Caso de Estudio: Simulación de Capacidad en una Sucursal Bancaria

¿Cuántos clientes de su sucursal se van sin ser atendidos, simplemente porque la sala de espera está llena? Este caso muestra cómo construimos un modelo de simulación de una sucursal bancaria piloto, para dimensionar su capacidad de atención y reducir los tiempos de espera de los clientes.

Contexto

La empresa, una entidad del sector financiero, necesitaba conocer la capacidad real de atención de una de sus sucursales piloto y entender por qué, en las horas de mayor afluencia, un porcentaje importante de sus clientes no lograba siquiera ingresar a la sala de espera. La sucursal no contaba con un modelo que permitiera evaluar, antes de implementarlas, distintas configuraciones de cajeros y asesores.

Objetivo

Desarrollar un modelo de simulación de eventos discretos de una sucursal piloto que permitiera identificar la capacidad operativa real de los procesos de atención al cliente (front office), y evaluar distintos escenarios para reducir los tiempos de espera y los arribos fallidos.

Metodología aplicada

Aplicamos la metodología de Consult-ING para simulación de procesos, apoyada en teoría de colas:

• Diagnóstico y recolección de datos: visitamos la sucursal para documentar el proceso completo que sigue cada cliente, el número de servidores, los turnos de trabajo y la capacidad física de las salas de espera.
• Análisis estadístico de datos de entrada: ajustamos distribuciones de probabilidad (Poisson) para las llegadas de 10 tipos de cliente distintos según el día y la hora, y para los tiempos de servicio de cada tipo de asesoría y caja.
• Construcción del modelo de simulación: modelamos en ProModel el flujo completo de clientes, desde su llegada hasta su salida del sistema, incluyendo turnos, arribos y capacidad de las colas.
• Validación estadística del modelo: ejecutamos 30 corridas independientes de un año de duración cada una, con semillas distintas, y confirmamos que las llegadas simuladas de los 10 tipos de cliente se ajustaban al comportamiento real dentro del intervalo de confianza esperado.
• Análisis de escenarios: comparamos el escenario actual contra 3 escenarios propuestos (con distintas configuraciones de cajeros) y un escenario específico para el día de mayor afluencia, evaluando el estado de las colas, los servidores, los arribos fallidos y los tiempos en el sistema de cada uno.

Resultados

• En el escenario actual, cerca del 15% de los clientes que llegaban a la sucursal no lograban ingresar, debido a que las salas de espera se encontraban llenas en las horas pico.
• El escenario de mejora evaluado redujo los arribos fallidos de 15% a 5,89% (una reducción del 61%), simplemente ajustando la disponibilidad de cajeros durante el día.
• El tiempo promedio en el sistema del cliente más crítico (caja empresarial) se redujo de 63 a 37 minutos con la nueva configuración evaluada.
• Se validó estadísticamente el modelo con 30 corridas independientes, confirmando que representaba fielmente el comportamiento real de la sucursal.
• Se dejaron construidos 4 modelos adicionales (3 escenarios de mejora y un escenario específico para el día de mayor afluencia) listos para ser evaluados o ajustados por la empresa.

Recomendaciones para la implementación

• Extender la simulación a cada día de la semana, para identificar si existen diferencias significativas en el comportamiento de la demanda.
• Combinar los escenarios de mejora con el análisis por día de la semana, para encontrar la mejor configuración de atención.
• Modelar también los días con eventos atípicos (por ejemplo, pago de pensiones) para evaluar qué tan robusta es la operación ante picos de demanda.
• Una vez definida la mejor configuración de servicio, construir un modelo de asignación de personal (programación lineal) que optimice los turnos sin afectar el nivel de servicio.

¿Sabe cuántos de sus clientes se van sin ser atendidos por falta de capacidad? Contáctenos y se lo mostramos con un modelo de simulación.