Tiempo Hasta Caso Anterior en el Grupo

Resumen

El enriquecimiento Tiempo Hasta Caso Anterior en el Grupo calcula el tiempo transcurrido entre casos consecutivos dentro de un grupo o categoría específica. Agrupando casos según un atributo compartido (como ID de paciente, nombre de recurso, ID de máquina o departamento), este enriquecimiento mide el intervalo desde que un caso comienza hasta que inicia el siguiente caso en ese mismo grupo. Esta potente capacidad de análisis temporal permite a las organizaciones entender patrones de carga laboral, identificar cuellos de botella en la utilización de recursos y medir el rendimiento a un nivel granular.

Este enriquecimiento es especialmente valioso para analizar tiempos de espera en colas, disponibilidad de recursos y cadencia operativa. Por ejemplo, en salud se puede medir cuánto tiempo pasa entre visitas consecutivas de pacientes para un mismo doctor; en fabricación se puede rastrear el tiempo entre ciclos de producción en la misma máquina; o en servicio al cliente se puede analizar el intervalo entre casos atendidos por un mismo agente. El enriquecimiento crea automáticamente dos nuevos atributos del caso: la duración hasta el caso anterior y el ID del caso anterior, proporcionando insights tanto temporales como relacionales.

A diferencia de cálculos simples de duración que miden el tiempo dentro de un solo caso, este enriquecimiento analiza múltiples casos para entender patrones en el flujo de trabajo dentro de su organización. Revela si los recursos están siendo utilizados completamente, si hay tiempos excesivos de espera entre actividades y cómo varía la distribución de la carga laboral entre diferentes grupos o categorías en su proceso.

Usos Comunes

  • Utilización de Recursos en Salud: Medir el tiempo entre citas consecutivas de pacientes para el mismo médico para identificar espacios en la agenda y optimizar la eficiencia de la clínica
  • Rendimiento de Máquinas en Manufactura: Calcular intervalos entre ciclos de producción en el mismo equipo para analizar la utilización y detectar tiempos ociosos
  • Análisis de Colas en Servicio al Cliente: Rastrear el tiempo entre casos manejados por el mismo agente para entender la distribución de carga y productividad
  • Gestión de Incidentes TI: Monitorear el intervalo entre tickets asignados al mismo técnico para balancear la carga de trabajo y evitar sobreasignación
  • Análisis de Ciclo de Compras: Medir el tiempo entre órdenes de compra al mismo proveedor para optimizar la frecuencia de pedidos y mantener relaciones saludables
  • Patrones de Transacciones Bancarias: Analizar intervalos entre transacciones de la misma cuenta o cliente para detectar patrones inusuales o indicadores de fraude
  • Procesamiento de Pedidos en Almacén: Calcular tiempo entre recogidas en la misma ubicación para optimizar el layout del almacén y reducir tiempos de traslado

Configuración

Atributo para Agrupar: Seleccione el atributo del caso que define la categoría de agrupación. Casos con el mismo valor en este atributo se agruparán para el análisis. Opciones comunes incluyen nombres de recursos (p.ej., "Doctor", "Máquina", "Agente"), identificadores de departamento, códigos de ubicación o cualquier atributo categórico que represente un agrupamiento lógico del trabajo. El enriquecimiento calculará el tiempo desde la hora de inicio de cada caso hasta la hora de inicio del caso anterior dentro del mismo grupo.

Nombre del Nuevo Atributo: Especifique el nombre para el nuevo atributo de duración que se creará. Este atributo contendrá el lapso de tiempo (en horas) entre la hora de inicio del caso actual y la del caso anterior dentro del mismo grupo. Elija un nombre descriptivo que refleje lo que está midiendo, como "Time_Since_Last_Patient" o "Interval_Between_Orders". El enriquecimiento también creará automáticamente un segundo atributo con "_CaseId" añadido a su nombre elegido, que almacenará el ID del caso anterior en el grupo.

Filtrar Casos (Opcional): Aplique filtros opcionales para limitar qué casos se incluyen en el cálculo. Esto es útil cuando solo desea analizar tipos específicos de casos o excluir ciertos escenarios. Por ejemplo, puede filtrar para incluir solo casos completados, excluir órdenes canceladas o enfocarse en un período específico. Los casos que no coincidan con el filtro no serán incluidos en la agrupación ni en los cálculos de tiempo.

