ESTRUCTURA DEL TAF (TRABAJO APLICATIVO FINAL)

INDICE

RESUMEN

INTRODUCCIÓN

PLANTEAMIENTO DEL PROBLEMA pág. 2

OBJETIVOS DEL ESTUDIO pag.2

DESCRIPCIÓN DE LA EMPRESA pag.2

PRESENTACIÓN DEL PLAN DE TRABAJO – Diagrama Gantt pag.4

DESCRIPCIÓN DEL SISTEMA pag.5

• Alcance del estudio pag,5

• Descripción de las actividades pag.5

DISEÑO CONCEPTUAL DEL MODELO pag.6

o Diagrama de flujo pag.6

o Identificación y descripción de los elementos del sistema pag.6

ANALISIS DE LOS DATOS DE ENTRADA pag.6

• Cálculo de tamaño de muestra pag.6

• Recopilación de datos pag.6

• Ajuste estadístico en la herramienta Input Analyzer. Pag.7

• Análisis e interpretación resultados pag.7

IMPLEMENTACIÓN DEL MODELO EN ARENA (SITUACIÓN ACTUAL O DIANÓSTICO) pag8

• Construcción del modelo de simulación en Arena pag.9

• Validación del modelo pag.9

• Análisis de resultados del modelo pag.9

PROPUESTA DE MEJORA pag.10

• Construcción de un modelo propuesto pag.10

• Análisis de resultados de la propuesta de mejora pag.11

CONCLUSIONES

RECOMENDACIONES

ANEXOS
RESUMEN

Estudiaremos la eficiencia de las cajas rápidas que se encuentran dentro de los super mercados
de PLAZA VEA, el cual nos centraremos en el tiempo de atención que estos imparten a los clientes
y haciendo una comparación con las cajas tradicionales. Esto nos permitirá tener un objetivo
donde podemos identificar algunos factores que puedan influir en la demora de atención al
cliente el cual se buscará brindar recomendaciones de mejora.

Con la recolección de datos en el tiempo de atención nos servirá para poder ingresar al sistema
de INPUT ANALYZER el cual nos permita trabajar con una distribución que mejor se adecue al
simulador de ARENA. Cabe resaltar que solo estamos realizando el estudio en las cajas rápidas,
el cual nos permitirá mejorar mediante los resultados obtenidos y se plantea que tengan una
visita más confortable.

INTRODUCCIÓN

El proyecto se embarca en un estudio detallado del tiempo de atención en las cajas rápidas de
Plaza Vea. A través de la recopilación y análisis de datos, busca entender y optimizar el proceso
de atención al cliente en estas cajas.

En el mundo acelerado de hoy, los supermercados buscan constantemente formas de mejorar la

eficiencia y la satisfacción del cliente. Una de las estrategias implementadas es la introducción
de cajas rápidas, destinadas a agilizar el proceso de pago para los clientes con menos productos.
Sin embargo, la eficacia de estas cajas rápidas es un tema de debate.

Este proyecto representa un esfuerzo significativo para mejorar la experiencia del cliente en los
supermercados y podría tener implicaciones importantes para la gestión de operaciones en el
sector minorista.
 1. PLANTEAMIENTO DEL PROBLEMA

En los supermercados, las cajas rápidas se han implementado con la intención de agilizar el
proceso de pago para los clientes que tienen pocos productos. Sin embargo, existe una
percepción entre algunos clientes de que las cajas rápidas no son necesariamente más rápidas
que las cajas normales. Este problema puede generar insatisfacción en los clientes y afectar la
eficiencia del servicio al cliente en los supermercados. Además, no está claro qué factores
pueden influir en el tiempo de atención en las cajas rápidas. Por ejemplo, aunque las cajas
rápidas están destinadas a clientes con menos productos, otros factores como el método de pago
pueden afectar el tiempo de atención. Por lo tanto, este estudio busca responder a la siguiente
pregunta: ¿Cuáles son los factores que influyen en el tiempo de atención en las cajas rápidas de
Plaza Vea y cómo se puede optimizar el tiempo de espera de un cliente?

2. OBJETIVOS DEL ESTUDIO

2.1. Objetivo General:

Analizar y determinar la atención de las cajas rápidas de PLAZA VEA, el cual nos permita
saber su eficiencia.

2.2. Objetivos Específicos:

• Recopilar datos sobre el tiempo de atención.
• Utilizar el Input Analyzer de Arena para analizar los datos recopilados y determinar la
distribución de probabilidad.
• Identificar factores que pueden influir en el tiempo de atención y pago de las cajas
rápidas.
• Simular en el programa Arena el evento con la distribución obtenida y simular una
propuesta de mejora.

3. DESCRIPCIÓN DE LA EMPRESA

Plaza Vea es una cadena de supermercados e hipermercados que forma parte del prestigioso
Grupo Interbank. Esta empresa peruana se dedica a ofrecer una gran variedad de productos a
sus clientes, con el compromiso de mejorar la calidad de vida de todas las familias peruanas
llevando calidad y modernidad a sus hogares.

