Dividir el volumen de clientes por la capacidad promedio de un asistente no basta para determinar cuántos mostradores necesita su cola. Esta cuenta sólo proporciona una referencia de carga. Cuando la operación funciona cerca del 100% de su capacidad, cualquier variación en las llegadas o en la duración del servicio genera retraso acumulado. El dimensionamiento útil comienza con intervalos cortos, transforma el tiempo de servicio en capacidad, compara diferentes números de asistentes y elige el escenario más pequeño que cumpla con un objetivo de espera explícito.
Empiece con el rango, no con el promedio del día
Una cola no siente el promedio diario; ella siente el pico de cada período. Si llegan 240 personas en ocho horas, la media de 30 por hora oculta la diferencia entre una hora con 15 llegadas y otra con 50. Para escalar, organiza los datos en intervalos que representen la dinámica real del servicio, normalmente 15, 30 o 60 minutos.
En cada intervalo, calcule la tasa de llegada equivalente por hora. Si llegaron 15 personas en 30 minutos, la tarifa para ese periodo es de 30 llegadas por hora. Si llegaron 12 en 15 minutos, la tarifa equivalente es 48 por hora. Esta conversión le permite comparar la demanda y la capacidad en la misma unidad.
El intervalo debe ser lo suficientemente corto como para revelar picos, pero no tan corto como para que cualquier posibilidad se convierta en una tendencia falsa. En operaciones con caudal muy variable, 15 o 30 minutos suelen ser un mejor punto de partida que una media de varias horas. El historial debe considerar días comparables, estacionalidad, horarios de apertura, feriados, campañas y otros eventos que cambien la llegada.
Transformar el tiempo de servicio en capacidad bruta
Si el tiempo promedio de servicio, o TMA, es de 8 minutos, la capacidad teórica de un asistente es 60 dividido por 8, o 7,5 servicios por hora. Este número es la tarifa de servicio por asistente, al que se le puede llamar mu.
La carga ofrecida a la cola se puede calcular mediante: carga = tasa de llegada x TMA / 60. Con 30 llegadas por hora y una TMA de 8 minutos, la carga es 4. Esto significa que, en promedio, se requieren cuatro horas de trabajo de asistente cada hora.
Esta carga no debe confundirse con el número final de asistentes. En un modelo de cola simple con espera y sin abandono, el sistema sólo es estable cuando el número de asistentes es mayor que la carga. En el ejemplo, cuatro asistentes representan exactamente el 100% de ocupación teórica. No queda capacidad para absorber la aleatoriedad de llegadas y servicios, por lo que la cola no tiene saldo a largo plazo a estas alturas. Cinco asistentes son el primer escenario estable, pero aún no sabemos si cumplen con el objetivo de espera.
Por qué operar al límite es frágil
Las colas surgen porque los clientes no llegan a intervalos perfectamente regulares y los servicios no terminan todos al mismo tiempo. Cuanto mayor es la ocupación, menos espacio hay para absorber esta variación. Por lo tanto, el tiempo de espera aumenta de forma no lineal cuando la utilización se acerca al 100 %.
Este efecto también hace que la predicción sea importante. Si la escala se configuró para una ocupación del 95% y la demanda real es sólo un 5% superior a la prevista, la utilización efectiva está muy cerca del 100%. Es posible que el equipo haya sido dimensionado correctamente para el promedio esperado y aún produzca una espera excesiva en un día un poco más ocupado.
El objetivo, por tanto, no es elegir un porcentaje de ocupación universal. Implica definir un objetivo de servicio y probar cuántos asistentes se necesitan para alcanzarlo con la demanda y el TMA del intervalo.
Defina el objetivo de espera antes de elegir el número de contadores
Un objetivo operativo debe decir qué significa una espera aceptable. Algunos ejemplos son: el 90% de los clientes inician el servicio en 10 minutos; espera promedio inferior a 5 minutos; o P90 para una espera de hasta 10 minutos. Estas métricas no son equivalentes.
Para el dimensionamiento, un objetivo como el porcentaje cumplido en un período de tiempo es especialmente práctico. Decir que el 90% debe iniciar el servicio en 10 minutos equivale a exigir que, en el modelo, la probabilidad de esperar más de 10 minutos sea como máximo del 10%.
La elección del objetivo es gerencial. La atención de urgencia puede requerir mucha menos tolerancia que un servicio en el que el cliente acepta esperar. El cálculo transforma esta decisión en capacidad; no decide por sí solo qué nivel de servicio es apropiado.
