Tu sistema marca 92% de ocupación. El mes cerró peor que el anterior.
Las dos cosas pueden ser ciertas al mismo tiempo y no hay ningún error de cálculo. Lo que hay es un desacuerdo silencioso sobre qué se está dividiendo por qué.
La respuesta corta: el porcentaje de ocupación no es un indicador, son tres, y el que muestran casi todos los sistemas es el más favorable de los tres. Sobre el mismo mes, con los mismos datos, el número puede ser 92%, 78% o 69%.
La segunda respuesta es menos intuitiva. Aunque lo midas bien, llevarlo al máximo no es el objetivo. Pasado cierto punto, cada punto adicional de ocupación se paga con atrasos, con sobretiempo y —esto es lo que casi nadie conecta— con más inasistencias.
Acá está cómo calcularlo sin engañarte, por qué no existe un porcentaje ideal universal y qué número conviene mirar en su lugar.
Qué estás dividiendo por qué
La fórmula parece obvia: tiempo usado dividido por tiempo disponible. Todo el problema está en la segunda mitad.
"Tiempo disponible" admite al menos tres lecturas distintas, y cada una produce un indicador con un significado diferente.
Indicador | Numerador | Denominador | Qué te responde |
|---|---|---|---|
Ocupación nominal | Horas reservadas | Horas publicadas en la agenda | Qué tan bien se está llenando lo que abriste |
Ocupación efectiva | Horas efectivamente atendidas | Horas publicadas en la agenda | Qué parte de la capacidad ofrecida se convirtió en trabajo |
Ocupación productiva | Horas efectivamente atendidas | Horas pagadas al equipo | Qué parte del costo fijo se está usando |
Las tres son legítimas y responden preguntas distintas. El error no es elegir una: es reportar la primera creyendo que describe la tercera.
La diferencia entre la nominal y la efectiva es la brecha entre lo que se reservó y lo que ocurrió: cancelaciones que nadie volvió a ocupar e inasistencias. La diferencia entre la efectiva y la productiva es todo el tiempo que le pagas a alguien por estar disponible y que nunca llegó a publicarse como hora reservable: preparación, limpieza entre servicios, administración, horas muertas entre bloques.
Un ejemplo cerrado aclara la magnitud. Un negocio con dos profesionales, ocho horas diarias, veinte días al mes:
- Horas publicadas: 320
- Horas reservadas: 294 → ocupación nominal 91,9%
- Se cancelan 26 horas que no se vuelven a ocupar y 18 personas no llegan → horas atendidas: 250 → ocupación efectiva 78,1%
- El equipo está contratado por 360 horas mensuales, incluidas las no publicadas → ocupación productiva 69,4%
Veintidós puntos porcentuales separan el número que se mira del número que corresponde a la planilla. No es un matiz: es la diferencia entre un negocio que parece al límite de su capacidad y uno que tiene casi un tercio de su costo fijo sin convertir en trabajo.
Para calcular la ocupación efectiva hace falta que la agenda distinga qué pasó con cada hora reservada. Si "canceló" y "no llegó" terminan registradas como el mismo estado —o peor, si la hora simplemente desaparece—, el indicador no es calculable. Ese es el primer arreglo, y lo desarrollamos aparte en cómo separar cancelaciones de inasistencias.
No existe un porcentaje ideal, y el 85% famoso no es una ley
Si buscaste "cuál es una buena tasa de ocupación", probablemente te apareció 85%. Esa cifra tiene autor, fecha y un contexto muy específico, y el propio sistema que la popularizó ya la matizó.
Viene de la simulación estocástica de Bagust, Place y Posnett, publicada en el BMJ en 1999, que concluyó que los riesgos se vuelven perceptibles cuando la ocupación media de camas supera aproximadamente el 85%, y que sobre 90% un hospital puede esperar escasez regular y crisis periódicas.
Casi veinte años después, la revisión de evidencia del National Guideline Centre para NICE fue explícita: la convención de tratar el 85% como límite superior seguro se basó en un modelo teórico que "is unlikely to reflect current practice". La guía recomienda 90% como máximo y agrega que los niveles óptimos "may vary with the size and type of the hospital".
El trabajo que ordena el asunto es el de Proudlove, publicado en Health Services Management Research en 2020 con un título que no deja dudas: "The 85% bed occupancy fallacy". Su argumento central es el que hay que llevarse:
El insumo de la decisión debería ser el nivel de acceso que se necesita ofrecer. La ocupación es el resultado, no la meta.
Y hay una demostración de que el estándar depende del recurso. El estudio de Barahona y colaboradores, publicado en Medwave en 2023 sobre el uso de pabellones electivos en el sistema público chileno, utiliza como referencia de eficiencia una ocupación superior al 90% —no inferior al 85%— y reporta que la ocupación efectiva en horario hábil fue de 80,7% en 2018 y de 56,8% en 2020.
No es una contradicción. Una cama de urgencia recibe llegadas que nadie programó; un pabellón electivo trabaja con una lista planificada. Cuanto más predecible es la demanda, más lleno se puede operar sin romper nada.
