Studiositas, edicin de diciembre de 2010, vol5, nm.

3 117

Metodologa para la simulacin de centros de llamadas
- Caso de estudio


JOHANNA TRUJILLO DIAZ
1
, JAVIER DARO VALLEJO CUBILLOS
2
Y MAURICIO BECERRA FERNNDEZ
3

R: 21072010 A: 2082010




Resumen

El auge ue las empiesas que atienuen la subcontratacin de
procesos de negocio (Business Process Outsourcing) uemanua
heiiamientas y mtouos paia la planeacion ue iecuisos en centios
ue llamauas. El objetivo uel pioyecto que se piesenta en este
aiticulo es piopoicionai a este tipo ue empiesas una metouologia
paia evaluai la eficiencia en la planeacion ue iecuisos tecnologicos
y ue mano ue obia, poi meuio ue la Simulacion ue Eventos
Biscietos (SEB). La metouologia que se apoya en las heiiamientas
SPSS, Statfit, Niciosoft Excel y PioNouel, fue valiuaua en un
centio ue llamauas en la moualiuau ue subcontiatacion, que
atenuia ties tipos ue empiesas ue saluu, con uiez tipologias ue
seivicios y 2Su agentes uistiibuiuos en cuatio tuinos uiaiios. La
metouologia uiseaua, en manos ue geientes, peimitii mejoiai
los niveles ue seivicio y contiolai las meuiuas ue uesempeo
asociauas al seivicio.

Palabrasclave:

Centrodellamadas
Metodologa
Planeacin
ProModel
Recursos
Simulacin.




1
Piogiama Ingenieiia Inuustiial, Facultau ue Ingenieiia. 0niveisiuau Catolica ue Colombia. Bogot, Aveniua
Caiacas No. 4672 piso 4. Contacto: jtiujilloucatolica.euu.co

2
Biieccion ue Planeacion ue la Biieccion ueneial uel Seivicio Nacional ue Apienuizaje SENA. Bogot, Calle S7
No. 869. Contacto: jvallejocsena.euu.co.

S
Facultau ue Ingenieiia ue la 0niveisiuau Catolica ue Colombia. Bogot, Aveniua Caiacas No. 4672 piso 4.
Contacto: mbeceiiaucatolica.euu.co




118

Methodology Call-Centers Simulation Study Case

Abstract

The impoitance of enteipiise Business Piocess 0utsouicing
have leu to uemanu tools anu methous foi iesouice planning
in companies with Call Centei. The goal of this aiticle is to
pioviue such companies a methouology to evaluate the
efficiency in the planning of manpowei iesouices anu oi
technology by means of Bisciete Event Simulation, to guiue
the managements of such companies to impiove seivice levels
anu monitoi peifoimance measuies associateu with the
seivice. The pioposeu methouology is uone with the following
tools SPSS , Statfit, Niciosoft Excel anu PioNouel , it has
been valiuateu in a hiieu 0utsouising Call Centei, which is
seiving thiee types of healthcaie companies, with ten types of
seivices anu 2Su agents in foui shifts a uay anu is piesenteu
as a case stuuy applieu.
KeyWords:

CallCenter
Methodology
ProModel
Simulation
Resourceplanning

Studiositas, edicin de diciembre de 2010, vol5, nm.3 119
Introduccin

Los centros de llamadas <call centers>
son unidades muy importantes para el
servicio al consumidor de muchas
organizaciones (DESLAURIERSA y otros;
2007). La subcontratacin de procesos
de negocio denominada en ingls
Business Process Outsourcing (BPO) es
una industria con gran crecimiento en
Colombia (WIPRO CONSULTING; 2011), sin
embargo por sus costos relativos,
infraestructura y ambiente de negocios
es pequea, orientada al mercado local y
enfocada en operaciones de centros de
llamadas (USAID; 2008); por tanto las
empresas dedicadas a ste tipo de
servicios tienen varios retos en su
planeacin de recursos.

Los centros de llamadas a menudo
manejan varios tipos de llamadas, con
diferente demanda en las competencias
necesarias para prestar el servicio, sin
embargo la capacitacin de todas las
personas que atienden las llamadas de
un centro
1
para manejar cualquier tipo
de llamada no es rentable. En realidad,
cada operador del centro de llamadas
tiene unas habilidades, tambin llamado
su conjunto de habilidades, lo que
significa que hay un tipo de llamadas que
puede manejar.

Por ende, se tiene que los centros de
llamadas que atienden varios tipos de

1
Para efectos de la planeacin las personas que
atienden las llamadas en un centro de llamadas
son denominadas operadores agentes.
llamadas tendrn operarios con
restricciones de habilidad, lo que ha
generado el desarrollo de centros de
llamadas multihabilidades. Estos centros
se basan en habilidades de enrutamiento,
trmino que se refiere a las reglas que
controlan la llamada a agente y las tareas
de agente a llamar (Avramidis; 2010).
Avramidis y colaboradores (2010), Koole
y Mandelbaum (2002) y Gans, Koole y
Mandelbaum (2003) establecen las
herramientas ms apropiadas para los
centros con habilidades de enrutamiento,
encontrando que la combinacin entre la
minera de datos, la simulacin y la
optimizacin es necesaria. Este artculo
presenta una metodologa de simulacin
en centros de llamadas.

Un centro de llamadas opera procesos
estocsticos aleatorios. La entrada, la
duracin, las llamadas en espera que se
abandonan despus de un tiempo de
paciencia-, el ausentismo de operadores,
son eventos aleatorios (AVRAMIDIS;
2010). Sin embargo, con referencia en
previsiones sobre el nmero de llamadas,
los gerentes de los centros deben decidir
(entre otras cosas) la cantidad de agentes
de cada tipo (es decir, conjunto de
habilidades) para que en el centro estn
los operadores disponibles durante el
servicio; tambin debe decidir sobre las
reglas de enrutamiento de llamadas.
Estas decisiones se toman bajo un alto
nivel de incertidumbre. Con el propsito
de proporcionar un servicio con la
calidad necesaria a un costo mnimo
(AVRAMIDIS; 2010). Simultneamente se
tiene, que hay autores que disean la
120
operacin de los centros de llamadas con
modelos heursticos, con programacin
entera y estocstica, es estos casos no se
toman todas las medidas de desempeo
sino que se enfocan en el mejoramiento
del nivel de servicio (ROBBINS &
HARRISON; 2010).