Ejemplos

Ejemplo 1: Análisis de Programación de Citas de Pacientes

Escenario: Una clínica de salud desea optimizar la programación de médicos comprendiendo los espacios reales entre citas consecutivas de pacientes. Necesitan identificar si los médicos tienen tiempos muertos excesivos entre pacientes o si las citas están muy ajustadas, causando retrasos.

Configuración:

  • Atributo para Agrupar: "Physician_Name"
  • Nombre del Nuevo Atributo: "Time_Since_Previous_Appointment"
  • Filtrar Casos: Ninguno (analizar todas las citas)

Salida:

El enriquecimiento crea dos nuevos atributos:

  • Time_Since_Previous_Appointment: Duración en horas entre el inicio de la cita actual y la cita previa para el mismo médico
  • Time_Since_Previous_Appointment_CaseId: ID del caso de la cita previa del paciente

Datos de ejemplo:

Case ID Physician_Name Appointment_Start Time_Since_Previous_Appointment Time_Since_Previous_Appointment_CaseId
PT-001 Dr. Smith 2024-01-15 08:00 (null) (null)
PT-002 Dr. Smith 2024-01-15 08:30 0.5 PT-001
PT-003 Dr. Smith 2024-01-15 09:15 0.75 PT-002
PT-004 Dr. Jones 2024-01-15 08:00 (null) (null)
PT-005 Dr. Smith 2024-01-15 11:00 1.75 PT-003

Insights: La clínica puede identificar patrones como que Dr. Smith tiene un intervalo de 1.75 horas entre PT-003 y PT-005, sugiriendo un descanso programado o ineficiencia en la programación. Al analizar estos intervalos para todos los médicos, la clínica podrá optimizar plantillas de agendamiento para reducir tiempos de espera y asegurar tiempo adecuado por paciente.

Ejemplo 2: Utilización de Máquinas en Manufactura

Escenario: Una planta de fabricación necesita medir la utilización del equipo analizando el tiempo entre ciclos de producción consecutivos en cada máquina. Esto ayuda a identificar activos subutilizados y optimizar la programación para maximizar el rendimiento.

Configuración:

  • Atributo para Agrupar: "Machine_ID"
  • Nombre del Nuevo Atributo: "Machine_Idle_Time"
  • Filtrar Casos: Production_Status = "Completed" (excluir ciclos cancelados o fallidos)

Salida:

El enriquecimiento crea:

  • Machine_Idle_Time: Duración en horas entre el inicio del ciclo actual y el anterior en la misma máquina
  • Machine_Idle_Time_CaseId: ID del caso del ciclo de producción anterior

Datos de ejemplo:

Case ID Machine_ID Run_Start_Time Product_Type Machine_Idle_Time Machine_Idle_Time_CaseId
RUN-101 MCH-A01 2024-01-15 06:00 Widget-X (null) (null)
RUN-102 MCH-A01 2024-01-15 08:30 Widget-Y 2.5 RUN-101
RUN-103 MCH-A02 2024-01-15 06:00 Widget-Z (null) (null)
RUN-104 MCH-A01 2024-01-15 12:00 Widget-X 3.5 RUN-102
RUN-105 MCH-A02 2024-01-15 14:00 Widget-Y 8.0 RUN-103

Insights: La máquina MCH-A02 muestra un intervalo de 8 horas entre ciclos, indicando subutilización significativa o posibles tareas de mantenimiento. MCH-A01 tiene intervalos más consistentes de 2.5 a 3.5 horas. Los gerentes de planta pueden usar estos datos para equilibrar la producción, identificar capacidad adicional o investigar tiempos ociosos excesivos.

Ejemplo 3: Análisis de Carga de Trabajo para Agentes de Servicio al Cliente

Escenario: Un centro de soporte al cliente quiere analizar la distribución de la carga laboral midiendo el tiempo entre casos consecutivos asignados a cada agente. Esto ayuda a identificar agentes sobrecargados y otros con capacidad, permitiendo decisiones más eficientes en la asignación de casos.

