Análisis, desarrollo y valoración de propuestas de mejora para la asignación de personal en un Call Center

Fuentetaja Matey, Rubén (2017). Análisis, desarrollo y valoración de propuestas de mejora para la asignación de personal en un Call Center. Proyecto Fin de Carrera / Trabajo Fin de Grado, E.T.S.I. Industriales (UPM), Madrid.

Descripción

Título: Análisis, desarrollo y valoración de propuestas de mejora para la asignación de personal en un Call Center
Autor/es:
  • Fuentetaja Matey, Rubén
Director/es:
  • González Manteca, José Ángel
  • Mira McWilliams, José Manuel
Tipo de Documento: Proyecto Fin de Carrera/Grado
Grado: Grado en Ingeniería en Tecnologías Industriales
Fecha: Junio 2017
Materias:
Palabras Clave Informales: Call Center, ACD, VDN, Caser Seguros, predicción de las llamadas, Random Forests, error cuadrático medio, MAPE, asignación de personal, programación lineal, AIMMS.
Escuela: E.T.S.I. Industriales (UPM)
Departamento: Ingeniería de Organización, Administración de Empresas y Estadística
Licencias Creative Commons: Reconocimiento - Sin obra derivada - No comercial

Texto completo

[img]
Vista Previa
PDF (Document Portable Format) - Se necesita un visor de ficheros PDF, como GSview, Xpdf o Adobe Acrobat Reader
Descargar (3MB) | Vista Previa

