Download PDF
ads:
Universidade Federal do Rio de Janeiro
Instituto COPPEAD de Administração
O uso de ferramentas quantitativas em
call centers – o caso Contax
Marco Aurélio Carino Bouzada
Doutorado em Administração
Orientador: Prof. Eduardo Saliby
Rio de Janeiro
2006
ads:
Livros Grátis
http://www.livrosgratis.com.br
Milhares de livros grátis para download.
ii
O uso de ferramentas quantitativas em call centers – o
caso Contax
Marco Aurélio Carino Bouzada
Tese submetida ao corpo docente do Instituto COPPEAD de
Administração (UFRJ) como parte dos requisitos necessários à
obtenção do grau de Doutor em Ciências (D. Sc.).
Aprovada por:
Prof. ______________________________ - Presidente da Banca
Eduardo Saliby (COPPEAD/UFRJ)
Prof. ______________________________
Alberto Gabbay Canen (COPPE/UFRJ)
Prof. ______________________________
Edson Dalto (IBMEC)
Prof. ______________________________
Kleber Fossati Figueiredo (COPPEAD/UFRJ)
Prof. ______________________________
Ricardo Miyashita (UERJ)
Rio de Janeiro, RJ – Brasil
Dezembro de 2006
ads:
iii
Ficha Catalográfica
Bouzada, Marco.
O uso de ferramentas quantitativas em call
centers – o caso Contax / Marco Bouzada. Rio de
Janeiro: COPPEAD, 2006.
xvi, 256p.
Tese – Universidade Federal do Rio de
Janeiro, COPPEAD.
1. Call Centers (Administração). I. Tese
(Doutor. – COPPEAD/UFRJ). II. Título.
iv
A meus pais, Héctor e Lenise
v
Agradecimentos
Ao meu orientador, Eduardo Saliby,
pela inestimável ajuda no direcionamento desta pesquisa.
Aos demais integrantes da banca de defesa do meu projeto de tese,
professores Alberto Canen, Edson Dalto e Kleber Figueiredo,
pelos valiosos feedbacks proporcionados.
Aos membros da Gerência de Planejamento de Tráfego da Contax,
em especial aos srs. Alberto Porto, Alessandro Meira e Mario Pires,
pela presteza e qualidade na divulgação de informações.
À gerente comercial da Paragon, Erica,
pelo fornecimento da cópia do software Arena Contact Center.
À minha colega de linha de pesquisa, Juliana Yonamine,
pela discussão de idéias e troca de informações.
vi
RESUMO DA TESE APRESENTADA AO COPPEAD/UFRJ COMO PARTE DOS REQUISITOS
NECESSÁRIOS PARA A OBTENÇÃO DO GRAU DE DOUTOR EM CIÊNCIAS (D. SC.)
O USO DE FERRAMENTAS QUANTITATIVAS EM CALL
CENTERS – O CASO CONTAX
M
ARCO AURÉLIO CARINO BOUZADA
2006
ORIENTADOR: PROF. EDUARDO SALIBY
P
ROGRAMA: ADMINISTRAÇÃO
Esta tese descreve – através do estudo de um caso – a aplicação de algumas
ferramentas quantitativas a uma parte dos problemas operacionais encontrados no call center
de uma grande empresa brasileira no setor – a Contax – e discute a sua adequabilidade.
Primeiramente, o problema estudado é introduzido através da explicitação dos
objetivos da pesquisa – a respeito dos dois principais desafios atacados (a previsão de
demanda e o dimensionamento da capacidade) e da sua importância para o meio acadêmico.
Depois de uma contextualização do setor e da empresa estudados, a literatura
acerca dos principais temas abordados durante o estudo (métodos de previsão de demanda,
teoria de filas e simulação, além de suas respectivas aplicações em call centers) é revista.
Os aspectos metodológicos são, então, apresentados, destacando o uso do estudo
de um caso para obter maior profundidade na análise dos problemas e sugestão de soluções.
Na seqüência, o caso ambientado na empresa estudada é apresentado, com
enfoque na descrição dos principais desafios operacionais e na indicação e no
desenvolvimento de soluções quantitativas concretas para os mesmos.
Finalmente, os principais resultados obtidos são mostrados, com destaque para a
adequação do uso da regressão múltipla ao problema de previsão de chamadas – tendo
utilizado sistematicamente informações disponíveis capazes de influenciar a demanda – e do
uso da simulação ao problema do dimensionamento da capacidade de atendimento –
principalmente pela contemplação do comportamento de abandono dos clientes e de
diferentes distribuições estatísticas para o tempo de atendimento, além de peculiaridades das
operações da indústria em questão, responsáveis por corroborar a sua adequação.
vii
ABSTRACT OF THESIS PRESENTED TO COPPEAD/UFRJ AS PARTIAL FULFILLMENT FOR THE
DEGREE OF PHILOSOPHY DOCTOR (PH. D.)
O USO DE FERRAMENTAS QUANTITATIVAS EM CALL
CENTERS – O CASO CONTAX
M
ARCO AURÉLIO CARINO BOUZADA
2006
CHAIRMAN: PROF. EDUARDO SALIBY
D
EPARTMENT: ADMINISTRATION
This thesis describes – with the aid of a case study – the deployment of a set of
quantitative tools to deal with part of the operation problems found in the call center of a large
brazilian company in this industry called Contax, and discusses its usability.
The question is introduced with the description of the research objectives,
regarding the two main challenges (demand forecast and capacity sizing) and its relevance
within the academic context.
After presenting the industry and the company studied within it, the work shows
the review of the literature regarding the main topics approached during the study: demand
forecast methods, queuing theory, and simulation (including their use within call center
industry).
The methodological issues are then presented, highlighting the use of the case
study research in order to obtain a greater depth during the problems analysis and solutions
suggestion.
The next part presents the case researched on the company, describing the main
operational challenges and the concrete quantitative solutions identified and developed.
Finally, the main results are presented, including the appropriateness of the
multiple regression method when dealing with the demand forecast problem (systematically
using available data capable of influencing the demand) and of the simulation tool when
dealing with the capacity sizing problem (contemplating the costumer abandonment behavior,
the use of different statistical distributions for answering time and call centers’ operational
singularities able to grant the approach´s adequacy).
viii
Lista de figuras
Figura 1 – Dimensões no atendimento ao cliente de call center ..................................................... 2
Figura 2 - Estrutura de relacionamento entre as entidades participantes na indústria de Call
Centers........................................................................................................................................... 21
Figura 3 - Evolução do faturamento, do número de colaboradores e de posições de
atendimento da Contax, 2000 a 2005.......................................................................................... 26
Figura 4 – Modelagem de um call center usando o Arena Contact Center .................................. 61
Figura 5 – Tela de entrada de variáveis do callLab ......................................................................... 64
Figura 6 – Tela de resultados do callLab.......................................................................................... 65
Figura 7 – Tela de parâmetros do SimACD ...................................................................................... 66
Figura 8 – Tela de resultados do SimACD........................................................................................ 67
Figura 9 – Relatório de saída do IVR Simulator Model.................................................................... 71
Figura 10 – Arquitetura do TotalView ............................................................................................... 88
Figura 11 – Tela de acompanhamento da quantidade de chamadas do TotalView......................89
Figura 12 – Tela de verificação da aderência do TotalView ........................................................... 90
Figura 13 – Tela de monitoramento do CentreVu Supervisor........................................................ 91
Figura 14 – Relatório do CentreVu Supervisor ................................................................................ 92
Figura 15 – Atividades da Gerência de Planejamento de Tráfego................................................. 93
Figura 16 – Organograma da Gerência de Planejamento da Contax............................................. 93
Figura 17 – Macro-processo de previsão de ligações e TMA........................................................101
Figura 18 – Minutagem por agente para cenários com diferentes efetivos de atendentes,
produto 102, consolidado Brasil, abril de 2006....................................................................... 119
Figura 19 – Perfil histórico do comportamento intra-diário da demanda do produto 102, terça-
feira .............................................................................................................................................. 122
Figura 20 – Necessidade e disponibilidade consolidada (4 e 6 horas) de agentes por período,
produto 102 (plus), Brasil, agosto de 2006.............................................................................. 125
Figura 21 – Agentes escalonados e requeridos ao longo do dia, exemplo de escalonamento
com cobertura total .................................................................................................................... 126
Figura 22 – Agentes escalonados e requeridos ao longo do dia, exemplo de escalonamento
balanceado.................................................................................................................................. 126
Figura 23 – Necessidade e disponibilidade (após o escalonamento) de agentes por período,
produto 102 (
plus), Brasil, agosto de 2006.............................................................................. 131
Figura 24– Mudanças realizadas durante o escalonamento dos atendentes (6 horas), produto
102 (plus), Brasil, agosto de 2006............................................................................................. 132
Figura 25 – Resumo do efetivo sugerido pelo dimensionamento para o mês subseqüente,
produto 102 (plus), Brasil, agosto de 2006.............................................................................. 133
Figura 26 – Quantidade de ligações por dia (multiplicada por uma constante), para o produto
103, julho de 2005 a março de 2006.......................................................................................... 146
Figura 27 – TMA por dia (multiplicado por uma constante), para o produto 103, julho de 2005 a
março de 2006............................................................................................................................. 146
Figura 28 – Comportamento sazonal do dia da semana – modelo modificado (sem V+3) para
prever a quantidade de ligações, produto 103........................................................................ 154
Figura 29 – Impacto dos dias em torno do vencimento – modelo modificado (sem V+3) para
prever a quantidade de ligações, produto 103........................................................................ 155
Figura 30 – Equação do modelo modificado (sem V+3) para prever a quantidade de ligações,
produto 103 ................................................................................................................................. 156
Figura 31 – Valores reais (multiplicados por uma constante) e previstos (pelo modelo) da
quantidade de ligações por dia, para o produto 103, julho de 2005 a março de 2006........ 157
Figura 32 – Comportamento sazonal do dia da semana – modelo modificado (sem C; V – 3; V –
2) para prever o TMA, produto 103 ........................................................................................... 167
Figura 33 – Impacto dos dias em torno do vencimento – modelo modificado (sem C; V – 3; V –
2) para prever o TMA, produto 103 ........................................................................................... 168
Figura 34 – Equação do modelo modificado (sem C; V – 3; V – 2) para prever o TMA, produto
103................................................................................................................................................ 169
Figura 35 – Valores reais (multiplicados por uma constante) e previstos do TMA por dia, para o
produto 103, julho de 2005 a março de 2006........................................................................... 170
ix
Figura 36 – Diagrama de processos do modelo básico de simulação, das 00:00 às 00:30,
agosto de 2006, produto 102 (plus), 12 atendentes................................................................ 177
Figura 37 – Chamadas geradas e atendidas, das 00:00 às 00:30, agosto de 2006, produto 102
(plus), 12 atendentes, 100 replicações..................................................................................... 178
Figura 38 – Chamadas atendidas em até 10 segundos, das 00:00 às 00:30, agosto de 2006,
produto 102 (plus), 12 atendentes, 100 replicações ............................................................... 179
Figura 39 – Chamadas abandonadas e retornadas, das 00:00 às 00:30, agosto de 2006, produto
102 (plus), 12 atendentes, 100 replicações.............................................................................. 180
Figura 40 – Tempos de atendimento e tempos de espera, das 00:00 às 00:30, agosto de 2006,
produto 102 (plus), 12 atendentes, 100 replicações ............................................................... 181
Figura 41 – Agentes disponíveis e ocupados, das 00:00 às 00:30, agosto de 2006, produto 102
(plus), 12 atendentes, 100 replicações..................................................................................... 182
Figura 42 – Nível de serviço para diferentes valores do parâmetro k da distribuição Erlang,
horário das 00:00 às 00:30, agosto de 2006, produto 102 (plus), 12 atendentes, 100
replicações.................................................................................................................................. 184
Figura 43 – Taxa de abandono para diferentes valores do parâmetro k da distribuição Erlang,
horário das 00:00 às 00:30, agosto de 2006, produto 102 (plus), 12 atendentes, 100
replicações.................................................................................................................................. 185
Figura 44 – Chamadas geradas e atendidas, das 00:00 às 00:30, agosto de 2006, produto 102
(plus), cenário com 11 atendentes, 100 replicações............................................................... 187
Figura 45 – Chamadas atendidas em até 10 segundos, das 00:00 às 00:30, agosto de 2006,
produto 102 (plus), cenário com 11 atendentes, 100 replicações......................................... 188
Figura 46 – Chamadas abandonadas, das 00:00 às 00:30, agosto de 2006, produto 102 (plus),
cenário com 11 atendentes, 100 replicações........................................................................... 189
Figura 47 – Diagrama de processos do modelo de simulação com atendimento agregado
(produto 102, básico e plus), das 00:00 às 00:30, agosto de 2006........................................ 193
Figura 48 – Chamadas geradas das 00:00 às 00:30, agosto de 2006, produto 102 (básico e
plus), 100 replicações ................................................................................................................ 194
Figura 49 – Chamadas abandonadas e retornadas das 00:00 às 00:30, agosto de 2006, produto
102 (básico e plus), 100 replicações......................................................................................... 195
Figura 50 – Chamadas atendidas das 00:00 às 00:30, agosto de 2006, produto 102 (básico e
plus
), 100 replicações ................................................................................................................ 196
Figura 51 – Chamadas atendidas em até 10 segundos, das 00:00 às 00:30, agosto de 2006,
produto 102 (básico e plus), 100 replicações.......................................................................... 197
Figura 52 – Tempos de atendimento e tempos de espera, das 00:00 às 00:30, agosto de 2006,
produto 102 (básico e plus), 100 replicações.......................................................................... 198
Figura 53 – Utilização dos agentes “básicos” e “plus”, das 00:00 às 00:30, agosto de 2006,
produto 102 (básico e plus), 100 replicações.......................................................................... 199
Figura 54 – Utilização dos agentes “básicos” e “plus” por tipo de chamada, das 00:00 às 00:30,
agosto de 2006, produto 102 (básico e plus), 100 replicações.............................................. 200
Figura 55 – Chamadas geradas e atendidas, das 00:00 às 00:30, agosto de 2006, produto 102
(plus), 12 atendentes, cenário com acréscimo de 10% de demanda, 100 replicações....... 201
Figura 56 – Chamadas atendidas em até 10 segundos, das 00:00 às 00:30, agosto de 2006,
produto 102 (plus), 12 atendentes, cenário com acréscimo de 10% de demanda, 100
replicações.................................................................................................................................. 202
Figura 57 – Chamadas abandonadas, das 00:00 às 00:30, agosto de 2006, produto 102 (plus),
12 atendentes, cenário com acréscimo de 10% de demanda, 100 replicações................... 203
Figura 58 – Chamadas geradas e atendidas, das 00:00 às 00:30, agosto de 2006, produto 102
(plus), 12 atendentes, cenário com acréscimo de 10% no TMA, 100 replicações............... 204
Figura 59 – Chamadas atendidas em até 10 segundos, das 00:00 às 00:30, agosto de 2006,
produto 102 (plus), 12 atendentes, cenário com acréscimo de 10% no TMA, 100 replicações
...................................................................................................................................................... 205
Figura 60 – Chamadas abandonadas, das 00:00 às 00:30, agosto de 2006, produto 102 (plus),
12 atendentes, cenário com acréscimo de 10% no TMA, 100 replicações.......................... 206
Figura 61 – Nível de serviço para diferentes valores do tempo médio de atendimento (TMA),
horário das 00:00 às 00:30, agosto de 2006, produto 102 (plus), 12 atendentes, 100
replicações.................................................................................................................................. 208
x
Figura 62 – Taxa de abandono para diferentes valores do tempo médio de atendimento (TMA),
horário das 00:00 às 00:30, agosto de 2006, produto 102 (plus), 12 atendentes, 100
replicações.................................................................................................................................. 209
Figura 63 – Chamadas geradas e atendidas, das 00:00 às 00:30, agosto de 2006, produto 102
(plus), 12 atendentes, cenário com tempo médio de espera antes do abandono = 1,5
minutos, 100 replicações........................................................................................................... 210
Figura 64 – Chamadas atendidas em até 10 segundos, das 00:00 às 00:30, agosto de 2006,
produto 102 (plus), 12 atendentes, cenário com tempo médio de espera antes do abandono
= 1,5 minutos, 100 replicações................................................................................................. 211
Figura 65 – Chamadas abandonadas, das 00:00 às 00:30, agosto de 2006, produto 102 (plus),
12 atendentes, cenário com tempo médio de espera antes do abandono = 1,5 minutos, 100
replicações.................................................................................................................................. 213
Figura 66 – Chamadas geradas e atendidas, das 00:00 às 00:30, agosto de 2006, produto 102
(plus), 12 atendentes, cenário com NS = % de clientes atendidos em até 5 segundos, 100
replicações.................................................................................................................................. 215
Figura 67 – Chamadas atendidas em até 5 segundos, das 00:00 às 00:30, agosto de 2006,
produto 102 (plus), 12 atendentes, cenário com NS = % de clientes atendidos em até 5
segundos, 100 replicações........................................................................................................ 216
Figura 68 – Chamadas geradas e atendidas, das 00:00 às 00:30, agosto de 2006, produto 102
(plus), cenário com 13 atendentes e NS = % de clientes atendidos em até 5 segundos, 100
replicações.................................................................................................................................. 217
Figura 69 – Chamadas atendidas em até 5 segundos, das 00:00 às 00:30, agosto de 2006,
produto 102 (plus), cenário com 13 atendentes e NS = % de clientes atendidos em até 5
segundos, 100 replicações........................................................................................................ 218
Figura 70 – Diagrama de processos do modelo de simulação com quantidade limitada (20) de
linhas disponíveis, das 00:00 às 00:30, agosto de 2006, produto 102 (plus), 12 atendentes
...................................................................................................................................................... 219
Figura 71 – Indicadores dinâmicos do modelo de simulação com quantidade limitada (20) de
linhas disponíveis, das 00:00 às 00:30, agosto de 2006, produto 102 (plus), 12 atendentes
...................................................................................................................................................... 220
Figura 72 – Chamadas geradas e atendidas, das 00:00 às 00:30, agosto de 2006, produto 102
(plus), 12 atendentes, cenário com quantidade limitada (20) de linhas disponíveis, 100
replicações.................................................................................................................................. 221
Figura 73 – Chamadas bloqueadas, abandonadas e retornadas, das 00:00 às 00:30, agosto de
2006, produto 102 (plus), 12 atendentes, cenário com quantidade limitada (20) de linhas
disponíveis, 100 replicações..................................................................................................... 222
Figura 74 – Chamadas completadas e atendidas em até 10 segundos, das 00:00 às 00:30,
agosto de 2006, produto 102 (plus), 12 atendentes, cenário com quantidade limitada (20) de
linhas disponíveis, 100 replicações.......................................................................................... 223
Figura 75 – Disponibilidade, ocupação e utilização de linhas, das 00:00 às 00:30, agosto de
2006, produto 102 (plus), 12 atendentes, cenário com quantidade limitada (20) de linhas
disponíveis, 100 replicações...................................................................................................
.. 224
Figura 76 – Chamadas geradas, atendidas e atendidas em até 10 segundos, das 05:30 às 06:00,
agosto de 2006, produto 102 (plus), 11 atendentes, 100 replicações................................... 226
Figura 77 – Chamadas geradas, atendidas e atendidas em até 10 segundos, das 02:00 às 02:30,
agosto de 2006, produto 102 (plus), 4 atendentes, 100 replicações..................................... 228
xi
Lista de tabelas
Tabela 1 – Magnitude atual e crescimento dos principais segmentos de atuação dos call
centers no Brasil........................................................................................................................... 20
Tabela 2 – Características gerais dos softwares de simulação em call centers pesquisados... 72
Tabela 3 – Atributos operacionais contemplados pelos softwares de simulação em call centers
pesquisados.................................................................................................................................. 73
Tabela 4 – Magnitude do erro absoluto (%) médio por produto, 2006 .......................................... 98
Tabela 5 – Pesos-padrão do TotalView usados no cálculo da média ponderada de demanda 102
Tabela 6 – Cronograma de envio e vencimento de contas do faturamento, maio de 2006....... 109
Tabela 7 – Cálculo de necessidade de recursos diários para o produto 102, central BA, cliente
plus, outubro-novembro de 2006.............................................................................................. 116
Tabela 8 – Premissas para a taxa de ocupação do atendente do produto 102, por dia da
semana......................................................................................................................................... 116
Tabela 9 – Cálculo de necessidade de recursos diários para o produto 102, central BA, cliente
plus, outubro-novembro de 2006.............................................................................................. 118
Tabela 10 – Cálculo da necessidade de operadores para cada período de 30 minutos, produto
102 (plus), consolidado Brasil, agosto de 2006....................................................................... 123
Tabela 11 – Necessidade (total) e disponibilidade (4 horas) de agentes por período, produto
102 (plus), consolidado Brasil, agosto de 2006....................................................................... 124
Tabela 12 – Necessidade e disponibilidade de agentes e nível de serviço estimado por período,
produto 102 (plus), Brasil, agosto de 2006.............................................................................. 128
Tabela 13 – Escala de atendentes e volume previsto de ligações para cada período de 30
minutos, produto 102 (plus), Brasil, novembro de 2005 ........................................................ 135
Tabela 14 – Nível de serviço estimado para cada período de 30 minutos, produto 102 (plus),
Brasil, novembro de 2005 .......................................................................................................... 136
Tabela 15 – Volume, TMA e nível de serviço estimados para os dias (hierarquizados) de
novembro de 2005, produto 102 (plus), Brasil......................................................................... 137
Tabela 16 – Total de contas agrupadas por data de chegada prevista, setembro a outubro de
2005.............................................................................................................................................. 143
Tabela 17 – Total de contas agrupadas por data de vencimento, setembro a outubro de 2005
...................................................................................................................................................... 144
Tabela 18 – Histórico da quantidade de ligações e do TMA (multiplicados por uma constante)
para o produto 103, novembro de 2005.................................................................................... 145
Tabela 19 – Planilha de dados do modelo de regressão múltipla para prever a quantidade de
ligações, produto 103, fevereiro de 2006................................................................................. 148
Tabela 20 – Estatística de regressão do modelo de regressão múltipla para prever a quantidade
de ligações, produto 103............................................................................................................ 149
Tabela 21 – Análise de Variância do modelo de regressão múltipla para prever a quantidade de
ligações, produto 103..........................................................................................................