Planteamiento del problema Estudio de
caso

El problema principal de un centro de
llamadas es la dotacin de personal y el
enrutamiento de llamadas (BERTSIMAS &
DOAN; 2010). El caso atendido
correspondi al de un centro de llamadas
que atenda empresas del sector salud,
recolectando, para 125 agentes, un total
de 10.617 observaciones a lo largo de un
mes durante el turno de la maana. Los
agentes atendan todo tipo de usuario de
tres entidades de salud. De los usuarios
se saba que solan demandar, de manera
prioritaria, diez tipologas de servicios
especializados. Actualmente las polticas
de servicio, indican que el nivel debera
ser del 90% de servicio, pero no llega al
70%, lo cual es inquietante para los
directivos de la organizacin, debido a
que ha perdido clientes por esta
problemtica. Los directivos creen que la
solucin es organizar en clster las
habilidades de los agentes y establecer
tcnicas de enrutamiento basadas en el
anlisis de cuellos de botella, lo que
demanda el uso de una metodologa de
identifique las necesidades de recursos
para aumentar el nivel de servicio.

Para disear la metodologa se realiz un
anlisis estadstico de entrada en SPSS
y StatFit, con el fin de identificar el
comportamiento factorial del sistema
intra e inter variable. Luego de realizar
las pruebas de bondad de ajuste y
homogeneidad se realiza en ProModel
la simulacin con el fin de formular
propuestas de mejoramiento para la
productividad del sistema.


Metodologa

Las metodologas revisadas para realizar
estudios de simulacin de eventos
discretos no son homogneas, algunos
autores proponen diferentes etapas,
siendo stas complementarias entre s.
La metodologa planteada en este trabajo
para simular centros de llamadas se
bas, entre otros, en Banks (1998),
Azarang (1966) y Law (2000), sin
embargo existen otros desarrollos
especficos que identifican otras medidas
de desempeo aplicables a ste tipo de
servicios en lneas de espera. En el
diagrama 1 se presenta la metodologa
aplicada.
METODOLOGA PARA LA SIMULACIN DE CENTROS DE LLAMADAS - CASO DE ESTUDIO

Studiositas, edicin de diciembre de 2010, vol5, nm.3 121

Diagrama1. Netouologia paia el uiseo uel seivicio ue un centio ue llamauas


Foimulai el pioblema (Azaiang E. & Euuaiuo, 1966) y planeai
el estuuio (Law & Kelton, 2uuu)
Recolectai uatos (uaicia B., et al., 2uu6), analizai (Azaiang E. &
Euuaiuo, 1966) y uefinii el mouelo (Azaiang E. & Euuaiuo, 1966;
uaicia B., et al., 2uu6)
Constiuii un piogiama ue computauoia (uaicia B., et al., 2uu6) y
veiificai (uaicia B., et al., 2uu6)
Bacei veiificacion.
El mouelo conceptual es vliuo.
(Law & Kelton, 2uuu)
Bacei coiiiuas piloto (L)
Bacei valiuacion(uaicia B.,
Beiibeito, & Ciuenas B., 2uu6); el
mouelo piogiamauo es vliuo.
No
Si
Biseai Expeiimentos (Azaiang E. & Euuaiuo, 1966)
Realizai tiabajos ue piouuccion (L
Analizai uatos ue saliua
Bocumentai, piesentai y usai iesultauos
No
Si

Studiositas, edicin de diciembre de 2010, vol5, nm.3 122

FORMULAR EL PROBLEMA Y PLANEAR EL
ESTUDIO. El gerente es el responsable de
determinar la existencia de un problema
de simulacin, es quien asigna los
recursos (Gerente del Proyecto, un
Analista de Simulacin y expertos en la
materia). Se deben fijar los objetivos del
estudio, las preguntas a dar respuesta,
las medidas de desempeo para evaluar
la eficacia de la configuracin del
sistema, el alcance del modelo, el
software, el tiempo del estudio y los
recursos (Garcia D., et al., 2006; Law &
Kelton, 2000). Durante sta fase el
Gerente de operaciones del Call Center
puede asignar a los coordinadores o
analistas la responsabilidad de no solo
disear y programar los turnos de los
agentes, sino tambin de evaluar su
desempeo dentro de un determinado
intervalo de tiempo; para lo cual el
coordinador analista debe estar en
capacidad de crear un modelo de
simulacin. Las ventajas, desventajas y
aplicaciones de la simulacin en un
sistema depende de su alcance, tiempo y
herramientas (Banks, 1998).

RECOLECTAR DATOS, ANALIZAR Y DEFINIR
EL MODELO, sta etapa se hace con la
ayuda de los responsables del proceso
para definir las configuraciones del
sistema, su diseo y todos los
procedimientos de la operacin. Si es
posible recolectar informacin, sta
servir para el anlisis de las
distribuciones de entrada, para
especificar los parmetros del modelo y
las medidas de desempeo que se
requerirn posteriormente en la
validacin. Al definir el modelo se
construye un documento de supuestos
llamado modelo conceptual (Law &
Kelton, 2000). El nivel de detalle del
modelo debera depender de los
objetivos del proyecto, las medidas de
desempeo, la disponibilidad de datos,
las preocupaciones por la credibilidad,
las restricciones computacionales, las
opiniones de los expertos en la materia,
las restricciones de tiempo y dinero
(LAW & KELTON; 2000). As mismo,
despus de identificar la complejidad del
sistema, la siguiente restriccin es la
recoleccin de informacin, ya que el
acceso a sta en la mayora de los casos
es limitada, o no se realiza de la manera
adecuada. El responsable de la
simulacin (por ejemplo, el coordinador
de centro de llamadas o el analista de
simulacin) debe interactuar
regularmente con el gerente y otro
personal clave en el proyecto, para
obtener la informacin y las
autorizaciones necesarias segn las
polticas de la organizacin, los
supuestos empresariales, tericos y
prcticos, con el fin de obtener
resultados ptimos en la simulacin
(LAW & KELTON; 2000).

