Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Dialnet MetodologiaParaLaSimulacionDeCentrosDeLlamadas 3951276 PDF
Dialnet MetodologiaParaLaSimulacionDeCentrosDeLlamadas 3951276 PDF
JOHANNA TRUJILLO DIAZ1, JAVIER DARÍO VALLEJO CUBILLOS2 Y MAURICIO BECERRA FERNÁNDEZ3
R: 21072010 – A: 2082010
Resumen
El auge de las empresas que atienden la subcontratación de Palabras clave:
procesos de negocio (Business Process Outsourcing) demanda
Centro de llamadas
herramientas y métodos para la planeación de recursos en centros Metodología
de llamadas. El objetivo del proyecto que se presenta en este Planeación
artículo es proporcionar a este tipo de empresas una metodología ProModel®
para evaluar la eficiencia en la planeación de recursos tecnológicos Recursos
y de mano de obra, por medio de la Simulación de Eventos Simulación.
Discretos (SED). La metodología que se apoya en las herramientas
SPSS®, Statfit, Microsoft Excel® y ProModel®, fue validada en un
centro de llamadas en la modalidad de subcontratación, que
atendía tres tipos de empresas de salud, con diez tipologías de
servicios y 250 agentes distribuidos en cuatro turnos diarios. La
metodología diseñada, en manos de gerentes, permitirá mejorar
los niveles de servicio y controlar las medidas de desempeño
asociadas al servicio.
1 Programa Ingeniería Industrial, Facultad de Ingeniería. Universidad Católica de Colombia. Bogotá, Avenida
Caracas No. 46‐72 piso 4°. Contacto: jtrujillo@ucatolica.edu.co
2 Dirección de Planeación de la Dirección General del Servicio Nacional de Aprendizaje ‐SENA. Bogotá, Calle 57
No. 8‐69. Contacto: jvallejoc@sena.edu.co.
3 Facultad de Ingeniería de la Universidad Católica de Colombia. Bogotá, Avenida Caracas No. 46‐72 piso 4°.
Contacto: mbecerra@ucatolica.edu.co
Abstract
118
120
METODOLOGÍA PARA LA SIMULACIÓN DE CENTROS DE LLAMADAS - CASO DE ESTUDIO
Diagrama 1. Metodología para el diseño del servicio de un centro de llamadas
Formular el problema (Azarang E. & Eduardo, 1966) y planear
el estudio (Law & Kelton, 2000)
Recolectar datos (Garcia D., et al., 2006), analizar (Azarang E. &
Eduardo, 1966) y definir el modelo (Azarang E. & Eduardo, 1966;
Garcia D., et al., 2006)
No
Hacer verificación.
¿El modelo conceptual es válido?
(Law & Kelton, 2000)
Si
Construir un programa de computadora (Garcia D., et al., 2006) y
verificar (Garcia D., et al., 2006)
Hacer corridas piloto (L)
No
Hacer validación(Garcia D.,
Heriberto, & Cárdenas B., 2006); el
modelo programado es válido?
Si
Diseñar Experimentos (Azarang E. & Eduardo, 1966)
Realizar trabajos de producción (L
Analizar datos de salida
Documentar, presentar y usar resultados
Figura 1. Caracterización del servicio en un centro de llamadas
Fuente: autores
Tabla 1. Medidas de desempeño para un centro de llamadas
Medidas Descripción
Tiempo promedio de respuesta Tiempo promedio en el cual la llamada es tomada por un agente.
Tiempo promedio de
Tiempo promedio que una persona que llama espera para ser conectado a
conversación un agente
Tiempo en cola Cantidad de tiempo que un usuario espera en la línea.
Llamadas por hora Número promedio de llamadas que un agente atiende por hora.
Tiempo promedio que un agente tiene en espera a un usuario, para
Tiempo de espera
transferirlo a otro agente o durante una averiguación del servicio.
Ocupación Tiempo promedio que un agente está ocupado atendiendo o en servicio.
Número total de llamadas que no fueron atendidas por falta de
Cantidad de llamadas
disponibilidad de agentes, no tener capacidad telefónica, o por estar la línea
bloqueadas
ocupada.
Tasa de abandono Porcentaje de personas que llaman y se desconectan antes de ser atendidas.
Resolución en la primera
Porcentaje de llamadas concluidas en la primera conexión.
llamada
Cantidad de transacciones que son manejadas dentro de determinado
Nivel de servicio
período de tiempo.
