la
"forma tradicional" de identificar y especificar un
modelo apoyados en las teoras subyacentes al fe-
nmeno analizado.
La principal base para el desarrollo de las series de
tiempos es el supuesto del equilibrio esttico. En
particular el supuesto de la clase, ser estacionario.
Usualmente una serie de tiempos estacionaria es
descrita por la media, varianza y la funcin de au-
tocorrelacin.
Figura 3: Mtodo de prediccin de Box-Jenkins
Postular una clase
de modelo ARIMA
Identificar el modelo
tentativo
Estimar los parmetros
del modelo
No Es adecuado el
modelo?
Si
Usar los modelos para
generar pronsticos
Fuente: Box-Jenkins
Las observaciones desde una serie temporal dis-
creta en los tiempos deno-
tados por , relajarse sustancialmente, la denominada estacio-
pueden ser capturadas desde uno de dos caminos:
Por muestreo desde un tiempo continuo o por acu-
mulacin de la variable sobre un periodo de tiempo.
Un proceso estocstico se dice que un proceso
estrictamente estacionario, si sus propiedades
son invariantes con respecto a un desplazamien-
to en el tiempo (variacin de t). Es decir, consi-
derando que sus asocia-
das distribuciones conjuntas es la misma con
m observaciones
, hecho en los tiempos
. Es decir, en un
proceso discreto estrictamente estacionario no est
afectado por el desplazamiento de todas las obser-
vaciones hacia adelante o hacia atrs por cualquier
cantidad entera k.
Eduardo Raffo L. / Luis Rez G. / Carlos Quispe A.
La media de un proceso estocstico, estimado des-
de una media muestral es evaluada como:
La varianza de un proceso estocstico, esti-
mado desde una varianza muestral es:
Los coeficientes de autocorrelacin y autocovarian-
za desde el supuesto de una asuncin estacionaria,
la funcin de distribucin conjunta
es la misma para cualquier tiempo .
La covarianza ser llamada autocovarianza en k y
es definida como:
Etapa 1
Similarmente, la autocorrelacin en k es:
Etapa 2
Para procesos estacionarios, la varianza
es el mismo en el tiempo como
en el tiempo . Entonces, la autocorrelacin en k
es igual a la expresin:
Etapa 3
que implica que .
Esta definicin de estacionariedad se conoce como
estacionariedad en sentido estricto o fuerte y puede
nariedad en sentido amplio o dbil.
Desde el concepto genrico de proceso estocs-
tico puede decirse que una serie temporal es, en
realidad, una muestra, una realizacin concreta con
unos valores concretos de un proceso estocstico
terico y real. El anlisis de series que se estudia
se trata, a partir de los datos de una serie temporal,
inferir las caractersticas de la estructura probabils-
tica subyacente del verdadero proceso estocstico.
Bajo condiciones generales, todo proceso esto-
cstico estacionario se presta a una especificacin
tipo AR (p) y en consecuencia se expresa tambin
como un MA (q). A continuacin, se especifca lo
que se ha llamado "condiciones generales" y se
examina en qu casos es posible la realizacin de
un proceso AR o MA para representar un proceso
estocstico estacionario.
Ind. data 15(1), 2012 105