El tipo de muestreo y diseo de
investigacin que se debe aplicar,
depende del acceso y manejo que se le d
a la informacin. Cuando se tenga fcil
acceso y control de sta es recomendable
realizar un diseo mixto factorial y no
experimental (observacional) (Sampieri,
Collado, & Lucio, 1997), bajo los
principios del Muestreo Aleatorio por

Studiositas, edicin de diciembre de 2010, vol5, nm.3 123

Conglomerados (MAC), el cual permite
identificar fcilmente cmo interacta la
variable tiempo con las independientes o
dependientes (tasa de prdida, tipos de
servicio y/o empresa, tiempo y/o tipo de
llamadas, cantidad de clientes en el
sistema, etc.). En el caso contrario
cuando el acceso a la informacin es
restrictivo y la mejora propuesta con el
modelo de simulacin, es obtener
mejoras en las tecnologas y/o el manejo
de la informacin; entonces se podra
implementar un diseo mixto factorial y
experimental con variables controladas
(Sampieri, et al., 1997), bajo los
supuestos del Muestreo Aleatorio
Simple (MAS) y/o MAC (Vivanco,
2005).

Las ventajas del diseo factorial es que
permite identificar y contrastar los
efectos de factores (variables)
cualitativos o cuantitativos en los
diferentes niveles (Montgomery, 2002).
Los factores que se deben considerar en
el estudio de simulacin para un centro
de llamadas son: turno o intervalo, da,
hora y semana del muestreo; tiempo de
arribos entre usuarios, tiempo de
servicio, identificacin del agente que
atiende el servicio, tipo de servicio
solicitado, modalidad de la llamada
inbound (entrada) o outbound (salida).

El responsable del estudio al aplicar un
diseo no experimental podra analizar
la totalidad de la Base de Datos (BD) o
realizar un MAC MAS de las llamadas
entrantes o salientes de un periodo de
tiempo dependiendo la complejidad del
estudio, la confiabilidad y el alcance del
mismo (teniendo muy en cuenta los
supuestos tericos y prcticos). Al tomar
la totalidad de la base de datos como
parte del estudio, debe identificar las
variables extraas o perturbadoras que
afectan el desempeo de la operacin
(tasa de prdida, ausentismo, entre
otras). Las variables perturbadoras son
las que se deben controlar en un diseo
experimental puro para el cual se deben
cumplir estrictamente los supuestos del
mismo (SAMPIERI, ET AL.; 1997).

Para la definicin del modelo en la figura
1, se puede utilizar la caracterizacin de
los factores (variables) de entrada
propuesta del servicio en un centro de
llamadas. sta indica que los factores o
variables dependientes (tasa de prdida,
de arribo y servicio), dependen de los
factores o variables independientes (da
de la semana, hora de muestreo, turno,
intervalo, tipo de servicio, entidad en el
caso que el centro atienda diferentes
empresas). Las hiptesis que se deben
verificar con stos factores en esta fase
son:

Ho: La tasa de arribos, la tasa de prdida
en el centro difiere de acuerdo a los
factores independientes y

Ho: La tasa de servicio en el centro
difiere de acuerdo a los factores
independientes y al tipo de agente que
presta el servicio.
Sin embargo, stas no son las hiptesis
principales del estudio de simulacin ya
que no hacen parte de la formulacin del
124
problema sino de una fase de
exploracin. Para ste anlisis el
coordinador del centro de llamadas o
analista de simulacin debe tener
competencias estadsticas en el anlisis
de la informacin y manejo de las
herramientas SPSS, Minitab y
Microsoft Excel. Jungmok (..)
determin que las medidas de
desempeo de un sistema de centro de
llamadas deberan ser las listadas en la
tabla 1.

Figura1. Caiacteiizacion uel seivicio en un centio ue llamauas

Fuente:autores


Tabla1. Neuiuas ue uesempeo paia un centio ue llamauas

Medidas Descripcin
Tiempo piomeuio ue iespuesta Tiempo piomeuio en el cual la llamaua es tomaua poi un agente.
Tiempo piomeuio ue
conveisacion
Tiempo piomeuio que una peisona que llama espeia paia sei conectauo a
un agente
Tiempo en cola Cantiuau ue tiempo que un usuaiio espeia en la linea.
Llamauas poi hoia Nmeio piomeuio ue llamauas que un agente atienue poi hoia.
Tiempo ue espeia
Tiempo piomeuio que un agente tiene en espeia a un usuaiio, paia
tiansfeiiilo a otio agente o uuiante una aveiiguacion uel seivicio.
0cupacion Tiempo piomeuio que un agente est ocupauo atenuienuo o en seivicio.
Cantiuau ue llamauas
bloqueauas
Nmeio total ue llamauas que no fueion atenuiuas poi falta ue
uisponibiliuau ue agentes, no tenei capaciuau telefonica, o poi estai la linea
ocupaua.
Tasa ue abanuono Poicentaje ue peisonas que llaman y se uesconectan antes ue sei atenuiuas.
Resolucion en la piimeia
llamaua
Poicentaje ue llamauas concluiuas en la piimeia conexion.
Nivel ue seivicio
Cantiuau ue tiansacciones que son manejauas uentio ue ueteiminauo
peiiouo ue tiempo.
Fuente.(Ma,Kim,&Rothrock,2011)