Configuración:

  • Atributo para Agrupar: "Assigned_Agent"
  • Nombre del Nuevo Atributo: "Time_Between_Cases"
  • Filtrar Casos: Case_Type = "Support Ticket" (excluir tareas internas)

Salida:

El enriquecimiento crea:

  • Time_Between_Cases: Horas entre casos consecutivos asignados al mismo agente
  • Time_Between_Cases_CaseId: ID del caso previo para el mismo agente

Datos de ejemplo:

Case ID Assigned_Agent Case_Start_Time Priority Time_Between_Cases Time_Between_Cases_CaseId
TKT-501 Agent_Sarah 2024-01-15 09:00 High (null) (null)
TKT-502 Agent_Mike 2024-01-15 09:05 Medium (null) (null)
TKT-503 Agent_Sarah 2024-01-15 09:15 Low 0.25 TKT-501
TKT-504 Agent_Sarah 2024-01-15 09:30 High 0.25 TKT-503
TKT-505 Agent_Mike 2024-01-15 11:00 Medium 1.92 TKT-502

Insights: La agente Sarah recibe casos cada 15 minutos (0.25 horas), indicando alta carga, mientras que el agente Mike tiene casi 2 horas entre casos, sugiriendo capacidad disponible. El centro puede usar esta información para reequilibrar asignaciones y asegurar una distribución justa y tiempos de respuesta óptimos.

Ejemplo 4: Análisis de Frecuencia de Pedidos a Proveedores

Escenario: El departamento de compras quiere analizar patrones de pedidos a proveedores para optimizar inventarios y relaciones con proveedores. Midiendo el tiempo entre órdenes consecutivas al mismo proveedor, pueden identificar oportunidades para consolidar pedidos o mantener frecuencias óptimas.

Configuración:

  • Atributo para Agrupar: "Supplier_Name"
  • Nombre del Nuevo Atributo: "Days_Since_Last_Order"
  • Filtrar Casos: Order_Status = "Approved" (excluir pedidos rechazados o pendientes)

Salida:

El enriquecimiento crea:

  • Days_Since_Last_Order: Tiempo en horas entre órdenes al mismo proveedor (puede convertirse a días dividiendo por 24)
  • Days_Since_Last_Order_CaseId: ID del pedido anterior

Datos de ejemplo:

Case ID Supplier_Name Order_Date Total_Amount Days_Since_Last_Order Days_Since_Last_Order_CaseId
PO-1001 Acme Corp 2024-01-05 $5,000 (null) (null)
PO-1002 Beta Supply 2024-01-08 $12,000 (null) (null)
PO-1003 Acme Corp 2024-01-12 $3,200 168.0 PO-1001
PO-1004 Acme Corp 2024-01-15 $4,500 72.0 PO-1003
PO-1005 Beta Supply 2024-01-25 $15,000 408.0 PO-1002

Insights: La empresa hace pedidos a Acme Corp cada 3-7 días (72-168 horas), sugiriendo pedidos pequeños frecuentes que podrían beneficiarse de consolidarse para reducir costos. Beta Supply muestra intervalos de 17 días (408 horas), posiblemente óptimos para pedidos a granel. Compras puede usar este análisis para negociar descuentos por volumen, optimizar frecuencias y mantener relaciones saludables.

Ejemplo 5: Gestión de Cola para Resolución de Incidentes TI

Escenario: El departamento de TI necesita analizar cómo se distribuyen los incidentes entre técnicos para asegurar cargas balanceadas y prevenir agotamiento. Midiendo el tiempo entre asignaciones de incidentes consecutivos, pueden identificar desequilibrios y optimizar el enrutamiento de tickets.

Configuración:

  • Atributo para Agrupar: "Assigned_Technician"
  • Nombre del Nuevo Atributo: "Incident_Assignment_Interval"
  • Filtrar Casos: Incident_Type != "Informational" (excluir tickets no accionables)

Salida:

El enriquecimiento crea:

  • Incident_Assignment_Interval: Horas entre asignaciones de incidentes consecutivas para el mismo técnico
  • Incident_Assignment_Interval_CaseId: ID del caso del incidente previo

Datos de ejemplo:

Case ID Assigned_Technician Assignment_Time Severity Incident_Assignment_Interval Incident_Assignment_Interval_CaseId
INC-201 Tech_Alex 2024-01-15 08:00 Critical (null) (null)
INC-202 Tech_Alex 2024-01-15 08:45 High 0.75 INC-201
INC-203 Tech_Jordan 2024-01-15 09:00 Medium (null) (null)
INC-204 Tech_Alex 2024-01-15 09:30 Critical 0.75 INC-202
INC-205 Tech_Jordan 2024-01-15 14:00 Low 5.0 INC-203

Insights: Tech Alex recibe incidentes críticos y de alta severidad cada 45 minutos (0.75 horas), lo que indica posible sobrecarga, mientras Tech Jordan tiene 5 horas entre asignaciones. El gerente de TI puede usar estos datos para reequilibrar el enrutamiento, asegurar atención rápida a incidentes críticos sin saturar técnicos y mantener calidad del servicio.

