You are on page 1of 27

Ingeniería Civil Industrial Universidad de Valparaíso

Informe final
Simulación en Arena

    

. Nicolás Pérez R. Juan Andrés Prado M. Javier Riquelme Juan Pablo Vera S. María José Gárate P.

23/07/2013

INDICE
INDICE............................................................................................................................................ 2 INDICE............................................................................................................................................ 2 Introducción .................................................................................................................................. 4 Descripción del servicio ................................................................................................................. 5 Diagrama de flujos ........................................................................................................................ 6 Criterio de depuración de datos ................................................................................................... 7 Análisis Estadístico ........................................................................................................................ 9 Análisis semanal ........................................................................................................................ 9 Análisis por día de la semana .................................................................................................. 12 Preparación de los datos para la simulación............................................................................... 13 Análisis mensual de tiempo medio de llegada y su tendencia ............................................... 13 Análisis entre el 3 y 20 de Mayo ............................................................................................. 14 Análisis entre el 24 y 31 de Mayo ........................................................................................... 15 Análisis de distribuciones ........................................................................................................ 16 Análisis de tiempo de atención ............................................................................................... 16 Análisis de tiempo de atención entre el 3 y 20 de Mayo ........................................................ 17 Análisis de la deserción ........................................................................................................... 18 Modelamiento en Arena ............................................................................................................. 19 Análisis..................................................................................................................................... 19 Validación de datos entre el 3 al 20 de mayo .................................................................... 20 Validación de datos entre el 24 y el 31 de mayo ............................................................... 22 Lunes y miércoles ................................................................................................................ 22 Martes y jueves ................................................................................................................... 22 Viernes................................................................................................................................. 22 Búsqueda de la solución.......................................................................................................... 23 Análisis Lunes y martes ....................................................................................................... 23 Análisis Miércoles-Jueves .................................................................................................... 23 Análisis de Viernes............................................................................................................... 23 Lunes y Miércoles del 24 al 31 de Mayo ............................................................................. 24

2

............................................ 26 Bibliografía .... 25 Conclusión ...................................................................................................................................................................................................................................... 24 Análisis Viernes 28.......................... 27 3 ....................................................................Análisis martes y jueves del 24 al 31 de mayo .....................................................................

En esta ocasión es una de las oficinas de una empresa distribuidora de servicios eléctricos la que será analizada para determinar si su sistema actual está dando los resultados óptimos que toda empresa desea. Y si no fuese el caso. En la actualidad. esperan si es que hay otros siendo atendidos. luego son atendidos y se marchan del sistema. Dado que si se ofrece un servicio inmediato es muy costoso para la empresa. 4 . es de gran importancia que cada empresa cuente con un sistema de colas personalizado. dar solución al sistema especificando el número de ventanillas en funcionamiento según horario de atención.Introducción La teoría de colas se puede describir como “clientes” que llegan buscando un servicio. ya que el diseño de éste ayuda a encontrar el balance adecuado entre costos y buen servicio. pero no se puede arriesgar a perder clientela por un alto tiempo de espera.