Studiositas, edicin de diciembre de 2010, vol5, nm.3 125

El usuario al contactarse con el centro de
llamadas ya tiene una necesidad
especfica. La necesidad del usuario trae
intrnsecamente factores de entrada o
variables no controlables. Estos factores,
podran ser controlables si el centro
fuera Outbound, pero cuando es
Inbound ste tipo de sistemas de
atencin NO tienen restricciones en el
ingreso por horas, turnos, tipos de
empresas, etc. En la mayora de las
oportunidades los centros atienden
hasta 24 horas dependiendo el tipo, la
magnitud y la complejidad de operacin.
Al considerar el ingreso de los usuarios,
la cada de llamadas, el nivel de
atencin, etc. Cuando el usuario
interacta con el sistema, se generan
unos factores de salida o variables
dependientes llamadas medidas de
desempeo; dependiendo el sistema y el
conocimiento del experto se deben
establecer estrategias para su
identificacin y control en lo posible
antes del inicio del estudio de
simulacin. La metodologa para el
anlisis de las variables de entrada se
presenta en el diagrama 2. Dentro del
anlisis de las variables se construye una
tabla de control utilizando herramientas
de estadsticas como SPSS, Minitab
Microsoft Excel. Las pruebas de
homogeneidad que se realizan es sin
supuestos de normalidad Kruskal Wallis
(MONTGOMERY; 2002), ya que antes de la
manipulacin de las variables se
desconoce la distribucin de las mismas,
en dado caso que fueran normales se
utilizara la prueba ANOVA. Como se
muestra en la tabla anterior, existen
variables de entrada dependientes que
no son homogneas; para lo cual se
puede concluir a priori que la tasa de
arribo, servicio y prdida pueden diferir
del da y la hora (intervalo) que se toma
la muestra, al igual que la tasa de
servicio por agente. Estas hiptesis
deben ser contrastadas con otro tipo de
pruebas de una manera ms detallada
como la de Sheff y Tukey
(MONTGOMERY; 2002) para determinar
los subconjuntos y contrastes
homogneos.

Un ejemplo de identificacin de
subconjuntos con la prueba Sheff, para
observar el comportamiento de la tasa
de arribo por cada hora de trabajo en un
turno de 6 horas, es el que se presenta
en la tabla 3. sta agrupa las tasas de
arribo de las horas 1, 2 y 3 en el
subconjunto 2; los arribos de las horas 4
y 5 en el subconjunto 3 y por ltimo un
subconjunto con las llegadas de la hora 6
en el subconjunto 1. De la misma
manera se realiza ste procedimiento
con todas las variables que no son
homogneas de la tabla 2.

Figura 2. Procedimiento para en anlisis de
entrada del certro de llamadas
Fuente: autores.
Luego se realizan las pruebas de
independencia o aleatoreidad
intravariable o para cada subconjunto
con una herramienta de anlisis
estadstico. En la figura 3, se presentan
pruebas con STATFIT (aplicativo del
ProModel) (GARCIA D., ET AL., 2006),
para el subconjunto 2 de la tabla 3; que
indica que el comportamiento de la tasa
de arribo desde las 6am hasta las 9am es
aleatorio. En la figura se presentan los a)
Datos y las pruebas b) Diagrama de
dispersin (grfica que visualmente
muestra la aleatoriedad y el
comportamiento dependiente de la
variable), c) Auto correlograma y
coeficiente de autocorrelacin
intravariable (como el valor es cercano
a cero no existir relacin, si fuera
positivo o negativo no habra
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.
Dependiendo de los supuestos que se
manejen al realizar la recoleccin de
datos, la complejidad y el alcance que se
le quiera dar a la simulacin del centro,
para identificar el tipo de
comportamiento de la variable aleatoria
intravariable se realizan las pruebas de
Bondad de Ajuste Chi cuadrado,
Kolmogorov-Smirnov y/o Anderson
Darling dependiendo la cantidad de
datos que se manejen y el nivel de
precisin que se busque. Si se realiza un
clustering de acuerdo a las habilidades
de los agentes se realiza una tabla de
presentacin de datos como la 4, en la
cual inicialmente se trabajara con el
ranking o nivel de ajuste y luego con los
supuestos de las lneas de espera
(Poisson, Exponencial y k-Erlang), en
dado caso que para la validacin las
medidas de desempeo del modelo
computacional no se ajuste a la sistema
real.
En dado caso que no se haga clster, no
exista homogeneidad entre los diferentes
niveles o que el modelo conceptual lo

127
exija por polticas del centro de
llamadas, se debe construir una tabla
como la 5, en la cual se respeten stos
supuestos.En algunas oportunidades se
pueden utilizar otras herramientas para
el anlisis de ajuste como el PP-PLOT o
el QQ-PLOT (Law & Kelton, 2000), las
cuales contrastan las hiptesis de la
distribucin terica, entonces si el ajuste
es con la lnea central se acepta de lo
contrario se rechaza.


Figura 3. Resultados STAT FIT para variable arribos de 6am a 9am

Fuente. STATFIT
Tabla2. Funcion ue uensiuau ue piobabiliuau (FBP) paia el tiempo ue seivicio poi agentes en clstei
Tipodeagente Ranking Lneasdeespera
1 uamma (u, 1.u4, 4.98) Exponencial (u, S.2)
2 Weibull (u, 1.u2, 4.S7) Exponencial (u, 4.SS)
S Weibull (u.1, S.u7) Exponencial (u, S.u6)
4 Weibull (u, 1.u2, S) Exponencial (u, 4.96)
S Weibull (u, u.927, 4.8S) Exponencial (u, S.uS)
6 uamma (u, 1.u9, 4.S) Exponencial (u, 4.67)
7 Eilang (u, 1, 4.69) Exponencial (u, 4.69)
8 Peaison 6(u.77, 1.u2, 18.S) Exponencial (u, 4.S2)
9 Weibull (u, u.982, S.u4) Exponencial (u, S.u8)
1u Exponencial (u, 4.9S) Exponencial (u, 4.9S)
Fuente. Los autoies con uatos ue STATFIT PioNouel

TipodeS
Neuicina
Piomocio
0uontolog
Bigiene 0
0ptometi
Especialiu
Especialiu
Fuente. Lo

