10 min. lectura

Planificación operativa: el problema de la selección de variables para el pronóstico

Autor Invitado: Lucas Ferroni

De los procesos del WFO (Workforce Optimization, en español, optimización de la fuerza de trabajo), el pronóstico es el que tiene una mayor carga de arte y de la gestión en tiempo real, pero es el que menos atención recibe.

En el artículo de Germán Enrico, publicado en agosto de 2019, se trató la temática del pronóstico en el mundo de la planificación operativa, enfocado a centros de contacto. Esta publicación viene con el objetivo de dar continuidad a la discusión, profundizando temas como la sección de estadística descriptiva y dejando para otros artículos la estadística de inferencia. 

A lo largo del artículo, se comentarán aspectos relacionados a la selección de las variables, para luego dar lugar al tratamiento relacionado con la preparación y ordenamiento de los datos necesarios. También se tratan algunas herramientas para la selección de la técnica de pronósticos. Sin bien el principal enfoque está sobre las transacciones telefónicas, también es posible aplicar estos conceptos a un proceso secuencial -solo son necesarios algunos ajustes.

El presente texto es parte de una serie que pretende profundizar en los diferentes aspectos de los pronósticos, entre ellos: determinación de variables, preparación de datos y selección del método de pronóstico basado en eficiencia y calidad.

Por último, se espera que estas notas contribuyan para mitigar el “pronostismo” (Hyper necesidad de pronosticar en exceso). Para ello, se comentarán criterios para la selección de variables sujetas a ser pronosticadas y que simultáneamente arrojen luz sobre algunas herramientas que permiten hacer al arte de pronosticar una tarea un poco menos mística.

Selección de variables para el pronóstico

En la vida cotidiana, los individuos realizan pronósticos constantemente y con resultados bien variados, en especial cuando simplemente se usan métodos como el de Referencia histórica(1). Tal como Germán Enrico ejemplifica con el caso del café, considerando los pronósticos sobre los consumos y stocks de insumos, basados en una receta dada.

Ahora bien, cuando se realizan esas estimaciones, no suelen contar con mucha atención a un modelo subyacente. Aunque de tanto en tanto nos falten algunos de los ingredientes para la infusión, en general no suele ser causa de gran alboroto.

Entonces, antes de hacer inmersión sobre los datos necesarios para realizar un pronóstico, es necesario evaluar cuales son las variables a considerar, ya que las mismas pueden afectar dramáticamente el proceso de recolección y análisis del set de datos, input del pronóstico. 

Debido a que aquí la discusión está enfocada en procesos que dentro de la teoría de colas se definen como M/M//n (en notación de Kendall)(2), se evita la discusión de la clasificación de variables desde el punto de vista estadístico (aleatorias, discretas, dicotómicas, cualitativas, etc), ya que se entiende que las mismas escapan al alcance aquí propuesto.

Para la planificación operativa de un call center o contact center, en general, se suele segregar a las variables en dos grandes grupos: aquellas que afectan a la carga de trabajo (demanda) y aquellas que afectan a la capacidad de gestión de esa carga de trabajo (oferta).

En ambos casos, podemos identificar elementos como eventos que determinan comportamientos con cierto grado de certidumbre (demanda: ciclo de facturación reiterativo, cantidad de días laborales, promociones, etc) y otros que tiene un comportamiento del tipo anomalía y que o bien son su impacto es desconocido o su comportamiento es de muy baja frecuencia y por tanto no suelen ser considerados (oferta: indisponibilidad masiva de sistemas), aunque su realización puede tener un impacto significante.

Aunque suele ser omitido, el horizonte de pronóstico también puede determinar la selección de variables. Si se trata de un largo plazo, entonces es de esperar que se intente capturar cambios de tendencias o ciclos de negocios incluyendo variables cuyo impacto en el corto o mediano plazo son despreciables. Por ejemplo el cambio en la base instalada de clientes asociado a un cambio en el producto bruto

Ahora bien, luego de tanto texto, la pregunta sigue pendiente: ¿qué variables considerar para pronosticar?

» Aprende cómo estimar el costo de un call center para una RFP

Criterios para la selección de variables en la planificación operativa

En la siguiente sección, se esbozan algunos criterios para la selección de las variables a considerar.

Disponibilidad

Se refiere a considerar las situaciones donde la información de la variables puede no estar disponible durante periodos prolongados (o nunca). Es decir, que los datos se puedan contar como disponibles con la frecuencia de recolección necesaria. 

En otras palabras, cuando los datos no se encuentran disponibles por períodos de tiempos mayores al de transmisión de su efecto. En estas situaciones, una variable proxy puede ser una buena alternativa. Por ejemplo: acciones confidenciales de marketing que solo se revelan luego de ejecutadas.

La disponibilidad también se refiere al grado de granularidad de los datos. Por ejemplo variables cuyos resultados solo se expresan en unidades de tiempo que son mayores a las del pronóstico (como variables demográficas de resultados anuales, quinquenales, etc.). 

En lo que toca a los centros de servicios, es común tratar con datos en intervalos de tiempo de 5, 10, 15, 30 minutos, hasta intervalos horarios o diarios.

Integridad y cambios estructurales

Es vital que se pueda considerar información íntegra, es decir, que refleje fielmente el proceso que intenta medir. Cuando los datos son manipulados, o no reflejan de manera adecuada el proceso, pueden llevar a conclusiones incorrectas, por lo que su inclusión dentro del set de variables puede ser contraproducente.

El cambio estructural considera cambios en metodología de medición. Cambios significativos en procesos o tecnologías que pueden tener un impacto significativo, alterando el valor intrínseco de la información. En algunas circunstancias, se pueden utilizar herramientas para mitigar el impacto, como pueden ser el empalme de series, etc.(3).

Costo

Este atributo puede ser poco significativo en los centros de servicio, ya que la extracción de datos suele ser un proceso de alto nivel de automatización. Sin embargo, en lo que se refiere a los resultados medidos por encuestas, el costo no es despreciable en general. 

En oportunidades, la extracción de datos es la parte menos traumática, pero el procesamiento o transformación de los datos hasta llegar a información puede ser complejo y costoso, en especial cuando son necesarias unir varias fuentes diferentes. Aquí es importante considerar entonces el trade off entre los costos de obtención y procesamiento, versus el impacto que la variable tiene sobre el sistema de colas.

Impacto

Aquí es donde se trata el síntoma del pronostismo. Considerar variables cuyo impacto es significativo para los resultados del pronóstico. Si bien, por ejemplo para el caso de regresiones lineales, en general hay tests de hipótesis varios para la decidir si la variable es significativa.

Horizonte

En este item, se considera el periodo de tiempo que se pretende abarcar. 

Cuando se trata de un escenario de muy corto plazo, en general las variables se reducen a las de mayor aleatoriedad, ya que aquellas de menor aleatoriedad presentan cambios menos significativos en el corto plazo y por tanto su comportamiento es conocido, eliminando la necesidad de estimación. 

Al contrario, cuando se trata a de un horizonte de planeamiento de mayor duración, las variables de mayor aleatoriedad tienden a perder significancia en pos de aquellas que expresan comportamientos más claros en largo plazo.

» Ve cómo calcular el AHT para call centers

Sugerencia de variables a considerar para un call center o contact center

Volumen de transacciones (demanda)

En intervalos acordes a los objetivos de servicio. La granularidad puede depender de otras variables, como el tiempo de gestión. 

Esta variable puede ser resultado de otras estimaciones como por ejemplo la base de clientes, los cambios en procesos (autogestión), objetivos de ventas o cobranzas, etc. En general se segmenta la demanda por tipos de procesos, por lo que puede ser necesario múltiples variables. Es deseable trabajar con escenarios de corto, mediano y largo plazo.

Tiempo de gestión o carga de trabajo (oferta y demanda)

Se refiere al tiempo-esfuerzo necesario para la gestión de la unidad de demanda en los intervalos relacionados con la duración de las transacciones por tipo de proceso. Es razonable asumir que cambia en el mediano y largo plazo y se mantiene relativamente constante en el corto plazo si se aíslan efectos específicos (curva de aprendizaje, cambios tecnológicos, procesos, etc)

Ausentismo (oferta)

Habitualmente medido como el porcentaje de no presentes sobre el esperado de presentes o el ausentismo no programado en los intervalos de servicio. En general, se descompone en entradas tardes o salidas temprano (tanto de turno como de descansos) y ausentismo de turno. 

El ausentismo programado dependerá de la gestión y definición específica para determinar si debe ser contemplado (ejemplo: vacaciones, licencias, cuotas preestablecidas, etc). 

Para estimaciones financieras, puede ser requerido contar con las estimaciones de ausentismo pago y no remunerado en cantidad de horas, por ejemplo. Es deseable trabajar con escenarios de corto, mediano y largo plazo.

Rotación (oferta)

Normalmente se debe considerar la rotación voluntaria e involuntaria, además de todas aquellas transferencias de personal que reduzca la oferta (transferencias internas, promociones, etc.). Es deseable trabajar con escenarios de corto, mediano y largo plazo.

Indisponibilidades de sistema y otros reductores de la capacidad (oferta)

Variables que no son conocidas al momento de realizar el pronóstico. Es deseable trabajar con escenarios de corto, mediano y largo plazo.