....... 150
Tabela 22 – Valor, representatividade e intervalo de confiança dos coeficientes das variáveis
independentes do modelo de regressão múltipla para prever a quantidade de ligações,
produto 103 ................................................................................................................................. 150
Tabela 23 – Estatística de regressão do modelo modificado (sem V+3) de regressão múltipla
para prever a quantidade de ligações, produto 103 ............................................................... 151
Tabela 24 – Análise de Variância do modelo modificado (sem V+3) de regressão múltipla para
prever a quantidade de ligações, produto 103........................................................................ 152
Tabela 25 – Valor, representatividade e intervalo de confiança dos coeficientes das variáveis
independentes do modelo modificado (sem V+3) de regressão múltipla para prever a
quantidade de ligações, produto 103 ....................................................................................... 152
Tabela 26 – Valores reais, previstos e erros do modelo modificado (sem V+3) de regressão
múltipla para prever a quantidade de ligações, produto 103, dezembro de 2005............... 158
Tabela 27 – Valores reais, previstos pelo modelo e pelo TotalView e erros de previsão dos
mesmos para a quantidade de ligações, produto 103, dezembro de 2005 .......................... 160
Tabela 28 – Planilha de dados do modelo de regressão múltipla para prever o TMA, produto
103, agosto de 2005.................................................................................................................... 162
xii
Tabela 29 – Estatística de regressão do modelo de regressão múltipla para prever o TMA,
produto 103 ................................................................................................................................. 163
Tabela 30 – Análise de Variância do modelo de regressão múltipla para prever a o TMA,
produto 103 ................................................................................................................................. 163
Tabela 31 – Valor, representatividade e intervalo de confiança dos coeficientes das variáveis
independentes do modelo de regressão múltipla para prever o TMA, produto 103........... 164
Tabela 32 – Estatística de regressão do modelo modificado (sem C; V – 3; V – 2) de Regressão
múltipla para prever o TMA, produto 103................................................................................. 165
Tabela 33 – Análise de Variância do modelo modificado (sem C; V – 3; V – 2) de regressão
múltipla para prever o TMA, produto 103................................................................................. 165
Tabela 34 – Valor, representatividade e intervalo de confiança dos coeficientes das variáveis
independentes do modelo modificado (sem C; V – 3; V – 2) de regressão múltipla para
prever o TMA, produto 103........................................................................................................ 166
Tabela 35 – Valores reais, previstos e erros do modelo (sem C; V – 3; V – 2) de regressão
múltipla para prever o TMA, produto 103, janeiro de 2006 .................................................... 171
Tabela 36 – Valores reais, previstos pelo modelo e pelo TotalView e erros de previsão dos
mesmos para o TMA, produto 103, janeiro de 2006................................................................ 172
Tabela 37 – Nível de serviço e taxa de abandono para diferentes valores do parâmetro k da
distribuição Erlang, horário das 00:00 às 00:30, agosto de 2006, produto 102 (plus), 12
atendentes, 100 replicações...................................................................................................... 183
Tabela 38 – Nível de serviço e taxa de abandono para diferentes quantidades de atendentes,
horário das 00:00 às 00:30, agosto de 2006, produto 102 (plus), 100 replicações.............. 190
Tabela 39 – Nível de serviço e taxa de abandono para diferentes valores do tempo médio de
atendimento (TMA), horário das 00:00 às 00:30, agosto de 2006, produto 102 (plus), 12
atendentes, 100 replicações...................................................................................................... 207
Tabela 40 – Nível de serviço e taxa de abandono para diferentes valores do tempo médio de
espera (antes do abandono), horário das 00:00 às 00:30, agosto de 2006, produto 102
(plus), 12 atendentes, 100 replicações..................................................................................... 214
Tabela 41 – NS real e estimado por fórmulas Erlang e simulação, erros de estimação e ganho
de acurácia em diferentes patamares de nível de serviço..................................................... 229
Tabela 42 – Nível de serviço e taxa de abandono para diferentes quantidades de atendentes,
horário das 02:00 às 02:30, agosto de 2006, produto 102 (plus), 100 replicações.............. 230
xiii
Lista de siglas
ABT Associação Brasileira de Telemarketing
ACD Automatic Call Distribution
ANATEL Agência Nacional de Telecomunicações
ANOVA Analysis of Variance
CLT Consolidação das Leis do Trabalho
CRM Costumer Relationship Management
DAC Distribuidor Automático de Chamadas
DMM Dia de Maior Movimento
EP Erro Percentual
EPSCC Excel Plataform for Simulating Call Centers
FIFO First In, First Out
FTE Full-Time Equivalent
INMET Instituto Nacional de Meteorologia
MAPE Mean Absolut Percentual Error
NS Nível de Serviço
PA Posição de Atendimento
PEPS Primeiro a Entrar, Primeiro a Sair
PSA Pointwise Stationary Approximation
ROI Return on Investment
SAC Serviço de Atendimento ao Cliente
SLA Service Level Agreement
SSA Simple Stationary Approximation
SVD Singular Value Decomposition
TMA Tempo Médio de Atendimento
URA Unidade de Resposta Audível
xiv
Sumário
1. Introdução.........................................................................................1
1.1. O problema....................................................................................................4
1.1.1. Objetivos........................................................................................................4
1.1.2. Questões a serem respondidas...................................................................4
1.1.2.1. Previsão..........................................................................................................5
1.1.2.2. Dimensionamento..........................................................................................5
1.2. Relevância do estudo...................................................................................5
1.3. Delimitação do estudo................................................................................12
1.4. Organização do estudo..............................................................................12
2. Caracterização do setor e da empresa estudados.......................15
2.1. Setor de Call Centers..................................................................................15
2.1.1. Call centers no Brasil..................................................................................18
2.2. A Contax......................................................................................................25
2.2.1. Histórico da empresa..................................................................................25
2.2.2. Números atuais da empresa.......................................................................27
2.2.3. Produtos e clientes da empresa.................................................................27
3. Referencial teórico..........................................................................30
3.1. Métodos de previsão de demanda.............................................................30
3.1.1. Séries temporais.........................................................................................31
3.1.2. Séries causais.............................................................................................34
3.1.2.1. Regressão linear múltipla...........................................................................34
3.2. Previsão de demanda de call centers........................................................35
3.3. Teoria de filas..............................................................................................44
3.3.1. Teoria de filas aplicada a call centers.......................................................47
3.4. Simulação....................................................................................................50
xv
3.5. Simulação em call centers.........................................................................52
3.5.1. Softwares de simulação para call centers.................................................59
3.5.1.1. Arena Contact Center..................................................................................60
3.5.1.2. callLAB..........................................................................................................63
3.5.1.3. SimACD.........................................................................................................65
3.5.1.4. ServiceModel................................................................................................67
3.5.1.5. Simul8...........................................................................................................68
3.5.1.6. ccProphet.....................................................................................................68
3.5.1.7. ContactCenters............................................................................................69
3.5.1.8. Excel Plataform for Simulating Call Centers (EPSCC).............................69
3.5.1.9. IVR Simulator Model....................................................................................70
3.5.1.10. Quadros comparativos................................................................................70
3.6. Resumo........................................................................................................74
4. Metodologia.....................................................................................78
4.1. Tipo de pesquisa........................................................................................78
4.2. Seleção do caso e dos sujeitos.................................................................79
4.3. Coleta e tratamento dos dados..................................................................81
4.3.1. Previsão.......................................................................................................81
4.3.2. Dimensionamento.......................................................................................82
4.4. Limitações do método................................................................................84
5. Descrição do caso..........................................................................88
5.1. Gerência de Planejamento de Tráfego da Contax....................................88
5.2. Principais desafios operacionais..............................................................95
5.2.1. Previsão de demanda..................................................................................96
5.2.2. Dimensionamento da capacidade de atendimento.................................111
6. Análise do caso.............................................................................140
6.1. Previsão de demanda...............................................................................140
6.1.1. A escolha do método de previsão e do “produto-cobaia”.....................141
6.1.2. O modelo de previsão para a demanda de ligações...............................147
6.1.3. O modelo de previsão para o tempo médio de atendimento (TMA)......161
6.2. Dimensionamento da capacidade de atendimento................................173
xvi
7. Conclusões....................................................................................231
7.1. Respostas às questões propostas..........................................................232
7.1.1. Previsão.....................................................................................................232
7.1.2. Dimensionamento.....................................................................................233
7.2. Sumário das contribuições da pesquisa.................................................239
7.3. Sugestões e recomendações...................................................................239
7.3.1. Ferramentas de previsão de demanda....................................................240
7.3.2. Dimensionamento da capacidade de atendimento................................241
7.3.3. Operador multi-produto............................................................................244
8. Referências bibliográficas...........................................................246
ANEXO I: Checklist da equipe de planejamento para auxiliar a
elaboração da previsão de demanda................................................256
1. Introdução
Um call center, também conhecido como central de atendimento, consiste em qualquer grupo
cuja principal atividade de negócio seja falar com clientes (potenciais ou atuais) ao telefone
com o objetivo de apoiar processos de vendas, marketing, serviços ao cliente, suporte técnico,
ou outra atividade específica, funcionando como um elo entre a empresa e a sua base de
clientes. (GROSSMAN et al, 2001; WEINBERG, BROWN & STROUD, 2006;
SAKAMOTO, 2001; AZEVEDO & CALDAS, 2002)
Segundo Mehrotra, Profozich e Bapat (1997), os gerentes e planejadores dos call centers têm
um emprego muito mais difícil hoje do que no passado. Com muito mais produtos e serviços
sendo especialmente criados, disponibilizados no mercado, vendidos e assistidos, em relação
a momentos anteriores, os call centers têm despendido muito esforço para fornecer diferentes
níveis de serviço para diferentes tipos de clientes com diferentes necessidades. Os sistemas de
telefonia atuais permitem grande flexibilidade e podem determinar como as chamadas devem
ser roteadas e enfileiradas; mas, ao mesmo tempo, tornam a previsão, o planejamento e a
análise ainda mais difíceis, pelo fato de tornarem possível o link entre múltiplos call centers, a
priorização de certas chamadas, a existência de diferentes habilidades entre os operadores e a
customização da lógica de roteamento das chamadas.
Hoje, os gerentes precisam estar aptos a entender o que está havendo nos call centers, para
saber como as chamadas, rotas, prioridades, operadores e suas habilidades, a previsão de
demanda e da carga de trabalho, terceirização, períodos de pico e outros fatores influenciam o
nível de serviço, as taxas de abandono e de utilização.
De acordo com Hall e Anton (1998), um dos principais desafios atuais para os call centers
consiste em fornecer serviço de valor agregado ao cliente ao menor custo possível por contato
telefônico. Dessa forma, duas dimensões podem ser medidas: a eficiência do negócio e a
efetividade para o cliente (conforme pode ser visto na figura 1 a seguir).
2
Figura 1 – Dimensões no atendimento ao cliente de call center
Efetivo
Ineficiente
World-class
Eficiente e efetivo
Péssimo
Ineficiente e inefetivo
Eficiente
Inefetivo
Fonte: HALL & ANTON (1998)
O gerente de um call center pode usar o modelo da figura 1 anterior para determinar o
quadrante no qual a sua central está operando. Muitos call centers se encontram atualmente
no quadrante inferior esquerdo da matriz (50% dos examinados em uma pesquisa da
Universidade de Purdue), tendo, assim, à sua disposição, algumas ferramentas no mercado
para ajudar no aumento da eficiência e da efetividade. Para passar para o quadrante superior
direito, é necessária uma grande reengenharia dos processos.
Ainda segundo os autores, esses call centers podem usar uma ferramenta conhecida como
Simulação para testar (e, eventualmente, justificar a implantação) se determinadas mudanças
serão capazes de melhorar o sistema, antes de implantá-las. Os call centers “world-class”
usam essa ferramenta efetiva e eficientemente para projetar o sistema, gerenciar a operação e
se planejar para o futuro, diante de possíveis cenários.
Isso ocorre porque, entre outros motivos, o dimensionamento da capacidade de atendimento
consiste em uma atividade crítica para a obtenção da eficiência e da efetividade da operação.
E a ferramenta de simulação costuma se adequar melhor ao dimensionamento de operações
mais complexas (como as de um call center moderno), já que ela consegue modelar muito
bem a realidade, apresentando resultados mais acurados e relativamente precisos.
É bem verdade que esses resultados não são tão precisos quanto os resultados teóricos
(obtidos por métodos analíticos), mas representam, normalmente, uma boa aproximação para
os mesmos. A máxima da simulação diz que “é melhor ter uma solução aproximada para um
modelo bem realista do que uma solução exata para um modelo com muitas aproximações”.
Satisfação
do cliente
Baixa
Alta
Alto Baixo
Custo
3
Pois uma das principais vantagens da simulação em relação aos métodos analíticos consiste
justamente na modelagem mais acurada da realidade: os métodos analíticos precisam “fazer
muitos ajustes na realidade” para que esta se encaixe em algum padrão pré-concebido
(exemplo: os tempos de atendimento devem seguir uma distribuição exponencial, o que,
muitas vezes, está longe de corresponder à realidade) que a teoria analítica seja capaz de
tratar, enquanto a simulação é capaz de representar muito bem quase qualquer peculiaridade
de uma operação complexa (por exemplo: roteamento das chamadas, diversidade de funções
dos atendentes, abandono de chamadas e outras características comuns nos call centers e que,
dificilmente, poderiam ser contempladas por uma abordagem analítica). Naturalmente, essa
vantagem cresce juntamente com a complexidade da operação a ser estudada e praticamente
inexiste em operações extremamente simples.
Pode parecer contraditório dizer que a simulação consiste em uma abordagem menos precisa
e mais acurada, quando comparada aos métodos analíticos. Mas, na verdade, é isso mesmo
que ocorre: como os resultados são empíricos, eles variam a cada vez que a simulação é
executada, gerando um pouco de imprecisão; entretanto, como estes resultados se baseiam em
um modelo mais próximo da realidade, eles são realmente mais acurados (mais próximos dos
“valores corretos” para aquele problema real).
Obviamente, a abordagem por simulação apresenta – em relação às abordagens analíticas –
algumas desvantagens, além da menor precisão (citada anteriormente), destacando-se, entre
outras: a necessidade de know-how e software específicos e o consumo de tempo para a
modelagem do problema e para a simulação da operação em si. Estas desvantagens tornam a
simulação uma ferramenta mais cara e de implementação mais difícil.
Além disso, uma ferramenta mais acurada e adequada, capaz de melhorar a qualidade do
processo (de dimensionamento), trará poucos benefícios para o produto final deste processo (a
quantidade necessária de atendentes) se o seu insumo apresentar uma qualidade insatisfatória.
A matéria-prima para o processo de dimensionamento em um call center consiste na previsão
da demanda de ligações e da conseqüente carga de trabalho, que precisam, então, ser
estimados de forma bem acurada. Essa necessidade confere também à previsão de demanda o
status de atividade crítica durante a busca pela eficiência e pela efetividade do negócio.
4
1.1. O problema
As questões que emergem, então, são as seguintes:
Quais metodologias são usadas para lidar com o problema de dimensionamento de call
centers? Será que este tipo de operação apresenta características e peculiaridades que
justifiquem o uso de uma abordagem mais cara e de implementação mais difícil, como a
simulação? Em caso afirmativo, como a simulação pode ajudar os gerentes das centrais no
tratamento dos seus desafios operacionais?
Em relação à outra atividade crítica a ser também tratada quantitativamente – a previsão da
demanda de chamadas – a mesma curiosidade científica aguçada na questão do
dimensionamento motiva a indagação acerca de quais metodologias são utilizadas para
resolver esse problema e se são elas as mais adequadas para tal fim.
1.1.1. Objetivos
• Levantar o que vem sendo feito para lidar com alguns dos principais desafios e
problemas quantitativos relacionados à administração operacional no call center
estudado (a ser especificado na seção 1.3 a seguir);
• Verificar a adequação de tais metodologias de resolução destes problemas;
• Sugerir metodologias mais adequadas (se for o caso) para a resolução destes
problemas.
1.1.2. Questões a serem respondidas
A pesquisa envolve questões relacionadas a dois diferentes tipos de problemas dos call
centers:
1. ao problema da previsão da quantidade de chamadas recebidas por unidade de tempo
e do tempo médio de atendimento, no call center estudado;
2. ao problema do dimensionamento (contínuo durante a operação, em face de
mudanças em algumas premissas e/ou parâmetros) da quantidade necessária de
atendentes por horário, no call center estudado.
5
1.1.2.1. Previsão
a) Que metodologia(s) é(são) aplicada(s)?
b) Essa(s) é(são) a melhor forma de prever tais grandezas?
c) Se não for(em), qual é?
1.1.2.2. Dimensionamento
d) Qual metodologia é aplicada para a resolução desse problema?
e) A simulação é utilizada?
f) Se não for, por que não é?
g) Quais são os trade-offs envolvidos na decisão de qual metodologia usar (simulação versus
outras)?
h) Como a simulação pode dar apoio às decisões referentes ao processo de dimensionamento
do call center?
i) Que aspectos operacionais do call center não podem ser bem tratados por outras
metodologias, sendo determinantes para justificar o uso da simulação?
j) A simulação fornece resultados mais acurados em algumas situações do cotidiano
operacional do call center? Em quais situações?
k) Quais softwares estão disponíveis para o uso da simulação aplicada a call centers?
l) Quais são as suas características?
m) Quais deles são utilizados no call center estudado?
1.2. Relevância do estudo
Dezenas de bilhões de dólares foram gastos em call centers na última metade da década de
1990. O crescimento dessa indústria naquela década foi na faixa de 20% ao ano; e é esperado
que esse crescimento se mantenha neste patamar durante o início desse século, segundo
Grossman et al (2001).
6
Essa indústria cresceu dramaticamente na década em questão, empregando estimados 3% da
mão-de-obra norte-amerciana. No início do século XXI, em torno de 10 milhões de pessoas
estavam empregadas em call centers, somente nos EUA! Nunca os call centers constituíram
uma parte tão importante da maioria dos negócios quanto hoje. No caso particular de vendas e
serviços, call centers são freqüentemente o ponto de contato entre a empresa e os clientes, o
que os torna críticos e caros. Empresas que não tomam as providências necessárias para
melhorar a eficiência de seus call centers rapidamente descobrem que seus erros de
planejamento são traduzidos em baixos níveis de serviço, vendas perdidas, aumentos nos
custos e clientes frustrados e insatisfeitos. (BATT, DOELLGAST & KWON, 2004)
Na economia de hoje, os call centers não apenas se tornaram os pontos primários de contato
entre clientes e empresas, mas também um grande investimento para muitas organizações.
(WEINBERG, BROWN & STROUD, 2006)
Os gerentes atuais precisam entender o que está havendo nos call centers, para saber como as
suas características influenciam os indicadores de desempenho. Utilizar palpites, tentativa-e-
erro, intuição ou softwares “caixa-preta” (que ninguém na empresa é capaz de entender) é
muito perigoso para empresas que querem ser bem sucedidas; e muito arriscado – em termos
de estabilidade profissional – para os gerentes das centrais.
Chassioti e Worthington (2004) afirmam que existem diversos desafios gerenciais para as
centrais de atendimento: recrutamento, absenteísmo, políticas de monitoramento das ligações,
integração de sistemas, treinamento, entre outros. À medida que esses desafios são
gerenciados de uma melhor forma e as centrais vão crescendo (inclusive em termos de
custos), aumenta o interesse no uso de técnicas de pesquisa operacional pela indústria em
questão.
Segundo Alam (2002) e Hall e Anton (1998), o custo de pessoal representa aproximadamente
70% do total da indústria, justificando a importância de um gerenciamento quantitativo da
capacidade de atendimento, que consiste no trade-off entre esse custo e a determinação do
nível ótimo de serviço; ou seja, em ter o número certo de pessoas qualificadas e recursos de
suporte no momento correto, para lidar com uma previsão acurada da demanda e da carga de
trabalho, mantendo os padrões de qualidade e o nível de serviço exigido. Por isso e à medida
que os call centers têm apresentado operações cada vez mais complexas, tem se tornado ainda
mais importante o uso de modelos acurados para a previsão de demanda e para o
7
dimensionamento do tamanho da equipe em uma indústria que movimenta tanto volume
financeiro.
Segundo Mehrotra e Fama (2003) e Hall e Anton (1998), call centers são interessantes
objetos de estudo da simulação, pois:
• lidam com mais de um tipo de chamada, onde cada tipo representa uma fila;
• as chamadas recebidas em cada fila chegam aleatoriamente ao longo do tempo;
• em alguns casos, agentes fazem ligações pró-ativamente (tipicamente em
telemarketing ou ações de cobranças) ou como retorno de uma chamada anterior;
• a duração de cada chamada é aleatória, assim como a do trabalho que o agente executa
depois da chamada (por exemplo: entrada de dados, documentação, pesquisa);
• o avanço nos sistemas para rotear as chamadas para os agentes, grupos ou localizações
torna a lógica por trás do call center cada vez mais sofisticada;
• agentes podem ser treinados para responder a um tipo único de chamada, vários tipos
de chamadas ou todos os tipos de chamadas, com diferentes prioridades e preferências
especificadas nas lógicas de roteamento;
• a grande quantidade de dinheiro investido em call centers, tanto na forma de capital
como na forma de trabalho, é capaz de justificar o uso dessa ferramenta tão poderosa.
Com os objetivos de esclarecer a questão e de mostrar as limitações de métodos analíticos
para lidar com as peculiaridades reais e de difícil tratamento dos call centers (caracterizando
as lacunas a serem preenchidas pela abordagem da simulação), um exemplo hipotético é
descrito a seguir:
Um determinado call center recebe chamadas telefônicas que chegam à central com um
intervalo entre chegadas que segue uma distribuição exponencial. A duração de cada
atendimento também segue uma distribuição exponencial. A empresa quer dimensionar a
central, determinando quantos atendentes deve alocar para cada horário. Para tal, ela quer
construir um quadro comparativo, relacionando cada possível quantidade de atendentes com o
nível de serviço prestado (na forma de tempo médio do cliente na fila, tempo médio do cliente
8
no sistema e tamanho médio da fila). Para essa operação, os modelos analíticos Erlang
(M/M/s) (intervalo entre chegadas seguindo uma distribuição exponencial / tempo de
atendimento seguindo uma distribuição exponencial / s agentes no sistema) atendem
perfeitamente a demanda e fornecem fórmulas prontas para as variáveis de desempenho
supracitadas em função do número de agentes (s), do intervalo médio entre chamadas e do
tempo médio de atendimento. Dessa forma, o gerente desse call center pode dimensionar
facilmente a sua equipe em cada horário, utilizando essa abordagem analítica e considerando
o trade-off envolvendo o custo da mão-de-obra e o nível de serviço.
No entanto, se a esse exemplo forem adicionados alguns aspectos mais reais e que ocorrem
freqüentemente no cotidiano operacional dos call centers, o panorama muda completamente.
Pode acontecer de uma central querer desviar a chamada para um atendimento mais
especializado, caso a ligação demore mais do que 5 minutos. Talvez o cliente que esteja
aguardando para ser atendido desista após 3 minutos de espera (isso pode ocorrer sempre, ou
de maneira incerta, com, por exemplo, 80% de probabilidade). É possível (e até provável) que
a distribuição dos tempos de atendimento não seja exponencial; pode ser que esta variável não
siga nenhuma distribuição teórica e tenha que ser tratada de acordo com uma distribuição
empírica (exemplo: 20% de probabilidade de o atendimento demorar 2 minutos; 50% de
probabilidade de o atendimento demorar 3 minutos; 30% de probabilidade de o atendimento
demorar 4 minutos). Às vezes, a empresa quer priorizar clientes especiais, permitindo que
estes sejam atendidos antes de outros clientes, mesmo que tenham chegado depois ao sistema.
Com a presença de algum(ns) desses complicadores – que são bem freqüentes no dia-a-dia
das centrais de atendimento – a abordagem analítica torna-se praticamente inviável. Não
existem modelos teóricos que forneçam fórmulas prontas (como no caso mais simples,
hipotetizado anteriormente) para ajudar no dimensionamento da capacidade. Se o gerente
quiser usar esses modelos analíticos, terá que fazer tantos ajustes à realidade (para que ela
possa se encaixar nos modelos pré-concebidos que essas abordagens exigem) que, na prática,
estará resolvendo um outro problema. Nesse caso, ele obterá uma solução exata para um
modelo com muitas aproximações.
A simulação pode, entretanto, incorporar na modelagem todas essas características e
dificuldades dos call centers, até com uma certa facilidade. Como o próprio nome sugere, a
abordagem vai simular a operação do call center com os seus próprios aspectos, onde é
9
possível introduzir toda essa inteligência (orientação dizendo que, por exemplo, se a chamada
demorar mais do que um determinado limite de tempo para ser atendida, algo deve acontecer,
com um determinado percentual de probabilidade; ou que, se o atendimento durar mais do
que um determinado limite de tempo, algum procedimento deve ocorrer), além das outras
características, como distribuições empíricas dos tempos entre chamadas e/ou de atendimento,
diferenciação de clientes, priorização de chamadas, dentre muitas possíveis.
Portanto, de uma maneira geral, os problemas básicos que aparecem nos call centers (e em
outras estações de serviço) podem ser atacados através de uma metodologia de caráter
analítico – a Teoria de Filas. Para ser utilizada esta abordagem, no entanto, é preciso engessar
a modelagem do problema, deixando a operação de acordo com as restrições necessárias para
que possa ser tratada através dessa teoria. Assim, quando as características da operação em
questão fogem um pouco dos requisitos que a sua modelagem deve preencher para que ela
possa ser tratada por essa metodologia, a teoria de filas deixa um pouco a desejar, já que a
simplificação exigida pode ser muito exagerada, descaracterizando o aspecto real do
problema.
É o pensamento de Mehrotra e Fama (2003), que pode ser evidenciado quando estes destacam
algumas questões que – dado o aumento de complexidade de operação dos call centers – se
tornaram difíceis de serem atacadas pelos modelos analíticos, passando a ser tratadas de
forma mais adequada pela ferramenta de simulação:
• Quantos agentes devem ser contratados? Como devem ser escalados em relação aos
turnos, lanches, treinamento e outras atividades?
• Como as chamadas devem ser roteadas de forma que se possa fazer o melhor uso dos
recursos?
• Dada a previsão, o sistema de roteamento, a escala dos agentes, como será a
performance do sistema?
• Qual o efeito de um pico de volume de chamadas na performance?
Enfim, é preciso descobrir se é efetivamente adequada a aplicação de uma ferramenta
consagrada, tão poderosa e em voga no meio científico, como a simulação, a problemas de
uma indústria tão complexa e que vem crescendo tanto ultimamente, como a de call centers.
10
Mais especificamente no Brasil, essa indústria tem crescido bastante. Um estudo recente
(BRASIL fecha 2003 com mais de 68 mil Pas, 2005) apurou que o segmento das centrais de
atendimento tornou-se um dos setores da economia brasileira que mais gerou empregos no
país em 2003. Com esse mercado doméstico em efervescência, é preciso verificar se a
simulação vem sendo amplamente utilizada no país.
O que ocorre, no entanto e de acordo com CAPES (2006), é que apenas 27 teses e
dissertações brasileiras versam sobre o tema Call Center, segundo consulta utilizando as
expressões-chave “call center” e “central de atendimento”. Analisando mais profundamente
esta lista, constata-se que apenas 3 destas 27 obras tratam do gerenciamento do processo
operacional das centrais: Pazeto (2000); Silva Jr. (2004); e Moura (2004). Nenhuma delas,
entretanto, aborda a ferramenta de simulação como forma de auxiliar o gerenciamento do
processo operacional e o dimensionamento de capacidade das centrais de atendimento, o que
também pode ser observado se a consulta à base incluir a palavra-chave “simulação”, além
das expressões-chave citadas anteriormente.
Esta é uma das principais contribuições deste trabalho: no Brasil, muito pouco foi produzido
academicamente no que diz respeito à aplicação da ferramenta em questão (simulação) à
indústria de call centers; em nível de teses e dissertações, esta produção acadêmica é
incipiente.
Até em termos mundiais, a produção intelectual que versa sobre o tema (aplicação da
ferramenta à indústria) é insatisfatória: Chassioti e Worthington (2004) afirmam que muitas
empresas desenvolvem pesquisas particulares (não publicadas) sobre o assunto, mas é
necessário mais trabalho de domínio publico acerca do tema.
A investigação a respeito de quais metodologias quantitativas têm sido utilizadas e a
verificação da sua adequação fazem-se necessárias também em um outro problema
operacional, quantitativo e de caráter crítico que os gerentes dos call centers têm que resolver
freqüentemente: a previsão de demanda (chamadas recebidas por unidade de tempo).
Segundo Weinberg, Brown e Stroud (2006), devido à magnitude das operações dos call
centers, seus supervisores precisam dimensionar eficientemente as suas equipes para fornecer
satisfatórios níveis de serviço a custos razoáveis. A administração eficiente das centrais
requer a estimação de algumas premissas operacionais que, em última análise, são capazes de
11
determinar tamanhos apropriados de equipe de atendimento. A previsão acurada da
quantidade de ligações entrantes consiste na premissa mais difícil de ser obtida.
A base de qualquer bom planejamento de equipe é uma previsão acurada da carga de trabalho.
Sem uma previsão precisa acerca do trabalho a ser esperado, os mais sofisticados esforços
para calcular o contingente ótimo de atendimento e criar intrincados planos de horários
consistem em desperdício. A máxima “garbage in, garbage out” (quando o que entra é “lixo”,
o que sai também é “lixo”) é especialmente verdadeira quando aplicada ao gerenciamento da
força de trabalho. Uma previsão acurada é o passo mais importante do processo.
(REYNOLDS, 2005)
De acordo com Gans, Koole e Mandelbaum (2003), uma previsão acurada dos parâmetros do
sistema consiste em um pré-requisito para um nível de serviço consistente e para uma
operação eficiente. Dado o avanço tecnológico recente na área de informática e o ambiente
intensivo em informações presente nos call centers modernos, poderia se supor que existiriam
métodos de estimação e previsão bem desenvolvidos na literatura. Mas, de fato, apesar da
vasta literatura em inferência estatística e previsão, surpreendentemente pouco tem sido
dedicado aos processos estocásticos, e muito menos a modelos de filas, em geral, e a call
centers, em particular.
Apenas 17 trabalhos científicos versam sobre estatísticas e previsão de informações de call
centers, dentre os mais de 250 listados na bibliografia desenvolvida por Mandelbaum (2003),
relacionando artigos ligados a call centers, nas mais diversas disciplinas.
Somente um item foi encontrado em uma pesquisa realizada em uma base de dados
consagrada, procurando os termos “call center” (ou “call centers”) e “forecast” (previsão) em
todos os campos de busca (excluindo o texto completo) (all fields – excluding full text).
(EMERALD, 2006).