Medicin de la atencin en un call-center usando box-jenkins
Para que un proceso estocstico estacionario ad-
mita una formulacin del tipo que aqu se estudia
han de cumplirse dos condiciones accesorias:
1. El proceso no debe ser anticipante (hiptesis
de recursividad temporal); lo cual quiere decir
que los valores de una variable en un momento
t no dependern de los que esta misma tome
en t+k, siendo k cualquier valor superior a cero.
2. El proceso ha de ser invertible, ell supone que
la correlacin entre una variable y su pasado
va reducindose a medida que nos alejamos
ms en el tiempo del momento para el que es-
tamos considerando dicha correlacin (proceso
ergdico). La explicacin intuitiva de esta situa-
cin derivara de que si especificramos una
variable en funcin de ciertos coeficientes que
nos determinen su correlacin con los valores
pasados de ella misma, los valores de dichos
coeficientes deberan ser necesariamente infe-
riores a uno porque si no el proceso de infinitos
nmeros sera "explosivo".
La aproximacin a los procesos estocsticos con
modelos AR o MA est restringida, en trminos
generales, a aquellos procesos estocsticos que
cumplan, al menos de forma dbil, la restriccin de
estacionariedad. Cuando en la realidad, queremos
inferir a partir de una serie temporal, la estructura
del proceso estocstico mediante modelos AR o MA,
se deben cubrir dos etapas:
1. Asegurar que la serie temporal, como muestra
del proceso estocstico, es estacionaria.
2. En otro caso, transformar la serie temporal ori-
ginal de forma que la nueva serie transformada
s lo cumpla.
Una vez que los datos son estacionarios,
se identifican por las observaciones de
las autocorrelaciones y las autocorrelaciones par-
ciales de los datos diferenciados.
Se observa como una regla general que cuando las
autocorrelaciones se acercan exponencialmente
a 0, el modelo es AR y su orden se determina por
el nmero de autocorrelaciones parciales que son
significativamente diferentes de 0. Si las autocorre-
laciones parciales se acercan exponencialmente a
0, el modelo es MA y su orden se determina por el
nmero de autocorrelaciones estadsticamente sig-
nificativa.
7. DISCUSIN
En el presente trabajo, se presenta la aplicacin de
una nueva metodologa a la atencin al cliente en
106 Ind. data 15(1), 2012
Sistemas e Informtica
un centro de llamadas para la resolucin del pro-
blema de prediccin de la demanda de llamadas.
Este problema se conoce en la literatura como Call
Center Forecasting (CCFP).
El problema de distribuir en la asignacin de tur-
nos del personal de atencin de llamadas telefni-
cas, juega un rol central en la gestin de muchos
sistemas de servicios; y su adecuada planificacin
significa en la mayora de las veces considerables
ahorros potenciales que justifican en gran medida,
el uso de las tcnicas de pronsticos y la investi-
gacin de operaciones, dado que se estima que el
recurso humano es un costo fijo muy importante en
los costos derivados en la atencin al cliente.
Con una prediccin de la demanda de llamadas, se
consigue una ptima asignacin de personal y de
turnos, reduciendo los costos operativos, aumenta
la calidad del servicio. Para la solucin del CCFP,
se han desarrollado diversos mtodos y tcnicas.
Las series de tiempos son las que ms se utilizan
en estos pronsticos porque aportan soluciones
aproximadas en menos tiempos de clculo.
En el CCFP, un conjunto de operadoras ingresan
en turnos comnmente de un nmero fijo de horas
(4), dedicadas a la recepcin de las llamadas de
los clientes. Son mayormente referidas a reclamos
por el servicio que reciben, las que son luego pasa-
das a su posterior solucin. La poltica es asumir un
pequeo porcentaje de llamadas no atendidas. Se
busca el patrn de la demanda de las llamadas de
los clientes por hora, con la finalidad de pronosticar
la demanda futura las llamadas. El uso final de la
prediccin es derivado a la asignacin ptima del
recurso humano en la atencin al cliente.
La caracterstica de las llamadas de los clientes, en
primera instancia, es la tasa de arribos de la llama-
da. Esta cantidad que significa la tasa de llegadas
de llamadas en la unidad de tiempo, ocurre en un
proceso aleatorio que es estudiada como una serie
de tiempos. Existe en cada hora del da, una con-
ducta de la tasa de llamadas, en las primeras ho-
ras del da esta tasa es pequea y en el transcurso
del da esta tasa crece. El cliente ocasiona que la
demanda de llamadas sea una caminata al azar o
aleatoria.
El proceso de la recopilacin de los datos se ha
basado en 2065 muestras de llamadas ocurridas
en periodos de cada de hora. Identificndose la
cantidad de llamadas en cada uno de los periodos o
ACD cantidad de demanda de llamadas (el trmino
ACD proviene de distribuidor automtico de llama-
das). Ver la Figura 4 donde se presenta el patrn
que representan las 2065 observaciones.
 Sistemas e Informtica

Eduardo Raffo L. / Luis Rez G. / Carlos Quispe A.