En dad
aleatoria
distribuc
como u
teora d
Servicio
ueneial
on y Pievencio
gia
0ial
iia
uau sin piepai
uau con piepa
os autoies con
Figur
do caso q
a, pero n
cin teric
una distrib
de la pro
Tabla
on
iacion
aiacion
n uatos ue STA
ra4. uificas
que la va
no se ajus
ca, se deb
bucin em
obabilidad,
a3. FBP paia
Ranking
Weibull (u, 1.
Peaison 6 (u,
Weibull (u, u.
Peaison 6 (4.
Exponencial (
Peaison 6(u,
Peaison 6(u,
ATFIT PioNo
QQPlot y PP
Fue
ariable sea
ste a una
be simular
mprica con
como se


tiempos ue se
.u1, u.671)
, 4.19, 1.u9, 7.u
.981, u.676)
.19, 1.u9, 7.u6
(u.679)
u.911, 1.61, 2
2.uS, 1.u9, 4.1
ouel

Plot paia la ta
ente.STATFIT
a
a
r
n
e
mue
arri
serv
ste
tam
eivicio poi tip
u6)
)
.94)
1)
asa ue aiiibos
estra en la
ibos se po
vicio o por h
e tipo d
mbin para l
o
Teoriadec
Exponencia
Exponencia
Exponencia
Exponencia
Exponencia
Exponencia
Exponencia
ue 6am a 9am
a tabla 6 y
dra realiz
hora de ing
de distribu
la verificaci
colas
al (u.SS9)
al (u.691)
al (u.682)
al (u.712)
al (u.679)
al (u.742)
al (u.716)

m
y 7, la tas
ar por tip
greso al sist
uciones si
in y valida
sa de
o de
tema.
irven
acin

129
del modelo como medida de desempeo para verificar los supuestos.

Tabla4. Bistiibucion empiiica ue la tasa ue aiiibos ue caua tipo ue seivicio poi hoia ue tuino

Hora
Llamadas
%
1 2 3 4 5 6
Total
Neuicina ueneial Llamauas 881 866 842 6S6 6u4 S8u 4.2u9
% 21% 21% 2u% 1S% 14% 9% 1uu%
Piomocion y Pievencion 446 44S 428 29S S2u 182 2.114
21% 21% 2u% 14% 1S% 9% 1uu%
0uontologia 2u 2S 17 21 14 1u 1uS
19% 22% 16% 2u% 1S% 1u% 1uu%
Bigiene 0ial S8 S8 4S SS S7 19 212
18% 18% 21% 17% 17% 9% 1uu%
0ptometiia 18S 22S 2Su 1Su 17u 11S 1.uSS
18% 21% 22% 12% 16% 11% 1uu%
Especialiuaues sin piepaiacion 1uS 1u1 1u1 88 79 47 S21
2u% 19% 19% 17% 1S% 9% 1uu%
Especialiuaues con piepaiacion 498 47S S2u S47 S44 221 2.4uS
21% 2u% 22% 14% 14% 9% 1uu%
Totalllamadas 2.173 2.169 2.183 1.550 1.568 974 10.617
Fuente. Los autoies


Tabla5. Bistiibucion empiiica ue la tasa ue aiiibos poi hoia ue tuino

Hora/Intervalo Columna1
1 2 3 4 5 6 7 Total
Be 7am 8am Llamauas
881 446 2u S8 18S 1uS 498 2.17S
Q%
41% 21% 1% 2% 9% S% 2S% 1uu%
Be 8am 9am Llamauas
866 44S 2S S8 22S 1u1 47S 2.169
Q%
4u% 21% 1% 2% 1u% S% 22% 1uu%
Be 9am 1uam Llamauas
842 428 17 4S 2Su 1u1 S2u 2.18S
Q%
S9% 2u% 1% 2% 11% S% 24% 1uu%
Be 1uam 11am Llamauas
6S6 29S 21 SS 1Su 88 S47 1.SSu
Q%
41% 19% 1% 2% 8% 6% 22% 1uu%
Be 11am 12am Llamauas
6u4 S2u 14 S7 17u 79 S44 1.S68
Q%
S9% 2u% 1% 2% 11% S% 22% 1uu%
Be 12am 1am Llamauas
S8u 182 1u 19 11S 47 221 974
Q%
S9% 19% 1% 2% 12% S% 2S% 1uu%
Totalgeneral
4.209 2.114 105 212 1.053 521 2.403 10.617


ES EL MODELO CONCEPTUAL VLIDO?, se
verifican que los supuestos se hayan
cumplido junto ante una audiencia de
gerentes, analistas y expertos en la
materia, con el fin de asegurar que stos
se cumplan completamente y

correctamente (Law & Kelton, 2000). El
Coordinador y/o analista de simulacin
debe presentar un documento que
relacione todo lo establecido en los pasos
anteriores y realizar un plan de
realizacin.
CONSTRUIR UN PROGRAMA DE
COMPUTADOR Y VERIFICAR. Al programar
el modelo en un lenguaje de
programacin o en software de
simulacin, no se debe desconocer que la
ventaja de usar un lenguaje de
programacin es que a menudo es
conocido, tiene bajo costo de compra,
puede arrojar resultados de la ejecucin
de un modelo en un tiempo ms corto
(Law & Kelton, 2000). Los modelos de
simulacin pueden ser
computacionalmente costosos, por las
funciones implcitas de entrada
(Kleijnen, Beers, & Nieuwenhuyse,
2010). Sin embargo, los problemas de
simulacin para la programacin de
personal han sido muy utilizados,
muchos autores han trabajado con
variables de entrada para los arribos de
tipo Erlang-A, modelos de planeacin de
mano de obra multitarea heursticos con
simulacin simultnea y medidas de
desempeo preestablecidas sin
considerar medidas de desempeo
importantes como tasas de abandono y
bloqueo de llamadas (Aksin, Armony, &
Mehrotra, 2007).La metodologa
propuesta se desarrolla en ProModel
para generar modelos de planeacin de
recursos de mano de obra y/o
tecnolgicos necesarios en un centro,
con un nivel de programacin
computacional media, que detalla las
medidas de desempeo necesarias para
varios intervalos de tiempo. El modelo
se debe construir realizando un
clustering de las tipologas tanto de
servicios, de empresas de salud y cuellos
de botella, con anlisis factorial en los
diferentes niveles, se demandan
conocimientos estadsticos por parte del
analista de simulacin.Al realizar la
recoleccin de datos del centro de
llamadas en servicios de salud, se
aplican tcnicas clustering de minera de
datos con el fin de agrupar y representar
los diferentes tipos de agentes de
acuerdo a sus habilidades en tiempos de
atencin y mejorar la operacin de
recepcin de llamadas minimizando
cuellos de botella. Los cuellos de botella
disminuyen cuando se compensa en
intervalos de tiempo con ms recursos
(mano de obra y/o tecnolgicos) y se
aumenta el nivel de servicio. HACER
CORRIDAS PILOTO para propsitos de
validacin (LAW & KELTON; 2000).ES EL
MODELO PROGRAMADO VLIDO? Si hay un
sistema existente se compara el modelo
y las medidas de desempeo del sistema
con el sistema existente.
Independientemente si hay un sistema
real, el analista de simulacin y los
expertos en la materia deben revisar los
resultados del modelo para las
correcciones. Usar anlisis de
sensibilidad para determinar si los
factores del modelo tienen un impacto
significativo sobre las medidas de
desempeo y, as hacer un modelado
cuidadoso (Law & Kelton, 2000).
Existen dos tipos de sistemas los
terminales y los no terminales o de