Otras variables conocidas

Las siguientes variables suelen ser conocidas y por tanto no requieren de pronóstico como tal, aunque se incorporan en las variables que afecta a la oferta:

• • Capacitaciones y otras actividades que afectan a la capacidad (oferta): que son conocidas al momento de realizar el pronóstico. Tiempo destinado a entrenamientos recurrentes, refuerzos de calidad, nuevos procesos y comunicaciones, etc.
• • Curva de aprendizaje (oferta): se refiere al tiempo necesario para que los recursos adquieran el nivel promedio de productividad medido sobre el tiempo de gestión del grupo de control. En general suele ser una curva de productividad ascendente con el tiempo hasta alcanzar el valor medio de la población.

El proceso de planificación operativa empieza con el pronóstico, que a su vez incluye distintas etapas. La primera consiste en la problemática de la selección de las variables a pronosticar. El siguiente paso sería el tratamiento de los datos (a trabajar en el próximo artículo de la serie), para luego realizar el pronóstico o estimación propiamente dicha. Esta última es la etapa del WFO que más arte y creatividad requiere.

Esto no significa que todo sea creatividad. Al realizar estas gestiones se pueden utilizar criterios (como se soslaya en el artículo) y diferentes herramientas informáticas. Además, es necesario conocer el negocio, ya que esta perspectiva va a ser un elemento crucial a la hora de buscar las variable relevantes.

Acerca del autor: Lucas Ferroni

Lucas Ferroni es Licenciado y Magíster en Economía (UBA-FCE) y cuenta con cursos de postgrado en Ingeniería de Costos (UBA-FI) y en Administración General de Negocios (UDESA). Dentro de su experiencia laboral ha sido Profesor adjunto de la Universidad de Buenos Aires, Facultad de Ciencias Económicas, para Microeconomía I y Microeconomía avanzada, especialidad teoría de Juegos. Profesor de Microeconomía invitado en la Universidad de San Isidro, Dr Placido Domingo.

En el ámbito privado, se ha desempeñado como responsable del Área de WFM, reporting y Regional de Calidad (Atento y Teleperformance), logrando la certificación Clean Audit COPC en planificación de Field Services y reporting para Directv. Actualmente es Director Regional para el centro de soporte técnico de Hospitality de Oracle.

Si deseas contactar directamente a Lucas, puedes encontrarlo en:

• • Linkedin: https://www.linkedin.com/in/lucasferroni/

Notas:

(1) Kahneman, Daniel; Tversky, Amos (1979). "Prospect Theory: An Analysis of Decision under Risk" (PDF). Econometrica. 47 (2): 263–291

(2) David G. Kendall in Tijms, H.C,Algorithmic Analysis of Queues, Capítulo 9 en A First Course in Stochastic Models, Wiley, Chichester, 2003. Una explicación simplificada puede encontrarse en wikipedia donde, 1/2/3/(4/5/6) donde los números se reemplazan con:

• 1. Un código que describe el proceso de llegada. Los códigos usados son:
  • • M para "Markoviano" (la tasa de llegadas sigue una distribución de Poisson), significando una distribución exponencial para los tiempos entre llegadas.
  • • D para unos tiempos entre llegadas deterministas, es decir, no siguen un proceso probabilistico a la hora de su determinación.
  • • G para una "distribución general" de los tiempos entre llegadas, o del régimen de llegadas.
• 2. Un código similar que representa el proceso de servicio (tiempo de servicio). Se usan los mismos símbolos.
• 3. El número de canales de servicio (o servidores).
• 4. La capacidad del sistema, o el número máximo de clientes permitidos en el sistema incluyendo esos en servicio. Cuando el número está al máximo, las llegadas siguientes son rechazadas. Caso particular es el modelo Erlang-C o M/M/n, donde la capacidad del sistema es ilimitada, aunque haya sólo n recursos; en caso de llegar el recurso número n+1, pasará a una cola de espera, pero no es rechazado. En Cambio Erlang-X considera la existencia de abandono en la cola de espera
• 5. El orden de prioridad en la que los trabajos en la cola son servidos:
  • • First Come First Served (FCFS) o First In First Out (FIFO)
  • • Last Come First Served (LCFS) o Last In First Out (LIFO)
  • • Service In Random Order (SIRO)
  • • Processor Sharing
• 6. El tamaño del origen de las llamadas. El tamaño de la población desde donde losclientes vienen. Esto limita la tasa de llegadas.
  • a: representa la distribución de probabilidad de arribo de solicitudes de servicio (Poisson comúnmente en los centros de contacto)
  • B: representa la distribución de probabilidad del tiempo de servicio c: el numero de servidores (receptores de la demanda)

(3) Documento metodológico y resultados de la retropolación 1975 - 2005. Base 2005. Departamento Administrativo Nacional de Estadística. Dirección de Síntesis y Cuentas Nacionales (DSCN). Grupo de retropolación, Colombia, Mayo 2013