Customer Service Multichannel Model in a Health Care Service Provider: A Discrete Simulation Case Study
Modelo multicanal de atención al cliente en una IPSS: estudio de caso con simulación discreta
Modelo multicanal de atenção ao cliente numa IPSS: estudo de caso com simulação discreta
DOI:
https://doi.org/10.15446/innovar.v29n72.77934Palabras clave:
Discrete simulation, operations research, customer service, optimization techniques, empirical analysis (en)simulación discreta, investigación de operaciones, servicio al cliente, técnicas de optimización, análisis empírico (es)
simulação discreta, pesquisa de operações, serviço ao cliente, técnicas de otimização, análise empírica. (pt)
Descargas
Este artículo evalúa la capacidad real del sistema de atención al cliente en una Institución Prestadora de Servicios de Cuidado de la Salud (IPSS), en la cual los usuarios solicitan determinados servicios a través de un sistema de espera de canales múltiples M/M/n con llegadas Poisson y tiempos exponenciales. El sistema de atención actual funciona con la espera de los usuarios en varias estaciones, por lo cual estos se encuentran sometidos a hacer varias filas para completar los servicios de pruebas diagnósticas requeridas. El objetivo de este trabajo es desarrollar una metodología para definir estrategias de mejoramiento en la percepción del servicio y en el desempeño de la IPSS. Para ello, se presenta un modelo de simulación discreta que determina los tiempos de los procesos y pronostica la demanda. El tiempo efectivo para la prestación del servicio es de hasta 4 horas por usuario; sin embargo, con los resultados de las simulaciones se logra reducir este margen de espera hasta en 50% mediante la descarga de tareas administrativas de los médicos y enfermeras y la implementación de un dispensador electrónico de boletos. Dada la importancia relativa del servicio al cliente para una IPSS, la simulación de eventos podría ser implementada en diferentes escenarios que permitan ser integrados en los procesos de planeación y toma de decisiones.
Este artigo avalia a capacidade real do sistema de atenção ao cliente numa Instituição Prestadora de Serviços de Cuidado da Saúde (IPSS), na qual os usuários solicitam determinados serviços por meio de um sistema de espera de canais múltiplos M/M/n com chegadas Poisson e tempos exponenciais. O sistema de atenção atual funciona com a espera dos usuários em várias estações, por isso eles são submetidos a várias filas para completar os serviços de exames diagnósticos requeridos. O objetivo deste trabalho é desenvolver uma metodologia para definir estratégias de melhoria na percepção do serviço e no desempenho da IPSS. Para cumprir ISSO, apresenta-se um modelo de simulação discreta que determina os tempos dos processos e prognostica a demanda. O tempo efetivo para a prestação do serviço é de até 4 horas por usuário; no entanto, com os resultados das simulações, consegue-se reduzir essa margem de espera em até 50%, mediante o download de tarefas administrativas dos médicos e enfermeiras e a implementação de um distribuidor eletrônico de senhas. Dada a importância relativa do serviço ao cliente para uma IPSS, a simulação de eventos poderia ser implementada em diferentes cenários que permitam ser integrados nos processos de planejamento e tomada de decisões.
Referencias
Abad, R. C. (2002). Introducción a la simulación y a la teoría de colas. La Coruña: Netbiblo.
Aguirre-de-Mena, J., Rodríguez-Fernández, M., & Tous-Zamora, D. (2002). Organización y métodos de trabajo. Pirámide.
Ahmed, M. A., & Alkhamis, T. M. (2009). Simulation optimization for an emergency department healthcare unit in Kuwait. European Journal of Operational Research, 198(3), 936-942. doi.org/10.1016/j.ejor.2008.10.025
Alfaro-Beltrán, F. A., & Alfaro-Escolar, M. (1999). Diagnósticos de productividad por multimomentos: contiene estudios de tiempos sin emplear instrumentos de medida y el cálculo de las plantillas necesarias de trabajadores. Barcelona: Marcombo.
Banks, J., Carson, J., Nelson, B., & Nicol, D. (2005). Discrete event system simulation (4th Ed.). New Jersey: Prentice Hall.
Blanco, L. E., & Fajardo, I. D. (2003). Simulación con ProModel (2da Ed.). Bogotá: Editorial Escuela Colombiana de Ingeniería.
Brailsford, S. C., & Hilton, N. A. (2001). A comparison of discrete event simulation and system dynamics for modelling health care systems. In J., Riley (Ed.). Planning for the Future: Health Service Quality and Emergency Accessibility. Operational Research Applied to Health Services (ORAHS). Glasgow: Caledonian University.
