Determinación de la cantidad óptima de personal retén en servicios de limpieza con ausentismo laboral mediante el método Monte Carlo

Abstract

El trabajo tuvo como objetivo determinar la cantidad óptima de personal retén necesario para garantizar la cobertura operativa ante ausencias laborales en el turno tarde de un centro hospitalario atendido por SILSA. Para ello se analizaron los puestos no cubiertos (PNC), se diseñó un modelo de simulación aplicando el método de Monte Carlo para estimar escenarios futuros de ausentismo y se evaluó el impacto económico de las penalidades asociadas a la falta de cobertura. La metodología fue cuantitativa, no experimental y longitudinal, basada en datos diarios de asistencia del turno tarde recopilados entre febrero y septiembre de 2025. Se realizó una depuración de outliers mediante el rango intercuartílico y posteriormente se evaluó el ajuste de los datos a distintas distribuciones de conteo. Debido a la sobredispersión identificada, la cantidad de puestos no cubiertos se ajustó a una distribución Binomial Negativa, cuyos parámetros permitieron generar 1,000 escenarios de 30 días cada uno mediante el método de Monte Carlo. El nivel de cobertura objetivo fue 98.5%, establecido por SILSA como estándar operativo. Los resultados muestran que, con los datos depurados (222 días) y usando los parámetros estimados de una Binomial Negativa, la cantidad óptima de personal retén es de 26 trabajadores, lo que permite obtener una cobertura promedio de 98.72%. En términos económicos, incrementar la cobertura a 98.5% generaría una reducción aproximada del 38.2% en penalidades. Se concluyó que la simulación usando el método de Monte Carlo, combinada con un ajuste paramétrico adecuado, proporcionó una herramienta sólida para estimar requerimientos de personal y tomar decisiones operativas basadas en evidencia, mejorando la eficiencia, la calidad del servicio y la sostenibilidad financiera de SILSA.The objective of this study was to determine the optimal number of reserve staff required to ensure operational coverage in the event of employee absences during the afternoon shift at a hospital center serviced by SILSA. To achieve this, uncovered positions (UP) were analyzed, a simulation model was designed using the Monte Carlo method to estimate future absenteeism scenarios, and the economic impact of penalties associated with lack of coverage was evaluated. The methodology was quantitative, non-experimental, and longitudinal, based on daily attendance data from the afternoon shift collected from February to September 2025. Outliers were filtered using the interquartile range, and the data were subsequently assessed to fit to different count distributions. Due to the identified overdispersion, the number of uncovered positions was adjusted to a Negative Binomial distribution, whose parameters enabled the generation of 1,000 scenarios of 30 days each using the Monte Carlo method. The target coverage level was 98.5%, established by SILSA as the operational standard. The results show that, using the cleaned dataset (222 days) and the estimated parameters of the Negative Binomial distribution, the optimal number of reserve staff is 26 workers, which yields an average coverage of 98.72%. In economic terms, increasing coverage to 98.5% would generate an approximate 38.2% reduction in penalties. It was concluded that simulation using the Monte Carlo method, combined with an appropriate parametric fit, provided a robust tool for estimating staffing requirements and supporting evidence-based operational decision-making, thereby improving efficiency, service quality, and SILSA’s financial sustainability.