Fuente. (Ma, Kim, & Rothrock, 2011)
124
muestra la aleatoriedad y el
comportamiento dependiente de la
variable), c) Auto correlograma y
coeficiente de autocorrelación
intravariable (como el valor es cercano
a cero no existirá relación, si fuera
positivo o negativo no habría
independencia), d) prueba de corridas
arriba y debajo y e) Prueba de corridas
arriba y abajo de la mediana, donde el
valor del p-value es mayor que el nivel
de significancia 0,05 indicando
aleatoreidad de la variable.
exija por políticas del centro de el QQ-PLOT (Law & Kelton, 2000), las
llamadas, se debe construir una tabla cuales contrastan las hipótesis de la
como la 5, en la cual se respeten éstos distribución teórica, entonces si el ajuste
supuestos.En algunas oportunidades se es con la línea central se acepta de lo
pueden utilizar otras herramientas para contrario se rechaza.
el análisis de ajuste como el PP-PLOT o
Fuente. STATFIT
Tabla 2. Función de densidad de probabilidad (FDP) para el tiempo de servicio por agentes en clúster
Tipo de agente Ranking Líneas de espera
1 Gamma (0, 1.04, 4.98) Exponencial (0, 5.2)
2 Weibull (0, 1.02, 4.57) Exponencial (0, 4.53)
3 Weibull (0.1, 5.07) Exponencial (0, 5.06)
4 Weibull (0, 1.02, 5) Exponencial (0, 4.96)
5 Weibull (0, 0.927, 4.85) Exponencial (0, 5.03)
6 Gamma (0, 1.09, 4.3) Exponencial (0, 4.67)
7 Erlang (0, 1, 4.69) Exponencial (0, 4.69)
8 Pearson 6(0.77, 1.02, 18.5) Exponencial (0, 4.52)
9 Weibull (0, 0.982, 5.04) Exponencial (0, 5.08)
10 Exponencial (0, 4.93) Exponencial (0, 4.93)
Fuente. Los autores con datos de STATFIT – ProModel®
127
Tabla
a 3. FDP para tiempos de seervicio por tipo
Tipo de S
Servicio Ranking colas
Teoria de c
Medicina General Weibull (0, 1..01, 0.671) Exponenciaal (0.559)
Promoció ón y Prevenció
ón Pearson 6 (0,, 4.19, 1.09, 7.0
06) Exponenciaal (0.691)
Odontologgía Weibull (0, 0..981, 0.676) Exponenciaal (0.682)
Higiene O
Oral Pearson 6 (4..19, 1.09, 7.06) Exponenciaal (0.712)
Optometrría Exponencial ((0.679) Exponenciaal (0.679)
Especialid
dad sin preparración Pearson 6(0, 0.911, 1.61, 2.94) Exponenciaal (0.742)
Especialid
dad con prepaaración Pearson 6(0, 2.05, 1.09, 4.11) Exponenciaal (0.716)
Fuente. Loos autores con
n datos de STA
ATFIT – ProMo odel®
Figurra 4. Gráficas QQ‐Plot y PP‐‐Plot para la taasa de arribos de 6am a 9am
m
Fueente. STATFIT
Tabla 4. Distribución empírica de la tasa de arribos de cada tipo de servicio por hora de turno
Llamadas
Hora 1 2 3 4 5 6
% Total
Medicina General Llamadas 881 866 842 636 604 380 4.209
% 21% 21% 20% 15% 14% 9% 100%
Promoción y Prevención 446 445 428 293 320 182 2.114
21% 21% 20% 14% 15% 9% 100%
Odontología 20 23 17 21 14 10 105
19% 22% 16% 20% 13% 10% 100%
Higiene Oral 38 38 45 35 37 19 212
18% 18% 21% 17% 17% 9% 100%
Optometría 185 223 230 130 170 115 1.053
18% 21% 22% 12% 16% 11% 100%
Especialidades sin preparación 105 101 101 88 79 47 521
20% 19% 19% 17% 15% 9% 100%
Especialidades con preparación 498 473 520 347 344 221 2.403
21% 20% 22% 14% 14% 9% 100%
Total llamadas 2.173 2.169 2.183 1.550 1.568 974 10.617
Fuente. Los autores
Tabla 5. Distribución empírica de la tasa de arribos por hora de turno
Hora/Intervalo Columna1 1 2 3 4 5 6 7 Total
De 7am ‐ 8am Llamadas 881 446 20 38 185 105 498 2.173
Q% 41% 21% 1% 2% 9% 5% 23% 100%
De 8am ‐ 9am Llamadas 866 445 23 38 223 101 473 2.169
Q% 40% 21% 1% 2% 10% 5% 22% 100%
De 9am ‐ 10am Llamadas 842 428 17 45 230 101 520 2.183
Q% 39% 20% 1% 2% 11% 5% 24% 100%
De 10am ‐ 11am Llamadas 636 293 21 35 130 88 347 1.550
Q% 41% 19% 1% 2% 8% 6% 22% 100%
De 11am ‐ 12am Llamadas 604 320 14 37 170 79 344 1.568