Brehmer, B. (1992). Dynamic Decision Making: Human Control of Complex Systems. Acta Psychologica, 81(3), 211-241. doi:10.1016/0001-6918(92)90019-A
Calderón, B. (1979). Introducción a la simulación. Medellín: Asidua.
Castanyer-Figueras, F. (1988). Control de métodos y tiempos. Barcelona: Marcombo.
Coss-Bu, R. (1993). Simulación: Un enfoque práctico. Ciudad de México: Limusa.
De-la-Fuente-García, D., & Díez, R. P. (2000). Teoría de líneas de espera: modelos de colas. Oviedo: Universidad de Oviedo.
De-la-Fuente-García, D., & Gómez-Gómez, A., García-Fernández, N., & Puente-García, J. (2006). Organización de la producción en ingenierías. Oviedo: Universidad de Oviedo .
Demir, E., Gunal, M. M., & Southern, D. (2016). Demand and capacity modelling for acute services using discrete event simulation. Health Systems, 5(1), 1-8. doi:10.1057/hs.2016.1
Duguay, C., & Chetouane, F. (2007). Modeling and improving emergency department systems using discrete event simulation. Simulation, 83(4), 311-320. doi: 10.1177/0037549707083111
Dunna, E. A., Reyes, H. A., & Barrón, L. E. (2006). Simulación y análisis de sistemas con ProModel. México: Pearson Educación.
Edwards, W. (1962). Dynamic Decision Theory and Probabilistic Information Processing. The Journal of the Human Factors and Ergonomics Society, 4(2), 59-74. doi: 10.1177/001872086200400201
Eppen, G. D. (2000). Investigación de operaciones en la ciencia administrativa: construcción de modelos para la toma de decisiones con hojas de cálculo electrónicas. México: Pearson Educación .
Fomundam, S., & Herrmann, J. (2007). A survey of queueing theory applications in healthcare. ISR Technical Report 2007-24.
Funke, J. (1991). Solving complex problems: Exploration and control of complex systems. In R. J. Sternberg, & P. A. Frensch (Eds.). Complex problem solving: Principles and mechanisms (pp. 185-222). Hillsdale, NJ, USA: Erlbaum.
Funke, J., & Frensch, P. (1995). Complex problem solving research in North America and Europe: An integrative review. Foreign Psychology 5, 42-47. doi:10.11588/heidok.00008200
Gardner, P. H., & Berry, D. C. (1995). The effect of different forms of advice on the control of a simulated complex system. Applied Cognitive Psychology, 9(7), S55-S79. doi:10.1002/acp.2350090706
Green, L. (2006). Queueing analysis in healthcare. In R. W. Hall (Ed.). Patient Flow: Reducing Delay in Healthcare Delivery (pp. 281-307). Boston: Springer Science & Business Media.
Günal, M. M., & Pidd, M. (2010). Discrete event simulation for performance modelling in health care: a review of the literature. Journal of Simulation, 4(1), 42-51. doi:10.1057/jos.2009.25
Hall, R. (2013). Patient flow: reducing delay in healthcare delivery. Boston: Springer Science & Business Media .
Harrell, C., Ghosh, B. K., & Bowden, R. (2000). Simulation using Pro-Model (2nd Ed). México D. R: McGraw Hill.
Hiller, F., & Lieberman, G. (2002). Investigación de operaciones (7 Ed.). México D. R: McGraw Hill.
Jacobson, S., Hall, S., & Swisher, J. (2006). Discrete-event simulation of health care systems. In R. W. Hall (Ed.). Patient Flow: Reducing Delay in Healthcare Delivery (pp. 211-252). Boston: Springer Science & Business Media .
Jiménez, F. A. (2011). Aplicación de teoría de colas en una entidad financiera: Herramienta para el mejoramiento de los procesos de atención al cliente. Revista Universidad EAFIT, 44(150), 51-63.
Kad, D., Kuvvetli, Y., & Colak, S. (2016). Performance analysis of a university hospital blood laboratory via discrete event simulation. Simulation, 92(5), 473-484. doi: 10.1177/0037549716643167
Knight, V., Williams, J., & Reynolds, I. (2012). Modelling patient choice in healthcare systems: development and application of a discrete event simulation with agent-based decision making. Journal of Simulation, 6(2), 92-102. doi:10.1057/jos.2011.21
Lakshmi, C., & Appa-Iyer, S. (2013). Application of queueing theory in health care: A literature review. Operations Research for Health Care, 2(1), 25-39. doi:10.1016/j.orhc.2013.03.002
McClain, J. O. (1976). Bed planning using queueing theory models of hospital occupancy: a sensitivity analysis. Inquiry, 13, 167-176.
