Un centro de atención puede tener clientes esperando durante las horas de mayor demanda y, al mismo tiempo, mantener capacidad ociosa en otros periodos. Un servicio técnico puede asignar demasiados especialistas a una zona mientras otra acumula solicitudes. En ambos casos, el problema no consiste únicamente en trabajar más rápido: es necesario decidir cómo utilizar recursos limitados frente a una demanda que cambia.
El modelamiento matemático permite representar estas decisiones mediante variables, restricciones y objetivos cuantificables. Su utilidad está en comparar alternativas antes de modificar turnos, capacidad, rutas o reglas de atención. El modelo no reemplaza el conocimiento del proceso: organiza ese conocimiento para analizar qué decisiones son factibles y cuáles producen un mejor resultado bajo los supuestos considerados.
Qué representa un modelo
Un servicio puede representarse como un sistema en el que llegan solicitudes, se consumen recursos y se generan resultados. La revisión de Rust y Metters sobre modelos matemáticos de servicios muestra que el análisis cuantitativo puede abordar, entre otros aspectos, decisiones de gestión y organización del servicio. Para construir un modelo útil, el alcance debe definirse antes de seleccionar un algoritmo.
Por ejemplo, en una formulación lineal simplificada de asignación de personal, el objetivo podría combinar el costo de capacidad con una penalización asociada a la espera. La expresión siguiente es una estructura didáctica adaptable al problema; no constituye una fórmula universal para todos los servicios.
En esta formulación, Z representa el costo total considerado; x₁…xₙ son decisiones de capacidad o asignación; c₁…cₙ son sus costos unitarios; W representa un indicador de espera y p expresa el peso económico asignado a esa espera. Además deben incorporarse las restricciones operativas del servicio. Los materiales de MIT OpenCourseWare sobre métodos de optimización incluyen formulaciones lineales, programación entera y optimización de redes como herramientas para representar este tipo de decisiones.
De datos a decisiones
El modelamiento comienza con el proceso, no con el software. Una organización necesita identificar dónde se produce la congestión, qué decisión puede modificar y qué indicador permitirá comprobar el resultado. Si el problema es la espera, por ejemplo, conviene separar demanda, capacidad disponible, duración del servicio y reglas de prioridad.
La resolución temporal importa especialmente cuando la demanda cambia durante el día. En un estudio sobre sistemas de servicio con demanda cíclica, Green, Kolesar y Soares analizaron limitaciones de aproximaciones de dotación basadas en periodos tratados como sistemas estacionarios independientes. Sus resultados se refieren al contexto estudiado y no implican que una técnica sea inadecuada para todos los servicios; muestran por qué los cambios temporales de demanda deben formar parte de los supuestos.
Métodos para optimizar servicios
No existe un único método adecuado para toda operación de servicios. La elección depende de la pregunta: asignar recursos requiere un tratamiento diferente de estimar congestión o reproducir un proceso con eventos aleatorios. La siguiente tabla compara cuatro enfoques habituales.
| Método | Decisión que apoya | Fortaleza | Limitación principal |
|---|---|---|---|
| Programación lineal o entera | Turnos, cupos, asignaciones y presupuestos | Representa objetivos y restricciones de forma explícita | Puede simplificar la variabilidad si se utilizan parámetros promedio |
| Teoría de colas | Capacidad, congestión y tiempos de espera | Relaciona demanda, servicio y desempeño del sistema | La interpretación depende de los supuestos probabilísticos del modelo |
| Simulación de eventos discretos | Prueba de escenarios y reglas operativas | Representa variabilidad, secuencias, colas y recursos compartidos | Simular escenarios no equivale por sí mismo a encontrar el óptimo |
| Optimización de redes | Rutas, flujos y asignación territorial | Representa conexiones, costos y capacidades entre puntos | Requiere que la estructura de red represente adecuadamente la operación real |
La simulación resulta especialmente útil cuando el orden de los eventos y la variabilidad cambian el desempeño. El módulo de simulación de sistemas de MIT OpenCourseWare plantea la simulación de eventos discretos como una herramienta para diseñar, implementar y analizar modelos orientados a decisiones. En un proyecto real, puede utilizarse después de una optimización para comprobar cómo se comporta una solución bajo escenarios variables.
Colas, capacidad y espera
Cuando las solicitudes llegan en momentos diferentes y compiten por recursos limitados, la teoría de colas permite analizar la relación entre flujo, cantidad de usuarios y tiempo. Una de sus relaciones fundamentales es la Ley de Little, demostrada por John D. C. Little en Operations Research.