Especificamente na indústria em questão, o estado-da-arte em previsão do volume de
chamadas ainda é rudimentar. Na verdade, a prática de estatística e análise de séries temporais
ainda está na sua infância no mundo dos call centers, e esforços de pesquisa sérios são
necessários para trazê-las ao nível apropriado, dentro deste contexto. A previsão das taxas de
chegada talvez consista na necessidade prática com maior pressão por melhorias. Para call
centers com altos níveis de utilização, previsões mais acuradas são essenciais. Apesar de
12
existir alguma pesquisa que desenvolve métodos de estimação e predição das taxas de
chegada, certamente existe espaço para melhorias adicionais. No entanto, o desenvolvimento
destes métodos depende, em parte, do acesso a conjuntos de informação mais ricos. (GANS,
KOOLE & MANDELBAUM, 2003)
1.3. Delimitação do estudo
A pesquisa se limita a estudar uma única grande empresa brasileira de call centers, a Contax,
que será apresentada e contextualizada na seção 2.2 a seguir.
O estudo se restringe a algumas das operações de atendimento passivas (ou inbound) da
empresa, onde seus operadores recebem ligações dos clientes e não as originam; operações do
tipo outbound estão fora do escopo da pesquisa. O ponto de vista da análise reflete a ótica da
empresa fornecedora do serviço de atendimento telefônico (e não a do cliente final ou da
empresa contratante do serviço).
A idéia do trabalho consiste em abordar apenas questões quantitativas referentes à operação
das centrais de atendimento, sem envolver outras questões igualmente relevantes e
freqüentemente encontradas na literatura, como gestão de recursos humanos, ergonomia,
terceirização e tecnologia.
As questões operacionais e quantitativas do call center estão restritas à previsão da
quantidade de chamadas por unidade de tempo e do tempo médio de atendimento e ao
dimensionamento da quantidade necessária de atendentes por horário, não englobando outras
questões quantitativas também importantes, como a macro-localização física da instalação,
entre outras.
1.4. Organização do estudo
A presente pesquisa foi estruturada em 7 capítulos:
1. Introdução
2. Caracterização do setor e da empresa estudados
3. Referencial teórico
13
4. Metodologia
5. Descrição do caso
6. Análise do caso
7. Conclusões
Este capítulo 1 buscou apresentar o tema com as suas principais questões pertinentes, definir
o problema estudado (incluindo os objetivos e as questões a serem respondidas), argumentar a
favor da relevância da pesquisa e especificar o seu escopo.
O capítulo 2 visa contextualizar o setor e a empresa estudados, apresentando a indústria de
call centers (de uma forma geral e no Brasil) e descrevendo a empresa estudada: seu
histórico, seus números atuais e seus produtos e clientes.
O capítulo 3 se dedica à revisão de literatura acerca dos principais assuntos abordados durante
o estudo: métodos de previsão de demanda, teoria de filas e simulação, além de suas
respectivas aplicações em call centers.
O capítulo 4 classifica a pesquisa quanto ao seu tipo e explica como e por que motivo o caso
estudado foi selecionado, assim como o foram os principais sujeitos envolvidos. Em seguida,
uma atenção especial é dedicada à descrição de como os dados foram coletados e tratados, de
forma a dar resposta às questões e atingir os objetivos propostos. O capítulo é finalizado com
as limitações intrínsecas do método e também oriundas da aplicação prática do mesmo.
O capítulo 5 descreve a Gerência de Planejamento de Tráfego da empresa estudada no caso,
setor responsável pelo gerenciamento dos principais problemas atacados nesta pesquisa e
apresenta os seus desafios operacionais mais importantes, mostrando também a forma como
alguns deles são tratados pela empresa.
O capítulo 6 explora os principais desafios operacionais levantados no capítulo anterior – a
previsão de demanda e o dimensionamento da capacidade de atendimento – questionando as
abordagens utilizadas pela empresa para resolvê-los e apresentando soluções concretas para
os mesmos, sempre de forma a fornecer resposta para as questões e atingir os objetivos,
propostos inicialmente.
14
Finalmente, o capitulo 7 conclui o estudo, apresentando os principais resultados e
contribuições obtidos e oferecendo ao leitor a versão do autor face à resposta ao problema e
às suas questões. E, como é inviável operacionalmente tratar todos os assuntos aos quais está
ligado o tema da pesquisa, o capítulo e o trabalho são finalizados com a sugestão de alguns
tópicos correlatos que possam vir a constituir-se dos objetos de estudo de outros
pesquisadores em trabalhos futuros.
15
2. Caracterização do setor e da empresa estudados
2.1. Setor de Call Centers
Sakamoto (2001) define call center como sendo “o lugar onde os chamados são feitos, ou
recebidos, em grandes quantidades, com o objetivo de apoiar processos de vendas, marketing,
serviços ao cliente, suporte técnico ou outra atividade específica”.
Call centers consistem em centros operacionais instalados para utilizar telecomunicação e
tecnologias computacionais para automatizar uma quantidade volumosa de diferentes
atividades e serviços telefônicos, tanto recebidos quanto originados pelo centro. (HAWKINS
et al, 2001)
Para Minghelli (2002), um call center pode ser entendido como um “centro integrado de
contato entre empresas e consumidores, estabelecidos de forma remota e/ou virtual, através
do uso da tecnologia”.
Mais tecnicamente, um call center pode ser definido como um complexo sistema de
componentes conectados, contemplando diferentes tipos de chamadas telefônicas, padrões de
chegada de chamadas, lógica de roteamento das chamadas, abandono de chamadas, troncos de
linhas telefônicas, e operadores com diferentes habilidades, prioridades, níveis de proficiência
e esquemas de horários.
Do ponto de vista operacional, um call center caracteriza-se, basicamente, por um conjunto
de tele-operadores, reunidos em um espaço e interligados ao público de uma empresa através
de sistemas de telefonia, recebendo e realizando ligações para atender, tirar dúvidas, ouvir
reclamações, resolver problemas ou vender produtos e serviços. Do ponto de vista do
negócio, um call center é um meio de relacionamento entre empresas e seus clientes, que tem
como objetivos: estreitar esse relacionamento; melhorar, acelerar e desburocratizar processos;
promover a fidelização do cliente com a empresa por meio das melhorias no atendimento; e
aumentar receitas. (WEISSHUHN, 2004).
De acordo com Weinberg, Brown e Stroud (2006), um call center consiste em um eixo
centralizado que existe unicamente com o propósito de fazer (atender) chamadas para (de) os
clientes (atuais ou potenciais).
16
Bapat e Pruitte Jr. (1998) argumentam que o call center é a arma estratégica mais visível de
uma empresa. É uma frente de batalha de negócios onde milhões de dólares em produtos e
serviços são comprados, vendidos e negociados. Também é um local onde milhares de
clientes são conquistados e perdidos instantaneamente. Como empresas líderes se tornam
mais criativas em disseminar informação e agregar valor aos seus consumidores através de
linhas telefônicas, é natural que elas enxerguem o call center como seu ponto de acesso ao
mercado.
Embora, por definição, o call center seja uma forma de relacionamento sem contato
presencial, seu uso vem se tornando cada vez mais intenso por empresas de diversos setores
da economia. A indústria, o comércio e uma infinidade de empresas de serviços utilizam-se
deste tipo de recurso para atender, vender, contatar e entender melhor seus clientes.
(WEISSHUHN, 2004)
Segundo Azevedo e Caldas (2002), um call center consiste, por essência, em uma atividade
do setor de serviços, que funciona como um elo entre a empresa e a sua base de clientes. Os
autores acrescentam que as inovações tecnológicas nesse setor têm sido muito grandes,
provocando uma reestruturação ampla no funcionamento dessas organizações.
Todo consumidor quer ser bem atendido e o mercado de hoje exige um atendimento cada vez
mais ágil e personalizado. E as grandes corporações mundiais já encontraram a resposta para
essas demandas: Contact Center, que consiste em muito mais do que o call center tradicional.
Este permite apenas o contato do cliente através de telefone. O contact center permite o
contato do cliente através de diversos meios, dentre eles o próprio telefone, fax, carta e
Internet, com a opção sendo escolhida de acordo com a sua própria preferência,
proporcionando o mesmo nível de serviço e de consistência de informações entre eles. Além
disso, o contact center vem sendo encarado como o principal meio de viabilização da
estratégia de CRM das empresas. (CONTAX, 2006)
Chokshi (1999) diz que as empresas estão migrando seus cuidados nas operações com clientes
para a Internet, investindo em “cuidado eletrônico”, ferramentas de automação de vendas etc..
Uma quantidade significativa dos investimentos em sistemas humanos e de computadores está
colocada no set-up de call centers.
17
Call centers podem ser do tipo inbound (onde as chamadas são originadas pelos clientes),
outbound (onde as chamadas são originadas pelos operadores para os clientes, geralmente
para fins de telemarketing), ou misto (onde ambas as atividades são executadas). Para o
primeiro tipo, o volume de chamadas e a sua duração caracterizam-se como dados de entrada;
para o segundo tipo, consistem em variáveis de decisão. (GROSSMAN et al, 2001)
Hawkins et al (2001) dizem que call centers do tipo inbound são caracterizados como um
sistema constituído de várias pessoas (atendentes), que recebe ligações telefônicas de outras
pessoas (normalmente clientes – mesmo que potenciais) que desejam obter alguma
informação, contratar algum serviço, comprar algum produto, responder alguma pesquisa,
atualizar dados, registrar ocorrências, ou fazer reclamações, entre outros.
Para eles, as centrais deste tipo são tipicamente vistas como fornecedores de uma gama
particular de serviços aos clientes que fazem contato com ela, enquanto as do tipo outbound
são geralmente caracterizados como centros de lucro (por exemplo, uma central de cobrança).
Os atendentes dos call centers de serviço ao cliente tendem a ter diferentes habilidades
(básicas e secundárias); alguns podem lidar com um tipo de chamada, enquanto outros podem
lidar com outros tipos de chamada. Muitas vezes, pode haver especialização por parte dos
agentes. Avanços nos distribuidores automáticos de chamadas (ACDs) tornaram possível o
roteamento baseado em habilidades (skill-based routing), que consiste no protocolo para o
roteamento on-line das chamadas entrantes para os agentes apropriados a atendê-las.
(MAZZUCHI & WALLACE, 2004; DECKER, 1999; PICHITLAMKEN et al, 2003; KOOLE
& POT, 2005; KLUNGLE & MALUCHNIK, 1997; TAKAKUWA & OKADA, 2005)
Na economia global atual, pode ser eficiente (em termos de custo) espalhar o trabalho das
centrais de serviço ao cliente através de múltiplas cidades, países ou continentes. O obstáculo
para atingir essa eficiência reside no dimensionamento de que parcela da carga de trabalho
deve ser enviada a cada localidade (incluindo a definição dos critérios nos quais a distribuição
das chamadas deve se basear) e quantos agentes seriam requeridos para lidar com tal carga.
Complicações adicionais incluem um desejo potencial de compartilhamento e de priorização
de determinados centros para lidar com determinadas chamadas. (RILEY, 2005; DECKER,
1999; MILLER & BAPAT, 1999)
18
O call center pode pertencer à empresa prestadora do serviço (ou vendedora do produto) ou
ser terceirizado. Existem empresas que oferecem para outras o serviço de atendimento através
de uma central. (GROSSMAN et al, 2001).
2.1.1. Call centers no Brasil
A estabilidade econômica iniciada na década de 90, o crescimento do segmento de serviços e
as privatizações das telecomunicações abriram espaço para o desenvolvimento da indústria de
call centers no país.
Além disso, o consumidor brasileiro vem mudando: tem menos tempo para as compras, gosta
de resolver suas pendências pelo telefone e tem muita facilidade para trocar de marca. Por
isso, e segundo Minghelli (2002), o mercado de call centers aumenta gradativamente a cada
ano no Brasil. Lima (2006) diz que as empresas estão cada vez mais dispostas a melhorar o
relacionamento com os clientes.
A privatização do setor de telecomunicações recebeu como herança estatal uma memória de
maus serviços na percepção do consumidor, que inclui o atendimento ao cliente. O setor tem
o desafio de reverter essa insatisfação ao mesmo tempo em que sofre pressões constantes por
redução de custos e esbarra nas limitações educacionais do mercado de trabalho e do mercado
consumidor, o que dificulta a adoção de novas tecnologias. (GOMES, 2004)
De acordo com especialistas do setor de call centers, o ano de 2003 deu início à consolidação
dos serviços de tele-atendimento no país. A movimentação financeira oriunda das
oportunidades de terceirização no mercado brasileiro de call center deverá revelar uma
significativa taxa média anual de crescimento até 2008. (BRASIL fecha 2003 com mais de 68
mil Pas, 2005)
Segundo (CRESCE faturamento do setor de telemarketing, 2005), esse mercado cresceu perto
de 30% em 2003 – aumentando seu faturamento de R$ 1,96 bilhão para R$ 2,51 bilhões – e
em torno de 20% em 2004, faturando aproximadamente R$ 3 bilhões. O vigor é atestado por
outro indicador: o número total de posições de atendimento (PAs), que já aumentara 6,2% em
2003 – crescendo de 183,0 mil para 194,3 mil – teve uma evolução ainda mais acentuada em
2004 (crescimento de 12,4%, passando para 218,4 mil PAs).
19
Uma pesquisa publicada (EMPREGO em contact center está em alta, 2005) recentemente
também aponta para um ritmo acelerado de contratações, acompanhando o crescimento do
número de posições de atendimento terceirizadas na América Latina, que deve saltar para
mais de 200 mil em 2008. Segundo analistas do setor, só o Brasil será responsável por 53,4%
desse montante, o que significará a criação de milhares de vagas no mercado.
Dessa forma, o segmento tem merecido especial atenção tanto por seu rápido crescimento,
quanto pela grande quantidade de empregos gerados. No ano de 2000, o setor empregava
cerca de 370 mil pessoas, tendo este número chegado a mais de 550 mil em 2004. Apenas em
2004 foram gerados 55 mil novos empregos neste setor. A Associação Brasileira de
Telemarketing (ABT) diz que o volume financeiro estimado de transações apoiadas por
serviços de telemarketing, no Brasil, chega a R$ 67,4 bilhões. (WEISSHUHN, 2004)
No início de 2006, o número de operadores atuando no segmento atingiu 650 mil. Baseada no
crescimento experimentado no ano anterior, a ABT previu para este ano uma abertura de 50
mil vagas no setor. (LIMA, 2006)
O crescimento acelerado é resultado de dois fatores, segundo especialistas: "O mercado está
obrigando as empresas a se reestruturarem para melhorar o relacionamento com o cliente. As
companhias perceberam que podem ter o SAC e a venda à distância sob o mesmo
investimento.". E as perspectivas para o futuro desse mercado são ainda mais promissoras, já
que a demanda vem crescendo e o país já possui uma boa infra-estrutura telefônica disponível
e necessária para esse tipo de serviço. (CRESCE faturamento do setor de telemarketing, 2005)
Segundo levantamento recente (BRASIL está entre os 10 países mais atraentes para call
centers, 2005), o Brasil está em 7º lugar entre os países mais atraentes para a instalação de
centros de atendimento e prestação de serviços de empresas internacionais à distância, no
sistema chamado de business process outsourcing. O relatório mostra que o país está na mais
alta posição entre os países da América Latina em termos de pessoas capacitadas e de
disponibilidade. Os pontos fortes do Brasil são os custos vantajosos e uma grande força de
trabalho com relativamente boa experiência em prestação de serviços à distância. O estudo
ainda aponta a possibilidade de, com a crescente sofisticação da indústria local de software e
do setor de informação e tecnologia, o país atrair novos negócios.
20
Minghelli (2002) apresenta os resultados de um estudo que pesquisou quais são os principais
segmentos de atuação dos call centers brasileiros e as suas estimativas de crescimento
(evidenciados na tabela 1 a seguir, onde os campos em branco correspondem a valores que
não estavam disponíveis).
Tabela 1 – Magnitude atual e crescimento dos principais segmentos de
atuação dos call centers no Brasil
Segmento
Posições de atendimento
em 2001
Taxa de crescimento
histórico
Taxa de crescimento
projetado para 2004
Telefonia fixa 19.895 17,6% 8,5%
Cartões 8.738 20,9% 20,8%
Telefonia celular 4.415 35,8% 15,4%
Utilidades 3.490 3,5% 3,3%
Internet 3.000 23,0%
Bancos 2.400
TV por assinatura 1.492 9,0%
Saneamento 1.354
Total 44.784
Fonte: MINGHELLI (2002)
Como pode ser observado, o ramo de telefonia fixa é o que mais utiliza call centers; mas os
ramos de cartões, telefonia celular e Internet são os que apresentam maior potencial esperado
de crescimento.
O mercado está concentrado em grandes cidades do país, como São Paulo e Rio de Janeiro.
As maiores empresas de call center no cenário brasileiro são a Contax, a Atento e a
Teleperformance (nessa ordem, em termos de posições de atendimento; e trocando as duas
primeiras de lugar, em termos de faturamento e número de funcionários). (OUTSOURCING,
2005)
De acordo com (EMPREGO em contact center está em alta, 2005), o setor emprega
principalmente jovens entre 16 e 24 anos, a maioria deles do sexo feminino, em início de
carreira. A média salarial varia entre US$ 120 e US$ 200 mensais por seis horas diárias de
serviço, podendo alcançar US$ 600 no caso de funcionários bilíngües ou com mais
experiência.
21
Para falar a respeito do segmento de call centers no Brasil, é preciso separá-lo em duas partes:
call centers próprios e call centers terceirizados. O primeiro formato entende-se como sendo
a estrutura criada e operada por uma empresa para relacionar-se com seus próprios clientes. O
segundo formato consiste em uma estrutura criada e operada por uma empresa, especializada
neste tipo de serviço, para funcionar como meio de relacionamento entre outras empresas e
seus clientes.
Isto quer dizer que as empresas que atuam no mercado de terceirização de call centers
especializam-se em conhecer e atender os clientes de seus clientes, formando uma estrutura
de relacionamento conforme descrita na figura 2 a seguir. (WEISSHUHN, 2004)
Figura 2 - Estrutura de relacionamento entre as entidades participantes na
indústria de Call Centers
Fonte: WEISSHUHN (2004)
Segundo Mancini (2001) e Freitas (2000), a terceirização do serviço de atendimento
telefônico pode ser:
• total – sendo a empresa contratada responsável pelas instalações físicas, softwares,
sistemas de telefonia, computadores e mão-de-obra;
• parcial – sendo a empresa contratada responsável pela mão-de-obra, trabalhando nas
instalações da empresa contratante, ou vice-versa; ou
• mista – sendo a infra-estrutura pertencente à empresa contratada e a mão-de-obra
constituída de uma mistura de supervisores e coordenadores da empresa contratante
com operadores da empresa contratada.
A terceirização é uma alternativa a ser considerada na decisão de implantação de um call
center, cabendo avaliar a relação de custo-benefício de terceirizar ou manter o call center
como um setor da empresa. (MINGHELLI, 2002)
Empresa
fornecedora de
serviços de call
center
Empresa
contratante de
serviços de
call center
Cliente da
empresa
contratante
Empresa
fornecedora de
serviços de call
center
Empresa
contratante de
serviços de
call center
Cliente da
empresa
contratante
22
De acordo com Mancini (2001), não existe um sistema absolutamente melhor do que o outro:
cada caso é um caso; cada empresa atravessa um momento em seu ciclo de vida, exigindo
respostas personalizadas. Os principais benefícios da terceirização são: redução de tempo;
readaptações estratégicas mais rápidas; maior controle através de relatórios consolidados; e
especialização.
A predominância de call centers próprios é habitualmente atribuída ao fato de a maioria das
empresas considerar este canal de relacionamento com o cliente como uma função estratégica,
onde a terceirização pode representar um risco à obtenção dos objetivos para a qual a
operação foi concebida, já que o grau de compromisso de funcionários de uma empresa
contratada pode não ser o mesmo que se esperaria de funcionários próprios. Muitas empresas
têm dúvidas quanto à contratação de empresas para realizar o atendimento ao seu cliente, pois
a área é sensível e envolve, na maior parte das vezes, necessidade de sigilo.
Conforme Mancini (2001), quando ocorre a contratação de uma empresa terceirizada para
realizar os serviços de call center, a empresa contratada deverá manter uma área específica e
exclusiva para executar as ações da empresa contratante, mantendo assim a qualidade e a
confidencialidade necessárias para a operação.
Contudo, algumas pesquisas vêm evidenciando mudanças nessa predominância de centrais
próprias, o que pode ser notado pelos resultados que indicam maior crescimento percentual do
número de posições de atendimento em call centers terceirizados do que em call centers
próprios.
O serviço oferecido pelas empresas de call center engloba uma ampla gama de soluções em
áreas como SAC (serviço de atendimento ao cliente), tele-cobrança, telemarketing ativo e
receptivo, retenção e fidelização de clientes, entre outros. A diversidade de serviços e,
principalmente, a customização oferecida pelas empresas que disputam este mercado têm sido
apontadas como os principais fatores na conquista de novos contratos, o que tem levado o
mercado a apostar em um duradouro ciclo de crescimento para este setor. (WEISSHUHN,
2004)
Em função da relevância percebida por grande parte das empresas em relação aos serviços de
call center como um canal estratégico de relacionamento com seus clientes, aquelas que se
apresentam dispostas a terceirizar tais operações tratam este processo como uma aquisição
23
estratégica de serviços, procurando estabelecer contratos de parceria, onde o conhecimento
recíproco entre empresa contratante e empresa fornecedora de serviços consiste em um
aspecto fundamental.
Segundo (CONTAX, 2006), apesar dos avanços, os serviços de atendimento ao cliente
continuam em transformação, embora já sejam vistos como parte fundamental do processo de
conquista e de fidelização dos consumidores. A evolução no atendimento pode ser dividida
em quatro eras:
1. Atender: implantação e planejamento básico;
2. Entender: conhecer melhor cada tipo de consumidor e entender suas demandas e
necessidades;
3. Resolver: redesenhar os processos internos para atender – no primeiro contato – as
necessidades do cliente;
4. Antecipar e vender: pró-atividade que visa antecipar-se às necessidades do cliente e
aproveitar cada contato como oportunidade de oferecer novos produtos e serviços.
O desejo das empresas é estar nesta última fase. Com todas as mudanças ocorridas nos
últimos anos, as companhias se depararam com os desafios de gerenciar o crescimento de
seus call centers e transpor as eras.
A ANATEL tem, entre os seus objetivos, o de estimular a competição e a melhoria do serviço
prestado ao consumidor do setor de telecomunicações. Ela começou a atuar após a
privatização e seu conjunto de indicadores e metas mudou pouco desde então. No início, os
indicadores consistiam em metas até agressivas para empresas recém-privatizadas e com
grande potencial de evolução. Atualmente, a maioria dos indicadores foi atendida pelas
principais empresas do setor e a grande pressão por melhoria de desempenho vem da
concorrência e dos clientes, e não da regulação do governo.
O preço é, normalmente, o principal aspecto que irá conduzir a escolha da empresa que irá
prestar o serviço de call center. Ele pode ser visível para a empresa contratante através de três
formas diferentes de faturamento:
24
• speaking time – faturamento baseado nos minutos falados pelos atendentes. O cálculo
é feito multiplicando o volume de chamadas pelo Tempo Médio de Atendimento
(TMA) e pelo preço do minuto falado;
• por posição de atendimento (PA) – faturamento baseado na quantidade média de PAs
ocupadas nos dias úteis no mês, que pode apresentar três modalidades:
o PA Completa – Fornecimento da mão-de-obra, infra-estrutura, etc.;
o PA Mão-de-obra – Fornecimento apenas dos operadores;
o PA Infra-estrutura – Fornecimento apenas do espaço.
• por resultado – faturamento baseado na efetividade do trabalho dos atendentes
(quantidade de dívidas recuperadas por uma central de cobranças, por exemplo).
O primeiro formato é mais utilizado pelos maiores clientes; as menores empresas geralmente
preferem o segundo formato, que é o mais comum entre todos. O terceiro formato é
encontrado, normalmente, em call centers do tipo outbound.
Geralmente, a empresa contratante exige um nível mínimo de serviço da empresa contratada
através do Service Level Agreement (SLA). Metas (90% das ligações devem ser atendidas em
até 10 segundos, por exemplo) são estabelecidas em conjunto e a empresa contratada é
penalizada no seu faturamento em caso de falhas no seu cumprimento.
Um fator de extrema relevância costuma surgir no funcionamento dos processos de formação
de preços: o acirramento da competição entre aquelas empresas que dominam atualmente este
mercado. Isto tem levado as empresas a comprimirem suas margens de lucro até o limite da
rentabilidade mínima aceita pelos acionistas para este tipo de negócio. Este fenômeno se torna
especialmente crítico quando ocorre a disputa por clientes considerados estratégicos.
Exemplos disso podem ser observados nos processos de terceirização dos call centers de
companhias pertencentes a grandes grupos empresariais atuantes no país, situação onde os
concorrentes tendem a dar importância especial à conquista do cliente, por considerá-lo uma
porta para alcançar as demais empresas do mesmo grupo. (GOMES, 2004)
Esse acirramento da competição é ainda mais freqüente porque, de acordo com Weisshuhn
(2004), o mercado de terceirização de call centers apresenta um nível de concentração
25
relativamente alto. As 5 maiores empresas deste segmento concentram cerca de 60% do
número total de posições de atendimento terceirizadas existentes no Brasil e mais de 90% do
mercado total pertence às 12 maiores empresas da indústria.
Esta grande concentração de mercado pode ser atribuída à ocorrência de vantagens
competitivas relacionadas à associação de algumas empresas de call center a grandes
empresas prestadoras de serviços de telecomunicações, pois, ao mesmo tempo em que estas
associações representam acesso a tecnologias e serviços de comunicação de dados e voz a
custos competitivos, também são elas próprias as maiores clientes do mercado de call centers.
De fato, as maiores fornecedoras de serviços de call center no Brasil são empresas
controladas por grandes grupos atuantes na área de serviços de telecomunicações. Assim
sendo, estas empresas já têm asseguradas como clientes as demais empresas do mesmo grupo.
Isto lhes permite obter escala e conhecimento técnico para atuação no segmento
independentemente da conquista de outros clientes, além de lhes garantir, por causa do porte
de suas controladoras, os recursos financeiros para a conquista e o atendimento de contratos
de grande magnitude, que exigem investimentos mais pesados em infra-estrutura e
equipamentos de comunicação de dados e de voz. (GOMES, 2004)
Essa é exatamente a situação em que se encontra a empresa estudada nesta pesquisa: a
Contax, pertencente ao grupo Telemar, e que será mais bem descrita na seção 2.2 a seguir.
2.2. A Contax
2.2.1. Histórico da empresa
A Contax surgiu no final de 2000, como extensão natural dos negócios da Telemar – em um
setor da economia que pouco investia em tecnologia e qualificação de atendimento – para
ajudar seus clientes na gestão operacional do serviço de atendimento, agregando valor no
relacionamento com os consumidores finais. (CONTAX, 2006)
A companhia rapidamente tornou-se expoente desse mercado, oferecendo diferenciais que
possibilitaram atrair clientes que buscavam alavancar a venda de seus produtos e agregar
valor no relacionamento com seus consumidores. Para alcançar esse nível de excelência
operacional, a Contax direcionou seu trabalho para a produtividade e para os serviços
personalizados que projeta, implementa e opera. Foram esses conceitos que permitiram que a
26
empresa ganhasse respeito no segmento. A companhia conseguiu, em apenas 4 anos, o posto
de uma das maiores geradoras de emprego do país e aumentar seu faturamento bruto em quase
300% .