Q% 39% 20% 1% 2% 11% 5% 22% 100%
De 12am ‐ 1am Llamadas 380 182 10 19 115 47 221 974
Q% 39% 19% 1% 2% 12% 5% 23% 100%
Total general 4.209 2.114 105 212 1.053 521 2.403 10.617
129
correctamente (Law & Kelton, 2000). El medidas de desempeño necesarias para
Coordinador y/o analista de simulación varios intervalos de tiempo. El modelo
debe presentar un documento que se debe construir realizando un
relacione todo lo establecido en los pasos clustering de las tipologías tanto de
anteriores y realizar un plan de servicios, de empresas de salud y cuellos
realización. de botella, con análisis factorial en los
diferentes niveles, se demandan
CONSTRUIR UN PROGRAMA DE
conocimientos estadísticos por parte del
COMPUTADOR Y VERIFICAR. Al programar analista de simulación.Al realizar la
el modelo en un lenguaje de recolección de datos del centro de
programación o en software de llamadas en servicios de salud, se
simulación, no se debe desconocer que la aplican técnicas clustering de minería de
ventaja de usar un lenguaje de datos con el fin de agrupar y representar
programación es que a menudo es los diferentes tipos de agentes de
conocido, tiene bajo costo de compra, acuerdo a sus habilidades en tiempos de
puede arrojar resultados de la ejecución atención y mejorar la operación de
de un modelo en un tiempo más corto recepción de llamadas minimizando
(Law & Kelton, 2000). Los modelos de cuellos de botella. Los cuellos de botella
simulación pueden ser disminuyen cuando se compensa en
computacionalmente costosos, por las intervalos de tiempo con más recursos
funciones implícitas de entrada (mano de obra y/o tecnológicos) y se
(Kleijnen, Beers, & Nieuwenhuyse, aumenta el nivel de servicio. HACER
2010). Sin embargo, los problemas de CORRIDAS PILOTO para propósitos de
simulación para la programación de validación (LAW & KELTON; 2000).¿ES EL
personal han sido muy utilizados, MODELO PROGRAMADO VÁLIDO? Si hay un
muchos autores han trabajado con sistema existente se compara el modelo
variables de entrada para los arribos de y las medidas de desempeño del sistema
tipo Erlang-A, modelos de planeación de con el sistema existente.
mano de obra multitarea heurísticos con Independientemente si hay un sistema
simulación simultánea y medidas de real, el analista de simulación y los
desempeño preestablecidas sin expertos en la materia deben revisar los
considerar medidas de desempeño resultados del modelo para las
importantes como tasas de abandono y correcciones. Usar análisis de
bloqueo de llamadas (Aksin, Armony, & sensibilidad para determinar si los
Mehrotra, 2007).La metodología factores del modelo tienen un impacto
propuesta se desarrolla en ProModel® significativo sobre las medidas de
para generar modelos de planeación de desempeño y, así hacer un modelado
recursos de mano de obra y/o cuidadoso (Law & Kelton, 2000).
tecnológicos necesarios en un centro, Existen dos tipos de sistemas los
con un nivel de programación terminales y los no terminales o de
computacional media, que detalla las
estado estable,
e los terminales responden n canttidad de usuarios
u attendidos en
n un
a una pregunta específica sobre la a turn
no de trabaajo, por agente ó porr tipo
cantidad
d de suceesos o evventos porr de servicio.
s Miientras que los sistema
as no
unidad de tiempo o (Garcia D., et al.,, term
minales.
2006), un
u ejemplo para el cen ntro sería la
a
Figurra 5. Layout S
Simulación en ProModel® C Centro de llam
madas, entradaas y medidas d
de desempeño o.
Fuentee. ProModel®, con el plantea
amiento del ca
aso del centro de llamadas y programación
n de los autorees.
Figura 6.