Salida

Al ejecutar este enriquecimiento, se crean dos nuevos atributos del caso para un análisis temporal y relacional completo:

Atributo Principal de Duración ([Nombre Especificado]):

  • Tipo de Dato: TimeSpan (mostrado en horas decimales)
  • Unidades: Duración en horas
  • Valor: Tiempo transcurrido desde la hora de inicio del caso anterior hasta la hora de inicio del caso actual dentro del mismo grupo
  • Primer Caso en el Grupo: Valor nulo (no existe caso anterior en el grupo)
  • Método de Cálculo: Hora de inicio del caso actual menos hora de inicio del caso anterior, ordenados cronológicamente dentro de cada grupo

Atributo Secundario de ID de Caso ([Nombre Especificado]_CaseId):

  • Tipo de Dato: Cadena (texto)
  • Valor: ID del caso anterior dentro del mismo grupo
  • Primer Caso en el Grupo: Valor nulo (no existe caso previo)
  • Propósito: Permite rastrear el caso anterior específico para análisis o validación detallada

Entendiendo los Valores de Salida:

Ejemplos de valores y su significado:

  • 0.25 = 15 minutos desde el caso anterior en este grupo
  • 2.5 = 2 horas y 30 minutos desde el caso anterior
  • 24.0 = Exactamente un día (24 horas) desde el caso anterior
  • 168.0 = Una semana (7 días) desde el caso anterior
  • null = Este es el primer caso del grupo, o el caso no pertenece a ningún grupo (si el atributo de agrupación es nulo)

Comportamiento Importante en la Agrupación:

  • Los casos se agrupan por coincidencia exacta en el valor del "Atributo para Agrupar"
  • Dentro de cada grupo, los casos se ordenan por hora de inicio (de más temprano a más tarde)
  • Cada caso se compara únicamente con el caso inmediatamente anterior en el mismo grupo
  • Casos con valores nulos o vacíos en el atributo de agrupación no se incluyen en cálculos de grupo
  • Si se aplica un filtro, solo se consideran casos que cumplen el filtro para determinar el "caso anterior"

Uso de los Atributos de Salida:

Los nuevos atributos pueden aprovecharse en mindzieStudio para análisis potentes:

  • Tableros de Rendimiento: Crear visualizaciones que muestren el tiempo promedio entre casos por grupo, identificando recursos con uso óptimo versus tiempos ociosos excesivos
  • Filtrado de Casos: Filtrar casos con intervalos muy cortos (posible sobrecarga) o muy largos (subutilización), facilitando mejoras focalizadas
  • Análisis Estadístico: Calcular medias, medianas y desviaciones estándar para entender variabilidad en la distribución de carga laboral
  • Análisis de Variantes: Comparar variantes de proceso basándose en patrones de utilización de recursos e identificar mejores prácticas
  • Detección de Cuellos de Botella: Identificar grupos (recursos, departamentos, ubicaciones) con intervalos consistentemente largos, sugiriendo limitaciones de capacidad o ineficiencias
  • Análisis de Tendencias: Rastrear cómo cambian los intervalos en el tiempo para medir impactos de mejoras o cambios en la carga
  • Análisis Relacional: Usar el atributo _CaseId para crear relaciones entre casos consecutivos, permitiendo investigaciones más profundas de patrones o anomalías

Integración con Otros Enriquecimientos:

Este enriquecimiento funciona muy bien combinado con:

  • Categorize Attribute Values: Agrupar intervalos en categorías como "Normal", "Retrasado", "Rápido"
  • Duration Between Two Activities: Comparar intervalos entre casos con duraciones dentro de un caso para análisis exhaustivo de tiempo de ciclo
  • Count Activities: Correlacionar complejidad del caso (conteo de actividades) con intervalos entre casos para entender capacidad de recursos
  • Representative Case Attribute: Extraer atributos del caso previo usando _CaseId para comparar características de casos consecutivos

Vea También

Enriquecimientos Relacionados con Análisis de Tiempo:

Enriquecimientos Relacionados con Agrupación y Análisis:

Herramientas de Análisis de Proceso:

Esta documentación es parte de la plataforma de minería de procesos mindzie Studio.