Identificar un modelo matemático de un sistema a controlar

Unos de los eventos que más ha marcado el año 2020, es la pandemia del COVID-19. Debido a esta
fue obligatorio mantenerse en casa, trabajar de manera virtual, y de esta manera, se aumentó la
demanda de servicio al cliente vía telefónica o internet. Es entonces que se vuelve importante para
las empresas de servicio al cliente saber cómo modelar la demanda de clientes para poder tener la
capacidad de atender a todos.
Identificar las variables de interés (variables de proceso, variables a manipular y las
perturbaciones).
Entre las variables de interés se puede identificar:
• 𝛼: Tasa de personas que llaman a servicio al cliente por tiempo.
• 𝛿: Número de servidores disponible para atender el cliente.
• 𝜅: Tasa de personas atendidas por cada servidor.
Las variables que se podrían manipular serían 𝛿 que corresponde al número de servidores, también
se podría manipular 𝜅 que corresponde a la velocidad que tiene un servidor de atender al cliente.
Entre las perturbaciones del sistema se pueden encontrar motivaciones externas de los clientes para
que llamen como por ejemplo los blackfriday y días de promoción en servicio al cliente de centro
comerciales y tiendas de ropa/electrodomésticos. Sin embargo, son días muy concretos. Para
términos de estudiar el modelo se va a despreciar estas perturbaciones.
Objetivo de control
Estudiar el sistema con el fin de mejorar los tiempos de espera de los clientes y de este modo
optimizar cantidad de servidores (reducir costos)
Propósito del modelo
Reducir el tiempo de espera de los clientes en la cola y en el sistema con el fin de optimizar
tiempos.
Límites o fronteras del modelo
Los límites que puede encontrar el sistema es la falta de información sobre días en los cuales los
clientes tienen una motivación de llamar, por ejemplo, días de promociones, Black Friday, regalos,
GiveAways. Dado que son días específicos que cambian totalmente la frecuencia de personas
respecto a días normales.

Postular la estructura que representa la dinámica del proceso

Especificar variables de interés

• 𝛼: Tasa de personas que llaman a servicio al cliente por tiempo.
• 𝛿: Número de servidores disponible para atender el cliente.
 • 𝜅: Tasa de personas atendidas por servidor por tiempo.
• 𝜌: Ocupación de los servidores. Debe ser menor a 1 para estar estabilizado.
• 𝐿: Valor esperado de clientes en el sistema
• 𝐿𝐶 : Valor esperado de clientes en cola
• 𝑊: Tiempo promedio de espera en el sistema
• 𝑊𝐶 : Tiempo promedio de espera en la cola
• 𝑃𝑛 : probabilidad de que n clientes estén en el sistema
Descripción matemática (aplican leyes de las ciencias)
Formula de Little 𝐿 = 𝛼𝑊, 𝐿𝐶 = 𝛼𝑊𝐶 además se tiene que 𝑊 = 𝑊𝐶 + 1/𝜅. Entonces se tiene que
𝐿 = 𝐿𝐶 + 𝛼/𝜅.
𝛼
𝜌=
𝛿𝜅
1
𝑃0 =
𝛼 𝑛 𝛼 𝛿
( ) ( )
∑𝛿−1 𝜅 + 𝜅
𝑛=0 𝑛! 𝛿! (1 − 𝜌)
𝛼 𝑛 𝛼 𝑛
( ) 𝑃0 ( ) 𝑃0
𝜅 𝜅
𝑃𝑛 = , 𝑠𝑖 0 ≤ 𝑛 ≤ 𝛿 y 𝑃𝑛 = , 𝑠𝑖 𝑛 > 𝛿
𝑛! 𝛿!𝛿 𝑛−𝛿

𝛼 𝛿
( 𝜅) 𝑃0 𝜌 𝛼
𝐿𝑐 = 𝐿 = 𝐿𝐶 +
𝛿!(1−𝜌)2 𝜅

𝐿𝐶 1
𝑊𝐶 = 𝑊 = 𝑊𝐶 +
𝛼 𝜅

𝛼 𝛿 𝑃0
Finalmente, la probabilidad que un cliente vuelva a esperar es de 𝑃𝑤 = ( )
𝜅 𝛿!(1−𝜌)

Referencias usadas:
Gómez Jiménez, F. (2020). Aplicación de teoría de colas en una entidad financiera:
herramienta para el mejoramiento de los procesos de atención al cliente. Retrieved 11 October
2020, from http://hdl.handle.net/10784/16751
Portilla, L., Arias, L., & Fernández, S. (2010). Análisis de líneas de espera a través de teoría de
colas y simulación. Scientia Et Technica, 3(46), 56-61. Retrieved from
https://dialnet.unirioja.es/servlet/articulo?codigo=4527950
Teoría de colas. Retrieved 11 October 2020, from
http://www.est.uc3m.es/esp/nueva_docencia/comp_col_leg/ing_info/io/doc_generica/archivos/
tc.pdf
Zukerman, M. (2000). Introduction to Queueing Theory and Stochastic Teletraffic Models.
Retrieved 11 October 2020, from http://www.ee.cityu.edu.hk/~zukerman/classnotes.pdf