Studiositas
estado e
a una
cantidad
unidad
2006), u
Figur
Fuente


s, edicin de di
estable, los
pregunta
d de suce
de tiempo
un ejemplo
ra5. Layout S
e.ProModel,
ciembre de 20
terminales
especfica
esos o ev
o (Garcia
para el cen
Simulacion en
conelplantea
Figura 6
10, vol5, nm.3
responden
sobre la
ventos por
D., et al.,
ntro sera la
PioNouel C
amientodelca
6. Medidas d
Fuente
3
n
a
r
,
a
cant
turn
de s
term

Centio ue llam
asodelcentro





de desempe
e. ProMode


tidad de u
no de traba
servicio. Mi
minales.
mauas, entiaua
dellamadasy
eo ProMod
el
usuarios at
ajo, por ag
ientras que
as y meuiuas u
programacin
del
tendidos en
ente por
los sistema
ue uesempeo
ndelosautore

n un
r tipo
as no

o.
es.

Studiositas, edicin de diciembre de 2010, vol5, nm.3
Tabla6. Foimulas paia la veiificacion y valiuacion ue meuiuas ue uesempeo.

T
e
r
m
i
n
a
l
e
s

Procedimiento
Se ueteimina el intervalodeconfianza conocienuo la Funcion ue Bistiibucion ue
piobabiliuau (uaicia B., et al., 2uu6).
Distribucin Frmula Parmetros
Noimal IC = jx - [to
2
,-1

, x + [to
2
,-1

[, x _[to
2
,n-1

x =
1

=1
,
i = Nmeio ue Rplicas
= Nivel ue Rechazo
0tio tipo
(Teoiema ue
Tchebycheff)
IC = _x -
s
u2
, x +
s
u2
_, x _
s
u2
s = _
1
-1
(x

- x )
2
=1

N
o

T
e
r
m
i
n
a
l
e
s

Procedimiento
Se ueteimina la longituddelarplica paia iuentificai la estabiliuau ue la vaiiable
aleatoiia conocienuo la Funcion ue Bensiuau ue Piobabiliuau (uaicia B., et al., 2uu6).
Distribucin Frmula Parmetros
Noimal
n =
_czo
2
_
2
(x-)
, n =
_czo
2
_
2
e

o=Besviacion estnuai
Zo
2
=paimetio ciitico ue
la tabla noimal
e=Rango
p=meuia
Noimal, con
uesconocimiento
ue la vaiianza
(estimai)
n =
_sto
2
,n-1
_
2
(x-x )
, n =
_sto
2
,n-1
_
2
e

s=uesviacion estnuai
to
2
,n-1
=paimetio ciitico
ue la tabla tstuuent
e=Rango
x =meuia
0tio tipo ue
Bistiibucion
n =
1
u
[
c
e

2

o=Besviacion estnuai
= Nivel ue Rechazo
e=Rango

Fuente los autores con informacin de Garcia D. et al. (2006)

Dunna, recomienda que para los
sistemas de tipo terminal el anlisis
estadstico se realice utilizando
intervalos de confianza y la
determinacin de la distribucin de
probabilidad de la variable de salida. Y
para los sistemas no terminales
determinar la longitud de la corrida, con
el fin de asegurar la estabilizacin de los
resultados del modelo (GARCIA Y OTROS;
2006). La mayora de las lneas de
espera son de tipo terminal y con
supuestos de no normalidad, por tanto
para los centros deberan utilizar el
Teorema de Tchebycheff, para establecer
los intervalos de confianza de las
medidas de desempeo del modelo
simulado que van a ser comparadas con
el sistema real.

DISEAR EXPERIMENTOS. Para ello se debe
especificar la configuracin del sistema
de inters, el largo de cada corrida del
periodo de calentamiento, si el existe, el
nmero de corridas de simulacin
analizadas independiente con diferentes
nmeros aleatorios para la construccin
de intervalos de confianza (LAW &
KELTON, 2000). Los experimentos se
crean de acuerdo al planteamiento del
problema, por ejemplo si se desea
determinar la cantidad de usuarios
atendidos en promedio durante un turno
de trabajo, se establece el intervalo de
confianza y se compara con los datos
recolectados en el segundo paso, para
determinar la validez del modelo.

REALIZAR DIFERENTES CORRIDAS, las que
van a ser usadas en seguida (Garcia D.,
et al., 2006). Cuando el modelo sea
vlido, se corren escenarios y nmeros
aleatorios que apoyan la solucin del
problema e igualmente generan mejoras
en el sistema.