Tamanho sucesso não seria sustentável caso a Contax deixasse de lado a capacitação pessoal
de seus funcionários e a tecnológica. Mais de R$ 250 milhões foram aportados para essas
áreas e, assim, foi possível equipar a empresa com modernas centrais, munidas com as
melhores e mais adequadas ferramentas tecnológicas e estruturas de contact center. Isso
também permitiu preparar profissionais altamente capacitados, que garantem um atendimento
que satisfaça todos os públicos envolvidos no negócio. (CONTAX, 2006)
A Contax tem se mantido em constante crescimento desde a sua criação em 2000, o que pode
ser evidenciado no gráfico apresentado na figura 3 a seguir.
Figura 3 - Evolução do faturamento, do número de colaboradores e de
posições de atendimento da Contax, 2000 a 2005
Fonte: CONTAX (2006)
Segundo a mesma fonte, os principais motivos que permitiram a manutenção deste
crescimento foram:
27
• foco em operações de grande volume de transações e alta complexidade;
• foco em qualidade, com o objetivo na satisfação do cliente final (investimento
massivo em treinamento e processos);
• capacidade de investimento.
2.2.2. Números atuais da empresa
A Contax é uma empresa do grupo Telemar, atuando no mercado de contact centers. No
Brasil, atualmente, é a empresa de maior crescimento nessa indústria, tendo crescido quase
60% em 2005 (com um faturamento de R$ 1.129 milhões). Segundo (OUTSOURCING,
2005), é a maior empresa do ramo em número de posições de atendimento, e a segunda maior
em termos de faturamento e número de funcionários, dentro do território nacional.
De acordo com (CONTAX, 2006), ela faz mais de 100 milhões de contatos por mês, através
de telefone, correio, e-mail, torpedos, Internet e chat, e conta com mais de 22 mil posições de
atendimento e quase 50 mil funcionários distribuídos em 16 centrais por 7 estados brasileiros,
além do Distrito Federal: Bahia, Pernambuco, Ceará, Rio Grande do Sul, Minas Gerais, Rio
de Janeiro, São Paulo (compondo o mais moderno complexo de contact centers da América
Latina, na capital). Ela está presente nas capitais, e em Niterói (RJ) e Nova Lima (MG).
2.2.3. Produtos e clientes da empresa
Esta abrangência geográfica permite um atendimento regionalizado, que garante a entrega de
soluções personalizadas para seus clientes. Com este foco na customização, a Contax
desenvolveu e implementou um abrangente leque de soluções e serviços completos de
atendimento, que vai desde o primeiro contato até a integração com sistemas de logística das
empresas, incluindo: SAC, help desk, telemarketing ativo e receptivo, pesquisa de mercado,
retenção, contact center para contingências, serviços de cobrança e Internet call center.
Assim, mais do que uma prestadora de serviços de contact center, a Contax atua como
consultora (e co-gestora) de seus clientes para identificar a melhor solução de relacionamento
com os seus próprios consumidores. (CONTAX, 2006)
A diversidade dos clientes está presente também no quesito forma de faturamento. Eles
podem ser cobrados de três maneiras distintas, a critério do próprio cliente:
28
• speaking time – faturamento baseado nos minutos falados pelos atendentes: volume de
chamadas multiplicado pelo TMA e pelo preço do minuto falado;
• por posição de atendimento (PA) – faturamento baseado na quantidade média de PAs
(que podem ser completas, incluir apenas a mão-de-obra ou apenas a infra-estrutura)
ocupadas no horário mais movimentado dos dias úteis do mês;
• por resultado – faturamento baseado na efetividade do trabalho dos atendentes
(quantidade de dívidas recuperadas por um call center de cobranças, por exemplo).
O formato mais comum na empresa é o segundo, preferido pelos menores clientes da Contax.
O primeiro formato é o mais utilizado pelos maiores clientes. O terceiro formato é aplicado,
normalmente, a clientes que contratam a operação de um call center do tipo outbound.
Os clientes costumam exigir – através do Service Level Agreement (SLA) – um percentual
mínimo de ligações a serem atendidas dentro de uma quantidade pré-determinada de tempo.
Estas metas são estabelecidas em conjunto (por exemplo: 95% das ligações devem ser
atendidas em até 15 segundos) e a Contax é penalizada no seu faturamento em caso de falhas
no seu cumprimento. Vale destacar que este percentual é conhecido internamente como “nível
de serviço”. No caso do formato de faturamento por speaking time, é comum o tempo médio
de atendimento fazer parte do SLA (não podendo ser superior a 3 minutos, por exemplo).
A Contax é uma empresa de capital 100% nacional e hoje opera com mais de 40 clientes (a
maioria líder de mercado ou com atuação destacada em seu segmento), como: Nossa Caixa,
Grupo Unibanco, Grupo Banco do Brasil, Citibank, Bradesco, HSBC, Caixa Econômica
Federal, ASB Financeira, Hipercard, Losango, Itaucard, GE, Banco Real ABN AMRO,
Finasa, Sul América Capitalização, Xerox, Cemig, NET, Ticket, Coelba, TecBan,
Pernambucanas, UOL, Terra, Correios, Oi, IG, entre outros. (CONTAX, 2006)
Seu principal cliente é a própria Telemar (que responde por aproximadamente 60% do
faturamento), sendo que os principais produtos estão relacionados e descritos a seguir:
• 102 – que recebe ligações dos clientes que buscam auxílio à lista telefônica;
• Velox – que engloba o suporte técnico e o help desk para os clientes do serviço de
Internet de banda larga da Telemar;
29
• 103 – que abrange clientes que buscam serviços relacionados à telefonia fixa, como
mudança de endereço de cobrança e dúvidas ou problemas com a conta telefônica;
• Suporte técnico e reparo de defeitos da Telemar – cuja entrada do cliente acontece via
103 (o que é melhor para ele, que disca um único número para qualquer tipo de
atendimento), sendo este desviado para a central apropriada através da URA de voz,
não causando, assim, impacto nem congestionamento das filas do produto 103;
• OI – que abrange todo o atendimento para os clientes dos serviços de telefonia móvel
da Telemar.
A companhia tem como missão ser a primeira escolha para construir relacionamentos entre
empresas e pessoas, visando fazer com que o contact center passe de centro de custos para
centro de lucros de seus clientes. Este é o principal motivo para a empresa já ter recebido
diversos prêmios em relação a aspectos como atendimento, comunicação, tecnologia e
qualidade.
Esta busca pela satisfação do cliente, no entanto, ainda é realizada de forma ineficiente, na
opinião da equipe de operação da empresa, que admite que os custos para atingir tal status
frente aos clientes ainda estão altos, apresentando grande potencial de redução. Tal
constatação posiciona a empresa no quadrante superior esquerdo (efetivo, mas ineficiente) da
matriz de dimensões no atendimento ao cliente de call center (apresentado anteriormente na
figura 1), clamando por melhorias operacionais capazes de fazer a posição da empresa mudar
para o quadrante superior direito da mesma figura (efetivo e eficiente).
30
3. Referencial teórico
3.1. Métodos de previsão de demanda
Uma grande ênfase tem sido dada à melhoria do processo de tomada de decisão em
organizações governamentais e empresariais. Por causa do ambiente fortemente competitivo,
tornou-se objetivo básico alocar de maneira otimizada o pouco tempo disponível entre
atividades concorrentes. Esse objetivo pode ser alcançado, em parte, por meio da previsão
precisa. Nos anos 70, os administradores tomavam suas decisões baseando-se fortemente em
seus próprios sentimentos e intuições sobre a indústria e a economia. Hoje eles estão
complementando esse “sentimento” em relação à indústria ou à economia com a utilização de
técnicas de previsão simples e sofisticadas. A difusão do uso de microcomputadores continua
a reforçar essa tendência. (HANKE, 1992)
Em um ambiente organizacional em contínua transformação, o que se procura é reduzir
incertezas. Os gestores demandam informações que os auxiliem a escolher, hoje, as que
parecem ser as melhores alternativas sobre eventos que ocorrerão no futuro. Permitir a
antecipação de cenários futuros é a proposta dos modelos de previsão. (CORRAR &
THEÓPHILO, 2004)
Uma vez que as condições econômicas e de negócios variam ao longo do tempo, os gerentes
de negócios precisam encontrar maneiras de se manter a par dos efeitos que essas mudanças
terão em suas operações. Uma técnica que eles podem empregar, como forma de ajuda ao
planejamento de necessidades operacionais futuras, é a previsão. Embora seja grande o
número de métodos de previsão disponíveis, todos têm um objetivo em comum – fazer
previsões sobre eventos futuros, de modo que essas projeções possam ser incorporadas ao
processo de tomada de decisão. (LEVINE, BERENSON & STEPHAN, 2000)
Levine, Berenson e Stephan (2000) dizem que existem, basicamente, dois tipos de métodos de
previsão: o qualitativo e o quantitativo. O primeiro tipo é especialmente importante quando
dados históricos não estão disponíveis, mas é visto como altamente subjetivo e passível de
avaliação.
Já os métodos quantitativos podem ser subdivididos em dois tipos: de série temporal e de
série causal. O segundo tipo – dentro do qual a regressão múltipla consiste em um exemplo
31
clássico – envolve a determinação de fatores que se relacionam com a variável a ser prevista.
Os métodos de previsão de uma série temporal – que é um conjunto de dados numéricos
obtidos durante períodos regulares ao longo do tempo – envolve a projeção de valores futuros
de uma variável, com base, inteiramente, em observações do presente e do passado dessa
variável.
Em qualquer dos tipos, um interessante indicador capaz de mensurar a magnitude do erro de
previsão incorrido pelo método é o Erro Médio Percentual Absoluto (MAPE). Ele consiste na
média dos módulos dos erros percentuais de previsão, sendo estes últimos obtidos para cada
valor previsto através da fórmula EP (erro percentual) = (valor previsto – valor real) / (valor
real). (HANKE, 1992)
3.1.1. Séries temporais
A principal característica de uma série temporal, que a torna distinta de uma amostra aleatória
simples, é a vinculação das observações com o fator tempo. (CORRAR & THEÓPHILO,
2004)
Silver (2000) justifica a importância dos métodos de previsão para séries temporais dizendo
que, em muitas análises feitas nas ciências econômicas e administrativas, existe interesse
particular em saber como uma variável se comporta ao longo de tempo.
O pressuposto básico da análise dessas séries, segundo Levine, Berenson e Stephan (2000), é
que os fatores que influenciaram padrões da atividade no passado e no presente continuarão a
fazê-lo, mais ou menos da mesma maneira, no futuro.
Por isso, Smailes e McGrane (2002) alertam que se deve tomar cuidado ao prever o futuro
com estes modelos, já que o que está sendo realizado é uma extrapolação.
Hanke (1992) sugere uma estratégia típica para avaliar os métodos de previsão, envolvendo as
seguintes etapas:
1. Um método de previsão é escolhido baseando-se na intuição do analista sobre o
padrão dos dados.
2. O conjunto de dados é dividido em duas seções – uma parte para inicialização e
outra para teste.
32
3. A técnica de previsão escolhida é usada para desenvolver parâmetros ajustados à
parte de inicialização dos dados.
4. A técnica é usada para prever a parte de teste dos dados, sendo o erro de previsão
calculado e avaliado.
5. Uma decisão é tomada: empregar a técnica em sua forma atual, modificá-la, ou
calcular uma nova previsão usando outra técnica (a comparação deve ser sempre
baseada nos resultados alcançados, em termos do erro de previsão).
Já Levine, Berenson e Stephan (2000) oferecem três métodos como linhas mestras para a
seleção do modelo a ser utilizado:
1. Fazer uma análise de resíduos, que consistem na diferença entre os dados observados
e os dados ajustados. Se o modelo em questão se ajustar adequadamente, os resíduos
representarão o componente irregular da série temporal e devem, portanto, ser
distribuídos aleatoriamente ao longo da série; se ele não se ajustar adequadamente, os
resíduos poderão demonstrar um padrão sistemático, deixando de levar em conta, por
exemplo, uma tendência ou variação sazonal;
2. Mensurar a magnitude do erro residual. Se, depois da análise de resíduos, dois ou mais
modelos parecerem adequados, a média aritmética dos desvios (ou resíduos; ou ainda
erros de previsão) absolutos deve ser calculada para os modelos candidatos e aquele
com a menor dessas médias pode ser selecionado como o mais apropriado;
3. Utilizar o princípio da parcimônia. Se, depois dos dois passos anteriores, dois ou mais
modelos parecerem adequados, deve ser selecionado o modelo mais simples que
execute a tarefa satisfatoriamente.
Silver (2000) também depõe a favor da parcimônia: “Com relação aos modelos (...), sabe-se
que os mais simples (...) são tão bons como os mais complexos (...) e têm a vantagem de
serem mais fáceis de entender; isso torna provável que os gerentes possam ajustar os
resultados para fatores não incluídos no modelo, porque eles sabem o que estão fazendo.”
O autor afirma que, como princípio, para que o uso seja adequado, é crítico o conhecimento
das pressuposições implícitas nos modelos. Pode então ser usado o julgamento, para ajustar o
modelo aos fatores não incluídos e para avaliar o efeito de quaisquer pressuposições que o
33
método, aparentemente, não atinja. Os modelos simples podem ser muito eficientes, desde
que incorporem, adequadamente, o que deve ser medido e deixem o usuário ajustar a
precisão, de acordo com o próprio julgamento. Na escolha dos métodos, devem ser
considerados: a finalidade da previsão, até quando ela será feita, a relação número-custo das
previsões necessárias, o conhecimento dos analistas e usuários, a periodicidade, a
compatibilidade com o sistema de planejamento existente, as propriedades estatísticas das
séries e o número de observações passadas.
Levine, Berenson e Stephan (2000) falam da importância do monitoramento, de modo
apropriado, do modelo de previsão, uma vez que ele for selecionado; afinal, o objetivo do
processo de seleção é escolher um modelo que seja capaz de projetar ou prever futuros
movimentos em um conjunto de dados da série temporal. Mas, infelizmente, tais modelos de
previsão geralmente são precários no que diz respeito a detectar alterações na estrutura básica
da série temporal. É importante que essas projeções sejam examinadas e, tão logo um novo
dado seja observado em algum período futuro de tempo, ele deve ser comparado com a sua
projeção. Se a diferença for muito grande, o modelo de previsão deve ser revisado.
Os métodos de previsão de séries temporais mais utilizados na literatura são:
1. Amortecimento exponencial simples
2. Método de Holt (amortecimento exponencial ajustado pela tendência)
3. Modelo de Winter (amortecimento exponencial ajustado pela tendência e pela
variação sazonal)
4. Regressão linear simples
5. Regressão quadrática
6. Regressão exponencial
Hanke (1992) e Silver (2000) fornecem uma descrição aprofundada do primeiro método da
lista. A primeira destas referências também apresenta detalhadamente os métodos 2 e 3,
enquanto Levine, Berenson e Stephan (2000) visitam a fundo os 3 últimos métodos da lista.
34
3.1.2. Séries causais
O método mais recorrente na literatura, dentre os integrantes da família dos métodos de série
causal, é o da regressão linear múltipla, que – pelo fato de ter sido utilizado para a resolução
de um dos principais problemas levantados na empresa estudada – será apresentado a seguir.
3.1.2.1. Regressão linear múltipla
Em geral, se a variável a ser predita está fortemente correlacionada com outras variáveis que
estão sujeitas a grandes variações, um modelo multivariado é necessário. (SILVER, 2000)
Levine, Berenson e Stephan (2000) colocam que um modelo de regressão linear múltipla
permite prever o comportamento de uma variável (dependente), Ŷ, em função do
comportamento de n outras (independentes), X
1
, X
2
, ... , X
n
, através da equação:
Ŷ
i
= b
0
+ b
1
X
1i
+ b
2
X
2i
+ ... + b
n
X
ni
,
onde b
0
é a interseção, b
1
é a taxa de crescimento da variável Y por unidade da variável X
1
, ...
, b
n
é a taxa de crescimento da variável Y por unidade da variável X
n
.
Estes coeficientes podem ser obtidos facilmente em programas de computador, como o Excel,
através do método dos mínimos quadrados. Para prever o valor da variável dependente Y em
função dos valores das variáveis explicativas X
1
, X
2
, ... , X
n
, basta resolver a equação acima.
(LEVINE, BERENSON & STEPHAN, 2000)
Segundo Lapponi (2005), o coeficiente de determinação ajustado (ou R-quadrado ajustado)
representa a medida de qualidade para os modelos de regressão linear múltipla. Enquanto o
coeficiente de determinação (R-quadrado) consiste no percentual de variação explicado pelo
modelo, o seu valor ajustado tenta compensar o aumento natural de explicação provocado
pelo aumento do número de variáveis independentes – que ocorre no caso da regressão
múltipla – e do tamanho da amostra.
Ainda de acordo com o autor, outro indicador muito importante é o valor F, que testa a
hipótese de que nenhum dos coeficientes da regressão tenha significado. Adicionalmente, o
valor F de significação consiste no p-value do teste; em outras palavras, na probabilidade de
ocorrer um alinhamento linear tão bom quanto o que efetivamente ocorreu, sem que as
variáveis independentes estejam efetivamente influenciando o comportamento da variável
35
dependente. Assim, se este valor for menor que o nível de significância desejado, haverá
evidências de que a regressão deverá ser aceita.
Individualmente, cada variável independente também pode (e deve) ser submetida a um teste
de hipóteses para verificar a sua representatividade. A hipótese a ser testada é a de que o
coeficiente angular da variável independente em questão é zero; ou seja, de que a variável não
funciona como bom explicador linear para a variável dependente (já que esta não estaria
dependendo da suposta variável explicativa). O p-value de cada variável traduz a
probabilidade do coeficiente em questão assumir o valor nulo e hipótese de não
representatividade de cada variável independente deve ser rejeitada quando o seu p-value for
baixo, ou menor do que o nível de significância estabelecido para o teste.
De acordo com Silver (2000), pode-se incorporar sazonalidade (ou outros fenômenos que
alterem o padrão temporal de uma série, como feriados, promoções etc.) ao modelo de
regressão por meio de “variáveis binárias”.
Também conhecidas como “variáveis simbólicas” ou “variáveis dummy” segundo Levine,
Berenson e Stephan (2000), elas são úteis quando não se verifica o pressuposto das variáveis
explicativas (independentes) serem numéricas. Existem muitas situações em que variáveis
categorizadas precisam ser incluídas no processo de desenvolvimento do modelo. Por
exemplo, o fato de um dia consistir ou não em um feriado poderia ser representado por uma
variável simbólica, Fer, que utilizaria os valores 0 e 1 para indicar as duas categorias às quais
um dia poderia pertencer: comum ou feriado, respectivamente. A variável Fer seria tratada
como qualquer outra na regressão múltipla, podendo, no entanto, assumir apenas esses dois
valores (0 ou 1). O valor do coeficiente encontrado para essa variável indicaria o efeito
incremental (na variável dependente) resultante do fato de o dia ser um feriado.
3.2. Previsão de demanda de call centers
Os supervisores dos call centers precisam dimensionar eficientemente as suas equipes para
fornecer satisfatórios níveis de serviço a custos razoáveis. A administração apropriada das
centrais requer a estimação de algumas premissas operacionais capazes de determinar níveis
apropriados de tamanho da equipe; entre estas premissas, destaca-se a demanda prevista de
ligações de clientes, questão que deve ser abordada regularmente. (WEINBERG, BROWN e
STROUD, 2006; KLUNGLE & MALUCHNIK, 1997)
36
De acordo com Shen e Huang (2005b), Gans, Koole e Mandelbaum (2003) e Klungle e
Maluchnik (1997), o gerenciamento efetivo e eficiente da operação de um call center –
mantendo um nível de serviço consistente – requer um encaixe entre os recursos internos e a
carga de trabalho. Para prever esta última de forma acurada, o primeiro – e mais crítico –
passo é conseguir uma previsão acurada dos volumes futuros de ligações (ainda mais
importante nas centrais com altos níveis de utilização). Usualmente, dois tipos de previsão são
necessários para o gerente de um call center conseguir dimensionar e planejar os horários da
sua equipe:
• Prever os volumes de ligações alguns dias e semanas à frente;
• Atualizar dinamicamente a previsão, em um dia particular, usando novas informações
disponíveis à medida que chamadas adicionais chegam à central ao longo do dia. Isto
é útil porque gera flexibilidade para a alocação dos recursos disponíveis, acarretando
uma maior eficiência e produtividade. Ao reavaliar a previsão para o restante do dia, o
gerente pode marcar reuniões ou sessões de treinamento para os atendentes que
ficaram repentinamente sem trabalho, ou chamar para o trabalho agentes de backup.
Matan e Nourbakhsh (1998) dizem que, para criar previsões acuradas dos volumes futuros de
chamadas, os gerentes dos call centers precisam juntar informações de várias fontes, desde
previsões do mercado até a duração dos intervalos comerciais. No entanto, parte das
informações mais importantes vem das estatísticas de volume histórico de chamadas que,
usualmente, podem ser ajustadas para as tendências atuais ou esperadas.
Os autores alertam para a necessidade de essas estatísticas serem acuradas. Um erro comum é
usar a grandeza “chamadas atendidas” como medida do volume de ligações passadas; mas
esta grandeza consiste apenas das chamadas atendidas com sucesso pelos agentes, ignorando
as chamadas abandonadas. O correto seria considerar o total de chamadas realizadas,
caracterizando a demanda de ligações.
Os modelos de séries temporais têm se constituído no método mais popular para o tratamento
da previsão de chamadas telefônicas, segundo Mehrotra (1997). As chamadas são previstas,
baseando-se no histórico de dados, mas levando também em consideração o dia da semana e
os fatores relativos ao mês do ano. Além disso, outros formatos de modelos de previsão foram
aplicados em alguns ambientes de call center, com sucesso, como, por exemplo:
37
• centrais de vendas baseando sua previsão de chamadas nas remessas de produtos
recebidas e nas propagandas para os clientes;
• centrais responsáveis pelo suporte de softwares baseando sua previsão no número de
vendas e upgrades de produtos;
• centros de reservas usando modelos de previsão que refletem o impacto de uma guerra
de preços.
Segundo Shen e Huang (2005b), abordagens quantitativas para previsão de chegada de
chamadas fazem uso dos dados históricos de chegada, que armazenam os momentos no tempo
em que ligações chegaram à central. Normalmente, estes dados são agregados em números
totais de chegadas durante pequenos intervalos de tempo, como 15 ou 30 minutos;
subseqüentemente, o alvo da previsão consiste nos volumes de chamadas atingindo o call
center durante tais períodos.
A atividade de previsão é inerentemente difícil no caso dos call centers por causa do pequeno
tamanho dos “blocos de tempo”. Técnicas de previsão estabelecidas (como o amortecimento
exponencial de Winters e a regressão) são úteis para este tipo de negócio. Geralmente, usar
uma abordagem de previsão apropriada irá cortar pela metade os erros de previsão. No
entanto, muitos call centers encontram dificuldades nesse processo por conta do
conhecimento técnico necessário para adequar estas técnicas aos complexos padrões de
chamadas e ao aspecto “desarrumado” dos dados. É necessário lidar com picos de demanda (e
a perda de clientes oriunda deste fenômeno – tanto por abandono quanto por insucesso no ato
de completar a chamada) e lacunas de demanda, que podem ocorrer randomicamente e/ou
com magnitudes diferentes a cada momento. (GROSSMAN et al, 2001).
Betts, Meadows e Walley (2000) acrescentam que os call centers freqüentemente
experimentam grandes flutuações na demanda ao longo de períodos de tempo relativamente
curtos. Adicionalmente, muitas centrais também precisam manter baixos os tempos de
resposta à demanda. Apesar de existir uma forte associação entre as medidas de performance
e a abordagem de previsão, nenhum método aparenta ser consistentemente mais efetivo. Os
autores deixam clara a importância da acurácia na previsão dizendo que esta tem significativa
influência sobre a performance da central, incluindo o grau de sucesso no atendimento das
chamadas.
38
O propósito da previsão é estimar a carga de trabalho de forma a que se possa obter o
tamanho certo da equipe para lidar com ela. E existem muitas situações no ambiente de call
center que requerem uma previsão. O cenário mais comum consiste nas operações normais do
dia-a-dia. Mas uma previsão pode ser necessária para situações especiais, como: o
planejamento de novos tipos de chamadas; a abertura de um novo centro; uma fusão ou
aquisição; uma mudança no horário de operação; a implementação de uma nova tecnologia
capaz de afetar o volume ou o padrão das chamadas. Qual for a razão, é importante entender
os princípios básicos da previsão da carga de trabalho e como aplicá-los de forma a planejar
acuradamente os recursos da central de atendimento. (REYNOLDS, 2005)
A previsão do volume de chamadas é um importante aspecto das operações em call centers,
sendo necessária para previsão de carga de trabalho, alocação de mão-de-obra e planejamento
de capacidade. Existem algumas regularidades dentro dos dados de chegada das chamadas,
como a dependência entre os dias (correlação entre os volumes de dias consecutivos e
possíveis ciclos semanais, mensais, sazonais e até anuais nos volumes de ligações) e a
dependência intradiária (correlação entre chegadas em diferentes períodos de tempo – manhã,
tarde ou noite – dentro do mesmo dia). (SHEN & HUANG, 2005a)
Na opinião dos autores, bons modelos de previsão devem capturar pelo menos uma das duas
estruturas de dependência ou até mesmo as duas, conforme alguns exemplos existentes na
literatura, incluindo o trabalho em questão, dos próprios.
Os mesmo autores contam, em outro artigo (2005b), que os primeiros trabalhos que previam
chegadas de chamadas usualmente ignoravam essa dependência intradiária, devido – em parte
– à carência de informações relevantes. A partir da virada do século, com a disponibilidade de
informações chamada-por-chamada e, impulsionados por uma crescente necessidade de um
gerenciamento mais eficiente de call centers, alguns modelos estocásticos de chegadas de
chamadas que levam em conta a dependência intradiária foram introduzidos. Métodos
bayesianos e outros que consideram o efeito do dia da semana, assim como a atualização da
previsão intradiária, também apareceram na literatura.
Wise (2005) lembra que o propósito real do processo de previsão é predizer quantos agentes
são necessários para lidar com o volume de chamadas. Para produzir uma previsão acurada,
os sistemas de gerenciamento da força de trabalho têm que considerar tanto o que aconteceu
no passado quanto o que é esperado que aconteça no futuro.
