Business Intelligence

Grupo Sistemas es un grupo de empresas especializadas en las áreas contables, administrativas, de nóminas y gestión de personal. Su objetivo es brindar un servicio personalizado que proporciona visibilidad y seguridad a sus clientes ante cualquier cambio fiscal y laboral previendo futuros problemas fiscales y de seguridad social.

El Reto

Al crecer la cartera de clientes y colaboradores de Grupo Sistemas la dirección se vio en la necesidad de contar con información precisa y rápida para poder identificar cómo están asignadas las cargas de trabajo vs lo que se estaba cobrando para ver la rentabilidad de cada colaborador y lo que se estaba cobrando a los clientes, tanta información y toda esa plantilla de más de 200 personas y teniendo más de 300 cuentas estaban provocando poca visibilidad.

Al ser una empresa en crecimiento, sus procesos se empezaron a incrementar, de tal forma que para dirección general era difícil visualizar la información y KPIs para poder tomar decisiones. Empezó a crecer su plantilla y de pronto no sabían si los colaboradores tenían las mismas cargas de trabajo o si los clientes a los que estaban asignados los colaboradores redituaban en relación con el tiempo de ejecución vs el pago por el servicio.

Solución Propuesta

El equipo especializado en Data & Analytics de SIPSER cloud implementó AWS Quicksight para que puedan visualizar información derivada de sus sistemas administrativos a manera de tableros de control, con esta solución ahora era más fácil identificar el comportamiento de ventas, facturación, cobranza y la distribución de cargas de trabajo de sus colaboradores, por gerencia y por área.

Esta primera etapa de visualización permitió a la empresa identificar áreas de oportunidad que dieron paso a un proyecto de analítica, ahora ya no solo querían saber ¿Qué paso?, ahora la pregunta era ¿Por qué paso? y ¿Qué podría pasar si hago ajustes?, en una segunda etapa en conjunto con el equipo de especialistas de SIPSER cloud empezaron con un proyecto de análisis de  información usando herramientas de limpieza de datos para generar nuevas fuentes de información que ayudaron a dirección general a descubrir que existían clientes que se les estaba cobrando la misma cantidad con recursos que invertían 8 horas de su tiempo vs clientes que pagaban lo mismo con la mitad de tiempo invertido, eso les dio la oportunidad de evaluar a que clientes había la necesidad de hacer ajustes de trabajo en sus pólizas y como poder reasignar las diferentes cargas de trabajo entre sus colaboradores en sus diferentes gerencias para que quedaran más equilibrado la distribución de cada cuenta lo que provoco como resultado una mejor experiencia de sus clientes.

La etapa final del proyecto consistió en implementar un modelo de Machine Learning que permita a la empresa saber de una manera más efectiva cuantos recursos son los necesario para atender a tanto a cuentas nuevas tomando como base la información histórica para estar preparados para atender a más clientes con la misma calidad de servicio.