6 Medidas de
d desempeeño ProMod
del®
Fuentee. ProModeel®
∑ ,
Normal , , , , , r = Número de Réplicas
√ √ √
α = Nivel de Rechazo
Otro tipo
(Teorema de , , ∑
/ / /
Tchebycheff)
Se determina la longitud de la réplica para identificar la estabilidad de la variable
Procedimiento
aleatoria conociendo la Función de Densidad de Probabilidad (Garcia D., et al., 2006).
=media
s=desviación estándar
Normal, con =parámetro crítico
,
desconocimiento
, ′ , ′ de la tabla t‐student
de la varianza ,
(estimar) =Rango
=media
=Desviación estándar
Otro tipo de
α = Nivel de Rechazo
Distribución
=Rango
Dunna, recomienda que para los et al., 2006). Cuando el modelo sea
sistemas de tipo terminal el análisis válido, se corren escenarios y números
estadístico se realice utilizando aleatorios que apoyan la solución del
intervalos de confianza y la problema e igualmente generan mejoras
determinación de la distribución de en el sistema.
probabilidad de la variable de salida. Y
para los sistemas no terminales ANALIZAR DATOS DE SALIDA. Dos de los
determinar la longitud de la corrida, con principales objetivos al analizar datos de
el fin de asegurar la estabilización de los salida son determinar el desempeño
resultados del modelo (GARCIA Y OTROS; absoluto del éxito de la configuración del
2006). La mayoría de las líneas de sistema y comparar las alternativas de
espera son de tipo terminal y con configuración del sistema en un sentido
supuestos de no normalidad, por tanto relativo (LAW & KELTON, 2000). Se puede
para los centros deberían utilizar el tomar como base la tabla 1 para
Teorema de Tchebycheff, para establecer identificar las medidas de desempeño
los intervalos de confianza de las que ProModel® genera en diez menús
medidas de desempeño del modelo para cada una de las locaciones,
simulado que van a ser comparadas con recursos, entidades y variables de un
el sistema real. modelo, como se describen a
continuación:
DISEÑAR EXPERIMENTOS. Para ello se debe
especificar la configuración del sistema GENERAL. Datos generales del modelo, Run
de interés, el largo de cada corrida del Date/Time, Dia y hora de corrida; Model
Title, Título del modelo; Model Path/file,
periodo de calentamiento, si el existe, el Ruta y archivo del modelo; Warmup Time
número de corridas de simulación (HR), Tiempo de calentamiento; Simulation
analizadas independiente con diferentes Time (HR), Tiempo de simulación.
números aleatorios para la construcción
de intervalos de confianza (LAW & LOCATIONS. Locaciones, Name, Nombre;
Location States Multi, Estados múltiples de
KELTON, 2000). Los experimentos se las locaciones; Location States Single,
crean de acuerdo al planteamiento del Estados simples de las locaciones;
problema, por ejemplo si se desea Resourses, Recursos; Resourses States,
determinar la cantidad de usuarios Estados de los Recursos; Failed Arrivals,
atendidos en promedio durante un turno Llegadas fallidas ó erróneas; Entity Activity,
Actividad de la entidad; Entity States, Estado
de trabajo, se establece el intervalo de de la entidad; Variables, variables.
confianza y se compara con los datos
recolectados en el segundo paso, para ESTADOS MÚLTIPLES DE LAS LOCACIONES. Name,
determinar la validez del modelo. nombre; Scheduled time (hr), Tiempo
programado; % Empty, Porcentaje
desocupado; % Part Occupied, Porcentaje
REALIZAR DIFERENTES CORRIDAS, las que parcialmente ocupado; % Full, % Porcentaje
van a ser usadas en seguida (Garcia D., ocupado; % Down, % Tiempo muerto.
ESTADO INDIVIDUAL DE LAS LOCACIONES. % esperando; % In operation, Porcentaje en
Operation, Porcentaje de operación; % operación; % Blocked, Porcentaje bloqueado.
Setup, Porcentaje de arranque; % Idle,
Porcentaje ocioso; % Waiting, Porcentaje VARIABLES. Name, nombre; Total Changes,
esperando; % Blocked, Porcentaje Cambios en total; Avg Time Per Change
bloqueado; % Down, Porcentaje dañado o en (MIN), Tiempo promedio por cambio;
fallas. Minimum Value, Valor mínimo; Maximum
Value, Valor máximo; Current Value, Valor
RESOURSES (RECURSOS). Unit, unidades; actual; Avg Value, Valor promedio.