Figura 4: Patrn de los datos forma tentativa un modelo de Box-Jenkins es ne-

cesario determinar primero si la serie temporal a
ACD
pronosticar es estacionaria. Si no es as, entonces
350
se transforma la serie temporal en una serie de va-
300
lores, para tener una serie temporal estacionaria.
250 Una serie temporal es estacionaria si las propieda-
200
des estadsticas, la media y la variancia son esen-
cialmente constantes a travs del tiempo.
150
Figura 7: Diagrama de primeras diferencias
100

50

0
250 500 750 1000 1250 1500 1750 2000

Fuente: propia

Se observa datos estadsticos recopilados en dos

meses de observacin:
Media = 64.90 Mediana = 51 Mximo = 340 Mnimo
= 0 Desviacin estndar = 50.38
Estos datos han sido obtenidos de la Figura 5 y en
la Figura 6 se presenta el diagrama de cuartiles.
Figura 5: Histograma del patrn de los datos
Fuente: propia
Figura 6: Diagrama de cuartiles para los datos
Fuente: propia
Se usa una grfica de estos valores (en funcin del
tiempo) para determinar si es estacionaria la serie
temporal. Si al parecer los n valores fluctan con va-
riacin constante respecto a una media constante ,
entonces, es razonable pensar que la serie temporal
es estacionaria.
Algunas veces, se transforma la serie temporal no es-
tacionaria, en valores de una serie temporal estacio-
naria obteniendo las primeras y segundas diferencias
de los valores de la serie temporal no estacionaria. En
la Figura 7 el diagrama de primeras diferencias indi-
can que es estacionario.
Figura 8: Correlograma

Fuente: propia

Los modelos clsicos de Box-Jenkins describen

series temporales estacionarias. Para identificar en Fuente: propia

Ind. data 15(1), 2012 107

 Sistemas e Informtica

Medicin de la atencin en un call-center usando box-jenkins

La funcin de autocorrelacin (AC) es una lista o Los resultados del modelo AR (1), MA (1) con pri-
una grfica de las autocorrelaciones en los desfa- mera diferencia se presentan en la Figura 4.10, de
samientos k = 1, 2,, los correlogramas. all se obtiene que los coeficientes son:
Al examinar la AC de la Figura 8 se observa que no
se trunca o se corta, lo que significa que existe una
espiga en el desfasamiento k, si no al contrario, se Este modelo es el ARMA (35,35) con la primera di-
extingue (decrece en forma permanente) en seno ferenciacin, donde se plantea desde el hecho de
amortiguado (una de las tres formas de extincin: la repeticin de las costumbres de llamadas que
forma exponencial, forma de seno o una combina- se repite cada 24 horas. Desde el punto de vista
cin de ambas). de ARMA, es AR (35), MA (35) en primera diferen-
ciacin equivale a un modelo autorregresivo con
La experiencia indica que si la AC se extingue con
y promedio mvil con .
lentitud extrema, los valores de la serie temporal
original se consideran no estacionarios. En tal caso Figura 10: Resultados de ARIMA (35, 35, 1)
es necesario hacer uso de una transformacin de
datos. Si la AC de estos datos se cortan claramente
con rapidez o si se extinguen rpidamente, se debe
considerar que los datos son estacionarios (Bower-
man, OConnell, 2007).
En la Figura 9, el correlograma de las primeras di-
ferencias presenta que la AC se extingue; entonces
los datos son estacionales.
Figura 9: Correlograma con primera diferencia

Fuente: propia

El operador para la n diferencia de la serie se

muestra a continuacin:
Desde la figura 11, se encuentra que:

Figura 11: Ecuacin para ARIMA (35, 0, 1)

Fuente: propia

En resumen, se presentan tres alternativas para la

eleccin del modelo Box-Jenkins:
1. Modelo
2. Modelo
3. Modelo incluyendo fluctuaciones estacional
Fuente: propia

108 Ind. data 15(1), 2012

 Sistemas e Informtica

Eduardo Raffo L. / Luis Rez G. / Carlos Quispe A.