De ahí sale la regla transversal, que no es un número sino tres preguntas.
Cuánta variabilidad tiene tu día
Es el factor con más respaldo. Si tus servicios duran exactamente lo que dicen durar, si casi nadie llega tarde y si no atiendes imprevistos, puedes operar muy lleno. Si la duración real oscila entre treinta y noventa minutos según el caso, necesitas holgura estructural.
Compara un corte de pelo estándar con una consulta de primera vez en kinesiología: mismo bloque en la agenda, varianza completamente distinta. La segunda agenda no puede sostener el mismo porcentaje que la primera.
Cuántos profesionales absorben la demanda
Un profesional solo no tiene con quién compartir un imprevisto: si su bloque de las 11:00 se alarga, el de las 12:00 espera. Un equipo de seis puede reasignar. Por eso la misma ocupación es más riesgosa en una agenda individual que en una compartida, y por eso NICE señala que el nivel óptimo varía con el tamaño de la unidad.
En la práctica, mientras más chico el equipo, más holgura hay que dejar para obtener el mismo nivel de servicio.
Qué te cuesta decir "no hay hora"
Esta es la pregunta que casi nunca se hace explícita. Si un cliente que no encuentra hora se va a la competencia y no vuelve, la holgura es barata comparada con la pérdida. Si tu demanda es cautiva y la persona simplemente espera, puedes operar más lleno.
Es la formulación de Proudlove aplicada a un negocio: primero decide qué nivel de acceso quieres ofrecer —"un cliente nuevo debería encontrar hora dentro de X días"— y después observa qué ocupación produce eso. No al revés.
Por qué el último tramo de ocupación es el más caro
Hay una razón matemática por la que subir de 80% a 90% no cuesta lo mismo que subir de 60% a 70%.
En teoría de colas, la aproximación de Kingman —propuesta por John Kingman en 1961 para sistemas con llegadas y duraciones variables— describe la espera como el producto de tres factores. Uno de ellos es la variabilidad. Otro es ρ/(1−ρ), donde ρ es la utilización del recurso. Ese término se comporta así:
Ocupación | Factor ρ/(1−ρ) | Espera relativa |
|---|---|---|
70% | 2,3 | ×1 (referencia) |
80% | 4,0 | ×1,7 |
85% | 5,7 | ×2,4 |
90% | 9,0 | ×3,9 |
95% | 19,0 | ×8,1 |
Cálculo propio a partir del término ρ/(1−ρ) de la aproximación de Kingman. La columna de espera relativa toma el 70% como base.
Pasar de 70% a 80% de ocupación multiplica el término por 1,7. Pasar de 85% a 95% lo multiplica por más de tres. La curva no sube: se dispara.
Esto explica por qué sobrevender la agenda tiene un límite práctico. El modelo de LaGanga y Lawrence, desarrollado en la Leeds School of Business de la Universidad de Colorado, examina exactamente esa decisión: sobreagendar para compensar las inasistencias. Su conclusión es que el overbooking sí aumenta el número de personas atendidas, pero también la espera del cliente y el sobretiempo del profesional, y que "alarga la jornada del prestador sin aumentar su productividad por unidad de tiempo". Si el costo de esa espera y de ese sobretiempo es alto respecto del ingreso por cliente, sobreagendar sale perdiendo.
En términos prácticos: sobreagendar puede tener sentido en un servicio corto, estandarizado y con inasistencia alta y predecible. Tiene muy poco sentido en un servicio largo, variable y con clientes que valoran no esperar.
La agenda demasiado llena se vacía sola
Este es el efecto que convierte a la ocupación en un indicador parcialmente autodestructivo, y casi nadie lo conecta.
Cuando la agenda está muy llena, la única hora que puedes ofrecer está lejos. Y las horas lejanas fallan más.
McMullen y Netland analizaron 46.655 citas de una clínica oftalmológica universitaria estadounidense y publicaron el resultado en Clinical Ophthalmology en 2015. En la consulta atendida por residentes, la inasistencia pasaba de 9,1% cuando la hora se daba con 0 a 2 semanas de anticipación a 38,3% cuando se daba con seis meses. En la consulta de médicos de planta la magnitud era mucho menor —de 2,4% a 6,9%— pero la dirección era idéntica.
El circuito completo funciona así: más ocupación nominal → horizonte de reserva más largo → más inasistencia → menos ocupación efectiva. El indicador que subiste termina bajando el indicador que importa, con la diferencia de que el primero se ve en el panel y el segundo aparece recién al cerrar el mes.
Hay una consecuencia de diseño bastante directa. Si tu agenda se llena con semanas de anticipación, abrir menos horizonte y liberar cupos por tramos suele rendir más que abrir tres meses de una vez. Y el recordatorio importa más mientras más lejana fue la reserva: sobre eso está la evidencia en cuándo conviene enviar el recordatorio.
El número que sí corresponde a plata
La ocupación tiene un defecto que ninguna corrección de denominador arregla: no sabe cuánto vale una hora.