39
Segundo a autora, todos estes sistemas podem produzir previsões básicas; o problema é que a
maioria dos contact centers atuais precisam mais do que a funcionalidade básica para prever
acuradamente a demanda de ligações para múltiplas centrais, estratégias de roteamento
complexas, agentes com múltiplas habilidades e contatos multimídia. Os sistemas de
gerenciamento que não conseguem levar em consideração as nuances dos ambientes
específicos não são capazes de fornecer previsões acuradas, embaçando a visibilidade das
necessidades de agentes e diminuindo a efetividade do negócio.
A mesma, então, relaciona as diferenças entre a funcionalidade de previsão de um sistema
básico e a de um sistema mais avançado:
• sistemas básicos oferecem funcionalidade para planejamento apenas do volume de
chamadas recebidas, enquanto os sistemas avançados fornecem funcionalidade para
planejar contatos não abandonados, como e-mail e requisições pela Internet;
• sistemas básicos de previsão utilizam um único tempo médio de atendimento para o
dia inteiro, enquanto os sistemas avançados entendem que os valores reais do tempo
de atendimento afetam os cálculos de necessidades tanto quanto o volume de contatos
e consideram os valores dessa grandeza a cada intervalo de tempo;
• sistemas básicos só conseguem prever ambientes com múltiplas centrais tratando-as
como uma grande entidade ou como entidades distintas, enquanto os sistemas
avançados são capazes de fornecer o melhor dos dois mundos: prever todas as
localidades em conjunto para levar em consideração ganhos de escala, enquanto
consideram tempos de atendimento, horas de operação e fusos horários próprios de
cada central, acarretando uma visibilidade para as previsões tanto do ponto de vista
global como local;
• sistemas básicos têm desafios significativos para prever acuradamente a demanda em
ambientes com múltiplas habilidades, enquanto sistemas avançados entendem que,
para determinar necessidades em tais ambientes, é necessário considerar durante que
percentual de tempo cada agente pode estar disponível para os contatos com os quais
ele está habilitado a lidar.
O processo de previsão consiste tanto em arte quanto em ciência. Em arte porque o futuro,
afinal de contas, está sendo previsto; e a acurácia da previsão vai depender em parte do
40
julgamento e da experiência de quem estiver conduzindo o processo. Mas também em ciência:
um processo matemático passo-a-passo que utiliza a história passada para prever eventos
futuros. Um entendimento destas técnicas estatísticas especializadas é necessário para o
processo ser bem feito. Os administradores que possuem softwares de gerenciamento de força
de trabalho que automatizam o processo de previsão não podem pensar que isso apenas é
suficiente; entender estes cálculos é tão crítico quanto possuir o software: não só para
verificar a acurácia dos resultados como também, e talvez de forma mais importante, para
explicar os números para a gerência. Ou seja, mesmo tendo as ferramentas, vale a pena
entender os fundamentos do processo de previsão. (REYNOLDS, 2005)
Por isso, Hawkins et al (2001) dizem que os gerentes, supervisores e líderes de equipes dos
call centers precisam receber – antes da central ser aberta e depois da sua completa
implementação, de forma continuada – treinamentos específicos em diversas áreas, incluindo
previsão da carga de trabalho e planejamento de horários da mão-de-obra.
Steckley, Henderson e Mehrotra (2006) afirmam que um dos objetivos dos gerentes das
centrais de atendimento é identificar a quantidade mínima de agentes para atingir um bom
nível de serviço. Mas essa tarefa não é fácil, em parte por causa dos erros no processo de
previsão do volume de chamadas, que podem impactar na performance da atividade de
planejamento.
Os autores seguem dizendo que muitas vezes é necessário aumentar a quantidade de
atendentes para poder lidar com a hipótese da demanda ter sido subestimada devido a um erro
de previsão. Se essa demanda por mais atendentes for emergencial, o reforço de contingente
pode ter que ser conseguido através da terceirização de parte da mão-de-obra. Por tudo isso, é
preciso identificar boas medidas para esses erros.
Para tal, Shen e Huang (2005b) dizem que é preciso conduzir um exercício de previsão com
dados de fora da amostra (que serviu de base para a elaboração do modelo a ter seus erros
mensurados). Duas medidas são usadas para estimar e comparar performances de previsão:
• o erro absoluto, que consiste no módulo da diferença entre os valores real e previsto
para um determinado momento do tempo;
• e o erro relativo, normalmente apresentado na forma percentual, que consiste no erro
absoluto dividido pelo valor real em um determinado momento do tempo.
41
Os autores enfatizam que essas duas medidas devem ser calculadas para cada dia e cada
período de tempo; e definem algumas medidas capazes de sumarizar a performance global do
processo de previsão, ao longo de vários períodos de tempo:
• o erro médio absoluto, que consiste na média dos erros absolutos de todos os
momentos no tempo considerados no período de avaliação;
• o erro médio relativo, que consiste na média dos erros relativos de todos os momentos
no tempo considerados no período de avaliação;
• a raiz do erro quadrático médio, que consiste na raiz quadrada da média dos erros
absolutos (de todos os momentos no tempo considerados no período de avaliação)
elevados ao quadrado.
A respeito da sua funcionalidade, uma previsão precisa – para ser completa – incluir não
apenas o volume de ligações, mas também a grandeza tempo de atendimento. Para calcular a
carga de trabalho e prever o tamanho da equipe e os planos de horários posteriormente, é
necessária uma fotografia da carga de trabalho, que consiste no número de chamadas
multiplicado pelo tempo médio de atendimento. (REYNOLDS, 2005)
O tempo médio de atendimento é um dos alvos atacados pelo método proposto por Shen e
Brown (2005) para inferir acerca das curvas de regressões não-paramétricas, quando os erros
seguem uma distribuição lognormal. O método é aplicado – entre outros propósitos – para
modelar o padrão (dependente do tempo) do tempo médio de atendimento das chamadas de
clientes recebidas no call center de um banco israelense.
Os autores mostram que os tempos de atendimento seguem uma distribuição lognormal e,
então, modelam os mesmos por meio de uma função não-paramétrica dependente da hora do
dia. O entendimento de tal comportamento variável destes tempos é essencial para
compreender o ambiente operacional (dependente do tempo) de um sistema, e também para
prever dinamicamente a sua carga de trabalho futura.
Reynolds (2005) sugere um processo de 4 passos para a realização de uma previsão de
demanda (também válido para a grandeza tempo de atendimento) em um call center:
42
1. Analisar e ajustar a informação histórica – A chave para lidar com aberrações nos
dados é primeiramente determinar as razões devido às quais elas ocorreram. Se for um
incidente isolado, ou até que possa ocorrer novamente, mas cujo momento de
ocorrência seja difícil de prever (como uma tempestade), é necessário normalizar os
números para cima ou para baixo de forma a refletir volumes realistas; mas se for um
evento que se repete, de forma previsível, os números precisam ser mantidos para que
a previsão reflita o evento no futuro;
2. Prever as chamadas mensais – Para transformar os dados brutos em previsões para
meses futuros, algumas abordagens estão disponíveis, como: estimação pontual, média
simples, média ponderada, média móvel, amortecimento exponencial e séries
temporais (incluindo análise de tendência e de sazonalidade);
3. Criar previsões diárias e para períodos de meia-hora – Para detalhar a previsão mensal
em um escopo diário, é preciso calcular os fatores dos dias da semana – que podem
apresentar sazonalidade – de forma a saber que percentual da carga de trabalho da
semana cada dia representa. Depois é necessário repetir o processo para os padrões
dos períodos do dia, para que sejam conhecidos os picos, vales e períodos médios em
termos de volumes de ligações. É possível que seja preciso explicitar essa
sazonalidade intradiária para cada um dos dias da semana.
4. Ajustar a previsão devido a outras influências do negócio – É preciso incorporar na
previsão – com a devida antecedência – o efeito no volume de ligações que outras
áreas da empresa são capazes de empreender como, por exemplo: o setor de
Marketing, cujas decisões a respeito de vendas e promoções impactam tremendamente
a demanda; o setor de Faturamento, que pode utilizar um novo formato de cobrança; o
setor de Vendas, que pode conseguir novas contas de clientes; o setor de Logística,
que pode mudar a embalagem e forma de envio dos produtos. Por tudo isso, é crítico
que seja mantida uma comunicação regular com esses setores com potencial impacto
sobre o volume e tempo de atendimento das chamadas.
A respeito dos picos de demanda, Hawkins et al (2001) afirmam que um número de situações
pode ocorrer para causar a sua existência, e todas elas devem ser consideradas durante o
desenvolvimento dos modelos de previsão. Os picos sazonais podem ocorrer em horizontes
horários, diários, semanais, mensais e anuais e – para que o dimensionamento do sistema seja
43
feito de forma apropriada – os momentos em que e a magnitude com que eles ocorrem devem
ser bem investigados ao longo de um período específico de tempo (pelo menos 1 ano).
Empresas que falham no planejamento dos picos e flutuações do volume de chamadas correm
o risco de fornecer serviço inadequado e alienar clientes leais. Por isso, algumas empresas
monitoram esse volume – para cada cliente – em tempo real e comparam com dados
históricos. Isso permite que os gerentes saibam imediatamente se o volume de chamadas está
excedendo a previsão e, se for o caso, reajam rapidamente aumentando a oferta de atendentes
(ou, em caso contrário, mandando para casa agentes voluntários que queiram encerrar mais
cedo o expediente). (ALEXANDER COMMUNICATIONS GROUP INC, 2005)
Shen e Huang (2005b) desenvolveram métodos para previsões dia-a-dia e intradiária
(dinâmica) do volume de chamadas entrantes. A abordagem consiste em tratar os perfis
intradiários de volume de chamadas como vetores multidimensionais de séries temporais.
A abordagem dos autores realiza inicialmente a redução da dimensionalidade através da
Decomposição em Valores Singulares (SVD) da matriz de perfis intradiários históricos; e
então aplica técnicas de séries temporais e de regressão. Tanto a dinâmica dia-a-dia quanto os
padrões intradiários das chegadas de chamadas são levados em consideração pela abordagem.
Os métodos propostos pelos autores foram aplicados a um conjunto real de informações e
mostraram melhorias substanciais em relação aos padrões existentes na indústria, em uma
comparação com dados de fora da amostra utilizada para a elaboração dos modelos; além
disso, são computacionalmente rápidos e, portanto, viáveis para uso em uma previsão
dinâmica em tempo real.
Weinberg, Brown e Stroud (2006) propõem, em seu artigo, um modelo multiplicativo para
prever taxas intradiárias de chegadas de chamadas ao call center de um banco comercial
norte-americano. Métodos de amostragem de Monte Carlo para cadeias markovianas foram
usados para estimar os estados latentes e os parâmetros do modelo; e um algoritmo seqüencial
de Monte Carlo foi proposto para uma estimação e previsão dos parâmetros e taxas do
modelo.
Adicionalmente, qualquer conhecimento anterior baseado em experiência passada do gerente
pode ser incorporado ao modelo, assim como componentes observados somente a posteriori.
Comparando as previsões (para o dia seguinte) fornecidas pelo modelo dos autores e por
44
modelos estatísticos clássicos, eles puderam perceber melhorias de até 25% por parte do seu
modelo em relação aos padrões.
Shen e Huang (2005a) ilustram o uso da Decomposição em Valores Singulares (SVD) para
visualização de informações, detecção de outliers (pontos que fogem do padrão) e redução de
dados (implicando em uma representação parcimoniosa dos dados originais sem perda de
muita informação) em um ambiente de call center. O trabalho descreve como os dados
reduzidos podem ser usados para algumas análises estatísticas formais adicionais, incluindo o
desenvolvimento de um modelo de previsão para o volume de chamadas.
Nele, os autores exploram um exemplo real, com dados coletados em um call center (do tipo
inbound) de uma organização financeira norte-americana de grande porte. A SVD sugere que
o volume diário de ligações e o padrão de chegadas diárias são dois componentes-chave, que
são, então, usados para a construção de um modelo multiplicativo de previsão de curto prazo
para o volume de ligações, contendo uma estrutura auto-regressiva de séries temporais que
depende do dia da semana.
Os seguintes artigos também citam, descrevem, discutem e questionam a aplicação das
técnicas de previsão de demanda em ambientes de call centers, merecendo destaque:
BIANCHI, JARRET & HANUMARA (1998); ANDREWS & CUNNINGHAM (1995);
BIANCHI, JARRET & HANUMARA (1993).
3.3. Teoria de filas
Dentro da ciência da administração, o termo Teoria de Filas consiste no corpo de
conhecimento que lida com filas de espera. A teoria de filas foi concebida no início do século
XX quando o engenheiro de telefonia dinamarquês A. K. Erlang começou a estudar o
congestionamento e os tempos de espera que ocorriam no momento em que as ligações
telefônicas eram completadas. Desde então, inúmeros modelos quantitativos têm sido
desenvolvidos para ajudar pessoas de negócios a entenderem as filas, preverem seu
comportamento em alguns casos particulares e fazerem melhores decisões acerca de como
gerenciá-las. A teoria de filas é uma das mais antigas e mais bem pesquisadas áreas da ciência
da administração. (RAGSDALE, 2001; BROWN et al, 2002)
45
Segundo Ragsdale (2001), muitos problemas de filas têm como foco determinar o nível de
serviço que uma empresa deveria fornecer. Em muitos deles, a gerência tem algum controle
sobre o nível de serviço fornecido. No entanto, isto pode ser caro, ou de fato um desperdício,
se for mantido um número excessivo de servidores ociosos. Por outro lado, empregar um
número pequeno de servidores mantém baixo o custo de fornecer o serviço, mas resulta em
maiores tempos de espera para os clientes e sua maior insatisfação. Portanto, existe um trade-
off entre o custo de fornecer o serviço e o custo de ter clientes insatisfeitos se o serviço for
escasso.
Porém, de acordo com Hillier e Lieberman (1995), esta decisão normalmente é difícil de ser
tomada, pelo fato de ser freqüentemente impossível prever acuradamente quando os clientes
chegarão em busca do serviço e quanto tempo será necessário para o serviço ser prestado. Os
autores também dizem que a teoria de filas, por si só, não resolve esse tipo de problema
diretamente, ou seja, ela não busca atingir a meta de otimização na tomada de decisão; porém,
ela contribui com informações vitais para estas decisões através da previsão de várias
características da fila, como o tempo médio de espera, entre outras, e do comportamento do
sistema. Na verdade, situações de fila que requerem tomada de decisão são encontradas em
uma grande variedade de contextos. Por essa razão, não é possível apresentar um
procedimento de tomada de decisão que seja aplicável a todas estas situações. Em outras
palavras, todo problema individual tem suas próprias características especiais e, portanto,
nenhum procedimento padrão pode ser indicado para se encaixar em todas as situações.
Hillier e Lieberman (1995) descrevem o processo básico assumido pela maior parte dos
modelos de fila: clientes requerendo serviço são gerados ao longo do tempo por uma fonte de
entrada. Estes clientes entram no sistema e se juntam a uma fila. Em certos momentos, um
membro da fila é selecionado por alguma regra conhecida como disciplina da fila. O serviço
requerido é então realizado para o cliente pelo mecanismo de atendimento, após o qual o
cliente deixa o sistema de filas.
Para falar das características dos sistemas de filas, Ragsdale (2001) descreve a taxa de
chegada. Em muitos sistemas de filas, os clientes chegam segundo um padrão randômico, ou
seja, o número de chegadas que ocorrem em um determinado período de tempo consiste em
uma variável aleatória. Normalmente, é apropriado modelar o processo de chegada em um
sistema de filas como uma variável aleatória Poisson. Para usá-la, é necessário especificar um
46
valor para a taxa de chegada, representada por λ, que consiste no número médio de chegadas
dentro de um intervalo de tempo. O tempo entre duas chegadas consecutivas é conhecido
como tempo (ou intervalo) entre chegadas. Se o número de chegadas em um determinado
período de tempo segue uma distribuição Poisson com média λ, pode ser demonstrado que o
tempo entre chegadas segue uma distribuição exponencial com média 1/ λ. Na opinião do
autor, a distribuição exponencial tem um papel chave nos modelos de fila, pois é uma das
poucas distribuições “sem memória”; ou seja, o tempo até a próxima chegada não depende de
quanto tempo se passou desde a última chegada. Segundo ele, a maior parte dos modelos de
fila existentes assumem que as chegadas seguem uma distribuição exponencial.
Ragsdale (2001) apresenta também a taxa de serviço, dizendo que um cliente que chega a uma
instalação de serviço passa uma quantidade de tempo (que pode ser nula) na fila (tempo na
fila). A quantidade de tempo que o cliente gasta depois que o serviço inicia é conhecido como
tempo de atendimento. De acordo com o autor, normalmente, é apropriado modelar este
tempo como uma variável aleatória com formato exponencial. Para tal, uma taxa de serviço,
representada por µ, precisa ser especificada. Ela consiste no número médio de clientes que
podem ser atendidos por unidade de tempo. Nas distribuições exponenciais, pequenos tempos
de atendimento têm mais probabilidade de ocorrência. Na prática, uma quantidade mínima de
tempo é normalmente necessária para um serviço ser prestado. Como a distribuição
exponencial abre possibilidade para essa variável assumir o valor zero (e também valores
baixíssimos), ela tende a subestimar o tempo de atendimento real requerido para boa parte dos
clientes. Esta distribuição também assume que tempos de atendimento altíssimos podem
ocorrer (mesmo que de forma pouco freqüente), superestimando a variável. Na opinião do
autor, os dois fenômenos acabam se compensando, permitindo que a distribuição exponencial
forneça uma descrição razoavelmente acurada do comportamento do tempo de atendimento
em muitos problemas do mundo real. Mas ele mesmo alerta que esta distribuição não consiste
em um modelo adequado para o tempo de atendimento em todas as aplicações.
Ragsdale (2001) diz que, nas situações em que foi possível, pesquisadores desenvolveram
equações para calcular várias características operacionais de modelos de filas específicos.
Estas características operacionais podem ser úteis para os administradores que precisam tomar
decisões acerca do trade-off entre o custo de fornecer o serviço e o custo de ter clientes
insatisfeitos por causa do baixo nível de serviço.
47
Os principais cenários para os quais existem equações desenvolvidas na literatura estão
relacionados a seguir:
• tempo entre chegadas e tempo de atendimento exponenciais, com 1 servidor;
• tempo entre chegadas e tempo de atendimento exponenciais, com mais de 1 servidor;
• tempo entre chegadas e tempo de atendimento exponenciais, com mais de 1 servidor e
tamanho máximo de fila;
• tempo entre chegadas exponencial dependente do número de clientes no sistema
(população finita), tempo de atendimento exponencial, com mais de 1 servidor;
• tempo entre chegadas exponencial, tempo de atendimento seguindo qualquer
distribuição, com 1 servidor.
As equações desenvolvidas para estes cenários consideram a premissa da disciplina da fila ser
FIFO (first in, first out) e podem ser encontradas em Ragsdale (2001).
Mas, segundo Hillier e Lieberman (1995) e Ragsdale (2001), para modelos de filas que fazem
outras suposições (que não as de distribuição exponencial e Erlang), resultados analíticos
úteis têm sido obtidos apenas em poucos casos. De fato, nem todos os modelos de fila têm
equações fechadas para descrever as suas características operacionais.
3.3.1. Teoria de filas aplicada a call centers
Em um sistema de um call center, uma fila acontece quando não existe um agente disponível
para atender um cliente, sendo este colocado em espera em uma fila virtual, da qual ele só sai
quando um operador é alocado para atendê-lo ou quando ele abandona a chamada. Conforme
observado por Brown et al (2002), no caso dos call centers, a fila virtual formada é invisível
entre os clientes (que não vêem uns aos outros) e entre eles e os operadores que os servem.
No cenário de call centers, Araújo, Araújo e Adissi (2004) dizem que as disciplinas das filas,
se bem gerenciadas, são fortes aliadas da área de planejamento e controle da produção dos
call centers, que tem como meta atingir os resultados esperados com recursos, muitas vezes,
escassos, tornando esta área cada vez mais importante nestas empresas. As disciplinas das
48
filas, quando bem administradas, podem trazer reduções significativas nos tempos de espera
dos clientes que por elas passam.
O trabalho dos autores apresenta a bem sucedida experiência da implantação de uma
disciplina de fila – diferente daquelas mais freqüentemente usadas – em uma empresa de
telecomunicações, gerando economia e aumento da satisfação dos clientes por causa de
melhorias no nível de serviço, no percentual de ligações atendidas e no tempo médio de
espera. Para tanto, no lugar de filas simples não-priorizadas, foram feitas priorizações para o
atendimento à demanda, considerando algumas variáveis associadas às ligações (seu tipo e,
conseqüentemente, sua duração esperada). As filas “inteligentes”, então, diferenciaram os
diversos tipos de clientes, segmentando-os de acordo com o seu tipo de dúvida e a sua
criticidade. Dessa forma, dentro de certos limites, clientes com dúvidas mais simples e com
menor tempo esperado de atendimento, foram atendidos anteriormente – na frente de outros
que chegaram antes ao sistema – ocasionando um melhor desempenho global do sistema.
Chassioti e Worthington (2004) descrevem um novo modelo para o gerenciamento das filas
de um call center e apresentam os resultados da sua aplicação, que se revelam ser bem
diferentes daqueles obtidos por modelos mais tradicionais. A abordagem analítica em questão
é de fácil aplicação e oferece interessantes insights para o gerenciamento da atividade.
Algumas características das centrais de atendimento tornam difícil a aplicação de fórmulas
analíticas da teoria de filas para a sua modelagem, incluindo: distribuições genéricas para o
tempo de atendimento, taxas de chegada variando com o tempo, sobrecargas temporárias e
abandonos. O novo modelo apresentado por Chassioti e Worthington (2004) consiste em uma
abordagem prática capaz de incorporar a maioria dessas características.
Segundo Bapat e Pruitte Jr. (1998), as premissas adotadas nas análises baseadas nos modelos
analíticos de teoria das filas são extremamente limitadas quando trabalhadas no contexto atual
dos call centers porque:
• as chamadas recebidas são todas do mesmo tipo;
• a partir do momento em que uma chamada entra em uma fila, ela nunca a abandona –
o que acaba, comumente, superestimando a necessidade de mão-de-obra e aumentado
os custos de pessoal da empresa;
49
• os agentes atendem às chamadas fundamentados na disciplina onde o “primeiro que
entra é o primeiro que sai” (PEPS; ou FIFO, em inglês);
• cada operador atende todas as chamadas da mesma maneira.
Essas premissas raramente são válidas no ambiente em que as empresas de call center estão
inseridas, já que, de acordo com os autores – dependendo da tolerância individual para
esperar o seu atendimento – um cliente pode abandonar a ligação, caso seja colocado em uma
fila. Além disso, os operadores normalmente diferem em relação às habilidades e também ao
tempo de atendimento de uma chamada. Adicionalmente, as necessidades dos clientes são
muito diferences e, algumas vezes, uma priorização – de forma que um serviço melhor possa
ser prestado – se faz necessária.
Mas, Bapat e Pruitte Jr. (1998) acreditam que muitas empresas continuam apoiando as
normalmente complexas tomadas de decisão acerca da alocação de recursos através dos
modelos analíticos de teoria das filas, motivadas pelas relativas facilidade e rapidez da
abordagem.
Muitas centrais de atendimento apresentam uma distribuição genérica (lognormal, por
exemplo) para os seus tempos de atendimento, e não necessariamente uma distribuição
exponencial negativa (BROWN et al, 2002). O formato exponencial é usado em grande parte
da literatura da teoria de filas – tanto para tempo entre chegadas de clientes como para tempo
de atendimento – pelo fato de existirem – para as situações onde esses tempos são
considerados como variáveis que seguem uma distribuição exponencial – soluções analíticas
para o estado estacionário do sistema.
Parte dos livros de teoria de filas (GROSS & HARRIS, 1985; KLEINROCK, 1975) trata de
modelos estacionários e alguns (HILLIER & YU, 1981) apresentam tabelas e gráficos para o
número de clientes no sistema e na fila.
No caso das centrais de atendimento existentes no mundo real, pelo menos a taxa de chegada
de clientes varia com o tempo; essa variação é motivada por propagandas, horário de trabalho
etc.. A fadiga dos atendentes pode gerar uma variação também no tempo de atendimento à
medida que o tempo passa, mas esta é insignificante quando comparada à variação das taxas
de chegada. As soluções encontradas na literatura para lidar com taxas de chegada variando
50
em função do tempo não são muito utilizáveis porque envolvem funções de Bessel, de difícil
aplicação na prática. (CHASSIOTI & WORTHINGTON, 2004)
Entre os métodos de aproximação, os mais simples que podem ser usados são o Simple
Stationary Approximation (SSA) (CHASSIOTI & WORTHINGTON, 2004) e o Pointwise
Stationary Approximation (PSA) (GREEN & KOSELAR, 1991).
Na opinião de Chassioti e Worthington (2004), outros métodos de aproximação fazem-se, no
entanto, necessários, porque o SSA e o PSA apresentam um desempenho pobre em casos
importantes e também porque é necessário lidar com distribuições do tempo de atendimento
diferentes da exponencial.
Os seguintes artigos também citam, descrevem, discutem e questionam a aplicação da teoria
de filas (e outros métodos analíticos) a call centers, e merecendo destaque: WHITT (2006);
BORST, MANDELBAUM & REIMAN (2004); FUKUNAGA et al (2002); KOOLE &
MANDELBAUM (2002); GROSSMAN et al (2001); MANDELBAUM, SAKOV &
ZELTYN (2001); DIJK (1997); e JENNINGS et al (1996).
3.4. Simulação
De acordo com Corrar e Theóphilo (2004), a história da simulação remonta aos jogos de
guerra chineses, há 5.000 anos. Durante a Segunda Guerra Mundial, o matemático húngaro-
americano John Von Neumann, em seu trabalho no Projeto Manhattan (da bomba atômica),
criou um novo conceito, denominado Simulação de Monte Carlo.
Desde o final do século XX em diante, graças ao desenvolvimento dos recursos
computacionais, esse método tem sido usado rotineiramente em diversas áreas, desde a
simulação de fenômenos físicos complexos, como o transporte de radiação na atmosfera
terrestre, até em causas mais populares, como na simulação do resultado de loterias. Pacotes
conhecidos de softwares de simulação, como o Crystall Ball, @Risk, DecisionPro, Xcell,
SLAM, Witness e MAP/1, servem ao campo dos negócios, ajudando os gestores na decisão
sobre investimentos, melhoria de fluxos operacionais, políticas de estoque, manutenção etc..