Los tipos de problemas para este caso son:  Servicio al cliente: Servicio que proporciona la compañía para relacionarse con los clientes. Cuando concluye el servicio o atención. solicitudes de nuevos servicios o modificación de ellos. el sistema automáticamente llama al siguiente. convenios de pago. el ejecutivo jefe pone en marcha el sistema. lo que altera la veracidad de los datos. La experiencia indica que algunos ejecutivos no cumplen rigurosamente estas normas. cambios de datos de facturación. reclamos de cobros. marca pausa no produciéndose la llamada. cambios de fechas de cobranzas. por lo que la llamada para atender se pierde. Cuando el cliente llega a la oficina debe dirigirse a un expendedor electrónico de números. dejando en cero los números de llamada. Al inicio del día.Descripción del servicio La empresa distribuidora de servicios eléctricos dispone de numerosas oficinas de atención de público. aclaración de saldos anteriores. en cuyo caso el sistema asigna series diferentes de números según sea el tipo de problemas. solicitudes de copia de boletas o facturas. registrando de inmediato el instante en que inicia el servicio. está basado en la existencia de ventanillas de atención y un sistema computacional que asigna la ventanilla y orden de atención. El expendedor entrega una colilla con el dato del número de atención. Al concluir la jornada de atención. Los servicios o consultas planteadas por el público suelen ser del tipo aclaración de cobros. se abren las puertas de la oficina. en las cuales funcionarios (ejecutivos de atención) resuelven las dudas o problemas de tipo comercial al público que asiste a estas oficinas. 5 . Solo después de hecho esto. Así mismo.  Cupón de Pago: Documento que contiene el detalle del consumo del cliente valorizado en dinero que este debe cancelar. suspende la pausa y el sistema llama al siguiente cliente. el ejecutivo marca “fin de la atención” y el sistema llama al siguiente cliente mediante la pantalla y chicharra. El sistema de atención.  Empalme: Servicio que entrega la compañía que consiste en la unión de cables de una instalación eléctrica. que es el momento en que el cliente libera el asiento de atención. Una pantalla con chicharra sonora va avisando el número llamado y la ventanilla que corresponde. existen clientes que se registran más de una vez o abandonan la oficina antes de ser atendidos. Transcurrido un minuto sin que se presente el cliente. que es cuando se ha atendido el último cliente. Algunas oficinas tienen sus ventanillas organizadas por problemas. El ejecutivo recibe a la persona. con el fin de tener una instalación segura y regulada por norma. Al reiniciar el servicio. el jefe cierra el sistema. Si el ejecutivo no puede atender de inmediato al siguiente cliente. etc.

Según OIT (Organización internacional del trabajo) explicamos el sistema con los símbolos correspondientes.Diagrama de flujos El diagrama representa paso por paso el servicio que entrega cada ventanilla. 6 . hay varías ventanillas con el fin de dar a entender que puede funcionar más de una. La cantidad de ventanillas expresadas en el diagrama no necesariamente deben ser tres.

En el primer criterio. En la siguiente tabla aparecen los horarios de cierre que se pueden suponer con los datos para los siguientes días. Por ser la 7 . Esta simulación refleja el tiempo estándar que podría tardar una persona en este servicio en particular. y considerando la hora de cierre supuesta para esos días. Las cifras que están alejadas fueron borradas. Se eliminó también los datos de los días 3 de mayo al 20 de mayo. Desde el 24 de mayo al 31 de mayo no se aplicó el mismo criterio que en el punto 3. se elimina la gama de datos que no posean el total mínimo requerido. además el tiempo de atención fue extenso. dado que muchos números de atención fueron emitidos después de las 14:00 hrs. El resultado de la simulación fue de 45 segundos como mínimo para atender un cupón de pago. dejando un tiempo mínimo de atención y uno máximo. que bajo nuestro criterio es el servicio que requiere menos tiempo para ser satisfecho. Fecha 03 – Mayo 04 – Mayo 05 – Mayo 06 – Mayo 07 – Mayo 08 – Mayo 09 – Mayo 10 – Mayo 11 – Mayo Hora de cierre 16:41:19 16:40:56 16:40:19 16:40:39 16:40:56 16:40:59 No registra Fecha 12 – Mayo 13 – Mayo 14 – Mayo 15 – Mayo 16 – Mayo 17 – Mayo 18 – Mayo 19 – Mayo 20 – Mayo Hora de cierre 16:40:37 16:40:15 16:41:08 16:38:10 16:41:21 16:40:45 16:40:39 4. representada por nosotros mismos. Se realizó un gráfico. cuando se inicia el servicio después de las 14:00 hrs. 5. como límite. lo que no imposibilita que dadas distintas circunstancias un cliente pueda demorarse más que el tiempo estipulado. 2. La ausencia de datos la asociamos a las deserciones o datos duplicados debido a que algunos clientes sacan dos tickets de atención. y en ambos casos hay datos que se encuentran aislados o muy distanciados del conjunto de estos mismos. se eliminaron los datos que coinciden con esa misma hora. con esto se buscó reflejar el tiempo que podría ocupar un cliente para la serie cupón de pago.Criterio de depuración de datos 1. tanto para tiempo de espera como para el tiempo de atención. Se realizó una simulación del tiempo mínimo. al haber ausencia de antecedentes. ya que en esa última semana del mes se recibió gente también en la tarde. 3.