Compare escenarios con Erlang C cuando las suposiciones sean razonables
El modelo Erlang C es una referencia clásica para colas con múltiples servidores paralelos. En forma básica, asume llegadas según un proceso de Poisson, tiempos de servicio independientes con distribución exponencial, asistentes equivalentes, disciplina de servicio por orden de llegada y clientes que no abandonan la cola antes de ser atendidos.
Dentro de estos supuestos, utilice lambda para la tasa de llegadas por hora, mu para la capacidad por asistente por hora, c para el número de asistentes y a para la carga ofrecida, donde a = lambda / mu. El uso es rho = a/c. Si rho es mayor o igual a 1, descarte el escenario de una cola ilimitada y sin abandono porque no es estable.
Para cada c estable, Erlang C calcula la probabilidad de que un cliente encuentre a todos los agentes ocupados y necesiten esperar. Con esta probabilidad, también es posible calcular la posibilidad de que la espera supere el tiempo t y, por tanto, verificar un objetivo como el 90% en 10 minutos.
La forma reproducible es esta. Primero calcula el denominador como la suma de a elevado a k dividido por k factorial, para k de cero a c menos uno, más el término a elevado a c dividido por c factorial y por 1 menos rho. Entonces, la probabilidad de esperar es el segundo término dividido por el denominador. La espera promedio en la fila es la probabilidad de esperar dividida por (c multiplicado por mu menos lambda). Finalmente, el nivel de servicio hasta el momento t es 1 menos la probabilidad de esperar multiplicada por exp de menos (c por mu menos lambda) por t, usando t en la misma unidad de tiempo que las tarifas.
Ejemplo: 30 llegadas por hora y TMA de 8 minutos
Con un TMA de 8 minutos, cada operadora tiene una capacidad promedio de 7,5 llamadas por hora. Con 30 llegadas por hora, la carga ofrecida es de 4.
Con cuatro asistentes, rho es 1. El escenario opera en el límite teórico y no es estable en Erlang C. Con cinco asistentes, rho cae a 0,80. El cálculo da una probabilidad de espera de aproximadamente el 55,4%, una espera promedio de aproximadamente 4,43 minutos y aproximadamente el 84,1% de los clientes iniciando el servicio
en hasta 10 minutos.
Con seis asistentes, rho cae a aproximadamente 0,667. La probabilidad de esperar es de alrededor del 28,5%, la espera promedio cae a alrededor de 1,14 minutos y aproximadamente el 97,7% de los clientes comienzan a atenderse en 10 minutos.
Si el objetivo es el 90 % en 10 minutos, cinco asistentes no son suficientes en este ejemplo, mientras que seis asistentes cumplen el objetivo según los supuestos del modelo.. Una simple división de la demanda por capacidad indicaría cuatro, exactamente el escenario que no tiene margen para la variabilidad. Esta diferencia es la razón por la que no se considera la capacidad bruta como tamaño final.
Utilice la ley de Little como control, no como fórmula de escala
La Ley de Little relaciona tres promedios: número de clientes en el sistema, tasa de llegada y tiempo promedio en el sistema. En forma simple, L = lambda x W. La misma relación se puede aplicar a la cola, usando el número promedio de personas esperando y el tiempo promedio de espera.
Es muy útil para comprobar si los datos tienen sentido. Si se conoce la tasa de llegada y el sistema registra un tiempo de espera promedio, la relación ayuda a estimar cuántas personas deberían, en promedio, hacer fila. Pero no determina cuántos asistentes se necesitan para alcanzar un percentil o un objetivo de espera. Para hacer esto, necesita modelar la variabilidad y la cantidad de servidores.
Servicios separados con duraciones muy diferentes
Un único promedio puede ocultar mezclas que producen colas muy distintas. Imaginemos que un contador hace un trámite de 3 minutos y otro tarda 20 minutos. Un TMA global puede incluso representar la carga total, pero no muestra cómo afecta la distribución de los tiempos a la espera ni si los asistentes tienen las mismas habilidades para realizar ambos servicios.
Cuando los tipos de servicio tienen duraciones, prioridades o competencias muy diferentes, calcule el volumen y el tiempo por tipo. Luego decida si las colas realmente comparten el mismo equipo. Si algún asistente puede atender a cualquier cliente, se gana en capacidad compartida. Si determinados mostradores son especializados, cada grupo debe dimensionarse según la demanda que realmente pueda cubrir.
También es importante separar el tiempo de servicio del tiempo de no disponibilidad. Los descansos, los cambios de turno, las conferencias, las tareas administrativas, la falta de disponibilidad del sistema y el retrabajo reducen la capacidad efectiva. El número de ventanas abiertas no es necesariamente igual al número de agentes productivos durante todo el intervalo.
Cuándo no se debe utilizar Erlang C solo
Erlang C es una aproximación, no una instantánea completa de la operación. Pierde precisión cuando el patrón de llegadas cambia mucho dentro del propio intervalo, cuando los clientes abandonan la cola, cuando hay fuertes prioridades, cuando los asistentes tienen diferentes habilidades, cuando los tiempos de servicio son muy asimétricos, cuando hay llegadas en lotes o cuando la capacidad cambia durante el período.
Si el abandono es relevante, modelos como Erlang A pueden representar una paciencia limitada. Si la cola mezcla varios tipos de clientes y habilidades, los modelos multiclase o la simulación de eventos discretos suelen ser más apropiados. Cuando la demanda varía rápidamente, una simulación de llegadas históricas y tiempos de servicio puede mostrar efectos que una cuenta de intervalo estacionario no captura.
Una práctica segura es utilizar Erlang C como punto de referencia cuando las suposiciones son aceptables y luego comparar la predicción con la operación real. Si el modelo dice que la espera debería ser baja y los datos observados siguen siendo altos, busque suposiciones erróneas antes de simplemente agregar personas.
Cree una hoja de cálculo que pueda recalcularse en cada intervalo
Cada línea de la hoja de cálculo debe representar un intervalo de tiempo y contener, como mínimo, el inicio y el final del período, el número de llegadas, la tasa de llegada equivalente por hora, TMA, la capacidad por asistente, la carga ofrecida y los escenarios c que desea probar. Para cada escenario, calcule rho y descarte rho mayor o igual a 1.
En las siguientes columnas, calcule la probabilidad de esperar por Erlang C, la espera promedio y el nivel de servicio para el objetivo definido. La línea de decisión es la c más pequeña que cumple el criterio. Repita el proceso para todos los intervalos del día. El resultado no es un número único de agentes para la empresa, sino una curva de necesidad a lo largo del tiempo.
Luego aplica una capa de escala. El tamaño de la cola le indica cuántos asistentes deben estar disponibles en cada intervalo. La escala transforma esta necesidad en turnos reales, considerando descansos, almuerzos, capacitaciones, ausentismo, límites de jornada laboral y actividades que alejan a las personas del trabajo. Confundir estos dos pasos es otra fuente común de subdimensionamiento.
Trabajar con escenarios base, pico e incertidumbre
No utilice simplemente un valor lambda promedio histórico. Establezca al menos un escenario típico y un escenario máximo coherente con la historia. En operaciones sensibles, agregue un margen para el error de pronóstico o utilice un cuantil de demanda del rango en lugar de solo el promedio.
La misma lógica se aplica a TMA. Si cambia por hora, día o tipo de servicio, utilice estimaciones específicas. Si un cambio de proceso ha reducido recientemente el TMA, no mezcle meses antiguos y nuevos como si fueran la misma operación.
El valor de la hoja de cálculo está en hacer explícitas las hipótesis. Cuando la demanda aumenta, el TMA cambia o el objetivo de espera se vuelve más exigente, el número recomendado de asistentes cambia frente al gerente, sin depender de una fórmula mágica oculta.
Cómo aprovechar datos ya registrados en Biomi Pass
La documentación pública de Biomi Pass informa que la operación registra estado, tiempos, contador, tipo, motivo e historial de transiciones. También informa que los informes recogen volúmenes, ausencias, cancelaciones y tiempos, y que las soluciones por sectores muestran informes de esperas y servicios.
Estos datos constituyen una base adecuada para construir la hoja de cálculo por intervalo: el volumen alimenta lambda, las horas alimentan el TMA y la separación por tipo o sector ayuda a no mezclar servicios con diferentes perfiles. Antes de calcular, confirme cómo el sistema define cada duración, por ejemplo si el tiempo incluye transferencia, pausa, servicio activo o finalización, para no comparar métricas con diferentes significados.
La cifra final es una decisión sobre el nivel de servicio
El número más pequeño de asistentes capaces de procesar la carga no es necesariamente el número que ofrece la experiencia deseada. El tamaño correcto tiene dos preguntas separadas. La primera es cuántos asistentes se necesitan para que la cola sea estable. El segundo es cuantos hay
necesario para cumplir el objetivo de espera con margen suficiente para la variabilidad real.
Comience con datos en intervalos cortos, convierta AMR en capacidad, calcule la carga, descarte escenarios en el límite, pruebe los números de ventana con un objetivo explícito y valide la predicción con el comportamiento observado. Este proceso produce una escala justificable y comparable a lo largo del tiempo, en lugar de un número elegido por el promedio del día.