Resumen

El presente trabajo consiste en el análisis de la situación del Call Center perteneciente a la compañía Caser Seguros, para el posterior desarrollo y valoración de propuestas de mejora. Se ha realizado un modelo para predecir el número de llamadas entrantes al Call Center por intervalos de media hora. Esta será una de las variables de entrada al modelo de asignación de personal, con el que se pretende planificar el número de agentes para atender las llamadas entrantes con el nivel de servicio fijado por la compañía. También serán variables de entrada al modelo la productividad de los agentes y el número de agentes de Caser que son asignados a cada turno horario. La principal dificultad al analizar el Call Center se encuentra en cómo gestionar el gran número de llamadas entrantes con el mínimo número de agentes necesarios y al mismo tiempo, mantener la calidad de servicio al cliente. En cuanto a la organización del Call Center, se estructura en tres agrupaciones que son los seguros que se ofrecen: Seguros de Automóviles, Generales y de Salud. También está Información General pero no es objeto de estudio en el presente documento. Respecto al proceso de planificación de personal, se puede llevar a cabo a varios niveles; estratégico, táctico u operacional, que difieren por el horizonte temporal e importancia de las decisiones. Así, a nivel estratégico se pueden tomar decisiones sobre la infraestructura de la red de telecomunicaciones, la formación de los agentes, la contratación o despido de agentes, la política de la externalización o el nivel de servicio que se quiere prestar al cliente; a nivel táctico, se realiza la generación de los turnos de trabajo, la distribución de los descansos de los agentes o el número de agentes externos necesarios para cumplir con los niveles de calidad; por último, a nivel operacional se atiende a los imprevistos que puedan surgir a tiempo real, intentando minimizar la cantidad de cambios producidos sobre la planificación llevada a cabo a nivel táctico. Este trabajo se ha centrado en el proceso de planificación de personal a nivel táctico, en el que se ha creado una herramienta para planificar los horarios de los descansos de los agentes de Caser y a la vez, minimizar la subcontratación de agentes externos. Los agentes pertenecen a alguna de las anteriores unidades y pueden atender llamadas de otras unidades si tienen los skills correspondientes. Estos skills de los agentes son los conocimientos que disponen para atender una u otra llamada y para ello, están asociados a los VDN (Vector Directory Number). Los VDN pertenecen a la arquitectura de telecomunicaciones interna de la red, son como los nodos por los que se dirigen las llamadas en función de la marcación que marca el cliente, según se va indicando con la tecnología IVR (Interactive Voice Response). En el presente trabajo, por simplificación del problema, no se considerará ni los skills de los agentes ni la red interna de telecomunicaciones. Desde un punto de vista descriptivo del Call Center, se ha analizado los niveles de atención al cliente, en relación al porcentaje de llamadas atendidas y al tiempo de respuesta en promedio de las llamadas. Al final de cada mes en cada uno de los seguros se cumplen los objetivos, pero al dividir el tiempo de respuesta en intervalos, se observa que la mayoría de las llamadas se responden con un tiempo de respuesta muy por debajo del fijado como objetivo. En principio, debería ser positivo para el cumplimiento de los niveles de servicio fijados pero en términos de costes para la compañía no es beneficioso, ya que posiblemente, se han planificado más agentes de los que se deberían realmente haber asignado. Se considera por parte de la compañía que el nivel de servicio de atención al cliente, en relación al tiempo de espera en recibir la atención a la llamada es bueno, si el tiempo de respuesta está en la franja de 25 ± 5 segundos. Objetivos: Los objetivos que se han planteado para la realización de este trabajo han sido principalmente los dos siguientes: .-Predicción del número de llamadas entrantes al Call Center en intervalos de 30 minutos para cada uno de los tres seguros. .-Planificación de los descansos de los agentes de Caser para minimizar la asignación del número de agentes externos. Procedimiento: Para conseguir el cumplimiento de objetivos, se han llevado a cabo las siguientes etapas secuencialmente en el tiempo durante la realización del trabajo: .-Análisis del Call Center y de la base de datos. .-Definición del problema, determinando las variables que influirán en los modelos. .-Diseño del modelo de predicción de las llamadas y de la regresión lineal entre la productividad de los agentes y el tiempo de respuesta promedio a las llamadas. .-Implementación del modelo utilizando las bases de datos en Excel, previamente desarrolladas, para la lectura de los datos en RStudio. .-Validación del modelo de predicción de las llamadas y de la regresión lineal con la que se obtiene la productividad de los agentes para dar un tiempo de respuesta de 25 segundos en promedio en cada intervalo. .-Diseño, implementación y validación del modelo de asignación de personal. .-Propuestas de mejora de asignación de personal. Base de datos: En relación a la predicción de las llamadas, se ha dispuesto del histórico de las llamadas de cada unidad de seguros de los años 2015, 2016 y el primer trimestre del año 2017 por intervalos de 30 minutos para cada VDN. Mediante tablas dinámicas se ha unificado todas las variables que hay para cada uno de los VDN en uno único para cada intervalo de 30 minutos. Las variables obtenidas del histórico de llamadas se han utilizado para el modelo de predicción de las llamadas y son las siguientes variables temporales: año, trimestre, bimestre, mes, semana, día, festivo y la hora por intervalos de 30 minutos. Además, se ha tenido en cuenta la variable clientes, que indica el número de clientes que hay registrados al principio de cada mes para cada uno de los seguros. Tanto para la obtención de la productividad de los agentes en la regresión lineal como para el valor del parámetro de entrada al modelo de asignación de personal se ha dispuesto del número de agentes de Caser en cada uno de los turnos horarios de los distintos seguros. Dividiéndose entre agentes con turno continuo y