la cual se asocian a una larga espera (más de una hora). Se eliminaron los datos de la serie “servicio al cliente”.última semana del mes. debido a personas que abandonaron o a ejecutivos que no siguen el protocolo establecido por la empresa. y ya que es usual que aumente la llegada de clientes. 8 . Ya que consideramos que son datos erróneos. 6. con un tiempo de atención de menos de un minuto. se decide extender el horario de atención.

Llegadas llegada promedio Máxima cant. Mínimo tiempo de espera. Desviación del tiempo de espera. Mínimo tiempo de atención. Y se realiza un balance semanal. Desviación llegada Mínima cant. Tabla 2. Máximo tiempo de espera. Llegadas Min Llegadas Significado Tiempo atención promedio Desviación del tiempo de atención. Análisis 1° semana 03 al 07 de mayo Mediciones TimeWP TimeAP Desv. Abreviación TimeWP Desv W Max W Max A Llegadas P Max Llegadas Significado Tiempo espera promedio. A Llegadas P Desv. A Min W Min A Desv.1 Mediciones TimeWP TimeAP Desv W (s) Desv A (s) Max W Min W Max A Min A Lunes 03 137 2:13:17 0:12:14 0:57:53 0:11:40 3:32:15 0:06:21 1:22:32 0:00:34 Martes 04 Miércoles 05 131 2:33:15 0:12:26 1:12:52 0:09:48 4:02:06 0:04:42 0:50:43 0:00:46 156 2:20:16 0:11:07 1:01:29 0:09:04 3:41:46 0:04:00 0:50:28 0:00:47 Jueves 06 Viernes 07 143 1:59:30 0:11:26 0:53:43 0:09:30 3:06:39 0:04:48 0:40:56 0:00:42 123 1:29:42 0:11:46 0:25:03 0:10:31 1:58:20 0:08:47 1:07:38 0:00:49 Se calculan los promedios y desviaciones ponderadas de cada día. W Desv. En la siguiente tabla se entrega el significado de las abreviaciones de las tablas de análisis. Llegadas Max Llegadas Min Llegadas 690 2:08:02 0:11:46 0:54:50 0:10:04 138 12.489996 156 123 9 .Análisis Estadístico Se realizó un análisis estadístico diario. llegadas Abreviación TimeAP Desv. Máximo tiempo de atención. semanal y mensual. Llegadas Análisis semanal  Primera semana: Del 03 al 07 de Mayo.