McManus, M., Long, M., Cooper, A., & Litvak, E. (2004). Queueing theory accurately models the need for critical care resources. American Society of Anesthesiology, 100(5), 1271-1277.
Meyers, F. E. (2000). Estudios de tiempos y movimientos. México D. P.: Pearson Educación
Miranda, M. (2003). Teoría de Colas (2da ed.). Buenos Aires: EDUCA.
Neira, A. C. (2006). Técnicas de medición del trabajo. Madrid: PC Editorial.
Norouzzadeh, S., Riebling, N., Carter, L., Conigliaro, J., & Doerfler, M. (2015). Simulation modeling to optimize healthcare delivery in an outpatient clinic. In Proceedings 2015 Winter Simulation Conference (pp. 1355-1366 ). Huntington Beach, CA , June 2015.
Nosek, R. A., & Wilson, J. P. (2001) Queueing theory and customer satisfaction: a review of terminology, trends, and applications to pharmacy practice. Hospital Pharmacy, 36(3), 275-279. doi:10.1177/001857870103600307
Organización Internacional del Trabajo [OIT]. (2005). Introducción al estudio del trabajo (4ta Ed.). México D. P.: Limusa.
Pindyck, R. S., & Rubinfeld, D. L. (1998). Econometric models and economic forecasts (Vol. 4). Boston: Irwin/McGraw-Hill.
Preater, J. (2002). Queues in health. Health Care Management Science, 5(4), 283-283.
Prieto, C. (2007). Trabajo, género y tiempo social. Madrid: Universidad Complutense.
Render, B. A., & Hanna, M. E. (2006). Métodos cuantitativos para los negocios. México D. P.: Pearson Educación.
Ríos, D., Ríos, S., Martín, J., & Jiménez, A. (2008). Simulación: métodos y aplicaciones. Bogotá: Alfaomega.
Roscoe, K., & McKeown, P. (1986). Modelos cuantitativos para administración (2da Ed.). México D. P.: Grupo Editorial Iberoamérica.
Sternberg, R., & Frensch, P. (2014). Complex problem solving: Principles and mechanisms. Mahwah, NJ, USA: Psychology Press.
Thierauf, R. (1995). Toma de Decisiones por Medio de Investigación de Operaciones. México D. P.: Limusa.
Cómo citar
APA
ACM
ACS
ABNT
Chicago
Harvard
IEEE
MLA
Turabian
Vancouver
Descargar cita
CrossRef Cited-by
1. Luis Manuel Jesus Yataco Paredes , Angie Alexandra Mancilla Carbajal, Kerwin José Chávez Vera. (2024). Tecnología financiera al servicio del cliente: percepción sobre herramientas digitales bancarias en Lima. Telos: Revista de Estudios Interdisciplinarios en Ciencias Sociales, 26(3), p.877. https://doi.org/10.36390/telos263.07.
2. Jesús Isaac Vázquez-Serrano, Rodrigo E. Peimbert-García, Leopoldo Eduardo Cárdenas-Barrón. (2021). Discrete-Event Simulation Modeling in Healthcare: A Comprehensive Review. International Journal of Environmental Research and Public Health, 18(22), p.12262. https://doi.org/10.3390/ijerph182212262.
Dimensions
PlumX
Visitas a la página del resumen del artículo
Descargas
Licencia
Derechos de autor 2019 Innovar

Esta obra está bajo una licencia internacional Creative Commons Reconocimiento-NoComercial-CompartirIgual 3.0.
Todos los artículos publicados por Innovar se encuentran disponibles globalmente con acceso abierto y licenciados bajo los términos de Creative Commons Atribución-No_Comercial-Sin_Derivadas 4.0 Internacional (CC BY-NC-ND 4.0).
Una vez seleccionados los artículos para un número, y antes de iniciar la etapa de cuidado y producción editorial, los autores deben firmar una cesión de derechos patrimoniales de su obra. Innovar se ciñe a las normas colombianas en materia de derechos de autor.
El material de esta revista puede ser reproducido o citado con carácter académico, citando la fuente.
Esta obra está bajo una Licencia Creative Commons:








