Cómo comparar la eficiencia de tus centros más allá de las ventas por empleado
Si gestionas varias tiendas, hoteles, clínicas, residencias o sucursales, lo más probable es que las compares con un ratio: ventas por empleado, clientes por hora, pacientes por enfermera. Es rápido de calcular y casi siempre lleva a la conclusión equivocada.
Los tres problemas del ratio por empleado
Solo mira una actividad. Una tienda que además prepara pedidos online siempre saldrá mal en «ventas en mostrador por empleado», porque parte de su plantilla está haciendo otra cosa. El ratio no la ve.
Premia o castiga el tamaño. Los centros grandes suelen tener ventajas que no dependen de cómo trabajan: reparten los puestos fijos entre más actividad. Comparar un centro de 15 personas con uno de 150 por el mismo ratio mide sobre todo el tamaño.
No dice qué hacer. Saber que una unidad está un 12 % por debajo de la media no explica por qué ni cuánto habría que mover. Y la media es un mal listón: la mitad de tus centros siempre estará por debajo.
Comparar con los mejores, no con la media
El análisis envolvente de datos (DEA, data envelopment analysis) es la técnica estándar en la literatura de eficiencia para este problema. En vez de dividir una cosa entre otra, construye para cada unidad un «centro modelo»: una combinación de unidades reales de tu red que, juntas, hacen al menos lo mismo que ella con menos personal.
Eso resuelve los dos primeros problemas de golpe. Tiene en cuenta varias actividades a la vez, así que la tienda con pedidos online se compara por todo lo que hace; y como el centro modelo se construye con unidades de tamaño parecido, el tamaño deja de contaminar la comparación.
El resultado no es una nota sobre la media, sino una distancia respecto a lo mejor que tú ya consigues en algún sitio. Si tu mejor centro lo hace, es alcanzable.
Y la IA responde al «por qué»
El tercer problema lo resuelve la IA aplicada. Un modelo aprende de tus propios datos qué distingue a las unidades que marcan el listón y, para cada una, devuelve tres respuestas en lenguaje claro:
- ¿Trabaja como las mejores? Un índice de 0 a 100 %, contrastado con la nota de eficiencia del DEA. Cuando los dos métodos no coinciden, se dice: ahí lo honesto es revisar los datos antes de decidir nada.
- ¿Qué pesa en su resultado? Qué le resta y qué le suma, por colectivo y por tipo de actividad.
- ¿Qué tendría que cambiar? El ajuste más pequeño que la lleva al 75, 85 o 95 %, por dos caminos: menos plantilla con la misma actividad, o más actividad con la misma plantilla.
Qué datos necesitas
Menos de los que crees. Por cada unidad y periodo (normalmente un mes):
- La plantilla en FTE (equivalentes a jornada completa).
- El volumen de actividad: ventas, visitas, altas, pedidos, lo que mida tu trabajo. Puedes poner varias columnas de actividad.
- Opcionales, pero recomendables: absentismo, horas extra, personal externo, coste de personal y una columna de complejidad.
Con 5 unidades comparables ya se puede calcular, aunque a partir de 8 unidades y un año de historia los resultados son bastante más sólidos. No hacen falta datos personales: todo va agregado por unidad.
Un caso real que puedes mirar entero
Para comprobar que esto no es una demostración de juguete, hay un caso con datos públicos del NHS: 17 hospitales de Londres a lo largo de 12 meses, con su plantilla por colectivo y su actividad (ingresos, urgencias y consultas externas). Sale que 9 trabajan como los mejores de su grupo, varios están cerca del listón y unos pocos tienen margen claro. Con hospitales que no había visto, el modelo acierta en el 88 % de los casos.
No es una evaluación de esos hospitales —los datos públicos no recogen la complejidad de los pacientes— sino una muestra de lo que sale con datos que cualquier organización ya tiene. Está publicado entero, con sus cifras y su informe.
Pruébalo con tus datos o mira el caso real. El análisis en pantalla es gratis, sin registro, y el archivo no sale de tu ordenador.
How to compare your sites’ efficiency beyond sales per employee
If you run several stores, hotels, clinics, care homes or branches, chances are you compare them with a ratio: sales per employee, customers per hour, patients per nurse. It is quick to work out and it almost always points to the wrong conclusion.
Three problems with the per-employee ratio
It only looks at one activity. A store that also packs online orders will always look bad on "counter sales per employee", because part of its staff is doing something else. The ratio cannot see it.
It rewards or punishes size. Large sites usually enjoy advantages that have nothing to do with how they work: they spread fixed roles over more activity. Comparing a 15-person site with a 150-person one using the same ratio mostly measures size.
It does not say what to do. Knowing a unit is 12% below average explains neither why nor how much to move. And the average is a poor benchmark: half your sites will always sit below it.
Compare with the best, not with the average
Data envelopment analysis (DEA) is the standard technique in the efficiency literature for this problem. Instead of dividing one thing by another, it builds a "model site" for each unit: a combination of real units from your own network that together do at least as much with fewer staff.
That settles the first two problems at once. It takes several activities into account, so the store with online orders is compared on everything it does; and because the model site is built from units of similar size, size stops contaminating the comparison.
The result is not a score against the average but a distance from the best you already achieve somewhere. If your best site does it, it is reachable.
And the AI answers the "why"
Applied AI settles the third problem. A model learns from your own data what sets the benchmark units apart and, for each one, returns three answers in plain language:
- Does it work like the best? A 0–100% index, checked against the DEA efficiency score. When the two methods disagree, it says so: the honest thing there is to review the data before concluding anything.
- What weighs on its result? What pulls it down and what lifts it, by staff group and activity type.
- What would have to change? The smallest adjustment that takes it to 75, 85 or 95%, by two routes: fewer staff with the same activity, or more activity with the same staff.
What data you need
Less than you think. For each unit and period (usually a month):
- Staffing in FTE (full-time equivalents).
- Activity volume: sales, visits, admissions, orders — whatever measures your work. You can use several activity columns.
- Optional but worth adding: absence, overtime, outsourced staff, staff cost and a complexity column.
It works from 5 comparable units, though from 8 units and a year of history the results are considerably more solid. No personal data is needed: everything is aggregated by unit.
A real case you can read in full
To show this is not a toy demo, there is a case built on public NHS data: 17 London hospitals over 12 months, with staffing by group and activity (admissions, A&E and outpatients). It finds that 9 work like the best in their group, several are close to the benchmark and a few have clear room to improve. On hospitals it had not seen, the model is right 88% of the time.
It is not an assessment of those hospitals — public data does not capture patient complexity — but a sample of what comes out of data any organisation already has. It is published in full, with its figures and its report.
Try it with your data or read the real case. The on-screen analysis is free, with no sign-up, and the file never leaves your computer.