ANALIZAR DATOS DE SALIDA. Dos de los
principales objetivos al analizar datos de
salida son determinar el desempeo
absoluto del xito de la configuracin del
sistema y comparar las alternativas de
configuracin del sistema en un sentido
relativo (LAW & KELTON, 2000). Se puede
tomar como base la tabla 1 para
identificar las medidas de desempeo
que ProModel genera en diez mens
para cada una de las locaciones,
recursos, entidades y variables de un
modelo, como se describen a
continuacin:

GENERAL. Datos generales del modelo, Run
Date/Time, Dia y hora de corrida; Model
Title, Ttulo del modelo; Model Path/file,
Ruta y archivo del modelo; Warmup Time
(HR), Tiempo de calentamiento; Simulation
Time (HR), Tiempo de simulacin.

LOCATIONS. Locaciones, Name, Nombre;
Location States Multi, Estados mltiples de
las locaciones; Location States Single,
Estados simples de las locaciones;
Resourses, Recursos; Resourses States,
Estados de los Recursos; Failed Arrivals,
Llegadas fallidas errneas; Entity Activity,
Actividad de la entidad; Entity States, Estado
de la entidad; Variables, variables.

ESTADOS MLTIPLES DE LAS LOCACIONES. Name,
nombre; Scheduled time (hr), Tiempo
programado; % Empty, Porcentaje
desocupado; % Part Occupied, Porcentaje
parcialmente ocupado; % Full, % Porcentaje
ocupado; % Down, % Tiempo muerto.
Studiositas, edicin de diciembre de 2010, vol5, nm.3
ESTADO INDIVIDUAL DE LAS LOCACIONES. %
Operation, Porcentaje de operacin; %
Setup, Porcentaje de arranque; % Idle,
Porcentaje ocioso; % Waiting, Porcentaje
esperando; % Blocked, Porcentaje
bloqueado; % Down, Porcentaje daado o en
fallas.

RESOURSES (RECURSOS). Unit, unidades;
Scheduled Time (HR); Number times used,
tiempo de uso; Avg time per usage (MIN),
Tiempo promedio de uso; Avg Time Travel
To Use (MIN), Tiempo promedio de
transporte para usar; Avg Time Travel To
Park (MIN), Tiempo promedio de transporte
para almacenar; % Blocked In Travel,
Porcentaje bloqueado en Transporte; %
Utilizacin, Porcentaje de utilizacin.

RESOURCE STATES (ESTADO DE LOS RECURSOS).
Scheduled Time (HR), Tiempo programado
(HR); % In Use, Porcentaje en uso; % Travel
To Use, Porcentaje de transporte para usar;
% Travel To Park, Porcentaje de viaje para
almacenar; % Idle, Porcentaje ocioso; %
Down, Porcentaje paradas.

FAILED ARRIVALS (ARRIBOS FALLIDOS). Entity
name, Nombre de la entidad; Location
name, Nombre de la locacin; Total Failed,
Fallas Totales.

ENTITY ACTIVITY (Actividad de la Entidad);
Name, Nombre; Total Exits, Total de salidas;
Current Qty In System, Cantidad actual en el
sistema; Avg Time In System (MIN), Tiempo
promedio en el Sistema; Avg Time In Move
Logic (MIN) , Tiempo promedio en
movimiento lgico; Avg Time Waiting
(MIN), Tiempo promedio esperando; Avg
Time In Operation (MIN), Tiempo promedio
en operacin; Avg Time Blocked (MIN),
Tiempo promedio bloqueada.

ENTITY STATES (ESTADOS DE LA ENTIDAD). Name,
nombre; % In move logic, Porcentaje en
movimiento lgico; % Waiting, Porcentaje
esperando; % In operation, Porcentaje en
operacin; % Blocked, Porcentaje bloqueado.

VARIABLES. Name, nombre; Total Changes,
Cambios en total; Avg Time Per Change
(MIN), Tiempo promedio por cambio;
Minimum Value, Valor mnimo; Maximum
Value, Valor mximo; Current Value, Valor
actual; Avg Value, Valor promedio.

DOCUMENTAR, PRESENTAR Y USAR LOS
RESULTADOS. El analista de simulacin
debe documentar y presentar los
supuestos, el programa de computador y
los resultados del estudio para usar en la
presente y en futuros proyectos. Es
importante discutir la construccin y el
proceso de validacin para promover la
credibilidad, ya que los resultados son
usados en el proceso de decisin cuando
son vlidos y crebles (LAW & KELTON;
2000).


Resultados

En el caso estudiado el centro tena su
cuello de botella en el lugar de espera de
llamadas <ProCenter>, por tanto se
recomend realizar una inversin en este
sentido. Sin embargo, si el cuello de
botella se hubiese debido a los tiempos
de atencin, la estrategia sera aumentar
los servidores en paralelo para cada
tipologa, esto sin olvidar realizar el
enrutamiento por especialidad del
ProCenter y al igual la especializacin de
los agentes como se muestra en la figura
7. El anlisis que se hace en intervalos de
15 minutos se usa para disear las mallas
de turnos, combinndolo con modelos
operacionales y simulacin para

Studiositas
compens
demand
servicio.
mallas d
9, dond

Nam
Piocentei
Agente tipo
Agente tipo
Agente tipo
Agente tipo
Agente tipo
Agente tipo
Agente tipo
Agente tipo
Agente tipo
PBX
Cola Empies
Cola Empies
Cola Empies
s, edicin de di
sar los h
a y para a
Una rep
de turnos s
de los age
me
Scheu
1
2
S
4
S
6
7
8
9
sa 1
sa 2
sa S
ciembre de 20
horarios c
aumentar e
resentacin
e muestra
entes agru
Figura7. N
Fu
Tabla
uuleu Time
(BR)
Ca
6
6
6
6
6
6
6
6
6
6
6
6
6
6
F
10, vol5, nm.3
con mayor
el nivel de
n de estas
en la tabla
upados por
Niveles ue llam
uente.ProMode
a7. Analisis u
apacity
Tot
Enti
1S
1
1
1
1
1
1
1
1
1
Su 1
1
1
1
Fuente:autores
3
r
e
s
a
r
espe
utili
cuan
pod
mauas ue caua
elcorridade
ue los iecuisos
tal
iies
Avg Time
Pei Entiy
(NIN)
641
6S
72
68
61
64
68
7u
82
7S
1897 1
2u9
2u8
2u9

scondatosde


ecialidad p
izacin de
ndo son po
dra cambiar
tipologia ue s
esimulacin
s uel call cente
e
y
Avg
Contents
8 1S
6 1
S 1
S 1
6 1
6 1
S 1
S 1
4 1
S 1
22 644
2 1
2 1
2 1
eProModel.
pueden lleg
el 98%,
olivalentes
r.
seivicio
ei
Naximum
Contents
S 1
1
1
1
1
1
1
1
1
1
4 12S
1
1
1
gar a tener
mientras
este porce