Scheduled Time (HR); Number times used,
tiempo de uso; Avg time per usage (MIN), DOCUMENTAR, PRESENTAR Y USAR LOS
Tiempo promedio de uso; Avg Time Travel RESULTADOS. El analista de simulación
To Use (MIN), Tiempo promedio de
transporte para usar; Avg Time Travel To
debe documentar y presentar los
Park (MIN), Tiempo promedio de transporte supuestos, el programa de computador y
para almacenar; % Blocked In Travel, los resultados del estudio para usar en la
Porcentaje bloqueado en Transporte; % presente y en futuros proyectos. Es
Utilización, Porcentaje de utilización. importante discutir la construcción y el
RESOURCE STATES (ESTADO DE LOS RECURSOS).
proceso de validación para promover la
Scheduled Time (HR), Tiempo programado credibilidad, ya que los resultados son
(HR); % In Use, Porcentaje en uso; % Travel usados en el proceso de decisión cuando
To Use, Porcentaje de transporte para usar; son válidos y creíbles (LAW & KELTON;
% Travel To Park, Porcentaje de viaje para 2000).
almacenar; % Idle, Porcentaje ocioso; %
Down, Porcentaje paradas.
Figura 7. N
Niveles de llam
madas de cada tipología de sservicio
Fuuente. ProModeel® corrida dee simulación
Tabla
a 7. Analisis d
de los recursoss del call centeer
Avg Timee
Sched
duled Time Tottal Avg Maximum Current
Nam
me Caapacity Per Entry
y % Utilization
(HR) Entrries Contents Contents Contents
(MIN)
Procenter 6 15 641 8 15
5 1
15 15
5 100
Agente tipo 1 6 1 63 6 1 1 1 98
Agente tipo 2 6 1 72 5 1 1 1 98
Agente tipo 3 6 1 68 5 1 1 1 98
Agente tipo 4 6 1 61 6 1 1 1 98
Agente tipo 5 6 1 64 6 1 1 1 98
Agente tipo 6 6 1 68 5 1 1 1 98
Agente tipo 7 6 1 70 5 1 1 1 98
Agente tipo 8 6 1 82 4 1 1 1 98
Agente tipo 9 6 1 75 5 1 1 1 98
PBX 6 50 1
1897 122 644
4 125
56 1256
6 0
Cola Empressa 1 6 1 209 2 1 1 1 96
Cola Empressa 2 6 1 208 2 1 1 1 96
Cola Empressa 3 6 1 209 2 1 1 1 96
F
Fuente: autores
s con datos dee ProModel.
Bibliografía
AKSIN, Z., ARMONY, M., & MEHROTRA, V. The BERTSIMAS, D., & Doan, X. V. Robust and data-
modern call center: A multi-disciplinary driven approaches to call centers. In:
perspective on operations management European Journal of Operational Research,
research. In: Productions and operations 2010, vol. 207, 1072-1085.
research, 2007, vol. 16, pp. 665-668.
DESLAURIERSA, A., L’Ecuyera, P.,
AVRAMIDIS, A. N., Chan, W., Gendreau, M., Pichitlamkenb, J., Armann Ingolfssonc, &
L’Ecuyer, P., & Pisacane, O. (2Optimizing Avramidisa, A. N. Markov chain models of
daily agent scheduling in a multiskill call a telephone call center with call blending. In:
center. In: European Journal of Operational Computers & Operations Research, 2007,
Research, 2010, vol. 200, pp. 822-832. vol. 34, pp. 1616-1645.
Gans, N., Koole, G., & Mandelbaum, A. USAID, P. M., Ministerio de Industria y
Telephone call centers: tutorial, review, and Comercio (Producer). Desarrollando el
research prospects. Manufacturing and Sector de BPO&O como uno de Clase
Service Operations Management, 2003, 5, Mundial. [Discusión] Retrieved from
79-141. http://www.transformacionproductiva.gov.co
/Library/News/Files/20070725_Caso%20de
GARCIA D., E., Heriberto, G. R., & Cárdenas B., %20Negocio_BPO_Documento%20Final.pd
L. E. (2006). Simulación y análisis de f308.PDF
sistemas con ProModel: Prentice Hall.
WIPRO CONSULTING, S. (Producer). A NEW
KLEIJNEN, J. P. C., BEERS, W. V., & WORLD OPTION FOR OFFSHORING,
Nieuwenhuyse, I. v. Constrained Latin American Countries Can Offer
optimization in expensive simulation: Novel European Businesses Competitive Benefits.
approach. European Journal of Operational Retrieved from http://www.wipro.com/
Research,2010, 202, pp.164-174.