(CORRAR & THEÓPHILO, 2004)
A simulação consiste em uma das técnicas mais gerais usadas em Pesquisa Operacional, que
procura imitar a operação de um processo ou de um sistema da vida real ao longo do tempo,
51
com o auxílio de um modelo. Este modelo utiliza distribuições de probabilidade para gerar
randomicamente vários eventos que ocorrem no sistema, tornando possível “comprimir o
tempo” (dados relativos a meses e anos futuros podem ser obtidos em um pequeno período de
tempo). Quer seja feita à mão ou através de um computador, a simulação envolve a geração
de uma história artificial com o objetivo de obter inferências relativas às características
operacionais do sistema real e melhorar o desempenho do mesmo através da comparação de
alternativas e da análise de sensibilidade dos parâmetros do sistema, sem que ele precise ser
efetivamente modificado ou até mesmo sem que necessariamente exista. (BANKS, CARSON
& NELSON, 1999; HILLIER & LIEBERMAN, 1995; PIDD, 1998; SILVA et al, 1998;
PEREIRA JR., 1999; CORRAR & THEÓPHILO, 2004; HERTZ, 1980)
Os modelos de simulação são analisados por métodos numéricos e não por métodos
analíticos. Métodos analíticos aplicam raciocínios dedutivos da matemática para “resolver” o
modelo. No caso dos modelos de simulação, que empregam métodos numéricos, os modelos
são “rodados”, ao invés de resolvidos. (BANKS, CARSON & NELSON, 1999; HILLIER &
LIEBERMAN, 1995)
Costuma-se fazer uma analogia entre a simulação e a cirurgia clínica, já que ambas devem ser
utilizadas como um último recurso, após esgotarem-se as demais alternativas de solução para
um problema, muitas vezes mal-estruturado. Desta forma, esta ferramenta é tida como de
valor incalculável para lidar com aqueles problemas onde técnicas analíticas são inadequadas,
muito complexas ou inexistem; e é largamente utilizada em tais situações, onde grandes
complexidades e incertezas (no caso da análise de risco) encontram-se presentes. (SALIBY,
1989; HILLIER & LIEBERMAN, 1995; SILVA et al, 1998; KLUNGLE & MALUCHNIK,
1997; RAGSDALE, 2001; CORRAR & THEÓPHILO, 2004; HERTZ, 1980)
Mas, segundo Saliby (1989) e Corrar e Theóphilo (2004), bons modelos de simulação podem
ser caros, por exigirem longos e complicados processos de desenvolvimento (modelagem e
programação) e de validação (tanto do modelo computadorizado quando do modelo
conceitual). Adicionalmente, os resultados de um estudo de simulação estão sujeitos a
variações (baixa precisão), além de não apontarem diretamente a solução ótima para o
problema em estudo.
Toda simulação requer a construção de um modelo (com o qual serão feitos os experimentos),
que deve começar de forma simples e ter sua complexidade aumentada aos poucos. Este
52
modelo é definido por um conjunto de relações lógico-matemáticas, descritas geralmente por
um programa de computador. Dependendo do tipo de modelo, a simulação pode ser:
determinística ou probabilística; estatística ou dinâmica; e discreta ou contínua. (SALIBY,
1989; PIDD, 1998)
Maiores informações sobre os três critérios de classificação da simulação podem ser
encontradas em algumas fontes sobre o assunto. (SALIBY, 1989; SILVA et al, 1998;
BANKS, CARSON & NELSON, 1999)
Já que muitas das suas restrições têm sido objeto de contínuos estudos por parte de
especialistas (a partir dos quais muitos progressos vêm sendo registrados), a simulação
tornou-se uma abordagem de estudo que vem sendo cada vez mais utilizada nas mais variadas
áreas de conhecimento, inclusive por causa da sua flexibilidade: sistema de estoques e
compras; planejamento financeiro (análise de risco); sistemas macroeconômicos; sistemas de
transporte público; operações militares; e sistemas de atendimento (filas), tais como a
operação de atendimento de um banco ou de uma central telefônica. (SALIBY, 1989)
3.5. Simulação em call centers
Chokshi (1999), Klungle e Maluchnik (1997), Hall e Anton (1998), Mehrotra e Fama (2003),
Avramidis e L'Ecuyer (2005), Klungle (1999) e Bapat e Pruitte Jr. (1998) destacam alguns
fatores recentes que contribuíram para o aumento da demanda pelo uso da ferramenta de
simulação no setor de call centers:
• a crescente importância dos call centers para boa parte das corporações (devido ao
rápido crescimento da era da informação e das comunicações e do aparato
tecnológico), aumentando a necessidade de utilização de metodologias científicas de
tomada de decisão e ferramentas para a sua gerência estratégica em substituição ao
uso da intuição;
• a complexidade crescente do tráfico de chamadas unido a regras cada vez mais
presentes de roteamento baseado em habilidades;
• a incerteza cada vez mais predominante nos problemas de decisão normalmente
encontrados no gerenciamento operacional das centrais;
53
• rápidas mudanças nas operações e incremento nas atividades de reengenharia
resultantes do aumento de fusões e aquisições, volatilidade do negócio, opções de
terceirização e utilização de diferentes canais para atingir o consumidor (telefone, e-
mail, chat);
• e a disponibilidade e o preço acessível dos computadores, aliados a uma gama de
aplicações de simulação em call center disponíveis no mercado, cada vez mais
intuitivas e fáceis de serem aprendidas e usadas.
Por isso, o assunto “simulação em call centers” é tão recente nos fóruns de discussão de
simulação pelo mundo afora; e por isso também é que tem recebido bastante destaque nos
últimos anos nos artigos, congressos e conferências de simulação. Por exemplo, a palestra de
abertura da Winter Simulation Conference (um dos mais renomados encontros dos estudiosos
de simulação) de 1999, ministrada pelo Dr. Jon Anton (Purdue University) teve como título
“O uso da simulação na otimização de call centers”.
A simulação, de acordo com Mehrotra (1997), modela explicitamente a interação entre
chamadas, rotas e agentes, assim como a aleatoriedade das chegadas de chamadas individuais
e dos tempos de atendimento. Através do uso da simulação, gerentes e analistas traduzem
dados brutos de call centers (previsão de chamadas, distribuições de tempos de atendimento,
horários e habilidades de agentes, vetores de roteamento de chamadas etc.) em manuseável
informação sobre níveis de serviço, abandono de clientes, utilização de agentes, custos e
outras importantes medidas de performance em um call center.
Segundo Chokshi (1999) e Klungle e Maluchnik (1997), a utilização da simulação para
auxiliar a tomada de decisões no gerenciamento de call centers permite os seguintes
benefícios:
• visualizar processos futuros e ser usada como uma ferramenta de comunicação;
• validar premissas de processos antes de sua implementação;
• analisar detalhadamente o impacto de mudanças (análise de cenários);
• prever necessidades agregadas de recursos e programar a força de trabalho;
• mensurar indicadores de performance;
54
• estimar impactos nos custos e economias.
A primeira utilidade da simulação em um call center, segundo Hall e Anton (1998), é a de
avaliação, quando se pode verificar “onde o call center está”. A pergunta-chave é “quão
eficiente e efetivo é a operação atualmente?”. O objetivo da avaliação é estabelecer uma linha
de partida (e de referência) para a mudança.
A avaliação situa o call center específico dentro das métricas da indústria, analisa o status
quo e fornece uma fotografia para o futuro, que pode envolver um completo realinhamento do
call center e de sua missão para apoiar a direção estratégica da empresa. A simulação
computacional é uma ferramenta para se estabelecer essa linha de partida e de referência.
(HALL & ANTON, 1998)
O artigo dos últimos autores mostra um estudo de caso ilustrativo de avaliação de uma grande
central de atendimento de serviço de utilidade pública nos EUA. Klungle (1999) apresenta um
caso onde uma aplicação em um call center de reclamações de seguros é utilizada para
mostrar a efetividade da simulação ao avaliar desenhos de centrais de atendimento.
O estudo de simulação realizado por Gulati e Malcolm (2001) em um call center (do tipo
outbound) de um grande banco mostrou que a sua gerência estava correta, quando presumira
que o software usado para fazer a programação das chamadas – baseado em uma heurística –
não estava fornecendo um nível de serviço adequado.
Mehrotra, Profozich e Bapat (1997) falam da segunda utilidade da simulação em um call
center: sem atrapalhar a operação da central e sem impactar no seu orçamento, a simulação
permite o entendimento rápido e acurado de como será a performance operacional do call
center diante de certos cenários (baseados em modificações causadas por iniciativa externa ou
gerencial como, por exemplo, uma nova tecnologia, uma nova estratégia de negócio ou um
aumento da carga de trabalho), antes que qualquer mudança seja efetivamente feita.
Segundo os autores, dessa forma, algumas questões podem ser respondidas, entre outras:
• Qual o impacto de um overflow de ligações?
• Quais são os trade-offs envolvidos no ato de priorizar as chamadas de clientes especiais?
55
• O serviço pode ser melhorado se forem colocados despachantes para fornecer informações
básicas aos clientes?
No tocante à análise de cenários, o trabalho de Gulati e Malcolm (2001) usou a simulação
para comparar a performance de três diferentes abordagens de programação de chamadas
(heurística, otimização por lotes diários e otimização dinâmica – de hora em hora), revelando
existir oportunidades de melhoria no processo do call center (do tipo outbound) do banco
estudado. Modelos de simulação computacional revelaram-se ser a única maneira prática para
desenvolver as estimativas comparativas, por causa da escassez de disponibilidade de dados
comparativos entre as duas primeiras abordagens e pelo fato da terceira abordagem nunca ter
sido implantada. Através destes modelos, foi possível imitar o processo através do qual as
chamadas são realizadas a partir de uma lista produzida por cada um dos três algoritmos de
programação. Os outputs do modelo forneceram uma maneira de verificar a performance do
sistema em relação às metas da administração e mostraram que as abordagens não heurísticas
produziriam resultados superiores, mas não durante todo o período do dia.
Em relação ao mesmo tema, Miller e Bapat (1999) descrevem como a simulação foi usada
para projetar o ROI da compra e utilização de uma nova tecnologia de roteamento de
chamadas para 25 centrais de atendimento. Com investimentos de US$ 17 milhões e custos
anuais de operação de US$ 8 milhões para a nova tecnologia, era preciso determinar se ela
provocaria benefícios suficientes (através de redução nos custos dos troncos, aumento da
produtividade dos operadores e possibilidade de atender mais chamadas) para garantir a sua
implementação em nível nacional. Foram conduzidas simulações diárias com pequenos e
grandes volumes (o que acarretou grande variação nos resultados) e com outras análises de
cenários para facilitar as decisões de planejamento. Um protótipo da nova tecnologia foi
usado na tentativa de comparação de resultados, mas foi a simulação que tratou a questão da
melhor maneira. (MILLER & BAPAT, 1999)
Ainda dentro do assunto referente à segunda utilidade da simulação (análise de cenários),
Lam e Lau (2004) descrevem um esforço de reestruturação de uma empresa de Hong Kong,
que fornece serviços de assistência técnica para equipamentos de escritório e computadores.
Estando disponíveis muitas oportunidades de melhorias no processo, a abordagem de
simulação foi usada para explorar as diferentes opções e para avaliar os resultados da
reestruturação dos call centers existentes. A análise dos resultados simulados confirmou que a
56
grande oportunidade de melhoria consistia na junção dos recursos existentes em uma única
central. De forma geral, segundo os autores, a gerência de um call center pode – assegurada
pelos resultados da simulação – avaliar diferentes benefícios – tangíveis e intangíveis – antes
de implementar o plano de reestruturação.
Outro exemplo na mesma linha pode ser encontrado no estudo apresentado por Saltzman e
Mehrotra (2001), onde foi aplicada a ferramenta de simulação em uma grande empresa de
software que pretendia visualizar o funcionamento operacional do seu call center antes do
lançamento de um novo programa de serviço de suporte pago. A idéia consistia em verificar
se seria cumprida a meta de os clientes pagantes terem que esperar menos de 1 minuto para
serem atendidos. Os gerentes também queriam saber qual seria o impacto do novo programa
sobre o serviço oferecido à base regular de clientes não pagantes. Com o uso da simulação,
foi possível prever o comportamento do sistema e, assim, tomar as medidas necessárias para
garantir o sucesso do programa.
Segundo Mehrotra, Profozich e Bapat (1997), Gulati e Malcolm (2001), Bapat e Pruitte Jr.
(1998) e PARAGON (2005), um modelo de simulação pode (e tem sido cada vez mais usado
para tal) – além de normalmente permitir gráficos e animações – contemplar alguns aspectos
críticos dos call centers receptivos modernos de todos os tamanhos e tipos, entre outros:
nível de serviço específico;
flexibilidade na distribuição dos tempos entre chegadas e de atendimento;
consolidação de centrais;
roteamento baseado em habilidades;
tipos múltiplos de chamadas;
filas simultâneas;
padrões de abandono de chamadas;
retorno de ligações;
overflow e transbordo;
57
priorização de filas;
transferência de chamadas e teleconferências;
preferências, proficiência, tempo de aprendizado e esquema de horário dos operadores.
Os autores acrescentam que os outputs do modelo podem vir na forma de tempo de espera,
taxa de abandono de chamadas (ambos com possibilidade de diferenciação por tipos de
chamada) e nível de utilização dos operadores (com possibilidade de diferenciação por tipos
de operador). E devido à adequação desta abordagem às características reais e complexas dos
call centers, a simulação pode tornar mais confiável o seu dimensionamento e gerenciamento.
De acordo com Mehrotra, Profozich e Bapat (1997), Steckley, Henderson e Mehrotra (2005),
PARAGON (2005), Mehrotra (1997), Klungle e Maluchnik (1997), Pidd (1998) e Tanir e
Booth (1999), os métodos tradicionais mais usados no gerenciamento e dimensionamento de
um call center (estimativas intuitivas, cálculos improvisados, planilhas e modelos teóricos de
filas Erlang) estão se tornando significativamente limitados por causa da variabilidade das
chegadas de chamadas, das rotas e do tempo gasto nas ligações, das habilidades e prioridades
dos operadores, da heterogeneidade das chamadas e da interação entre elas e os troncos, da
dinâmica de abandono das chamadas, das tendências recentes (como o roteamento baseado
em habilidades, canais eletrônicos e manuseio interativo de chamadas) e, de uma forma geral,
da sofisticação e complexidade cada vez mais presentes nos sistemas de call centers. Por
exemplo, os modelos analíticos comumente assumem que a chegada dos clientes consiste em
um processo Poisson quando, na verdade, os dados de call centers rejeitam esta premissa
freqüentemente. Adicionalmente, planilhas e modelos Erlang superestimam a quantidade de
atendentes, além de terem pouca precisão para centrais com atendimento diferenciado.
A simulação estende a capacidade das ferramentas analíticas e operacionais e consiste em
uma ferramenta superior quando não está disponível nenhum modelo teórico tratável que
forneça uma representação razoável do sistema sob estudo e as médias não são suficientes, a
acurácia é importante, a operação é detalhada, a demanda varia muito, gargalos e
necessidades de mudanças no desenho dos processos precisam ser identificados e/ou uma
animação é necessária para a melhor comunicação de uma modificação para a diretoria. As
recentes tendências da indústria demandam abordagens mais sofisticadas e a simulação
fornece as técnicas necessárias para se adquirir insights sobre essas novas tendências e ajuda a
58
dar forma aos seus desenhos atuais e futuros, consistindo no único método de análise apto a
modelar um call center eficiente e acuradamente, através de uma abordagem muito mais
prática, flexível em termos de inputs e outputs, e capaz de permitir a inclusão de detalhes
importantes, refletir muito melhor a realidade (sem grandes necessidades de simplificações,
como nos modelos teóricos), viabilizar um melhor e mais profundo entendimento acerca dos
processos da central e gerar resultados muito mais robustos a respeito da performance do call
center, permitindo sua otimização de forma bem mais confiável. (PARAGON, 2005; RILEY,
2005; MEHROTRA, 1997; KLUNGLE & MALUCHNIK, 1997; TANIR & BOOTH, 1999;
SALIBY, 1989; HILLIER & LIEBERMAN, 1995; HERTZ, 1980; MEHROTRA,
PROFOZICH & BAPAT, 1997; BAPAT & PRUITTE JR., 1998; CHOKSHI, 1999;
KLUNGLE, 1999; WORTHINGTON & WALL, 1999; RAGSDALE, 2001; MEHROTRA &
FAMA, 2003)
Naturalmente, o emprego da simulação não pressupõe a completa eliminação da participação
de outras abordagens no processo de dimensionamento de uma central, podendo inclusive
ocorrer uma integração entre diversas técnicas, em alguns casos, como no caso retratado por
Barboza et al (2003).
Os autores propõem uma solução para a elaboração e designação de horários de atendentes
em uma central telefônica de atendimento 24 horas terceirizada, envolvendo três fases:
determinação (através de uma simulação da central) do número necessário de atendentes para
cada horário do dia, sendo fixado um certo nível de serviço (que influencia diretamente o
faturamento da empresa terceirizada); verificação (através de Programação Inteira – algoritmo
Branch and Bounds) dos melhores horários dos atendentes de forma a minimizar os custos da
empresa (salários), em função do número de atendentes em cada categoria (3, 4 e 6 horas de
trabalho diárias) e dos resultados da primeira fase; e designação (através do algoritmo de
Matching de Peso Máximo) do horário de cada atendente, no sentido de maximizar a sua
satisfação (medida de acordo com questionários de preferência de horários) e atender os
resultados da segunda fase.
Uma semana real específica é comparada com esta mesma semana simulada, contemplando o
número de chamadas ocorrido a cada meia hora, o número de atendentes sugeridos pelo
modelo para atingir um nível de serviço pré-determinado, o número de atendentes
efetivamente utilizado pela empresa naquele período durante aquela semana e o nível de
59
serviço efetivamente atingido pela empresa a cada meia hora. Essa comparação revela que a
empresa poderia escalonar de maneira melhor os seus funcionários, já que em alguns
períodos, houve excesso de mão-de-obra e em outros houve falta, acarretando níveis de
serviço maiores e menores, respectivamente, do que o estipulado (ou desejado). Dessa forma,
a empresa poderia usar um menor número de funcionários (e reduzir seus custos) e atingir um
nível de serviço melhor (e estável), o que aumentaria diretamente seu faturamento. Outra
vantagem seria a maior satisfação em relação à preferência de horários que seria alcançada
entre os atendentes. (BARBOZA et al, 2003)
Mehrotra e Fama (2003) e Klungle (1999) enxergam tendências futuras capazes de impactar a
simulação de call centers:
• a complexidade operacional, que vai continuar a crescer – na forma de mais filas,
maior variedade na escala dos operadores e diversidade de combinação de habilidades
e regras de roteamento – obrigando os analistas a criarem modelos mais ricos;
• o surgimento de cada vez mais softwares de simulação especializados em call center,
cuja importância tende a acompanhar o papel que a simulação assumirá no processo
de redesenho das centrais, necessário para lidar com a sua nova complexidade;
• o entendimento maior – por parte dos executivos – que os call centers são
componentes centrais na cadeia de valor do cliente, disparando um desejo de entender
os riscos inerentes de qualquer configuração operacional e a conseqüente melhoria na
qualidade dos dados coletados e na acurácia dos parâmetros (como distribuição do
tempo entre chegadas, tempo de atendimento, tempo de espera, taxa de abandono e
outros), encerrando resultados mais robustos.
Os seguintes artigos também citam, descrevem, discutem e questionam a aplicação da
simulação a call centers, merecendo destaque: ELANGO (2006); MARKT (2005);
ATLASON & EPELMAN (2002); GROSSMAN et al (2001).
3.5.1. Softwares de simulação para call centers
Segundo Mehrotra (1997), ao longo dos últimos anos, pacotes de simulação disponíveis
comercialmente tem sido desenvolvidos especificamente para call centers, permitindo
60
gerentes e analistas – sem extensas habilidades matemáticas nem de programação – construir
e rodar modelos de call center rapidamente.
3.5.1.1. Arena Contact Center
Devido ao sucesso do uso da simulação em ambientes de call center, a Systems Modeling
Corporation em parceria com a Onward (consultoria especializada em análise e melhoria da
operação de call centers), desenhou um sistema de simulação – chamado Arena Contact
Center (antigo Call$im) – construído a partir do software Arena, especialmente para o
desenvolvimento de modelos para call centers, com animação e apresentação de estatísticas
em tempo real e também na forma de relatórios. (PARAGON, 2005)
De acordo com a fonte, o software possibilita criar um call center virtual no computador, para
avaliação de investimento, nível de serviço, turnos, etc. sem riscos. Ele apresenta grandes
vantagens sobre outros produtos de simulação, já que é simples, amigável, focado e usa a
terminologia de call centers sempre que possível, com o objetivo de tornar intuitivos a
construção e o uso do modelo. A maioria das ferramentas de simulação é de propósito geral, o
que requer muito mais profundidade de conhecimento para criar um modelo de trabalho. Pelo
fato de poucas pessoas atualmente disporem de semanas ou meses para aprender um novo
software, usar essas ferramentas genéricas e sofisticadas não é muito prático para um gerente
de call center. O Arena Contact Center permite a geração do modelo inicial em poucas horas.
Klungle (1999) acrescenta que, além de ser mais flexível em termos de modelagem, o
software fornece uma riqueza de informações sobre performance do sistema, incluindo nível
de serviço, taxas de abandono e de utilização dos operadores e capacidade do sistema,
tornando-se extremamente útil para gerentes, planejadores e analistas operacionais e
financeiros de call centers e para consultores na área.
Algumas perguntas que o software pode responder, segundo (PARAGON, 2005), são:
• Quantos atendentes são necessários para atingir o nível de serviço desejado?
• Como é possível atender a picos de demanda sem terceirização?
• Como os novos roteamentos de chamadas vão impactar a operação?
61
• Qual o impacto de transferir ligações, em diversos centros? E com a adoção de uma
nova URA?
• Qual o impacto de adotar o conceito de "cliente preferencial"?
De acordo com a mesma fonte, a modelagem é 100% gráfica, em ambiente semelhante a um
fluxograma, o que pode ser conferido na figura 4 a seguir. Ela é facilitada pelo módulo Input
Analyzer, que analisa os dados de entrada fornecidos pela central telefônica e ajusta a melhor
equação matemática para a modelagem.
Figura 4 – Modelagem de um call center usando o Arena Contact Center
Fonte: www.paragon.com.br
Na figura 4 anterior, os agentes (especialistas e de suporte técnico) podem ser visualizados ao
mesmo tempo em que alguns indicadores dinâmicos (ligações em espera, abandonadas, nível
de serviço etc.) vão sendo atualizados.
Ainda segundo a fonte, os seis passos básicos para a construção de um modelo usando a
ferramenta, de forma fácil e rápida, são:
Definição dos grupos de troncos e dos parâmetros de configuração do call center;
Especificação do esquema de horário dos operadores;
Definição dos grupos de operadores;
62
Descrição do roteamento das chamadas;
Entrada dos padrões de chegada das chamadas;
Descrição dos tipos e quantidades de chamadas e do comportamento de abandono.
Wallace e Saltzman (2005) descrevem a modelagem de um call center com roteamento
baseado em habilidades usando dois métodos distintos de programação em simulação: a
linguagem C e o pacote Arena. Depois de salientarem os componentes proeminentes de cada
método no processo de modelagem do call center, os autores concluem o artigo com uma
comparação entre os prós e contras do uso de cada abordagem de programação dentro do
contexto em questão.
Estas foram algumas atividades que o Arena Contact Center foi capaz de realizar, ao lidar
com problemas reais (dentro de cenários diferentes), de acordo com (PARAGON, 2005):
• mensurar o impacto nos níveis de serviço de um aumento de 10% no volume de
chamadas e o payback de um treinamento multifuncional para parte dos operadores;
• verificar como uma redução de 20% no orçamento do call center poderia afetar os
níveis de serviço (no caso de redução de pessoal) e como o horário de trabalho poderia
ser diminuído para essa redução no orçamento ser atingida;
• discutir o quanto custaria para o call center a terceirização de parte das chamadas e
qual seria o ponto de equilíbrio em termos de aumento do número de operadores.
Segundo a mesma fonte, o software ainda pode ser integrado ao CallPeople, que consiste em
uma ferramenta de otimização e programação de escala de trabalhos de atendentes,
desenvolvida especificamente para call centers pela PARAGON/SEED, levando em
consideração todas as características da CLT, sendo um produto totalmente adaptado ao
mercado brasileiro. Tal integração objetiviza realizar o dimensionamento e o seqüenciamento
de escalas para centrais de atendimento.
Os principais clientes do software pelo mundo, de acordo com a mesma fonte, são: Accenture;
AT&T; Bank of América; BankBoston; Barclays Bank; Bell Canadá; Bell South; Delta
Airlines; Ernst & Young; Federal Express; First USA Bank; ING Bank; Intuit; Lucent
63
Technologies; Microsoft; Oracle Corporation; Purdue University; Siemens; Southwestern
Bell; UPS - United Parcel.
3.5.1.2. callLAB
O callLAB é uma ferramenta de planejamento, que emprega a tecnologia de simulação
chamada-a-chamada, desenvolvida pela BARD Technologies expressamente para abordar e
determinar o impacto de diversas características dos call centers modernos – roteamento de
rede, múltiplas centrais, agentes com múltiplas habilidades, equipamentos sofisticados para
melhorar a performance da central – sendo capaz de simular as complexidades de
virtualmente qualquer operação de call center. (BARD TECHNOLOGIES INC, 2005)
A mesma fonte diz que o software pode considerar inputs – a serem introduzidas no modelo
em uma tela como a ilustrada na figura 5 a seguir – como, entre outros:
• volume de chamadas
• número de troncos
• características da equipe
• tempo de atendimento
• regras de roteamento de chamadas;
• comportamento dos clientes quanto às chamadas.
64
Figura 5 – Tela de entrada de variáveis do callLab
Fonte:www.bardtech.com
Ele é capaz de obter acuradamente resultados acerca do nível de serviço, ocupação dos
agentes, utilização dos troncos etc. (conforme pode ser observado na figura 6 a seguir). O
callLAB também pode ajudar a determinar o impacto de idéias como roteamento baseado em
habilidades, roteamento de rede e mistura de chamadas – antes da sua implementação (e,
conseqüentemente, antes dos equipamentos serem adquiridos, dos atendentes serem
contratados ou demitidos e dos clientes ficarem insatisfeitos). (BARD TECHNOLOGIES
INC, 2005)
65
Figura 6 – Tela de resultados do callLab
Fonte:www.bardtech.com
3.5.1.3. SimACD
Segundo (PORTAGE COMMUNICATIONS INC, 2005), com o SimACD, produto da
Portage Communications, é possível testar diferentes números de agentes e filas de chegada
antes da sua real implantação. Após a entrada – em uma tela como a ilustrada na figura 7 a
seguir – dos volumes esperados de chamadas, das características do tempo de atendimento, do
número de agentes e filas planejados para cada período do dia de trabalho, do comportamento
de abandono e de “re-tentativa” por parte dos clientes e de características de overflow da
central, o software permite:
• que se assista a execução da simulação minuto-a-minuto, chamada-a-chamada, para
cada dia durante a semana;
66
• que se observe o resultado das chegadas de chamadas, sendo atendidas, ficando na
fila, recebendo o sinal de ocupado, sendo abandonadas, “re-tentadas” e causando
overflow;
• computar e fazer gráficos acerca das estatísticas de performance;
• re-rodar simulações com diferentes números de agentes e filas até achar um cenário
satisfatório em termos de níveis de serviço, carga de trabalho dos agentes e aspectos
financeiros do call center.
Figura 7 – Tela de parâmetros do SimACD
Fonte: www.portagecommunications.com
De acordo com a fonte, o SimACD comprime um dia de tráfego de chamadas em um curto
período de tempo, representando cada segundo do dia como poucos micro-segundos de tempo
no computador. Chamadas chegam randomicamente a um call center virtual criado no
computador e são atendidas por agentes, enfileiradas, encontram sinal de ocupado,
transbordam ou são abandonadas dependendo dos parâmetros, volumes de chamadas e
combinações de agentes e troncos definidos para a central. Ele funciona como um call center
experimental, que reage à chegada randômica de chamadas modeladas a partir da central real.
Ao final da simulação, é possível verificar quantas chamadas atingiram cada status (atendida,
abandonada etc.), além do comprimento das filas, velocidade média para atender uma
chamada e níveis de serviço reais para cada atendente, como pode ser observado na figura 8 a
seguir. (PORTAGE COMMUNICATIONS INC, 2005)
Segundo a mesma fonte, alguns dos principais call centers clientes do SimACD são: Help
Desk Institute, IBM Global Services, AT&T Call Center Solutions, BASF Corporation,
British Airways, MCI Call Center Management, Ticket Máster, Pizza Hut, entre outros.
67
Figura 8 – Tela de resultados do SimACD
Fonte: www.portagecommunications.com
3.5.1.4. ServiceModel
De acordo com (BELGE SIMULAÇÃO, 2005), o ServiceModel é um simulador
confeccionado pela PROMODEL e destinado ao setor de serviços em geral, para solucionar
questões como:
• Planejamento de capacidade;
• Programação de serviços e equipes;
• Fluxos complexos de atendimento a clientes;
• Racionalização máxima mantendo níveis de atendimento.
Segundo a fonte, o software é usado em programas tanto de graduação quanto de pós-
graduação, notoriamente em cursos de administração de empresas, os quais buscam enfatizar
a melhoria no gerenciamento de serviços, inclusive de call centers, que estão entre as suas
principais aplicações. Dentro deste setor, os principais clientes estão na área financeira,
destacando-se American Express (DECKER, 1999) e Chase Manhattan Bank.
Na 1ª Conferência Internacional de Simulação e Usuários Promodel, realizada em São Paulo,
em 1999 (Innovation-99), realizada pela Belge Simulação, William Carrier, da PROMODEL
(EUA), ministrou uma palestra cujo título era “ServiceModel melhorando as centrais de
atendimentos - 'call centers'”.
68
3.5.1.5. Simul8
O Simul8 é o software de simulação que possui o maior número de usuários no mundo. Foi
desenvolvido pela Simul8 Corporation, com o objetivo de atingir um custo não impeditivo
(para pequenas empresas), mas contendo todas as funcionalidades dos melhores softwares do
mercado. O software em questão não é específico para call centers, mas o setor consiste em
uma das principais sugestões de aplicação dadas pelo fabricante; além disso, o programa foi
usado como motor para a aplicação ccProphet (que será descrita na seção 3.5.1.6) e apresenta
vários projetos desenvolvidos na área de call centers. (SIMULATE, 2005)
O setor de call centers, segundo a mesma fonte, é um segmento onde a simulação pode ser
plenamente aplicada. A simulação em um call center pode determinar qual é a melhor
configuração de uma ilha de atendimento, qual é o número ideal de PAs (posições de
atendimento) necessárias em uma certa hora do dia para garantir um determinado nível de
serviço, quais equipamentos de automação de call centers devem ser utilizados etc..
Alguns tipos de centrais já modeladas em projetos desenvolvidos com o software foram: call
center receptivo com 2 ilhas, call center ativo e receptivo de chamadas transbordadas, call
center receptivo com roteamento baseado em habilidades, entre outros. As principais
empresas cujos call centers utilizam o Simul8 são: One Call - Call Center, Sky – TV, Sher
Marketing e Softway - Contact Center. (SIMULATE, 2005)
3.5.1.6. ccProphet
De acordo com (NOVASIM, 2005), o ccProphet é uma aplicação de software baseada em
simulação projetada especificamente para análise de call centers. Com ela, a altamente
sofisticada tecnologia de simulação computacional fica acessível à indústria de call centers.
Usando simulação de eventos discretos com uma interface amigável, remove o passo na curva
de aprendizagem tipicamente presente no uso de softwares de simulação e também a
necessidade de contratar caros especialistas para obter todos os benefícios desta tecnologia. O
ccProphet foi desenvolvido pela NovaSim e usa o Simul8 como motor de simulação. Com ele,
é possível:
• gerenciar filas que chegam à central;
• balancear múltiplos modos de entrada de chamadas;
69
• planejar equipes com múltiplas habilidades;
• analisar indicadores referentes aos clientes e estabelecer níveis de serviço;
• avaliar novas tecnologias.
3.5.1.7. ContactCenters
Buist e L'Ecuyer (2005) apresentam a arquitetura geral e os componentes principais (e suas
interações) de um modelo desenvolvido por eles em Java para a confecção de simuladores de
contact center. ContactCenters suporta centrais com múltiplas habilidades e processos de
chegada, roteamento e políticas de discagem arbitrários e complexos.
O programador pode alterar a lógica da simulação de várias maneiras, sem modificar o código
básico do modelo. ContactCenters também pode operar em conjunto com outros modelos para
fins de, por exemplo, otimização e análise estatística. Performance, flexibilidade e
extensibilidade foram as principais metas do seu projeto e implementação.
3.5.1.8. Excel Plataform for Simulating Call Centers (EPSCC)
A performance operacional de call centers é freqüentemente medida através de tempos na fila
e taxas de abandono de clientes e, por isso, os gerentes precisam realmente entender como as
políticas de gerenciamento e os fatores estocásticos afetam estas estatísticas de performance.
A simulação é um excelente veículo para examinar essas relações, mas uma carência na
habilidade de programação pode ser uma barreira impeditiva para os gerentes fazerem uso de
tais modelos. (SALTZMAN & MEHROTRA, 2004)
Para lidar com esse problema, os autores desenvolveram uma interface amigável no Excel
para modelos de simulação (de eventos discretos) dinâmica. O modelo consiste em um
sistema de filas genérico para o qual estão sempre disponíveis resultados analíticos; e a
interface no Excel permite aos gerentes especificar interativamente uma grande variedade de
parâmetros e analisar resultados, sem que eles fiquem expostos aos componentes do modelo
de simulação.
Baseados em informações provenientes de gerentes operacionais de call centers, os autores
foram capazes de utilizar esta estrutura para perguntar e responder algumas questões
70
empíricas importantes quanto ao comportamento operacional do sistema quando submetido a
diferentes condições.
3.5.1.9. IVR Simulator Model
O IVR Simulator Model é um dos modelos de simulação desenvolvidos pela Database
Systems Corporation para assistir seus clientes quando eles estão avaliando a compra de
equipamentos para call center. Seu propósito é funcionar como uma espécie de calculadora de
recursos. Ele calcula as exigências de recursos para uma campanha de chamadas, estimando o
número de linhas requeridas para lidar com o processamento destas chamadas durante o
horário de pico. O modelo assume que as chamadas são uniformemente distribuídas durante
esse período. (DATABASE SYSTEMS CORP, 2005)
Segundo a fonte, para rodar as simulações, são necessárias certas informações – acuradas – a
respeito dos clientes:
• duração média das chamadas
• número de chamadas recebidas durante o período de pico
• duração do período de pico
A simulação retorna – como pode ser observado na figura 9 a seguir – o número de linhas
requeridas para suportar o volume de pico informado e também em outros dois cenários: um
com um período de pico mais curto do que o previsto e outro com um período de pico mais
longo do que o previsto. (DATABASE SYSTEMS CORP, 2005)
3.5.1.10. Quadros comparativos
Os quadros a serem apresentados têm por objetivo relacionar de forma sumarizada os
atributos presentes em cada um dos softwares pesquisados e apresentados anteriormente nesta
seção.
71
Figura 9 – Relatório de saída do IVR Simulator Model
Fonte: www.databasesystemscorp.com
O primeiro quadro – que pode ser visualizado na tabela 2 a seguir – apresenta as
características gerais presentes (assinaladas com um “X”) em cada software.
72
Tabela 2 – Características gerais dos softwares de simulação em call centers
pesquisados
Software
Característica
XXXX
XXX XXXX
XXX XXXX
X XXXXX
XX
XX
X X
X
X XXX
XX
X XXXX X
X XXX
XXX X
Indicadores de
performance
dinâmicos
Animação gráfica
Análise financeira
Integração com
outras ferramentas
Modelagem em
ambiente de
planilha
Modelagem gráfica
Análise de inputs
Terminologia de
Call Centers
Preço acessível
Utilização em
massa
Flexibilidade
(customização)
Foco em Call
Centers
Service
Model
Simul8 ccProphet
Arena
Contact
Center
callLAB SimACD EPSCC
IVR
Simulator
Model
Simplicidade
Contact
Centers
Fonte: Tabela elaborada pelo pesquisador
O segundo quadro – apresentado na tabela 3 a seguir – mostra os atributos da operação dos
call centers que cada software é capaz de contemplar (assinalados com um “X”).
73
Tabela 3 – Atributos operacionais contemplados pelos softwares de
simulação em call centers pesquisados
Software
Atributo
XXXXXXXXX
XXXXXXXX
XXXXXXXXX
XX XX
XX X
X XXX
XXX
XX XXXX
XX XX
X
XXX
XXXXXX XX
XXX XX
X XXXX
X
X
XXXXXXXX
XX XXXXX
XX
Conferência (cliente e
mais de um atendente)
Operação inbound e
outbound
Políticas de discagem
Mensagem deixada
pelo cliente
Escolha da
distribuição do tempo
de atendimento
Escolha da
distribuição do tempo
entre chegadas
"Re-tentativa" de
ligação por parte do
cliente
Limitação na
capacidade da central
(clientes bloqueados)
Transbordo de
ligações
Operação multi-site
Skill dos agentes
Skill-based routing
Roteamento de rede
Nível de utilização do
sistema
Rotas (scripts)
Transferência
Tipos diferentes de
chamadas
Abandono
Service
Model
Simul8 ccProphet
Arena
Contact
Center
callLAB SimACD EPSCC
IVR
Simulator
Model
Nível de serviço
Contact
Centers
Fonte: Tabela elaborada pelo pesquisador
74
3.6. Resumo
A primeira seção deste referencial teórico – Métodos de previsão de demanda – apresentou
alguns métodos genéricos de previsão de demanda existentes na literatura, incluindo séries
temporais e séries causais. O início da seção trouxe também um breve histórico do assunto, a
sua tipologia e destaca a sua importância, além de fornecer algumas dicas para o seu
gerenciamento.
Foi possível constatar a importância de fazer previsões sobre eventos futuros, para que as
projeções possam ser incorporadas ao processo de tomada de decisão. Dentre os principais
métodos quantitativos de previsão, a regressão múltipla revelou-se bastante poderoso, sendo
capaz de identificar os fatores que se relacionam com a variável a ser prevista.
Variáveis dummy podem ser utilizadas para registrar a ocorrência ou não de alguma
característica. Os principais indicadores de qualidade do método são o F de significação, o R-
quadrado e o valor p das variáveis explicativas. Um indicador capaz de mensurar a magnitude
do erro de previsão incorrido pelo método é fundamental e um dos mais utilizados é o MAPE.
O objetivo da seção seguinte – Previsão de demanda de call centers – foi aplicar o assunto
trabalhado na seção anterior na indústria de call centers. A importância desta aplicação é
vital, já que consiste em um dos principais problemas atacados nesta pesquisa. Desta forma,
foi discutida a utilidade do processo de previsão em call centers e, em seguida, foram
apresentados os possíveis horizontes de tempo com que as previsões podem trabalhar, assim
como as diferentes profundidades e níveis de sofisticação que os métodos existentes podem
assumir.
O texto incluiu também dicas e alertas para algumas possíveis armadilhas e sugeriu um
roteiro a ser seguido durante o processo de previsão. A seção ainda destacou a importância
dos erros de previsão e algumas maneiras de mensurá-los. E finalizou com algumas
aplicações reais, presentes na literatura, de métodos de previsão de demanda a call centers.
A relevância do processo de previsão de demanda (assim como a sua criticidade) ficou clara,
já que esta consiste um dos mais importantes inputs para o dimensionamento da capacidade
de atendimento. As maiores dificuldades acontecem por causa das grandes flutuações dos
valores e da ocorrência de picos de demanda.
75
Outra constatação importante diz respeito ao fato dos métodos de séries temporais serem os
mais usados nesta indústria, onde a demanda costuma ser prevista para cada bloco pequeno de
tempo (15 ou 30 minutos). Um último alerta apontou para a necessidade de prever não
somente a quantidade de ligações, mas também o tempo médio de atendimento.
A terceira seção – Teoria de filas – introduziu brevemente o histórico da abordagem e
conceitualizou – de forma genérica – seus modelos analíticos, indicando os parâmetros
envolvidos nos mesmos, assim como os seus inputs e outputs. A importância de tal assunto é
justificada por se tratar de uma abordagem alternativa (em relação à simulação) no tratamento
de alguns problemas quantitativos, como o de dimensionamento de capacidade.
Alguns modelos existentes na literatura foram citados, com variação dos seus parâmetros. A
parte final tratou de aplicações reais da teoria de filas a problemas de gerenciamento de call
centers e discutiu algumas questões envolvidas.
Foi importante descobrir que as premissas adotadas nas análises baseadas nos modelos
analíticos de teoria de filas são extremamente limitadas quando trabalhadas no contexto atual
dos call centers porque a maior parte dos modelos assume que as chegadas seguem uma
distribuição exponencial, são todas do mesmo tipo, nunca abandonam a fila e são atendidas
sempre pela ordem de chegada por agentes que atendem todas as chamadas da mesma
maneira.
Ainda assim – e não obstante a verificação de que as disciplinas das filas, quando bem
gerenciadas, tornam-se fortes aliadas da área de planejamento e controle da produção dos call
centers – muitas empresas continuam apoiando as complexas tomadas de decisão acerca da
alocação de recursos através dos modelos analíticos de teoria de filas, motivadas –
principalmente – pela facilidade e rapidez da abordagem.
A seção de nome Simulação apresentou resumidamente o histórico da ferramenta, além da
sua conceituação e tipologia. Algumas vantagens e desvantagens foram apontadas, bem como
alguns exemplos de aplicação da ferramenta.
O texto permitiu constatar que a simulação é capaz de “comprimir o tempo” ao tentar cumprir
o seu objetivo de melhorar o desempenho do sistema e de realizar análises de sensibilidade
acerca dos dados de entrada, sem a necessidade de modificar efetivamente o sistema estudado
(ou até mesmo antes de ele existir, na prática). Apesar de ser uma abordagem relativamente
76
cara e de difícil implementação, ela revelou-se mais adequada do que os métodos analíticos
quando os processos a serem estudados são muito complexos e/ou apresentam altos níveis de
incerteza.
A última seção – Simulação em call centers – tratou especificamente da aplicação da
ferramenta de simulação aos problemas de dimensionamento e gerenciamento dos call
centers. Desta forma, um retrato da atual importância da aplicação foi mostrado e as causas
que levaram a esse importante status foram levantadas, assim como foram especuladas as
tendências futuras do tema.
Foi também discutido o grande potencial que a ferramenta apresenta em relação ao
gerenciamento dos problemas da indústria em questão, incluindo os principais aspectos dos
call centers que a ferramenta é capaz de levar em consideração. Uma comparação entre as
possibilidades da ferramenta e as dos modelos analíticos foi apresentada, dentro do escopo
das centrais de atendimento.
A última parte da seção resumiu uma extensa pesquisa acerca dos softwares de simulação
para call centers existentes no mercado, destacando e comparando sua funcionalidade e
adequabilidade aos problemas da indústria em questão, levando em conta também as
características operacionais das centrais de atendimento que cada um é capaz de contemplar.
A seção permitiu perceber que a utilização da simulação para auxiliar a tomada de decisões
no gerenciamento de call centers possibilita, entre outras: a avaliação da situação atual; a
análise de cenários; a previsão da necessidade agregada de recursos e a programação da força
de trabalho; e a mensuração de indicadores de performance.
Também foi possível verificar que um modelo de simulação pode contemplar alguns aspectos
críticos dos call centers modernos, como: nível de serviço específico; flexibilidade na
distribuição dos tempos entre chegadas e de atendimento; tipos múltiplos de chamadas;
padrões de abandono de chamadas e de retorno de ligações; e overflow da central.
Por isso e por causa de outras tendências recentes e, de uma forma geral, da sofisticação e
complexidade cada vez mais presentes nos sistemas de call centers, os métodos tradicionais
mais usados no seu gerenciamento estão se tornando obsoletos e perdendo espaço para a
simulação, principalmente quando a operação é detalhada, a demanda varia muito e é
77
necessário viabilizar um melhor entendimento acerca dos processos da central e gerar
resultados mais acurados a respeito da sua performance.
Em relação aos softwares, foi constatado que pacotes de simulação especificamente
desenvolvidos para call centers estão disponíveis no mercado, permitindo analistas pouco
experientes construir modelos de centrais de atendimento, com relativa facilidade.
A comparação entre as opções disponíveis revelou, entre outras coisas, que a maioria delas
empreende a terminologia própria de call centers, mas não é utilizada maciçamente por
usuários. Além disso, quase nenhuma opção se mostrou flexível e capaz de ser integrada a
outras ferramentas de gerenciamento. A modelagem e a animação gráficas estão disponíveis
em apenas algumas opções. Os indicadores de performance podem ser observados
dinamicamente na maioria dos softwares, mas apenas alguns são capazes de realizar análises
financeiras (de custos) e quase nenhum possui alguma ferramenta para fazer um tratamento
estatístico preliminar dos dados de entrada.
Adicionalmente, a comparação permitiu observar que quase todos os softwares contemplam o
comportamento de abandono por parte do cliente. A maioria também permite a escolha da
distribuição dos tempos de atendimento e entre chegadas, assim como são capazes de limitar a
capacidade da central e determinar que alguns clientes sejam bloqueados antes de entrar no
sistema. Algumas das opções consideram diferentes tipos de centrais (inbound e outbound) e
de chamadas e habilidades dos agentes, permitindo o roteamento das ligações (inclusive o
baseado em habilidades), que podem ser transbordadas. Poucos softwares, no entanto, lidam
com centrais em diferentes locais físicos e permitem que diferentes políticas de discagem
sejam testadas (para os call centers do tipo outbound). Poucos também são aqueles capazes de
contemplar algumas características das centrais, como: a “re-tentativa” de ligação por parte do
cliente (depois de ser bloqueado ou desistir de esperar), mensagens deixadas pelos clientes,
conferência (entre o cliente e mais de 1 atendente) e transferência de chamadas.
Entre os softwares, o Arena Contact Center foi o que conseguiu reunir mais atributos
presentes nas operações das centrais de atendimento, mas deixou a desejar em alguns aspectos
gerais, como simplicidade, flexibilidade e utilização massificada.
78
4. Metodologia
4.1. Tipo de pesquisa
Vergara (1997) sugere dois critérios segundo os quais as pesquisas na área de administração
podem ser classificadas: quanto aos fins e quanto aos meios.
De acordo com a mesma, uma pesquisa, de uma forma geral, pode ter sua finalidade definida
como: exploratória, descritiva, explicativa, metodológica, aplicada e/ou intervencionista.
Segundo a autora, uma pesquisa será explicativa quando tiver como objetivo justificar os
motivos de algum fenômeno, esclarecendo quais fatores contribuem para a sua ocorrência;
será metodológica quando se referir a instrumentos de captação ou manipulação da realidade;
e será aplicada quando for motivada pela necessidade de resolver problemas concretos,
práticos.
Assim, o presente estudo pode ser caracterizado, do ponto de vista da sua finalidade, como:
explicativo, porque busca justificar o uso de métodos específicos de previsão de demanda e
da ferramenta de simulação no ambiente de call centers e entender que fatores e
características da operação contribuem (ou não) para isso; aplicado, pois foi motivado pela
necessidade de resolver problemas práticos na operação de call centers: a previsão de
demanda e o dimensionamento da capacidade de atendimento; e metodológico, já que elabora
e propõe a implementação de duas ferramentas – de previsão e de simulação – que consistem
em instrumentos de captação (previsão) e manipulação (simulação) da realidade.
A primeira ferramenta busca reunir informações quantitativas tratáveis (atualmente
consideradas apenas de forma subjetiva) acerca de uma das operações da empresa e processá-
las metodicamente de forma a conseguir prever de forma mais acurada a demanda de ligações
para a central, conforme será detalhado na seção 6.1 a seguir.
A segunda objetiviza reproduzir o funcionamento de uma outra operação da empresa em
alguns horários e sob algumas condições e simular cenários alternativos quanto à oferta de
capacidade de atendimento proporcionada, para verificar a performance do sistema perante os
diferentes cenários de forma a poder escolher o dimensionamento ideal para a central,
conforme será abordado na seção 6.2 a seguir.
79
De acordo com Vergara (1997), uma pesquisa pode ser classificada – quanto aos meios de
investigação – como sendo: pesquisa de campo, pesquisa de laboratório, pesquisa
telematizada, investigação documental, pesquisa bibliográfica, pesquisa experimental,
investigação ex post facto, pesquisa participante, pesquisa-ação e/ou estudo de caso.
Ainda segundo a autora, uma pesquisa será de campo quando consistir em uma investigação
empírica realizada no local onde ocorre um fenômeno, incluindo, por exemplo, entrevistas,
questionários, observação participante; e será um estudo de caso, quando o estudo estiver
circunscrito a uma ou poucas unidades (pessoas, produtos, empresas), e for aprofundado e
detalhado.
A presente pesquisa, então, pode ser entendida – no que diz respeito aos meios – como sendo:
de campo, já que é baseada em entrevistas e em uma investigação empírica no local do
fenômeno; e também como estudo de um caso único, já que está restrito a apenas uma
unidade (empresa), permitindo uma maior profundidade e um maior nível de detalhes durante
a análise.
Yin (1994) defende que o caminho ideal para identificar a ferramenta mais adequada para um
estudo é analisar três critérios de pesquisa: o tipo de questão de pesquisa; o grau de controle
que o pesquisador tem sobre o comportamento dos eventos; e o foco da pesquisa em eventos
históricos ou contemporâneos.
O presente trabalho envolve perguntas do tipo “como” e “por que”, caracterizando-se como
explicativo; também oferece baixo grau de controle sobre os eventos (decisões gerenciais); e
se propõe a contemplar e analisar situações restritas a um período específico de tempo
(eventos contemporâneos). O estudo de caso explanatório (ou explicativo) é a ferramenta
ideal para um trabalho com essas características, sendo considerado uma metodologia
abrangente, que vai desde a pergunta de pesquisa até as conclusões e a redação final,
passando pela coleta e análise de dados (YIN, 1994).
4.2. Seleção do caso e dos sujeitos
Yin (1994) coloca que os estudos de casos podem limitar-se a uma ou a várias unidades de
análise. Segundo o autor, o caso único deve ser utilizado para fins explicativos, quando o
estudo se enquadrar em pelo menos uma dentre três opções: caso decisivo, caso extremo ou
80
caso revelador. O primeiro tipo ocorre quando há elementos específicos que capacitam a
pesquisa como instrumento de validação ou contestação da teoria em questão.
Um dos objetivos do presente estudo é verificar a adequabilidade da ferramenta de simulação
à atividade de dimensionamento da capacidade operacional de uma central de atendimento
telefônico. A idéia consiste em utilizar o caso como instrumento de validação ou contestação
dessa adequabilidade, de forma a verificar que aspectos operacionais do call center são
determinantes para justificar o uso da simulação, o que o caracteriza como decisivo. Como a
pesquisa também apresenta uma finalidade explicativa (conforme abordado anteriormente na
seção 4.1), a escolha de apenas uma unidade de análise parece a mais apropriada, até para que
seja garantida uma profundidade necessária para os seus propósitos.
A unidade de análise abordada na presente pesquisa é a matriz da Contax Contact Center (do
grupo Telemar), a maior empresa fornecedora de serviço de atendimento telefônico do Brasil.
Alguns motivos guiaram a escolha da (única) unidade de análise:
• representatividade – pela sua ampla abrangência no mercado nacional, a Contax pôde
ser escolhida como unidade única de análise, mantendo mesmo assim um bom nível
de representatividade dentro da indústria;
• heterogeneidade operacional – por causa da grande variedade da sua carteira de
clientes, a Contax trabalha com diferentes operações, com níveis de complexidade
bem distintos entre si, fato que permitiu testar as ferramentas em cenários com
características diferentes;
• acessibilidade – pelo fato de alguns ex-alunos do COPPEAD trabalharem atualmente
na Contax, o acesso às pessoas responsáveis pela previsão de demanda e pelo
dimensionamento e gerenciamento da capacidade de atendimento foi facilitado.
Os principais sujeitos do caso são:
• o sr. Alberto Porto, Gerente de Planejamento de Tráfego e responsável pela previsão
de demanda e dimensionamento da capacidade de atendimento;
81
• e alguns de seus coordenadores (também responsáveis pela previsão de demanda e
planejamento de capacidade, mas cada qual com o seu horizonte de planejamento –
curto ou longo prazo – abrangência geográfica e carteira de produtos) e analistas:
o o sr. Alessandro Meira, Coordenador de Planejamento de Longo Prazo –
Telemar e OI;
o a sra. Vânia Miranda, Coordenadora de Planejamento de Curto Prazo –
Sudeste;
o o sr. Mario Pires, Analista de Planejamento de Longo Prazo – 102;
o e a sra. Renata Lourenço, Analista de Planejamento de Curto Prazo – Sudeste.
4.3. Coleta e tratamento dos dados
Nas pesquisas de campo, segundo Vergara (1997), os dados podem ser coletados através de:
observação (simples ou participante), questionário, entrevista ou formulário. Na modalidade
de entrevista, a presença física simultânea do autor e do(s) entrevistado(s) é obrigatória. Ela
pode acontecer sob a forma informal, focalizada (em um assunto) ou por pautas (estruturada,
seguindo uma agenda, e obtendo maior profundidade).