Una agenda al 95% llena de servicios con descuento puede facturar menos que una al 75% sin descuento. La ocupación las califica al revés.
La industria que enfrentó este problema primero fue la de servicios con capacidad perecible. Kimes, Chase, Choi, Lee y Ngonzi propusieron en 1998, en la Cornell Hotel and Restaurant Administration Quarterly, el ingreso por asiento-hora disponible, precisamente porque ni la ocupación ni el ticket promedio describen por separado el rendimiento de un recurso que se consume con el paso del tiempo.
Trasladado a un negocio de horas, el indicador es:
Ingreso por hora disponible = ingreso total del período ÷ horas publicadas en el período
Con el ejemplo anterior: 250 horas atendidas con un ticket promedio de $15.000 producen $3.750.000 sobre 320 horas publicadas, es decir $11.719 por hora disponible.
Ahora supongamos que el mes siguiente se empuja la ocupación con promociones: se atienden 282 horas —ocupación efectiva de 88,1%, diez puntos más— pero el ticket promedio cae a $12.000. El ingreso es de $3.384.000 y el indicador baja a $10.575 por hora disponible.
Ocupación más alta, negocio peor. Es un ejemplo construido, no un dato, pero describe una decisión que se toma todos los meses en negocios reales.
Cómo calcularlo este mes
Cinco pasos, todos con datos que tu agenda probablemente ya tiene:
- Cuenta las horas publicadas, no las horas del local. Es la suma de la disponibilidad real que ofreciste, por profesional, descontando bloqueos y descansos.
- Cuenta las horas efectivamente atendidas. No las reservadas. Si tu sistema no distingue estados, empieza por ahí: sin esa distinción ningún indicador de este artículo es calculable.
- Divide y anota el resultado. Ese es tu punto de partida. No lo compares con ningún benchmark de internet: compáralo contigo mismo, mes a mes.
- Mide en paralelo el horizonte de reserva promedio: cuántos días pasan entre que alguien reserva y que se atiende. Si ese número crece mientras la ocupación sube, estás fabricando inasistencias futuras.
- Calcula el ingreso por hora disponible y ponlo al lado. Cuando los dos indicadores se muevan en direcciones contrarias, el que manda es el segundo.
Lo que ninguno de los cinco pasos requiere es comprar algo. Lo que sí requieren es que la agenda registre disponibilidad por profesional, estados diferenciados por reserva y fecha de la reserva además de la fecha de la hora. Un sistema de reservas online como Zagenda permite definir servicios, profesionales, horarios, descansos y capacidad, y deja registro de cada reserva con sus confirmaciones y cancelaciones. Eso resuelve la materia prima del cálculo. Interpretar el resultado —cuánta holgura conviene dejar, qué nivel de acceso quieres ofrecer— sigue siendo una decisión de gestión.
Y la pregunta con la que conviene cerrar no es "¿cómo subo mi ocupación?". Es "¿en cuántos días puede encontrar hora un cliente nuevo, y qué ocupación necesito para sostener eso?".
Referencias
Bagust A, Place M, Posnett JW. 1999. Dynamics of bed use in accommodating emergency admissions: stochastic simulation model. Consultado el 21 de septiembre de 2026 en https://pubmed.ncbi.nlm.nih.gov/10406748/
Barahona M, Cárcamo M, Barahona M, Barrientos C, Infante C, Martínez Á. 2023. Estimación de la eficiencia del uso de pabellones electivos en el sistema de salud público chileno entre 2018 y 2021. Consultado el 21 de septiembre de 2026 en https://www.medwave.cl/investigacion/estudios/2667.html
Kimes SE, Chase RB, Choi S, Lee PY, Ngonzi EN. 1998. Restaurant revenue management: applying yield management to the restaurant industry. Consultado el 21 de septiembre de 2026 en https://journals.sagepub.com/doi/abs/10.1177/001088049803900308
LaGanga LR, Lawrence SR. 2005. Clinical appointment scheduling: the cost of no-shows and the value of overbooking. Consultado el 21 de septiembre de 2026 en https://leeds-faculty.colorado.edu/lawrencs/Research/ApptSched/SchedOvbCost101905.pdf
McMullen MJ, Netland PA. 2015. Lead time for appointment and the no-show rate in an ophthalmology clinic. Consultado el 21 de septiembre de 2026 en https://pmc.ncbi.nlm.nih.gov/articles/PMC4370946/
National Guideline Centre. 2018. Bed occupancy. En Emergency and acute medical care in over 16s: service delivery and organisation. Consultado el 21 de septiembre de 2026 en https://www.ncbi.nlm.nih.gov/books/NBK564920/
Proudlove NC. 2020. The 85% bed occupancy fallacy: the use, misuse and insights of queuing theory. Consultado el 21 de septiembre de 2026 en https://journals.sagepub.com/doi/10.1177/0951484819870936
Wikipedia. 2026. Kingman's formula. Consultado el 21 de septiembre de 2026 en https://en.wikipedia.org/wiki/Kingman%27s_formula