Plaza Vea se distingue por su enfoque en la satisfacción del cliente y la eficiencia del servicio.
Emplea a más de 10 mil personas en todo el país, distribuidas entre sus numerosas tiendas. Fue
el primer hipermercado en expandirse a provincias en el año 2007, lo que le valió una serie de
reconocimientos.

La empresa sigue creciendo y extendiéndose por todo el país, y se esfuerza por ser la primera
opción de compra para todos los peruanos. Plaza Vea valora a sus colaboradores como el recurso
más valioso de su organización y se preocupa por su bienestar y progreso.
PRESENTACIÓN DEL PLAN DE TRABAJO
“DIAGRAMA GANTT”
1.4. DESCRIPCIÓN DEL SISTEMA

El sistema en estudio es el proceso de atención al cliente en las cajas rápidas de Plaza Vea. Este
proceso comienza cuando un cliente se acerca a la caja rápida con sus productos y termina
cuando el cliente ha pagado y se retira de la caja.

Los componentes clave del sistema incluyen el cliente, el cajero y el método de pago. Se
considera el total de cajas rápidas (3 habilitadas) como un solo sistema.

1.5. ALCANCE DEL ESTUDIO

El estudio se centrará exclusivamente en el tiempo de atención al cliente en las cajas rápidas de

Plaza Vea. No se considerarán otros procesos o áreas del supermercado. Además, el estudio se
limitará a la recopilación y análisis de datos sobre el tiempo de atención, sin considerar otros
aspectos.

No se consideran otros factores que pueden influir en el tiempo de atención, como el número
de productos ya que se permiten como máximo 6.

1.6. DESCRIPCIÓN DE LAS ACTIVIDADES

Las actividades del estudio incluirán la recopilación de datos sobre el tiempo de atención al
cliente en las cajas rápidas de Plaza, la entrada de estos datos en el Input Analyzer de Arena, y el
análisis de los resultados para determinar la distribución de probabilidad que mejor se ajuste a
estos datos.

DISEÑO CONCEPTUAL DEL MODELO

En este modelo los procesos como el escaneo de producto y selección de método de pago son
de media iguales por cada cliente, se quiere demostrar que el proceso de pago es determinante
en el tiempo de atención al cliente.
1.7. ANALISIS DE LOS DATOS DE ENTRADA

o Cálculo de tamaño de muestra:

Donde:

n: tamaño de muestra

z: nivel de confianza (95%) y valor z correspondiente es 1.96.

p: proporción de la muestra que es útil para el estudio, en este caso 0.5 por no haber
antecedente.

q: complemento de P, es decir 1 - 0.5= 0.5

e: margen de error, para este estudio del 10%.

𝑛 = 𝑧 2 𝑝𝑞/𝑒 2
Para nuestros datos el tamaño muestral n es: 96.04 redondeando 96 clientes.

o Recopilación de datos:

Se recopiló los datos tomando el tiempo de atención en segundos de cada uno de los 96 clientes
en caja rápida obteniendo los siguientes tiempos:
 o Ajuste estadístico en la herramienta Input Analyzer:

o Análisis e interpretación resultados:

La expresión de la distribución beta es 16 + 67 * BETA (1.1, 1.95). Aquí, BETA (1.1, 1.95)
representa la distribución beta con parámetros α=1.1 y β=1.95. Los números 16 y 67 son
constantes que se utilizan para escalar y desplazar la distribución.
El error de distribución es 0.006570, lo que indica que la distribución beta se ajusta bastante
bien a los datos.

Además, los resultados del test Chi cuadrado y del test de Kolmogorov-Smirnov indican que no
se puede rechazar la hipótesis nula de que los datos siguen una distribución beta. El valor p del
test Chi cuadrado es 0.112 y el valor p correspondiente del test de Kolmogorov-Smirnov es
0.0637. Ambos valores son mayores que 0.05, lo que significa que no se puede rechazar la
hipótesis nula a un nivel de significancia del 5%.

1.8. IMPLEMENTACIÓN DEL MODELO EN ARENA (SITUACIÓN ACTUAL O DIAGNÓSTICO)

❖ Construcción del modelo de simulación en Arena

 ❖ Validación del modelo:

Se corre la simulación del modelo con los parámetros de la distribución beta obtenida de la
muestra analizada en el input analyzer de Arena:

❖ Análisis de resultados del modelo:

Se obtuvieron los siguientes resultados de la simulación en cuánto al número de clientes que se

mantuvieron en el sistema durante la simulación en cualquier momento.

• CLIENTE (WIP - Work In Process): El número promedio de clientes en el sistema (en

proceso) fue de aproximadamente 48.75. Esto significa que, en promedio, había
alrededor de 49 clientes en el sistema en cualquier momento dado.

• PROCESA PAGO.Queue (Number Waiting): El número promedio de clientes esperando

en la cola para el proceso de pago fue de aproximadamente 47.75. Esto indica que, en
promedio, había alrededor de 48 clientes esperando para ser atendidos en cualquier
momento dado.
 • Recurso de atención (Instantaneous Utilization): La utilización instantánea promedio del
recurso de atención fue de 1. Esto indica que el recurso de atención estuvo ocupado
(utilizado) todo el tiempo.

