Si un sistema emitió 100 turnos y 82 terminaron en atención, es tentador decir que hubo un 18% de desistimiento. Ese atajo solo sería correcto si los otros 18 turnos representaran a personas que entraron en la fila, esperaron y se marcharon antes de que comenzara la atención. En una operación presencial, eso casi nunca puede suponerse sin una clasificación de los desenlaces.
La tasa de desistimiento debe medir un evento específico: la persona entró efectivamente en la fila y salió mientras esperaba, antes de empezar a ser atendida. Un turno cancelado, un registro duplicado, una prueba del sistema, una transferencia, una persona no localizada tras la llamada y alguien que decidió ni siquiera entrar en la fila pueden representar situaciones diferentes. Mezclarlas produce un número sencillo, pero poco confiable para decidir dotación, capacidad o cambios en la atención.
Qué debe medir la tasa de desistimiento
En la literatura de colas existe una diferencia clásica entre balking y reneging. Balking es el rechazo a entrar en la fila; reneging es la salida después de que la persona ya entró y comenzó a esperar. Para una métrica de desistimiento en fila presencial, el segundo comportamiento es el más cercano a lo que se pretende medir como abandono durante la espera.
Una definición operativa útil es: tasa de desistimiento (%) = abandonos confirmados durante la espera ÷ entradas válidas en la fila × 100.
El punto decisivo está en las dos expresiones de la fórmula. “Abandonos confirmados” exige un criterio de clasificación. “Entradas válidas” exige que el denominador represente personas o recorridos de atención que realmente pasaron a formar parte de esa fila, sin pruebas, duplicidades ni registros técnicos que no correspondan a demanda real.
Por qué turnos emitidos menos turnos atendidos no equivale a abandono
La diferencia entre turnos emitidos y turnos atendidos mide, como máximo, cuántas entradas no terminaron en atención dentro de ese recorte. Por sí sola, no revela el motivo.
Considera un ejemplo hipotético con 100 entradas válidas, todas ya cerradas. El sistema registra 82 atenciones completadas, 8 abandonos confirmados durante la espera, 4 cancelaciones explícitas y 6 ausencias tras la llamada. Si la gestión calcula 100 menos 82, llegará a 18 casos no atendidos y podría llamar a eso un 18% de abandono. Pero solo 8 casos fueron efectivamente clasificados como abandono durante la espera. Con un denominador de 100 entradas válidas, la tasa de desistimiento es del 8%.
Los otros 10 casos siguen siendo relevantes. Simplemente responden a preguntas diferentes. Una cancelación explícita puede revelar un cambio de intención, un error de triaje o la resolución por otro canal. Una ausencia tras la llamada puede indicar que la persona se fue, no oyó el aviso, hubo un error operativo o el estado se utilizó como una forma genérica de cerrar el turno. Sumarlo todo bajo la etiqueta “abandono” elimina esas diferencias y dificulta corregir la causa real.
El numerador: qué entra como desistimiento
El numerador debe contener únicamente recorridos que cumplan la definición acordada por la operación. En una regla sencilla, la persona debe haber entrado en la fila y la atención todavía no puede haber comenzado cuando ocurre el abandono.
Lo ideal es que el registro sea explícito. Puede existir un botón de “desistió”, un cierre realizado por recepción tras la confirmación, un evento en la aplicación de filas u otro mecanismo que identifique la salida. Cuanto menos observable sea el evento, mayor debe ser la cautela antes de aplicar la etiqueta.
Un turno llamado sin respuesta, por ejemplo, no demuestra por sí solo que hubo desistimiento. La persona puede haberse alejado unos minutos, no haber oído el panel, estar en otro punto del establecimiento o haber sido llamada de manera incorrecta. Si la operación quiere convertir una ausencia tras la llamada en abandono, necesita crear un protocolo objetivo, como número de repeticiones de la llamada, intervalo entre llamadas y condición de cierre. Hasta que ese protocolo produzca evidencia suficiente, es más seguro mantener “ausencia tras la llamada” como un desenlace propio.
La cancelación explícita también merece una categoría propia. Si la persona informa que ya no desea el servicio y la organización registra ese acto, el dato es más preciso que inferir abandono. La gestión puede seguir cancelación y desistimiento en paralelo y después investigar si los motivos se superponen.
El denominador: quién entró realmente en la fila
Para responder “¿qué proporción de las personas que entraron en la fila abandonó la espera?”, el denominador debe representar las entradas válidas de esa fila. Esto incluye los distintos desenlaces que pueden ocurrir después de la entrada, porque todos pertenecen a la misma población inicial.
En la práctica, el denominador debe excluir turnos de prueba, duplicidades, registros creados por error y eventos técnicos que no representen a una nueva persona o un nuevo recorrido de atención. Las transferencias entre puestos o filas exigen una regla clara para no contar el mismo recorrido dos veces.
Hay otra precaución importante: el recorte debe estar cerrado. Si el informe se calcula a las 17:00 con personas todavía esperando, esos recorridos aún no tienen desenlace. Una solución robusta es trabajar por cohortes de entrada: seleccionar a quienes entraron en un período determinado y
calcular la tasa cuando todos los recorridos de esa cohorte se hayan cerrado. En un panel en tiempo real, la tasa puede mostrarse como provisional, pero el número de casos todavía abiertos debe aparecer por separado para no crear una falsa precisión.
Cuatro situaciones que no deben mezclarse
Rechazo antes de entrar en la fila
Quien ve la fila y decide no participar no está abandonando una espera que nunca comenzó. En la teoría de colas, este comportamiento se denomina balking. En una fila basada únicamente en turnos emitidos, puede ser invisible, porque no llegó a emitirse ningún turno.
Si este comportamiento es importante para el negocio, exige otra fuente de datos, como conteo de flujo en la entrada, registro por parte de recepción o anotación de personas que preguntan el tiempo estimado y desisten antes de retirar un turno. El indicador debe tener otro nombre, porque el denominador también es otro: personas que llegaron al punto de decisión, no personas que efectivamente entraron en la fila.
Abandono durante la espera
Aquí está el evento central de la tasa de desistimiento. La persona entró en la fila, permaneció esperando y salió antes del inicio del servicio. El momento del abandono también es útil: saber si la salida ocurre después de 5, 20 o 60 minutos ayuda a localizar el tramo en el que la espera deja de ser tolerada en ese contexto.
Cancelación explícita
La cancelación es un cierre conocido. La persona informa que ya no desea continuar, o la operación registra un motivo específico que hace innecesaria la atención. Mantenerla separada permite entender si el problema es el tiempo de espera, un cambio de necesidad, documentación, derivación u otro factor.
Ausencia tras la llamada
La ausencia tras la llamada es una señal, no necesariamente una causa. El sistema sabe que el turno fue llamado y la persona no se presentó en ese momento. Sin una confirmación adicional, no sabe por qué. Tratar esa ausencia automáticamente como abandono puede inflar la tasa y ocultar problemas de audio, paneles, orientación, circulación en el espacio o cierre incorrecto de turnos.
Un modelo mínimo de datos para la fila
La calidad del indicador depende más de los eventos registrados que de la fórmula. Para cada recorrido, el sistema debería poder reconstruir al menos la entrada en la fila, la primera llamada, el inicio de la atención cuando exista, el cierre y el desenlace final. Fecha, hora, unidad, servicio y fila también deben estar asociados al recorrido para permitir el análisis por contexto.
El campo de desenlace debe limitarse a categorías claras y comprendidas de la misma manera por todo el equipo. Si “desistió”, “no se presentó”, “canceló” y “error operativo” significan cosas distintas para cada persona que atiende, el panel parecerá preciso, pero no será comparable entre turnos o unidades.
Es igualmente importante impedir que una atención ya iniciada se cierre como desistimiento. Después del inicio del servicio, una salida del cliente puede requerir otro concepto, como interrupción de la atención. Mezclar fases diferentes hace imposible saber en qué punto del recorrido ocurrió la pérdida.
Cómo reconciliar los números antes de publicar la tasa
Una buena auditoría comienza verificando si los desenlaces cierran la población observada. Para una cohorte ya cerrada, la cantidad de entradas válidas debe ser compatible con la suma de atendidos, abandonos confirmados, cancelaciones explícitas, ausencias tras la llamada y otros desenlaces válidos previstos por la operación.
Si la suma no cierra, hay registros abiertos, duplicidad, transferencias mal tratadas o cierres faltantes. La tasa no debería utilizarse para comparar desempeño antes de entender esa diferencia.
También conviene probar la secuencia temporal. Un abandono no puede tener una hora anterior a la entrada. Una atención no puede comenzar después de un cierre definitivo. Un turno marcado como “no se presentó” no debería aparecer al mismo tiempo como atención iniciada. Las reglas automáticas de consistencia reducen errores que serían difíciles de detectar mirando solo el porcentaje final.
La advertencia del TCU sobre datos de fila sin un procedimiento confiable
La importancia de esta gobernanza aparece de forma concreta en la auditoría del Tribunal de Contas da União (TCU), el tribunal federal de cuentas de Brasil, sobre la atención de la Defensoria Pública da União, resuelta en el Acórdão 956/2025-Plenário. El TCU trató el tiempo de espera y la tasa de desistimiento como indicadores relevantes de la atención presencial, pero también registró falta de confiabilidad en los datos cuando el sistema de gestión de filas no se utilizaba de forma adecuada.
La auditoría señaló, entre otros problemas, distorsiones asociadas a la falta de finalización correcta de las atenciones en el sistema. El resultado es una lección aplicable fuera del sector público: no basta con tener un software que emite turnos. Si los estados del recorrido no se cierran de forma consistente, la base puede producir tiempos de espera absurdos y tasas de desistimiento que parecen objetivas, pero en realidad reflejan un error de procedimiento.
El propio TCU recomendó monitorear todas las etapas de la atención, incluidos el tiempo de espera y la tasa de desistimiento. En el servicio público, la Lei 13.460/2017 también incluye la previsión del tiempo de espera entre los estándares de calidad informados al usuario y exige una evaluación continua de la calidad de la atención. La ley no proporciona una fórmula para el desistimiento; la definición operativa sigue dependiendo de una clasificación de datos que sea estable y auditable.
Cómo comparar horarios, unidades o profesionales sin distorsionar
Después de estabilizar la definición, utiliza siempre el mismo numerador y el mismo denominador en las comparaciones. Si una unidad cuenta la ausencia tras la llamada como abandono y otra no, la clasificación mide una diferencia de regla, no necesariamente una diferencia en la experiencia del usuario.
La agrupación por horario también debe respetar el momento de entrada en la fila. Así, todos los recorridos iniciados entre las 10:00 y las 11:00 pertenecen a la misma cohorte, aunque algunos solo terminen después de las 11:00. Agrupar por hora de cierre mezcla personas que llegaron bajo condiciones diferentes y puede desplazar el problema aparente a otra franja.
Al consolidar varios grupos, suma los abandonos y suma las entradas antes de calcular la tasa total. Evita obtener el promedio simple de las tasas de cada grupo cuando los denominadores son diferentes. Una fila con 100 entradas tiene un peso operativo distinto de otra con 10.
La tasa de desistimiento no debe analizarse sola
Una tasa baja puede coexistir con una espera mala si las personas no tienen alternativa, y una tasa alta puede estar concentrada en un único servicio u horario. Por eso, la interpretación mejora cuando el indicador se lee junto con el tiempo de espera.
Existe además un efecto importante: observar solo el tiempo de espera de quienes fueron atendidos puede ocultar a quienes desistieron. Si los clientes más impacientes se marchan antes de llegar al puesto, el promedio de quienes permanecieron puede parecer razonable incluso con una pérdida relevante en la fila. Siempre que sea posible, sigue por separado el tiempo hasta la atención y el tiempo hasta el abandono.
La mediana y los percentiles del tiempo de espera también ayudan a mostrar colas largas de la distribución que el promedio oculta. El objetivo no es acumular indicadores, sino descubrir si el desistimiento aumenta en determinada franja de espera, servicio, horario, unidad o configuración del equipo.
Una regla práctica para implantar la métrica
Primero, escribe la definición en una frase que cualquier persona del equipo pueda aplicar: “desistimiento es la salida confirmada de quien ya entró en la fila y todavía no inició la atención”. Después, configura desenlaces distintos para abandono, cancelación y ausencia tras la llamada. A continuación, elimina del denominador pruebas, duplicidades y movimientos técnicos que no sean nuevas entradas reales.
Realiza la primera medición con una cohorte pequeña y ya cerrada. Reconcilia el total de entradas con todos los desenlaces. Revisa muestras de registros y verifica que los horarios tengan sentido. Solo después amplía a paneles diarios, semanales y comparaciones entre unidades.
Si la operación todavía no consigue distinguir los desenlaces, el indicador debe asumir esa limitación. Es mejor publicar “no atendidos después de entrar” como una métrica amplia y temporal que llamar desistimiento a todo y tomar decisiones de capacidad a partir de un número semánticamente incorrecto.
El indicador se vuelve útil cuando cada pérdida tiene nombre
La tasa de desistimiento en fila presencial no es “todo lo que no terminó en atención”. Es la proporción de las entradas válidas que terminó en abandono confirmado durante la espera, según una regla operativa clara.
Separar rechazo antes de entrar, abandono durante la espera, cancelación explícita y ausencia tras la llamada transforma un saldo genérico de turnos en información de gestión. Con ello, el gestor puede saber si necesita reducir la espera, mejorar la llamada, corregir el triaje, revisar el registro de desenlaces o investigar por qué las personas están cancelando. La fórmula es corta; la confiabilidad viene de la clasificación y del procedimiento que alimentan el numerador y el denominador.
