El trabajo diario de los equipos de Workforce Management (WFM) requiere actualizar de forma precisa ciertos indicadores para dimensionar la capacidad necesaria, ya sea en términos de horas, recursos humanos o simultaneidad requerida.
En esta nota vamos a hacer un recorrido sobre los procesos de dimensionamiento más usados, desde la perspectiva de quien utiliza los procesos día a día y de quienes necesitan decidir y calibrar en base a la información recibida.
Previo al proceso de Capacidad
Aún luego de muchos años de experiencia y en posiciones de liderazgo en Operaciones- WFM, muchos analistas piensan que el proceso de pronóstico de volumen basado en históricos hace parte del proceso de dimensionamiento de capacidades.
Podemos describir en el futuro este proceso a detalle, pero queremos listar tres razones importantes por las cuales este proceso es único y aislado:
1) El pronóstico se vuelve solamente insumo a utilizar para el dimensionamiento; es solamente una variable para utilizar en un modelo estadístico. Su proceso individual puede ser modificado sin que el proceso de dimensionamiento sea impactado.
2) El proceso de pronóstico es estocástico, entendiendo por esto que los eventos cambian probabilísticamente a medida que pasa el tiempo. Por ejemplo, el pronóstico incluye factores de cambio por estacionalidad, lanzamiento de productos, fallas generales que modifican la probabilidad de entrada de contactos.
3) En ciertos casos, el proceso de pronóstico no es implementado por el equipo de Workforce; solo se reciben los resultados de parte del Cliente Externo, o de parte de un equipo de planeación central (GRP – Global Resource Planning).
Los tres procesos más usados para determinar la Capacidad Requerida
¿Cuál es el proceso de dimensionamiento de capacidades más conveniente? Vamos a revisar en detalle tres de los procesos más utilizados, cuáles son los puntos a favor y en contra de cada uno de ellos.
1) Proceso Empírico
(o “jefe ocupado abriendo la app de calculadora”)
Para fines educativos le vamos a llamar “proceso”, pero lo cierto es que este cálculo es una de las “cajas negras” más sencillas y usadas en la industria para validar de forma simple un proceso más complejo. Dicho proceso consta de operaciones aritméticas consecutivas que nos llevan a determinar la capacidad requerida en horas o en recurso humano. Muchos líderes no tienen tiempo o no encuentran dentro de su alcance tener que conocer detalles a fondo de criterios o fórmulas.
En este caso tan simple podemos darnos el lujo de poner un ejemplo.
Digamos que esperamos recibir 20000 llamadas en una semana y cada llamada tiene una duración promedio de 5 minutos. Nos debemos preparar para un tiempo hablado de 5×20000 = 100000 minutos (1667 horas). Digamos que un agente trabaja 40 horas semanales, de las cuales un 70% del tiempo esperamos que esté efectivamente al teléfono. Esto nos da un tiempo útil por agente de 40 * 70% = 28 horas semanales. Haciendo la división correspondiente obtenemos que con 60 agentes cumplimos la atención.
Pros del proceso Empírico:
-Fácil comprensión.
-Aplicación rápida.
-Variantes de fórmula general aplicadas dependiendo del tipo de contrato.
–Permite detectar posibles errores en métodos más complejos.
Contras del proceso Empírico:
–Expectativas equivocadas. El resultado real de procesos especializados puede variar mucho de este ejercicio general.
–No toma en cuenta variaciones estacionales, ni variables como ausentismo/ retención.
-El determinismo causal en el que se basan estas soluciones aritméticas no dejan lugar a la generación de escenarios complejos.
2) Erlang
(o “todos lo utilizamos, pero no lo conocemos en realidad”)
El proceso para aplicar la distribución de Erlang se basa en la teoría del matemático danés Agner Erlang (1917) para examinar el número de contactos que pueden hacerse al mismo tiempo a los operadores telefónicos que cambian de estaciones.
La fórmula ampliamente conocida y utilizada en el mundo de los contact centers se conoce como Erlang C y se basa en las siguientes hipótesis:
a. El tiempo entre arribos de llamadas es una variable aleatoria con distribución exponencial de parámetro acorde a cuántas llamadas se espera recibir en un intervalo. Esta hipótesis es sumamente realista.
b. La duración de una llamada también es una variable aleatoria de distribución exponencial cuyo parámetro se ajusta para respetar el TMO. Esta segunda hipótesis no es realista en la práctica.
c. El llamante espera indefinidamente en cola hasta que su llamada es atendida. No hay abandonos; otra hipótesis que no es realista.
Una fórmula posterior conocida como Erlang A (1946) -si bien fue desarrollada por el sueco Conny Palm-, permite calcular el número esperado de abandonos agregando a las hipótesis de Erlang C una paciencia que también se modela con una variable exponencial. Esta fórmula sin dudas ayuda a complementar Erlang C, pero no resuelve el problema ya que no ofrece por sí sola un pronóstico de nivel de servicio.
Es común recibir solamente un Excel con un módulo de macros listas para utilizarse y unas instrucciones mecánicas de cómo aplicar dicho código de Erlang. Y en el caso de sistemas de WFM robustos, el código ya viene listo para ser parte del proceso de dimensionamiento en base a información histórica segmentada.