partido, y estos a su vez, en agentes con descanso de una hora y con descanso de una hora y media para la comida. Además, para la obtención de la productividad se ha contabilizado la asignación de agentes externos que hubo durante dos semanas en cada uno de los seguros. Modelo de predicción de las llamadas: El modelo se realiza desde un enfoque estadístico, utilizando Random Forests, comúnmente utilizado en problemas de regresión y clasificación, creándose a partir de árboles de tipo CART (Classification and Regression Trees). Estos árboles configuran sistemas de predicción a partir de un conjunto inicial de datos mediante un algoritmo sencillo basado en particiones binarias. Estas particiones, que configuran los nodos del árbol, dividen de forma recursiva el espacio de n dimensiones, siendo n las variables de entrada del modelo, con el fin de conseguir una ganancia de información y una mejor clasificación. Se ha realizado un análisis de la importancia de las variables de entrada al modelo según Random Forests, donde lo más significante es que la variable número de clientes no tiene tanta relevancia como se podría pensar en un principio. Esto es debido al rango de variación en el que se mueve no es muy amplio, excepto en Seguros Generales donde ha habido mayores fluctuaciones y se ve reflejado en una mayor importancia respecto a los otros seguros. Previamente a la predicción de las llamadas, se ha realizado un estudio de la variable respuesta por patrones, es decir, de cómo se comportará el modelo según el rango del número de llamadas en cada intervalo de media hora. Con lo que se ha concluido que cuando el número de llamadas para predecir es bajo, se obtienen peores resultados. Una vez generada la predicción de las llamadas para de cada uno de los árboles (ntree), se han ordenado de menor a mayor las predicciones individuales, escogiendo el percentil que ha proporcionado mejores resultados en relación al menor error cuadrático medio y MAPE. Productividad de los agentes: La productividad de los agentes es un parámetro muy a tener en cuenta, ya que una productividad mayor de lo normal podría decir que no se cuenta con el número idóneo de agentes para atender las llamadas, lo que trae como consecuencia el deterioro de los niveles de servicio y el estrés de los agentes. Sin embargo, una productividad baja explica que se tienen más agentes de los que se necesitan y aunque se puede tener cumplimiento de los niveles de servicio, se puede estar afectando a los costes de la empresa. En el presente trabajo, se ha considerado la productividad de los agentes fija, sin diferenciar entre la experiencia de cada uno de los agentes, y se ha definido como el cociente entre el número de llamadas atendidas y el número de agentes que había disponibles en cada intervalo de media hora durante los diez días analizados. Los resultados obtenidos de la regresión lineal, fijando el tiempo de respuesta en 25 segundos, son los siguientes: para Seguros de Automóvil es 5,45 llamadas atendidas por agente en 30 minutos y para Seguros de Salud es 5,77. En cuanto a Seguros Generales se ha considerado un valor intermedio, en razón a los tiempos de operación, ya que con la regresión no se obtenían valores coherentes. Modelo de asignación de personal: Se ha realizado mediante AIMMS haciendo uso de la programación lineal. Con el modelo se pretende planificar los descansos de los agentes de Caser para minimizar la contratación de agentes externos dando respuesta a las llamadas entrantes que se han predicho con el nivel de atención de servicio fijado por la compañía. Se ha generado una interfaz en Excel para la lectura de los datos en AIMMS y así poder introducir los parámetros de diseño y las variables de entrada más asequiblemente. Como ya se ha comentado, las variables de entrada al modelo son las siguientes: número de llamadas entrantes en cada intervalo de media hora, productividad de los agentes y el número de agentes de Caser disponibles en cada uno de los turnos horarios. En cuanto a las variables de salida son el número de descansos de 20 minutos, de 1 hora y 1 hora y 30 minutos y el número de agentes externos necesarios por cada intervalo de media hora. En la siguiente imagen se muestra la página de AIMMS que se ha diseñado para visualizar los datos de entrada y de salida del modelo. Conclusiones: En cuanto a los resultados del modelo de predicción de las llamadas, los mejores resultados se obtienen en Seguros de Salud y Automóviles, y el peor en Seguros Generales aunque la variabilidad explicada alcanza un valor cercano al 90%, el MAPE y el MSE toma valores elevados, debido sobre todo a esas horas cuando el número de llamadas es bajo y se produce el mayor error. Esto se puede observar con las curvas de las llamadas entrantes frente a las predichas por el modelo en intervalos de 30 minutos para cada día. En relación a los resultados de la productividad de los agentes, previamente, se tuvo que eliminar valores atípicos debidos a que hay agentes que pueden atender llamadas de otras unidades, los cuales no se tuvieron en cuenta por la complejidad del problema. El modelo de asignación de personal corresponde fielmente con los objetivos que se habían propuesto, asignando los descansos en las franjas posibles para cada turno y con el fin de minimizar el número de agentes externos. Por último, como propuestas de mejora para reducir los costes en el Call Center se han elegido para cada uno de los seguros, uno de los días con menores números de llamadas y se ha analizado la posibilidad de incorporar nuevos turnos. Se ha obtenido que en Seguros de Automóvil sea interesante introducir dos agentes con turno de 15 a 20:30 horas y en Salud otros dos turnos de 15 a 21 horas.

Más información

ID de Registro: 47320
Identificador DC: http://oa.upm.es/47320/
Identificador OAI: oai:oa.upm.es:47320
Depositado por: Biblioteca ETSI Industriales
Depositado el: 25 Jul 2017 06:40
Ultima Modificación: 25 Jul 2017 06:40
  • Open Access
  • Open Access
  • Sherpa-Romeo
    Compruebe si la revista anglosajona en la que ha publicado un artículo permite también su publicación en abierto.
  • Dulcinea
    Compruebe si la revista española en la que ha publicado un artículo permite también su publicación en abierto.
  • Recolecta
  • e-ciencia
  • Observatorio I+D+i UPM
  • OpenCourseWare UPM