Como ejemplo hipotético, si un servicio recibe en promedio 12 usuarios por hora y cada usuario permanece 0,25 horas en el sistema, el número medio presente sería:
El resultado significa que, bajo las condiciones del ejemplo, habría en promedio tres usuarios dentro del sistema. La relación ayuda a conectar flujo y tiempo, pero no determina por sí sola cuántos servidores contratar ni cómo asignarlos. El artículo original establece condiciones de estacionariedad y existencia de medias finitas para su demostración. Los materiales de MIT sobre teoría y aplicaciones de colas incluyen además sistemas multiserver, redes de colas y optimización de sistemas de espera.
Qué modelo elegir
La selección puede comenzar por la decisión que la organización necesita tomar. En muchos proyectos, combinar técnicas resulta más útil que forzar todo el problema dentro de un solo método.
| Situación | Pregunta principal | Enfoque posible | Resultado esperado |
|---|---|---|---|
| Atención con demanda variable | ¿Cuánta capacidad se necesita por periodo? | Colas + programación entera | Plan de capacidad sujeto a restricciones de turnos |
| Agenda de citas | ¿Cómo distribuir cupos sin concentrar esperas? | Optimización + simulación | Configuración de cupos evaluada bajo variabilidad |
| Servicio técnico en campo | ¿Qué técnico atiende cada solicitud y en qué secuencia? | Optimización de redes + programación entera | Asignaciones y rutas factibles |
| Proceso con varias etapas | ¿Dónde aparece el cuello de botella al cambiar una regla? | Simulación de eventos discretos | Comparación de escenarios antes de modificar el proceso |
Esta selección debe revisarse cuando cambien las características del servicio. Un modelo diseñado para una cola única con demanda relativamente estable puede ser insuficiente si posteriormente aparecen distintas prioridades, abandono de usuarios, recursos con capacidades diferentes o varias etapas interdependientes.
Validar antes de implementar
Una solución matemáticamente óptima puede ser poco útil si el modelo representa mal el proceso. La validación debe comprobar tanto las operaciones como los datos y supuestos. Esto es especialmente importante en servicios prestados por personas, donde velocidad, calidad, prioridades y comportamiento no siempre permanecen constantes.
La finalidad de esta revisión es conocer qué decisiones permanecen convenientes cuando cambian los supuestos y cuáles dependen de condiciones muy específicas. Un modelo útil no necesita representar cada detalle de la realidad, pero sí debe conservar los elementos que pueden cambiar la decisión que se pretende tomar.
Conclusión
Optimizar un servicio mediante modelamiento matemático exige convertir una dificultad operativa en una decisión medible. El valor aparece cuando demanda, capacidad, restricciones y objetivos quedan representados con suficiente precisión para comparar alternativas antes de intervenir el proceso. La técnica puede cambiar entre programación matemática, colas, redes o simulación; la decisión que se necesita mejorar debe permanecer como punto de referencia.
Para consultoras y organizaciones que enseñan estas metodologías, también resulta relevante que las competencias desarrolladas durante la formación puedan documentarse mediante un proceso de credenciales verificables.
Respalda tu formación en optimización
Si tu organización ya imparte capacitación en modelamiento matemático, el Instituto Internacional de Ingeniería (3i) permite solicitar un periodo inicial de 3 meses gratis para evaluar respaldo institucional y verificación digital de credenciales. La solicitud está sujeta a revisión.
Fuentes consultadas
Rust, R. T. y Metters, R. Mathematical models of service. European Journal of Operational Research, 1996.
Little, J. D. C. A Proof for the Queuing Formula: L = λW. Operations Research, 1961.
Massachusetts Institute of Technology. Optimization Methods in Management Science. MIT OpenCourseWare, 2013.
Massachusetts Institute of Technology. Queues: Theory and Applications. MIT OpenCourseWare, 2006.
Green, L. V.; Kolesar, P.; y Soares, J. Improving the SIPP Approach for Staffing Service Systems That Have Cyclic Demands. Operations Research, 2001.
Massachusetts Institute of Technology. System Optimization and Analysis for Manufacturing: Simulation Module. MIT OpenCourseWare, 2003.
Instituto Internacional de Ingeniería (3i). Programa Partner y solicitud para organizaciones e instructores.