Llegadas Max Llegadas Min Llegadas 506 1:11:23 0:14:07 0:33:01 0:13:35 101.984988733 116 88  Tercera semana: del 17 al 20 de Mayo.2 Mediciones TimeWP TimeAP Desv W (s) Desv A (s) Max W Min W Max A Lunes 10 88 1:16:38 0:15:04 0:34:42 0:14:50 2:06:03 0:04:31 1:26:21 Martes 11 Miércoles 12 116 1:11:59 0:12:55 0:33:50 0:12:14 2:07:15 0:05:54 1:43:57 101 1:21:48 0:14:55 0:38:36 0:15:07 2:18:35 0:05:25 1:34:01 Jueves 13 Viernes 14 102 1:19:55 0:14:54 0:36:17 0:14:41 2:29:10 0:06:20 1:45:54 99 0:46:35 0:13:03 0:21:27 0:11:23 1:23:32 0:06:30 1:02:12 Se calculan los promedios y desviaciones ponderadas de cada día. Tabla 2.2 9. W (s) Desv. A (s) Llegadas P Desv. Segunda semana: Del 10 al 14 de Mayo. Y se hace un balance semanal: Análisis 2° semana 10 al 14 de mayo Mediciones TimeWP TimeAP Desv. Tabla 2.3 Mediciones TimeWP TimeAP Desv W (s) Desv A (s) Max W Min W Lunes 17 120 1:42:54 0:13:28 0:48:14 0:10:48 2:49:54 0:03:46 Martes 18 Miércoles 19 127 1:28:56 0:14:58 0:37:44 0:12:06 2:17:54 0:03:38 108 1:26:09 0:17:03 0:39:36 0:14:15 2:29:42 0:06:16 Jueves 20 128 1:12:45 0:14:23 0:28:31 0:10:39 1:47:04 0:05:04 10 .

Se calculan los promedios y desviaciones ponderadas de cada día. Llegadas 64.4 Mediciones TimeWP TimeAP Desv W (s) Desv A (s) Max W Min W Max A Min A Lunes 24 524 0:42:40 0:06:55 0:24:12 0:07:03 1:41:50 0:00:10 0:48:47 0:00:36 Martes 25 Miércoles 26 526 0:53:06 0:06:20 0:41:54 0:07:55 2:27:10 0:00:05 1:24:33 0:00:29 432 0:31:57 0:08:18 0:29:31 0:11:57 2:03:38 0:00:04 1:35:57 0:00:34 Jueves 27 Viernes 28 419 0:17:33 0:08:09 0:10:13 0:09:39 0:38:53 0:00:05 1:06:22 0:00:29 384 0:28:06 0:09:10 0:24:29 0:11:23 1:20:33 0:00:03 1:27:04 0:00:32 Se calculan los promedios y desviaciones ponderadas de cada día. W (s) 0:26:44 Desv.215023965 128 108  Cuarta semana: del 24 al 28 de Mayo. Y se hace un balance semanal: Análisis 4° semana 24 al 28 de Mayo Mediciones 2285 TimeWP 0:35:57 TimeAP 0:07:46 Desv. W (s) Desv. Llegadas Max Llegadas Min Llegadas 17 al 20 de Mayo 483 1:27:30 0:14:54 0:38:19 0:11:53 120. Tabla 2. 11 . A (s) Llegadas P Desv.75 9.51356447 Max Llegadas 526 Min Llegadas 384 Observación: Con respecto a la 4° semana podemos decir que la cantidad de personas que llegan por día es mucho mayor a la cantidad que llega el resto del mes. A (s) 0:09:22 Llegadas P 457 Desv. Y se hace un balance semanal: Análisis 3° semana Mediciones TimeWP TimeAP Desv.

W (s) Desv. Lunes 5 1322 1:13:20 0:08:51 0:42:19 0:09:02 264. A (s) Max W Min W Max A Min A 453 1:22:12 0:07:38 0.4 206. A (s) Llegadas P Desv. Con esta tabla podemos ver que al principio de la semana la gente espera más para ser atendida.7668631 526 116 Miércoles 4 797 1:06:49 0:10:53 0:38:17 0:12:06 199.0062 3:21:34 0:03:44 1:13:40 0:00:30 Análisis por día de la semana Se agruparon los días de la semana.0727681 384 99 Días en el Mes Mediciones TimeWP TimeAP Desv.3037424 419 102 Viernes 3 606 0:43:37 0:10:20 0:24:06 0:11:12 202 158. W (s) Desv.25 157.0406 0. Lunes 31 Mediciones TimeWP TimeAP Desv. Llegadas Max Llegadas Min Llegadas 12 .0803934 432 101 Jueves 4 792 0:52:55 0:10:37 0:24:23 0:10:26 198 148.858164 524 88 Martes 4 900 1:15:10 0:9:17 0:44:47 0:09:20 225 200. Quinta semana: 31 de Mayo. para saber si existe un comportamiento diferenciado de cada día.

y se buscarán sus parámetros correspondientes a la distribución que posean. Para efectos de un análisis más completo. Lo que concuerda con el análisis previamente realizado.  Entre el 3 y el 20 de Mayo. lo que quiere decir que entre más avanza el mes. a minutos en forma decimal.  Entre el 24 y 31 de Mayo.Preparación de los datos para la simulación Con los datos luego del depurado del problema. se transformó el tiempo de un formato HH/MM/SS. dividiremos el mes en 2 periodos. se demoran menos en llegar los clientes al local. 13 . Analizaremos el tiempo medio de llegada y el tiempo de atención. para un fácil manejo y utilización posteriormente en el software Arena. de que la demanda del servicio prácticamente se duplicaba en la última semana. Análisis mensual de tiempo medio de llegada y su tendencia Como podemos observar en el gráfico la tendencia es negativa.

14 . Lo que hace que se tenga una mejor estimación y orden de los datos. ahora es positiva. Al analizar la tendencia de la primera parte del mes. Este análisis se desfragmentará por los días de la semana. Los resultados a lo anterior se especifican en el anexo.Análisis entre el 3 y 20 de Mayo El siguiente gráfico muestra el comportamiento de los datos de llegada. los clientes se tardan más en llegar al local. Se hará una regresión lineal y se compararán los valores obtenidos con los demás días. También se puede ver que el error cuadrado al dividir en segmentos ha bajado considerablemente. para así saber si existe diferencia alguna. siendo ellos similares al análisis del periodo completo (03-20 de Mayo). para ver si hay mucha variación entre un día y otro. lo que quiere decir es que conforme avanza el mes.

752) LOGN(1. 2.823.0.732) WEIB(1.646) WEIB(2.648) WEIB(1. Tabla resumen En esta tabla están los días analizados y sus respectivas distribuciones de tiempo medio de llegada. 0.1. -0.21.35) LOGN(0.905) Expresión a 5 años.64) LOGN(0.957.616).646) WEIB(1.87.623) WEIB(1.001 + WEIB(1.001 + WEIB(1. 0.19.0.0.4.937. por lo que creemos que no hay mayor diferencia entre un día y otro. podemos ver que es bastante pequeña en relación al otro periodo.648) WEIB(1.2.08) LOGN(0. Los valores de tiempo que resultarán de la ecuación serán menores en comparación al primer periodo.18. 0.43.Análisis entre el 24 y 31 de Mayo El siguiente grafico muestra el tiempo medio de llegada del segundo segmento del mes.656) WEIB(1.1.45.654) LOGN(1.22. 0. 1.86.2) WEIB(0.1 Lunes Martes Miércoles Jueves Viernes Lunes 24-31 Martes 25 Miércoles 26 Jueves 27 Viernes 28 Expresión original WEIB(1.1.27.725) LOGN(0. 2. -0. 0.927.72) LOGN(1.53.0.649) WEIB(1.754.0.1) LOGN(1. Al analizar la tendencia de este periodo.905) 15 .05. 1. 0. Tabla 1.0.85. 1.

2 Lunes y martes Miércoles Y jueves Viernes Lunes 24-31 Martes 25 y Jueves 27 Viernes 28 Expresión original WEIB(1.16.86.647) WEIB(1. que a medida que avanza el mes. en cambio a fin de mes.754.86.616).905) Análisis de tiempo de atención El siguiente gráfico nos dice.001 + WEIB(1. 0. con una diferencia pequeña entre ellas.88. Observando las distribuciones podemos encontrar que algunas son muy similares a otras.0.978. 1.647) WEIB(2.905) Expresión a 5 años.Análisis de distribuciones Ya calculadas las distribuciones podemos ver o agrupar días en una distribución común. el tiempo de atención es menor.640) WEIB(1.0. 0. 16 .22. se requiere también cupón de pago que es mucho menos demoroso. 1. 0. -0.43. 2.725) WEIB(1.752) LOGN(1.18. 0. esto se asocia a que a principios del mes sólo se requiere servicio al cliente.47.725) LOGN(0.35) WEIB(0.0. 1.12.09) LOGN(0.65) LOGN(0.927. Para obtener un orden más claro y acertado de los datos se dividirán en dos periodos: del 3 al 20 de mayo y del 24 al 31 de mayo. WEIB(1.0. Tabla resumen datos finales de llegada Tabla 1.

Al observar las distribuciones.3) LOGN(12. También la tendencia de nuestros datos ha cambiado. éstas comparten una distribución en común.8. dado lo anterior se llegará a un valor medio entre los 5 días y se obtendrá la nueva distribución para esos días.7. 11.7. 14.3 Lunes Martes Miércoles Jueves Viernes 24-31 de Mayo Expresión 1 + LOGN(12.23) Análisis de distribución Para un análisis más corto y preciso.1.Análisis de tiempo de atención entre el 3 y 20 de Mayo El gráfico nos dice que el error se ha reducido a la mitad.6) LOGN(14.8) 1 + LOGN(13. 13. entre más avanza el mes.5.4) LOGN(7. 13.4. 17. más aumentan los tiempos de atención. debemos agrupar los datos en periodos para así realizar menos análisis sin perder la exactitud en nuestra simulación final. 17 . al dividir en segmentos el análisis. Para un completo análisis de este periodo se calcularán las distribuciones por día de la semana Tabla resumen Tabla 1. 9.4) LOGN(13.

el motivo 1. espera mucho y prefiere irse.13. 18 . surge algún imprevisto y se tiene que ir. hace la fila. 9.23) Análisis de la deserción Para analizar la deserción debemos preguntarnos los motivos por los cuales ésta se produce.4 03-20 de Mayo 24-31 de Mayo Expresión 0.El cliente saca el número. En los datos originales.34) LOGN(7. Los cuales pueden ser: 1.Tabla resumen distribuciones finales Tabla 1. 2.3.7.El cliente saca número. y en el segundo periodo un 44%. se aburre y se va.5 + LOGN(13. es decir. la deserción en el primer periodo llega hasta un 71%. Para efectos del análisis de deserción vamos a suponer que el motivo principal de la deserción es que el cliente espera mucho. y debido a que ahora los tiempos de espera serán mucho menores se pudo estimar que las deserciones serán un 5% y 3% respectivamente.

Para comenzar a modelar en el software Arena nos encontramos con 2 escenarios muy diferentes. se tiene el siguiente diagrama construido en Arena que va a representar nuestro problema y nos ayudará a encontrar la solución óptima. 19 . En el análisis debemos encontrar la cantidad óptima de ventanillas para que ningún cliente espere más de 20 minutos y el promedio de espera sea 10 minutos.Modelamiento en Arena Para el análisis y simulación. Análisis  Entre el 3 y 20 de Mayo se utilizará la siguiente configuración para el modelamiento. Para eso debemos colocar más cajas y ver en que horario van a funcionar. debemos modelar con las distribuciones de llegada a 5 años. Como la solución debe servir a 5 años.