Cuiient
Contents
1S 1S
1 1
1 1
1 1
1 1
1 1
1 1
1 1
1 1
1 1
S6 12S6
1 1
1 1
1 1
r una
que
ntaje
% 0tilization
S 1u
1 9
1 9
1 9
1 9
1 9
1 9
1 9
1 9
1 9
6
1 9
1 9
1 9

u
8
8
8
8
8
8
8
8
8
u
6
6
6

Conclusiones

La metodologa presentada sirve para
planear requerimientos de personal en
centros de llamadas, para identificar
cuellos de botella y para compensar con
recursos los intervalos de tiempo en los
cuales se presenten niveles de servicio
inferiores a los establecidos por polticas
organizacionales. Pretende abarcar la
totalidad de las medidas de desempeo
que ProModel ofrece para evaluar las
necesidades que tiene un centro, con la
posibilidad de programar nuevas
demandas utilizando el uso de variables.
Al aplicar la metodologa, no se deben
olvidar las reglas usadas para la
programacin de turnos, de acuerdo a lo
descrito por Mason, Ryan, y Panton
(1998): 1. Estimar la carga de los
clientes en el horizonte de planificacin,
2. Determinar el nmero mnimo de
agentes necesarios en cada perodo,
segn la medida de atencin al cliente
determinado. 3. Seleccionar los cambios
de personal que cubren las necesidades.
Este problema se suele resolver a travs
de un programa conjunto que cubra
entero, ver Mason et al. (1998). 4.
Asignar a los empleados a los cambios
(ERTOGRAL & BAMUQABEL, 2008).


Bibliografa

AKSIN, Z., ARMONY, M., & MEHROTRA, V. The
modern call center: A multi-disciplinary
perspective on operations management
research. In: Productions and operations
research, 2007, vol. 16, pp. 665-668.

AVRAMIDIS, A. N., Chan, W., Gendreau, M.,
LEcuyer, P., & Pisacane, O. (2Optimizing
daily agent scheduling in a multiskill call
center. In: European J ournal of Operational
Research, 2010, vol. 200, pp. 822-832.

AZARANG E., M. R., & Eduardo, G. D.
Simulacin y anlisis de Modelos
Estocsticos, 1966, Mc Graw Hill.

BANKS, J . Handbook of Simulation Principles,
Methodology, Advances, Applications, and
Practice, 1998.Willey IEEE.

BERTSIMAS, D., & Doan, X. V. Robust and data-
driven approaches to call centers. In:
European J ournal of Operational Research,
2010, vol. 207, 1072-1085.

DESLAURIERSA, A., LEcuyera, P.,
Pichitlamkenb, J ., Armann Ingolfssonc, &
Avramidisa, A. N. Markov chain models of
a telephone call center with call blending. In:
Computers & Operations Research, 2007,
vol. 34, pp. 1616-1645.


ERTOGRAL, K., & Bamuqabel, B. Developing
staff schedules for a bilingual
telecommunication call center with flexible
workers. In: Computers & Industrial
Engineering, 2008, vol. 54, pp. 118-127.

Studiositas, edicin de diciembre de 2010, vol5, nm.3

Gans, N., Koole, G., & Mandelbaum, A.
Telephone call centers: tutorial, review, and
research prospects. Manufacturing and
Service Operations Management, 2003, 5,
79-141.

GARCIA D., E., Heriberto, G. R., & Crdenas B.,
L. E. (2006). Simulacin y anlisis de
sistemas con ProModel: Prentice Hall.

KLEIJ NEN, J . P. C., BEERS, W. V., &
Nieuwenhuyse, I. v. Constrained
optimization in expensive simulation: Novel
approach. European J ournal of Operational
Research,2010, 202, pp.164-174.

KOOLE, G., & Mandelbaum, A. Queueing
models of call centers: an introduction.
Annals of Operations Research, (2002). 113,
4159.

LAW, A. M., & KELTON, W. D. Simulation
Modelling and Analisys (Vol. III): Mc. Graw
Hill, 2002.

Ma, J ., Kim, N., & Rothrock, L. Performance
assessment in an interactive call center
workforce simulation. Simulation Modelling
Practice and Theory, 2011, vol. 19, 227-238.

MONTGOMERY, D. C.. Diseo y anlisis de
experimentos: Limusa Willey, 2002.

ROBBINS, T. R., & HARRISON, T. P. A stochastic
programming model for scheduling call
centers with global Service Level
Agreements. European J ournal of
Operational Research,2010, vol. 207, 1608-
1619.

SAMPIERI, R. H., Collado, C. F., & Lucio, P. B.
(Metodologa de la Investigacin: Mc. Graw
Hill. 1997).
USAID, P. M., Ministerio de Industria y
Comercio (Producer). Desarrollando el
Sector de BPO&O como uno de Clase
Mundial. [Discusin] Retrieved from
http://www.transformacionproductiva.gov.co
/Library/News/Files/20070725_Caso%20de
%20Negocio_BPO_Documento%20Final.pd
f308.PDF

WIPRO CONSULTING, S. (Producer). A NEW
WORLD OPTION FOR OFFSHORING,
Latin American Countries Can Offer
European Businesses Competitive Benefits.
Retrieved from http://www.wipro.com/