Pros de Erlang:
– Es un proceso conocido por todas las operaciones BPO en la actualidad.
– Versiones personalizadas se utilizan para poder generar cálculos sobre otros canales.
– Además de indicar los agentes requeridos, permite pronosticar otros indicadores como Nivel de Servicio y Tiempo Promedio de Respuesta.
Contras de Erlang:
– La hipótesis de duración de la llamada no se ajusta a la realidad.
– Si el proceso recibe más parámetros de los necesarios, puede crear sobreestimaciones en su resultado que no siempre son interpretadas de forma correcta. La gran mayoría de equipos toman el resultado sin revisar si contiene un nivel no necesario de sobre-ajuste.
– El modelo Erlang no contempla abandonos. Para esta aplicación de la fórmula se parte del supuesto de que todas las llamadas esperan de forma indefinida hasta que son atendidas.
– Aunque es una práctica común en la actualidad, la fórmula aplicada de Erlang está diseñada para un solo servicio. No contempla que los agentes actuales están entrenados en varias líneas de negocio y son movidos dinámicamente durante el día para cumplir las necesidades de cobertura. La asignación multicanal o rebalse por línea de negocio no puede dimensionarse. Esta es una de las razones principales del sobredimensionamiento en operaciones multicanales al proyectar recursos basados en Erlang.
– La fórmula original parte de una cantidad finita de contactos entrantes solamente. Las transferencias realizadas desde otras líneas de servicio, llamadas directas a una extensión, llamadas adicionales realizadas por contactos que cuelgan y vuelven a llamar no son tomadas en cuenta dentro del Erlang base. Para compensar estos sucesos, muchos equipos ajustan con valores de incremento de acuerdo a festivos, días de lanzamiento de ofertas o productos e intervalos con alza histórica.
3) Simulación Personalizada
(o “sí, podemos hacer eso y más, basados en matemáticas”)
Tomando a favor los beneficios de la capacidad de cómputo actual, partamos de una simplificación del proceso de simulación matemática. Simulemos a un ritmo acelerado cada llamada del día con todos sus atributos:
– quién toma la llamada
– si cumple con el nivel de servicio
– si se abandona o no
– cuánto tiempo demora
– si el agente toma otro contacto de inmediato o si va a su receso
Un modelo estadístico robusto nos permite en cuestión de minutos realizar simulaciones diferentes de un día o semanas completas. Y en base a tendencias, permite definir la proyección más exacta según la información histórica y criterios con los que se alimenta el modelo.
Pros de la Simulación Personalizada:
– Se aplican criterios reales como el tiempo de espera o abandonos.
– El algoritmo genera llamadas y las asigna a los agentes disponibles.
– Simula un día completo en milisegundos permitiendo visualizar todos los indicadores relevantes.
– Permite repetir el día muchas veces, para dar resultados más reales de escenarios que podrían plantearse (da idea de lo que en estadística se conoce como varianza) en lugar de ofrecer solo el resultado promedio.
– Capacidad de simular agentes con multiskill.
Contras de la Simulación Personalizada:
– Alta capacidad de cómputo requerida. Estamos hablando de servidores dedicados y de una gran cantidad de información procesada para crear cada una de las simulaciones.
–Se requiere una interfaz estructurada para poder procesar información de insumo y calibrar detalles específicos como el tratamiento de agentes multiskill, cambios en tendencias de ausentismo y uso de auxiliares tales como días festivos o anomalías, perfiles de agentes, etc. Sin esta facilidad, administrar el modelo estadístico requiere una persona dedicada.
-Poder implementar esta solución desde cero requiere un nivel avanzado de ciencias exactas y de experiencia en WFM que es difícil de lograr.
Más allá del proceso elegido, hay un rol crítico: el del equipo de Workforce Management
Teniendo en cuenta los beneficios y obstáculos que tiene cada uno de los procesos de dimensionamiento, el factor que en realidad hará la diferencia entre el éxito y el fracaso de estos ciclos de planeación es el nivel de libertad que se permite a los equipos de WFM para que puedan calibrar los resultados.
Por ejemplo, los analistas de tiempo real pueden explicar con facilidad anomalías en resultados (factores humanos, emergencias relacionadas a conectividad o software, entre otras). Pero muchas veces no tienen una forma estructurada de documentar este conocimiento generado en las primeras líneas y poder incluirlo de forma eficaz en los nuevos ciclos de planeación.
El proceso de dimensionamiento debe incluir procesos paralelos de inteligencia de negocio, para poder capitalizar en los errores de proceso, errores humanos y anomalías externas al proceso. Y luego replicar dicho aprendizaje al resto de nuestros equipos. Al igual que el muy conocido “si no se mide, no sirve”, tenemos la oportunidad de aplicar día a día lo siguiente: “La capacidad de cómputo actual, tal como la Inteligencia Artificial, no reemplazará a los analistas y creadores, solamente volverá nuestro trabajo más humano”.
Entre más compartamos el conocimiento y entrenemos a nuestros equipos, abriendo la puerta a foros donde estos procesos se cuestionen, validen y mejoren; entre más apoyemos a nuestro talento dentro de WFM, mejores resultados tendrán estos procesos y los demás que van relacionados a los ciclos de BPO. Al fin y al cabo, es un negocio de personas para personas.