2 y 2. 20 .4 y se comienza a tantear con cuantas ventanillas cumplo con los requerimientos de la solución. La cantidad de ventanillas es depreciable ya que no buscamos la solución aún sólo saber si los datos concuerdan con la cantidad de llegadas. 2. Entre el 24 y 31 de mayo se utilizará la siguiente configuración para el modelamiento. y su rango va entre las 80 y 168 personas promedio por día lo que corresponde con los valores entregados para esos días señalados en las tablas 2. Los resultados de la simulación en la siguiente imagen: El promedio de personas que entran es 129. Validación de datos entre el 3 al 20 de mayo Para comenzar el análisis se toman las distribuciones de la tabla 1. Lunes y Martes Se hace una simulación con las distribuciones actuales solo para comprobar que la gente que entra en el sistema es la misma que actualmente entra.1.2 y 1.3 del análisis semanal.

Miércoles y jueves Se hace una simulación con las distribuciones actuales solo para comprobar que la gente que entra en el sistema es la misma que actualmente entra.3 del análisis semanal.2 y 2. Los resultados de la simulación en la siguiente imagen: El promedio de personas que entran es 120 y su rango va entre las 82 y 145 personas promedio por día lo que corresponde con los valores entregados para esos días señalados en las tablas 2.3 del análisis semanal.2 y 2. Viernes Se hace una simulación con las distribuciones actuales solo para comprobar que la gente que entra en el sistema es la misma que actualmente entra. 21 .1. La cantidad de ventanillas es depreciable ya que no buscamos la solución aún sólo saber si los datos concuerdan con la cantidad de llegadas.1. 2. 2. La cantidad de ventanillas es depreciable ya que no buscamos la solución aún sólo saber si los datos concuerdan con la cantidad de llegadas. Los resultados de la simulación en la siguiente imagen: El promedio de personas que entran es 157 y su rango va entre las 91 y 197 personas promedio por día lo que corresponde con los valores entregados para esos días señalados en las tablas 2.

2 y 2.2 y 2.4 Viernes El número de personas que llega los días lunes y miércoles concuerda con los datos depurados analizados en las tablas 2.4 Martes y jueves El número de personas que llega los días lunes y miércoles concuerda con los datos depurados analizados en las tablas 2.4 22 .Validación de datos entre el 24 y el 31 de mayo Lunes y miércoles El número de personas que llega los días lunes y miércoles concuerda con los datos depurados analizados en las tablas 2.2 y 2.

se debe pensar también en el hecho del costo de oportunidad que se ve en este caso. debemos utilizar las distribuciones de llegada a 5 años. dos ventanillas con 1 hora menos.Búsqueda de la solución Para encontrar la cantidad de ventanillas para cada uno de nuestro días. 23 . después la solución encontrada se comparará con los datos actuales.16 minutos de espera en la cola. se debe contrastar 3 minutos más de espera vs el costo de tener una caja más funcionando. para darle menos horas a cada ventanilla con el fin de reducir la capacidad ociosa. pero con 3 ventanillas trabajando solo 3 horas diarias. Análisis de los horarios actuales de atención de las ventanillas Actualmente se mantienen las 14 ventanillas. Esto quiere decir que para los días miércoles y jueves el número de ventanillas a utilizar son 14. Análisis Lunes y martes Se ha simulado con 11 ventanillas y entrega parámetros correctos. Análisis Miércoles-Jueves Para este tercer análisis los resultados son los esperados. Por tanto para los días viernes de las 3 primeras semanas el número ideal de ventanillas para el sistema será de 10. Análisis de Viernes A pesar de que esta cerca de los 20 minutos que se toma como máximo en comparación a las 10 ventanillas. ya que cumple con un tiempo promedio de espera bajo y está en el límite de tiempo máximo de espera. Por lo tanto el día lunes deben funcionar 11 ventanillas Análisis de los horarios actuales de atención de las ventanillas La solución escogida es 2 horas menos en una ventanillas. Entonces dos ventanillas cierran a las 13:00 hrs y una cierra a las 12:00 hrs. Los informes con los parámetros se adjuntarán. ya que la solución debe tener esa demanda de llegadas. con un tiempo máximo de 16.

alejándose de la solución del problema. Esto equivale a que los costos para la empresa sean mayores. Lunes y Miércoles del 24 al 31 de Mayo Se puede ver que disminuyendo el tiempo de atención de una ventanilla de 5 a 4. 24 . lo que se puede corroborar en comparación a otras combinaciones. como a los clientes es colocar 13 ventanillas en estos días. Es por esto que la empresa en los días martes y jueves de última semana del mes de Mayo serán 12 ventanillas. lo que está muy cerca del límite máximo buscado. ya que a pesar que el tiempo en cola sea mayor a los 20 minutos permitidos. pudimos concluir que el resultado óptimo es de 10 ventanillas.5 horas el tiempo máximo aumenta en gran medida.5 horas. que es un tiempo muy bajo de espera en la cola.17 minutos.0197 minutos. Análisis de los horarios actuales de atención de las ventanillas Los resultados arrojan un tiempo en cola de 23.46 minutos.31 minutos. a pesar que es más que el tiempo óptimo de 20 minutos. Análisis martes y jueves del 24 al 31 de mayo La alternativa a elección es con 14 ventanillas. dando un tiempo de espera de 19. Se aprecia como el tiempo máximo de espera es de 19. es la solución más aceptable. Análisis de los horarios actuales de atención de las ventanillas Con 10 ventanillas el tiempo de espera de los clientes aumenta a 23. una de ellas funcionando solo 3 horas de las 5. el tiempo máximo de espera no lo poseen todos los clientes. el tiempo de espera de los clientes disminuye considerablemente. Este es el resultado de la combinación de 10 cajas. sino uno o unos pocos. este se deja como el resultado óptimo. pero tiene mucha capacidad ociosa. en cambio. teniendo una de ellas abierta sólo 5 horas por día. el tiempo medio de espera es de 1.10 minutos. este es un resultado positivo. Actualmente esa solución es válida.Análisis de los horarios de atención de las ventanillas La solución a 5 años es tener 10 ventanillas funcionando todo el día. Es por esto que la solución que más conviene a la empresa. entonces analizaremos los horarios que deben tener las ventanillas para reducir esa capacidad ociosa.5 totales. ya que al aumentarle una ventanilla. incluso muy por debajo del resultado óptimo. con 3 de ellas funcionando bajo tiempos distintos a las otras 7. y las otras dos funcionando 4 horas y no haciéndolo durante 1. Gracias a esto.

Análisis de los horarios actuales de atención de las ventanillas Deben ser 10 ventanillas. 7 horas y 6 horas funcionando respectivamente.Análisis Viernes 28 Para esta semana no sucede lo mismo. aquí el hecho de tener una caja más me dispara de forma descendente los tiempos. que sucedía las 3 semanas anteriores en la cual se debía tomar la decisión de entre una caja menos o unos minutos más promedio en el sistema. 25 . 8 normales y dos a tiempos diferentes.60 minutos lo que es demasiada diferencia a 20 minutos. por lo que se reafirma que deben ser 10 ventanillas. disminuye hasta 12.

y así obtener una distribución y una optimización de estos mismos. con el fin de aprender a simular distintos escenarios de una situación que involucre procesos. utilizar datos estadísticos para ser utilizados en el software de modelación Arena. tiempos. distribuir. Para el resto del mes se señaló un horario de atención para reducir la capacidad ociosa actual. 26 .Conclusión A través del presente trabajo hemos aprendido a depurar. ordenar. Al aplicar lo aprendido se ha llegado a la siguiente conclusión: Se deben instalar 14 ventanillas para satisfacer la demanda a 5 años que sería la que produce en los días peack de demanda que son los días martes y jueves. Finalmente pensamos que la herramienta Arena nos puede servir a futuro y puede marcar la diferencia entre un ingeniero y otro. recursos.

Subido por Schoolin Disponible en http://www.com/watch?v=lSau97X3UqE 27 .Bibliografía o Apuntes de clases o Tutorial Arena (2012).youtube.