• Recurso de atención (Number Busy): El número promedio de recursos de atención

ocupados fue de 1. Esto indica que siempre hubo un recurso de atención ocupado.

• Recurso de atención (Number Scheduled): El número promedio de recursos de atención

programados fue de 1. Esto indica que siempre hubo un recurso de atención
programado.

1.9. PROPUESTA DE MEJORA

Se realizó implementando el proceso autoservicio, que hace referencia a las cajas autoservicio
de Plaza Vea. Si bien ya existen como tal se ve que tienen un potencial que no es totalmente
explotado por razones que se desconocen muchos clientes suelen hacer uso de estas cajas
automáticas, pero existen personas que desconocen su uso, es por ello que se plantea realizar
estudios de mejora continua, para poder aprovechar al máximo estos equipos.

✓ Construcción de un modelo propuesto:

Se crea el proceso Autoservicio con igual distribución y capacidad que las cajas rápidas
tradicionales.
Se crea una decisión de porcentaje de verdad del 80%, siendo esa salida las cajas rápidas
tradicionales.

✓ Diseño del modelo:

✓ Análisis de resultados:

Estos son los resultados obtenidos de la simulación de la propuesta de mejora.

 ➢ CLIENTE (WIP - Work In Process): El número promedio de clientes en el sistema (en
proceso) se redujo de aproximadamente 48.75 a 40.60. gracias a la implementación del
autoservicio hubo una gran mejora.

➢ PROCESA PAGO.Queue (Number Waiting): El número promedio de clientes esperando

en la cola para el proceso de pago se redujo de aproximadamente 47.75 a 34.86. Mejoro
el tiempo de espera, ahora los clientes son atendidos mucho más rápido.

➢ AUTOSERVICIO.Queue (Number Waiting): El número promedio de clientes esperando en

la cola para el proceso de autoservicio fue de aproximadamente 4.36. El proceso de pago
se agilizo permitiendo que la salida de los clientes sea mucho más rápida.

➢ Recurso de atención (Instantaneous Utilization, Number Busy, Number Scheduled): La

utilización instantánea, el número de recursos ocupados y el número de recursos
programados para el recurso de atención se mantuvieron en 1.

➢ Resource 1 (Instantaneous Utilization, Number Busy, Number Scheduled): Este es el

recurso asociado con el proceso de autoservicio. La utilización instantánea y el número
de recursos ocupados fueron de aproximadamente 0.37, el recurso en si no estuvo tan
ocupado, pero siempre se mantiene en un solo recurso.

Caben mencionar que este método usado mejoro la atención de los clientes, ya que la atención
es mucho más rápida y esto hace que la cola avance y no se saturen, el cual permite brindar una
buena atención a cada cliente.
CONCLUSIONES

Su implementación del proceso de autoservicio en la simulación ha demostrado ser beneficiosa.

Ha permitido una reducción significativa en el número de clientes en el sistema y en el tiempo
de espera en la cola. Sin embargo, aún existe capacidad sin utilizar en el proceso de autoservicio.

En conclusión, los resultados de la simulación muestran la siguiente información:

✓ CLIENTE (WIP - Work In Process): El número promedio de clientes en el sistema (en

proceso) se redujo de aproximadamente 48.75 a 40.60. gracias a la implementación del
autoservicio hubo una gran mejora.

✓ PROCESA PAGO.Queue (Number Waiting): El número promedio de clientes esperando

en la cola para el proceso de pago se redujo de aproximadamente 47.75 a 34.86. Mejoro
el tiempo de espera, ahora los clientes son atendidos mucho más rápido.

✓ AUTOSERVICIO.Queue (Number Waiting): El número promedio de clientes esperando en

la cola para el proceso de autoservicio fue de aproximadamente 4.36. El proceso de pago
se agilizo permitiendo que la salida de los clientes sea mucho más rápido.

✓ Recurso de atención (Instantaneous Utilization, Number Busy, Number Scheduled): La

utilización instantánea, el número de recursos ocupados y el número de recursos
programados para el recurso de atención se mantuvieron en 1.

✓ Resource 1 (Instantaneous Utilization, Number Busy, Number Scheduled): Este es el

recurso asociado con el proceso de autoservicio. La utilización instantánea y el número
de recursos ocupados fueron de aproximadamente 0.37, el recurso en si no estuvo tan
ocupado, pero siempre se mantiene en un solo recurso.

RECOMENDACIONES

Viendo el potencial sin explotar de las cajas de autoservicio, se sugiere considerar estrategias
para aumentar su uso. Por el cual ayuda aprovechar al máximo la capacidad de las cajas de
autoservicio, de tal forma que esto mejorar la eficiencia del sistema, el cual permitirá que los
clientes acudan con mas frecuencia, el cual generaría un mejor ingreso de los mismo, y esto la
venta de sus productos y alza de sus ganancias.