Predecir Ausencias (No-Shows) en una Red de Clínicas Dentales
Una cadena de 80 clínicas pierde el 14% de las citas por pacientes que no se presentan: sillones vacíos, higienistas parados y 3,1M€ al año de ingresos perdidos. La dirección quiere decidir para cada cita si enviar un recordatorio extra, pedir confirmación o hacer overbooking controlado. Los directores de clínica deben entender y aceptar el criterio.
De dónde sale el dinero
Qué hacer ahora
- 1Medir el coste de una hora de sillón vacía por especialidad.
- 2Modelo de no-show con datos de 2 años.
- 3Piloto de recordatorios y overbooking en 10 clínicas frente a control.
Para llevar al comité
Una página con la decisión, el impacto, los riesgos, los pasos y el KPI de seguimiento.
Se abre la ventana de impresión: elige "Guardar como PDF".
Ojo: más volumen no siempre es más beneficio
Un overbooking agresivo llena la agenda pero genera esperas y reseñas negativas que cuestan pacientes futuros. Solo overbooking donde la probabilidad de ausencia lo justifica.
KPI para el comité
Ocupación de sillón y tasa de no-show.
Detalle para tu equipo de datos
Técnica propuesta: Regresión Logística
Por qué: Datos tabulares sencillos, decisión binaria y necesidad de que los directores confíen en el modelo: la Regresión Logística da probabilidades bien calibradas (imprescindibles para decidir el overbooking sumando probabilidades) y coeficientes que se explican en una reunión.
Coste de equivocarse: Un no-show no detectado es una hora de sillón perdida (~90€); un falso positivo con overbooking es un paciente esperando y una mala reseña.
Datos necesarios: Histórico de 1,2M de citas con resultado (acudió / no acudió).; Datos de la cita: día, hora, antelación de la reserva, tipo de tratamiento, profesional.; Historial del paciente: ausencias previas, antigüedad, si tiene tratamiento financiado en curso.; Contexto: distancia a la clínica, lluvia prevista.