En 1713 se publicó parte de la obra póstuma Ars Conjetandi de Jacob Bernoulli. En ella se describía la Ley de los Grandes Números o la demostración de que cualquier variable aleatoria se torna constante si el número de repeticiones es suficientemente grande.
En 1733, Abraham de Moivre publicó su obra Approximatio ad summam erminorium binomii (a+b)n on seriem expansi donde trataba de definir las series más comunes en el cálculo de probabilidad. Años más tarde Carl Karl Friedrich Gauss perfeccionaría y terminaría dicha teoría para dar paso a la famosa Ley de Gauss y su campana. En ella se describe la distribución de probabilidad más común y presente en la mayoría de casos indeterminados, incluso hoy en día.
Por último, en 1838 Simeón-Denis Poisson publicó su trabajo Recherches sur la probabilité des jugements en matières criminelles et matière civile donde describe su fórmula para cálculo de probabilidad discreta. Casi un siglo más tarde, en 1909, Agner Krarup Erlang publicó su obra Nyt Tidsskrift for Matematik donde demostraba que la teoría de Poisson aplica en el tráfico telefónico aleatorio.
Llegados a este punto los lectores pensarán que me he equivocado de artículo. Nada más lejos de la realidad, vamos a tratar de explicar como dos siglos de investigación matemática pueden ayudarnos a evitar esperas del cliente.
Antes de nada aplicaremos la lógica más elemental: si no queremos que nuestros clientes tengan que esperar deberemos evitar la acción que genera la espera, es decir, evitar que nos llamen. En un artículo anterior ya desvelábamos algunas de las claves para reducir el volumen de llamadas entrantes y en nuestro e-book gratuito sobre Customer Engagement desarrollamos la idea todavía en un contexto mucho más amplio.
En cualquier caso, conseguir que los clientes no nos llamen todavía es una quimera. Entonces ¿cómo evitamos las esperas en nuestro servicio de Call Center?
Como ya hemos dicho, las fórmulas de distribución de Erlang (aún con los errores de concepto de la época) continúan vigentes a día de hoy. Siendo así, podemos usar una calculadora como esta que nos ayude a obtener el número de agentes necesarios dado un volumen de llamadas entrante y un SLA fijado por nosotros. Por ejemplo, para un volumen de 1000 llamadas/h, si queremos atender el 95% en menos de 30 segundos, necesitaremos 60 agentes.
Alguien estará pensando: el número de llamadas entrantes ¿no es aleatorio? Y dicho pensamiento nos lleva a nuestro segundo protagonista: Gauss. Por extraño que parezca la gran mayoría de servicios cumplen una distribución estadística estándar basada en la famosa campana de Gauss o variaciones mínimas de la misma. Basándonos en dichas distribuciones y las estadísticas podremos definir nuestra curva de llamadas entrantes.
Por último, comentar que si nos acordamos de Bernoulli veremos que cuanto mayor sea el número de llamadas, de repeticiones y de días de estadística recabados, más cierto será nuestro cálculo probabilístico.
En este caso habrá quien diga (y con razón): ya, pero esto es un cálculo probabilístico que se va al traste cuando, por ejemplo, mi departamento de marketing lanza un nuevo producto que tiene un éxito mayor del esperado y genera muchas más llamadas de las esperadas. La realidad nos dice que existen eventos no controlados que pueden dar al traste con nuestra teoría en ciertos días.
Para ello se suele pintar el número de agentes de forma lineal generando varias áreas del gráfico que se pueden atacar pero de forma diferente:
La primera acción que debemos intentar es unificar nuestro perfil de agente para que los agentes que tradicionalmente atienden Canales Directos (voz, chat, WhatsApp, etc.) puedan atender Canales Indirectos (e-mail, fax, Back Office, etc.) y viceversa. De esta forma tendremos un número mayor de agentes para evitar colas de espera y tendremos más agentes disponibles cuando no haya llamadas.
Como es materialmente imposible redimensionar constantemente nuestro headcount, tendremos que pensar alternativas para cuando las previsiones desborden nuestra capacidad. En el modelo tradicional pondríamos a los clientes en espera y, en el mejor de los casos, le daríamos un mensaje para que espere pacientemente. Actualmente existen mecanismos para que, aunque no podamos atender a nuestro cliente, minimicemos el tiempo que tiene que esperar. El más común es el callback (dar la posibilidad al cliente de que deje sus datos y ponernos en contacto con él posteriormente). Actualmente se están perfeccionando los métodos de contacto proactivo. Por ejemplo, si sabemos que un cliente está registrando errores de operación debidos a falta de conocimiento de nuestros procedimientos (un error bastante común) podemos ponernos en contacto con él para solucionarlo utilizando las horas de menos llamadas entrantes.
En resumen, no hay nada más molesto que escuchar el típico mensaje: “todos nuestros agentes se encuentran ocupados, por favor permanezca a la espera”. Tenemos la obligación de luchar contra ello ya que penaliza la experiencia de cliente antes incluso de que éste llegue a contactar con nosotros. En este artículo se detallan varios principios y herramientas… ¡combatamos juntos para no tener que escuchar nunca más la música en espera!