El R cuadrado es del orden de 0.164361. Este mo- Tabla 1: Resumen de los modelos planteados
delo es el ARMA (35,0) con la primera diferencia-
cin, donde se plantea desde el hecho de la repe- Modelo DW AIC SC HQ R2
ticin de las costumbres de llamadas que se repite
ARIMA(35,35,1) 2.345 9.020 9.015 9.015 0.1644
cada 24 horas, sin considerar el promedio mvil.
Desde el punto de vista de ARMA es AR (35), MA ARIMA(35,0,1) 2.217 9.124 9.121 9.121 0.0690
(0) en primera diferenciacin equivale a un mode-
lo autorregresivo con y de promedio SAR y SMA 1.982 8.934 8.945 8.938 0.8249
mvil con . El R cuadrado es del orden
de 0.069049, segn la Figura 4.12.
8. CONCLUSIONES
Box-Jenkins, recomienda para procesos estaciona-
1) Empleando la metodologa propuesta en la pre-
les o de temporada se utilicen los trminos SAR y
sente investigacin, se cre un modelo de dise-
SMA para tratar las fluctuaciones estacionales de
o de pronstico para la demanda de llamadas
los meses, das, horas, etc. As se habla de SAR (p)
telefnicas en un centro de atencin de llama-
SMA (q). El R cuadrado es del orden de 0.824989,
das, en la ciudad de Lima.
segn la Figura 12.
Figura 12: Ecuacin para SAR y SMA
2) Se ha realizado anlisis de Box-Jenkins para
los modelos:
, y Modelos con
fluctuaciones estacionales.
3) Usando el modelo Box-Jenkins para procesos
estacionales o de temporada se ha encontrado
que SAR y SMA son los ms adecuados para
predecir la demanda de llamadas del centro de
llamadas en el estudio.

Fuente: propia
Es necesario comentar que el estadstico Durbin-
Watson o DW mide la correlacin de la serie y un
valor menor a 2 indica que existe una evidencia que
la correlacin de la serie es positiva. Por otro lado,
el criterio de informacin de Akaike o AIC indica la
preferencia de pequeos valores para la seleccin
de los desplazamientos. El criterio de Schwarz o SC
que es una alternativa a AIC, y es utilizado para pe-
nalizar adicionales coeficientes. El criterio Hannan-
Quinn o HQ es otra alternativa de penalizaciones
para los coeficientes el p-value o Prob(F-statistic)
siempre es menor que el nivel de significancia.
De la Tabla 1 se concluye que el modelo SAR y
SMA es el que mejor pasa la prueba de los criterios
analizados poseyendo el R2 ms alto. Observe que
es el nico que pasa la prueba DW.
9. REFERENCIAS BIBLIOGRFICAS
1. BOWERMAN, B., OCONNELL, R., KOEHLER,
A. (2007). Pronsticos, series de tiempo y re-
gresin un enfoque aplicado. Mxico: Cengage
Learning, Editores, s.a.
2. BOX, G., JENKINS, G., REINSEL, G. (2008).
Time Series Analysis: Forecasting and Control.
New Jersey: John Wiley & sons, 4a ed.
3. DATAMONITOR (2004). Call center outsour-
cing in latin america and the caribbean to 2008.
4. MAKRIDAKIS, S., WHEELWRIGTH, S. (2010).
Mtodos de pronsticos. mxico: editorial Li-
musa, s.a.
5. Pindyck, R., Rubinfeld, R. (2001). Colocar nom-
bres y apellidos, McGraw-Hill. Mxico.

Ind. data 15(1), 2012 109