Em relação à coleta de dados para o estudo de caso em questão, foi escolhido o modelo de
entrevista (pela possibilidade de presença física simultânea) focalizada (pela necessidade de
uma certa profundidade nos assuntos de interesse da pesquisa). Os sujeitos mencionados na
seção 4.2 foram entrevistados (com e sem gravação) em 4 oportunidades, entre o período de
maio de 2005 e agosto de 2006.
É descrita a seguir a maneira como as informações obtidas foram tratadas de forma a
responder as questões levantadas. Aqui, essas questões também estão divididas em grupos,
conforme foi feito na seção 1.1.2:
4.3.1. Previsão
a) Que metodologia(s) é(são) aplicada(s)?
82
Para responder a primeira questão, o gerente e os profissionais responsáveis pela previsão de
demanda foram argüidos a respeito.
b) Essa(s) é(são) a melhor forma de prever tais grandezas?
c) Se não for(em), qual é?
Em função da resposta obtida na primeira questão, do conhecimento detalhado (através de
observação do seu histórico) das características dessas grandezas e dos resultados de uma
pesquisa relacionando as melhores técnicas de previsão de demanda de grandezas com as
características levantadas, foi respondida a segunda questão, assim como a terceira, junto com
a qual foi desenvolvido e sugerido um modelo de previsão para a quantidade de chamadas
demandadas (e também para o tempo médio de atendimento) por unidade de tempo.
4.3.2. Dimensionamento
d) Qual metodologia é aplicada para a resolução desse problema?
e) A simulação é utilizada?
f) Se não for, por que não é?
Para responder as três primeiras questões, o gerente e os profissionais responsáveis pelo
dimensionamento da capacidade de atendimento foram argüidos a respeito.
g) Quais são os trade-offs envolvidos na decisão de qual metodologia usar (simulação versus
outras)?
Para responder essa questão, foi realizada uma pesquisa relacionando as principais vantagens
e desvantagens da simulação em comparação ao uso de abordagens analíticas no contexto de
call centers, contemplando as peculiaridades deste setor.
h) Como a simulação pode dar apoio às decisões referentes ao processo de dimensionamento
do call center?
Para responder essa questão, diversos modelos de simulação foram construídos –
contemplando diferentes características reais dos call centers e para diferentes possíveis
cenários alternativos – para auxiliar a tomada de decisão a respeito do dimensionamento do
83
efetivo. Eles foram usados para calcular indicadores de performance e sugerir soluções para o
problema em questão, em relação a situações efetivamente vividas pela empresa no passado
recente.
i) Que aspectos operacionais do call center não podem ser bem tratados por outras
metodologias, sendo determinantes para justificar o uso da simulação?
j) A simulação fornece resultados mais acurados em algumas situações do cotidiano
operacional do call center? Em quais situações?
Para responder essas questões, os mesmos indicadores e resultados obtidos a partir das
soluções propostas pela abordagem analítica (utilizada atualmente pela empresa) foram
comparados aos conseguidos através da simulação e aos resultados que, de fato, ocorreram
posteriormente na operação da empresa, em cenários bem parecidos com os usados nas
análises. Essa confrontação com os resultados reais foi possível graças a uma incursão na base
de dados da Contax, que permitiu o acesso às informações relevantes.
A acurácia das duas abordagens (analítica versus simulação) foi, então, comparada em uma
série de cenários (idealizados a partir da inspiração adquirida durante o desenvolvimento da
pesquisa bibliográfica apresentada na seção 3.5 anterior) envolvendo diferentes características
– reais e supostas – da operação e situações hipotéticas de comportamento da demanda, para
que fosse feito um mapeamento a respeito de quais características das operações de call
centers e quais possíveis cenários hipotéticos estariam sendo responsáveis por garantir mais
acurácia para os resultados encontrados e por justificar o uso da abordagem experimental.
k) Quais softwares estão disponíveis para o uso da simulação aplicada a call centers?
l) Quais são as suas características?
m) Quais deles são utilizados no call center estudado?
Para responder a última questão, os responsáveis pelo setor de dimensionamento foram
argüidos a respeito. Uma pesquisa (apresentada na seção 3.5.1) a respeito dos softwares
existentes ajudaram a responder as outras duas, sendo que a resposta à questão “l” ficou mais
evidenciada nos quadros apresentados nas tabelas 2 e 3 anteriores.
84
O software escolhido para modelar e simular as operações de atendimento telefônico da
Contax foi o Arena Contact Center. Tal escolha deveu-se à ótima adequação do produto às
especificidades das operações em questão, à facilidade do seu manuseio, à sua riqueza de
recursos (conforme pode ser observado nas tabelas 2 e 3 anteriores), ao prévio conhecimento
do pesquisador a respeito do software Arena (que serve de plataforma para o produto) e ao
pronto fornecimento de uma cópia de estudante por parte da empresa fornecedora do
software, o que efetivamente viabilizou a pesquisa.
4.4. Limitações do método
Uma das críticas mais comuns ao método do caso trata da impossibilidade de generalização
dos resultados da pesquisa. Adicionalmente, o estudo de um único caso carrega a grave
limitação da incerteza a respeito do fato do caso estudado ser realmente representativo do
universo do qual ele seria uma amostra. (GIL, 1987)
A presente pesquisa foi conduzida em apenas uma empresa e pode, portanto, não ser
totalmente representativa em termos de cenário nacional da indústria de call centers. Pelo fato
de se tratar da maior empresa brasileira no ramo e de apresentar uma ampla variedade de
clientes (tanto em termos de tamanho quanto em termos de natureza da sua operação), a
probabilidade de não representatividade, no entanto, diminui razoavelmente.
Outras limitações decorrentes do escopo restrito do estudo podem ser explicitadas. Em
primeiro lugar, algumas das conclusões obtidas a partir das entrevistas dependem em boa
parte das opiniões pessoais dos indivíduos que foram argüidos na ocasião da pesquisa,
estando sujeitas a uma boa dose de subjetividade. Adicionalmente, algumas constatações
podem carregar um caráter um tanto quanto temporal, já que a mesma empresa pode vir a
apresentar um cenário completamente diferente em um outro momento de tempo em que esse
texto venha a ser lido, que não aquele a partir do qual ele foi elaborado.
A ferramenta de previsão proposta pela pesquisa considera apenas informações referentes às
características intrínsecas das datas consideradas na análise (como dia da semana, feriados e
proximidade com os dias de chegada e vencimento das contas telefônicas). Outros eventos
especiais relacionados a datas específicas, mas não com um caráter intrínseco – como
campanhas na mídia, crescimento de base e outros aspectos potencialmente impactantes na
85
demanda – ainda precisam ser considerados “por fora” pelos analistas e inseridos
manualmente na ferramenta.
A ferramenta em questão tratou os dias considerados na análise de forma binária (sim ou não)
no tocante a consistirem ou não de feriados; ou seja, não foi considerado um meio-termo para
essa questão, impossibilitando a ocorrência de “feriados menos intensos”, o que normalmente
pode ocorrer com feriados locais ou com dias “imprensados” entre o feriado e o final de
semana.
O efeito da proximidade de certos dias em relação às datas de chegada e vencimento das
contas de telefone foi considerado apenas de forma nacional pela ferramenta. Em outras
palavras, o impacto na demanda proporcionado pelo fato de um determinado dia tratar-se da
véspera do vencimento para 100.000 contas de Minas Gerais pode ser diferente do impacto
causado pelo fato do dia tratar-se da véspera do vencimento para 100.000 contas do Ceará, já
que o comportamento cultural dos mineiros em relação ao vencimento da conta pode ser
diferente do comportamento dos cearenses; mas a ferramenta não reconhece essas potenciais
diferenças e trata os impactos de forma homogênea.
Devido à dificuldade de obtenção – junto à Contax – de dados mais recentes do histórico de
demanda (volume de ligações e TMA) do produto 103, não foi possível verificar a qualidade
do modelo de previsão através de dados que não foram usados para a construção do mesmo.
Só foi possível mensurar sua funcionalidade em relação ao passado (período dos dados usados
como input), mas não se o modelo vai funcionar bem em relação ao futuro (o que teria sido
conseguido se o modelo pudesse ter sido aplicado a um período de dados diferente dos que
foram usados para a sua concepção). Em outras palavras, o modelo pode ter se adequado bem
a um conjunto específico de dados (datas), mas não foi possível generalizar tal
adequabilidade.
Ainda a respeito da ferramenta de previsão proposta, não é razoável deixar de atentar para o
fato que ela não considera uma possível sazonalidade da demanda ao longo do ano. Pelo fato
do histórico de demanda disponível para a sua elaboração consistir de apenas alguns poucos
meses, não foi possível para a ferramenta tentar capturar esse efeito sazonal. Mas não é
sensato afirmar que ele não existe.
86
Já em relação ao problema de dimensionamento, a cópia de estudante conseguida junto à
empresa fornecedora do software usado para a simulação das operações (Arena Contact
Center) permite apenas a modelagem de centrais de atendimento com, no máximo, 20
posições de atendimento (PAs). Esta limitação impediu a simulação da operação em horários
de muito movimento, que requereriam uma quantidade maior de operadores.
Isto também impossibilitou a simulação de um dia contínuo de operação da central (que
consistia na idéia original), já que em alguns períodos do dia, seriam dimensionados muito
mais do que 20 atendentes. Tal impedimento foi um pouco lamentável, porque a simulação do
dia, como um todo, permitiria a visualização das transições de horários, o que seria bastante
interessante por causa das mudanças acentuadas nas curvas de demanda experimentadas
durante as transições, que permitiriam enriquecer a análise.
Esta restrição, no entanto, não chegou a ser comprometedora, pois o interesse maior da
pesquisa consiste na análise de situações com diferentes níveis de atendimento à demanda (e
conseqüentes níveis de serviço oferecidos); assim – já que não era necessário modelar,
necessariamente, situações com efetivos substancialmente diferentes – a limitação não
impediria o dimensionamento de, por exemplo, 20 agentes para um horário que necessitava de
10 deles, novamente 20 para um horário que necessitava de 20 deles e outra vez 20 para um
horário que necessitava de 40 deles.
Durante a simulação dos modelos, não foi possível descobrir a correta distribuição estatística
e a variabilidade do tempo entre chegadas de ligações e do tempo de atendimento. Isso
aconteceu porque a Contax não dispunha – ao menos de forma acessível – do registro de cada
ligação individual, contendo a informação do horário de sua entrada no sistema e da
quantidade de tempo transcorrida até o seu atendimento.
Estas informações estavam disponíveis apenas por agrupamentos de 30 minutos (por
exemplo: 792 ligações chegaram ao sistema no período entre 10:00 e 10:30 de um
determinado dia, levando, em média 28,7 segundos para serem atendidas), o que
impossibilitou uma análise de aderência destes tempos aos formatos conhecidos de
distribuições.
87
Para lidar com esta limitação, os modelos assumiram a premissa comumente utilizada de que
o intervalo entre chamadas segue uma distribuição exponencial e o tempo de atendimento
segue uma distribuição Erlang.
No primeiro caso, a suposição é bem razoável já que o processo de chegada das ligações não
apresenta nenhum controle e pode ser considerado aleatório. Mas, no segundo caso, apesar de
a distribuição Erlang representar bem o processo de atendimento, a suposição é um pouco
mais forte e ousada. Além disso, tal distribuição requer um parâmetro adicional (além da
média) a respeito da variabilidade dos dados, que teve que ser suposto, devido à falta de
registro das ligações individuais, conforme mencionado anteriormente.
O ideal seria que este registro pudesse ser utilizado para a correta investigação acerca do
formato das distribuições destes tempos e dos seus respectivos parâmetros, até porque –
conforme levantado durante a pesquisa bibliográfica – os resultados obtidos através da
simulação podem ser sensíveis a estes formatos e, portanto, a acurácia das conclusões pode
ter ficado um pouco prejudicada.
Durante a mesma atividade, foi necessário adotar premissas baseadas no julgamento subjetivo
dos analistas (e, conseqüentemente, um tanto arbitrárias) a respeito do comportamento de
retorno da ligação por parte do cliente após o abandono da chamada (depois de aguardar por
muito tempo) e também após a chamada ser bloqueada (antes mesmo de entrar no sistema)
por causa da ausência de linhas disponíveis no tronco.
O sistema da Contax não permite o rastreamento individual de cada chamada e, portanto, não
foi possível mapear objetivamente estes comportamentos. A sua correta consideração, no
entanto, poderia gerar resultados mais acurados.
O julgamento subjetivo dos analistas também precisou ser utilizado para estimar o impacto no
tempo de atendimento ocorrido quando as chamadas não são atendidas pelo seu tipo de agente
preferencial (“básico” ou “plus”). O procedimento ideal seria uma coleta empírica destas
informações, dificultada, no entanto, pelo fato dos atendentes estarem situados em uma cidade
diferente da onde se encontravam a equipe de dimensionamento e o pesquisador.
88
5. Descrição do Caso
Este capítulo descreve – de uma forma geral e enfocando os aspectos mais relevantes para os
objetivos da pesquisa – a empresa estudada, a partir da coleta de informações realizada
principalmente através de entrevistas e pesquisas na Internet, mas incluindo também algumas
observações realizadas pelo pesquisador.
5.1. A Gerência de Planejamento de Tráfego da Contax
A área da empresa enfocada e explorada neste estudo é a de Planejamento de Tráfego, já que
é responsável pelo tratamento dos problemas aqui explorados, em especial o de previsão de
demanda de chamadas e o de planejamento da capacidade de atendimento. O principal
software que o setor utiliza para auxiliar as decisões gerenciais de planejamento operacional é
o TotalView, totalmente integrado à infra-estrutura de telefonia.
O produto consiste em uma ferramenta de força de trabalho utilizada para dimensionar e
controlar o atendimento, que auxilia os gerentes na previsão de demanda (por horário e dia da
semana), no planejamento da capacidade e na análise de cenários (através de fórmulas
Erlang), no desenvolvimento do esquema de horários dos atendentes, na integração entre
diferentes centrais e com a geração de relatórios gerenciais. O software desenvolve seus
cálculos matemáticos baseando-se em métodos analíticos (teoria de filas), não trabalhando
com simulação. (IEX, 2005)
A arquitetura do TotalView está esquematizada na figura 10 a seguir.
Figura 10 – Arquitetura do TotalView
Fonte: Material coletado nas entrevistas
Dados de
Dados de
mão de
mão de
obra
obra
Alocação
Alocação
Previsões
Previsões
Histórico
Histórico
Dados
Dados
do DAC
do DAC
Gera
Gera
Previsões
Previsões
GeraGera
Alocações
Alocações
Dados de Pessoal
Dados de Pessoal
(turno,
(turno,
pausas,
pausas,
férias,
férias,
etc.)
etc.)
Dados de
Dados de
mão de
mão de
obra
obra
Alocação
Alocação
Previsões
Previsões
Histórico
Histórico
Dados
Dados
do DAC
do DAC
Gera
Gera
Previsões
Previsões
Gera
Gera
Alocações
Alocações
Dados de Pessoal
Dados de Pessoal
(turno,
(turno,
pausas,
pausas,
férias,
férias,
etc.)
etc.)
89
O software permite o acompanhamento da quantidade de chamadas, permitindo a comparação
do que está efetivamente acontecendo com o que foi previsto e com o que foi acordado no
nível de serviço, conforme pode ser observado na tela exemplifica na figura 11 a seguir.
Figura 11 – Tela de acompanhamento da quantidade de chamadas do
TotalView
Fonte: Material coletado nas entrevistas
Também é possível verificar a aderência, que consiste na comparação entre a escala planejada
para cada atendente e o seu cumprimento efetivo de horários e tarefas, conforme pode ser
observado na tela exemplificada na figura 12 a seguir.
90
Figura 12 – Tela de verificação da aderência do TotalView
Fonte: Material coletado nas entrevistas
Outro software utilizado pela área de Planejamento de Tráfego é o CentreVu Supervisor, que
monitora as operações e a coleta de dados (que podem ser visualizados na figura 13 a seguir)
da central.
91
Figura 13 – Tela de monitoramento do CentreVu Supervisor
Fonte: Material coletado nas entrevistas
Estes dados são então organizados em relatórios que ajudam os analistas no gerenciamento
dos recursos e do pessoal das centrais de atendimento. Os relatórios podem ser exibidos em
tempo real (conforme exemplificado na figura 14 a seguir), impressos imediatamente ou
armazenados.
92
Figura 14 – Relatório do CentreVu Supervisor
Fonte: Material coletado nas entrevistas
O principal objetivo da Gerência de Planejamento de Tráfego é ter a quantidade certa de
pessoas, na hora certa e no lugar certo, dentro de uma previsão precisa, para atingir as metas
de atendimento estabelecidas. Em outras palavras, o call center deve ser otimizado em termos
de redução de custos e de atendimento dos clientes finais dentro do nível de serviço
estipulado pelo contratante. Para atingir tais objetivos, as atividades do setor precisam ser
encaradas internamente como parte de um processo de melhoramento contínuo, conforme
ilustrado na figura 15 a seguir.
93
Figura 15 – Atividades da Gerência de Planejamento de Tráfego
Fonte: Material coletado nas entrevistas
A estrutura organizacional da área pode ser visualizada na figura 16 a seguir:
Figura 16 – Organograma da Gerência de Planejamento da Contax
Fonte: Material coletado nas entrevistas
Forecast
Change Management
Reporting / Analysis
Schedulling
Previsão precisa de
volumes de contato,
tempo médio de atendimento,
e requerimentos de equipe
Escalando agentes
eficientemente para
atividades de acordo com
os requerimentos volume
de contatos previstos e
trabalhos off-line
Gerencie agentes e recurso de
acordo com as demandas do
dia-a-dia
Transformando dados e
resultados em
conhecimento para a
melhoria continua dos
processos de workforce
management
Workforce
Management
Cycle
Precisão
Automação
Forecast
Change Management
Reporting / Analysis
Schedulling
Previsão precisa de
volumes de contato,
tempo médio de atendimento,
e requerimentos de equipe
Escalando agentes
eficientemente para
atividades de acordo com
os requerimentos volume
de contatos previstos e
trabalhos off-line
Gerencie agentes e recurso de
acordo com as demandas do
dia-a-dia
Transformando dados e
resultados em
conhecimento para a
melhoria continua dos
processos de workforce
management
Workforce
Management
Cycle
Workforce
Management
Cycle
Precisão
Automação
94
Conforme pode ser observado, a gerência de planejamento central chefia várias coordenações
que incluem, além do coordenador, analistas e especialistas:
• as três primeiras (da esquerda para a direita), de planejamento de longo prazo,
responsáveis cada qual por uma fatia da carteira de produtos da empresa: Telemar &
OI; Orbital & Net; e TMK, RET & COB, respectivamente;
• as três seguintes, de planejamento de curto prazo, responsáveis cada qual por uma
parcela geográfica do mercado da empresa: São Paulo; Região Sudeste; e Região
Nordeste, respectivamente;
• a última, responsável por serviços e projetos especiais da empresa.
As coordenações de planejamento de longo prazo realizam toda a parte de macro-previsão e
macro-dimensionamento das operações dos seus respectivos produtos. O olhar dos
coordenadores e analistas é estratégico, já que eles devem planejar o call center a médio (60
dias de antecedência) e longo prazo, e determinar antecipadamente quantas posições de
atendimento, operadores, linhas e portas de URA a central irá demandar em um período
futuro, tendo como base a captação de clientes e o crescimento natural da central.
Já as coordenações de planejamento de curto prazo trabalham mais o dia-a-dia, tendo a
incumbência de aplicar o que foi planejado pelas coordenações de longo prazo (em termos de
quantidade de recursos) e de identificar possíveis desvios em relação ao que foi planejado.
Além disso, devem gerenciar aspectos cotidianos da operação (como horas-extras, folgas
etc.). O olhar dos coordenadores e analistas é mais operacional, já que eles devem
acompanhar a demanda de ligações que o call center recebe a fim de adequar os recursos
humanos e tecnológicos a ela, sem sobras ou faltas.
Esta estrutura organizacional foi implantada no início de 2005. Anteriormente, não havia
equipe de planejamento de longo prazo. As pessoas que faziam as previsões e
dimensionamentos de longo prazo eram as mesmas que cuidavam do planejamento local, de
curto prazo, cuidando do dia-dia, fazendo as escalas, programando horas-extras e
acompanhando as filas. Assim, no momento em que havia chamadas em fila de espera, o
planejamento de médio e longo prazo perdia prioridade e o foco acabava sendo no curto
prazo. O “emergencial” sempre substituía o “importante”, que era preterido. Dessa forma, as
previsões eram piores, os desvios eram maiores e o que era “importante” (mas havia sido
95
deixado de lado) virava “emergencial” 60 dias depois. Essa “bola de neve” ia aumentando e o
“emergencial” acontecia com mais freqüência do que teria ocorrido se as previsões de médio
e longo prazo não tivessem sido preteridas.
Com a mudança, a quantidade de funcionários da área não aumentou; apenas houve uma
realocação de parte dos integrantes das equipes locais (que eram maiores) para as equipes de
longo prazo. Esta segmentação da estrutura (contando agora com uma equipe estratégica –
longo prazo – e outra pra continuar cuidando do dia-dia – curto prazo – mas sem a
responsabilidade de ter que prever em longo prazo) foi fundamental pra melhorar o índice de
acerto das previsões.
Além disso, a divisão conseguiu melhorias operacionais significativas, já que as pessoas
podem se especializar, focando a parte de análise e esquecendo a parte do dia-dia ou vice-
versa, conforme o caso. Outro ponto importante é o fato de as pessoas terem perfis diferentes.
Assim, o planejamento de curto prazo aloca funcionários dinâmicos, pró-ativos, aptos a
“apagarem incêndios”; o planejamento de longo prazo demanda e utiliza funcionários mais
analíticos, estrategistas, capazes de identificar oportunidades e de olhar a operação “de fora”.
5.2. Principais desafios operacionais
A percepção do consumidor acerca do nível de serviço da empresa ainda é muito influenciada
pela memória de maus serviços da época anterior à privatização do setor de
telecomunicações. A empresa – que nasceu da terceirização do SAC de seu primeiro e ainda
maior cliente, uma ex-estatal do setor – carrega, por isso, um desafio ainda maior de reverter
essa insatisfação, com todas as pressões e limitações inerentes ao setor (citadas em 2.1.1).
De acordo com o gerente de Planejamento de Tráfego da empresa, a principal “dor-de-
cabeça” consiste em conseguir melhorar as previsões de demanda, tanto em termos da
quantidade de ligações quanto em termos do tempo médio de atendimento. A acurácia das
previsões não é boa para alguns produtos, e ele próprio “sente” que – principalmente para o
produto 103 – a empresa dispõe de todas as informações que poderiam fornecer uma melhor
previsão, estando apenas carente de um método mais adequado.
Outro desafio consiste em, a partir do input fornecido pela previsão de demanda,
dimensionar corretamente a capacidade de atendimento em cada período ou, em outras
96
palavras, a quantidade necessária de atendentes por horário, de forma contínua durante a
operação, em face de mudanças em alguns inputs, premissas e/ou parâmetros.
Dentro desta questão do dimensionamento, o plano de horários dos atendentes também
consiste em um problema, pois eles não gostam quando seus horários, pausas para lanches,
folgas e férias mudam (e muitas vezes é interessante para a Contax – do ponto de vista da
eficiência operacional – fazer essas mudanças). Essa insatisfação pode causar pedidos de
demissão, absenteísmo e piora na qualidade do atendimento.
Um outro ponto que revela um grande potencial de melhoria a ser estudado diz respeito ao
operador multi-produto. O gerente de Planejamento de Tráfego da empresa tem a impressão
que é economicamente vantajoso utilizar um mesmo operador para atender duas ou mais
operações diferentes ao mesmo tempo, de modo a tentar reduzir a sua ociosidade. Isso poderia
acontecer no caso de operações relativamente similares em que o mesmo operador pudesse
trabalhar e que apresentassem comportamentos complementares de demanda ao longo do dia
(ou da semana ou do mês).
5.2.1. Previsão de demanda
Conforme descrito na seção 5.1, a elaboração da previsão de demanda de longo prazo é
realizada para cada produto da empresa por parte da respectiva coordenação. De acordo com
o que foi manifestado pelo gerente de Planejamento de Tráfego (citado na seção 5.2), o
produto 103 parece ser o que encerra o maior potencial de melhoria na sua previsão de
demanda, a ser alcançado através de um método mais adequado para tal.
Isso ocorre porque, em relação ao produto 103, a empresa dispõe de uma boa quantidade de
informação que poderia servir de subsídio para tornar a previsão um pouco melhor do que
realmente costuma ser. Essas informações são basicamente as quantidades de contas enviadas
para os clientes em cada data (normalmente 5-6 dias antes do vencimento) e as suas próprias
datas de vencimento. O “sentimento” da gerência e da coordenação do produto 103 é que a
demanda de ligações para o produto é influenciada pelos eventos de chegada da conta e do
seu próprio vencimento, datas em que haveria maior acesso ao serviço por parte dos clientes.
O problema é que o sistema utilizado para previsão de demanda não leva em conta essas
informações, conforme será visto ainda nesta seção.
97
Conforme organograma apresentado na figura 16 anterior, a área que cuida da previsão de
demanda do produto 103 é a Coordenação de Planejamento de Produto – Telemar & OI, que é
responsável, na verdade, por toda a atividade de previsão de demanda e dimensionamento da
capacidade de atendimento das operações Telemar e OI, compreendendo os produtos 102,
Suporte técnico e reparo de defeitos da Telemar, Velox e OI, além do próprio 103.
Em termos de previsão de demanda, quanto mais complexa e heterogênea for a operação, e
quanto mais freqüente for a ocorrência de eventos especiais, maior será a dificuldade em
realizar a previsão. Os produtos Velox e OI se encaixam nesse quadro, enquanto que o 102
consiste no mais estável deles, sem dúvida, e conseqüentemente, no de maior previsibilidade.
O Velox ainda vive um momento instável, com muitas ocorrências, campanhas na televisão e
uma base de clientes ainda em crescimento. A operação OI é mais dinâmica, em função da
concorrência bem maior que na telefonia fixa, da ocorrência de campanhas de marketing, do
crescimento da base de clientes (mercado em grande expansão, ainda não consolidado).
Enfim, pelo fato do mercado de telefonia celular ser bem mais dinâmico do que o de telefonia
fixa, sua previsão é ainda mais difícil do que a do próprio produto 103, acerca do qual a
empresa tem um domínio maior.
A magnitude dos erros cometidos no processo de previsão é capaz de dar uma boa idéia da
complexidade de cada operação. Até o ano de 2004, a mensuração dos erros de previsão
ocorria de forma mensal; ou seja, as previsões eram feitas para cada período de meia-hora,
mas, no momento de calcular o seu erro, elas eram agregadas mensalmente, e então o total era
comparado com o total mensal efetivamente ocorrido no período. O problema é que poderia
estar havendo um erro de previsão para mais em um determinado dia, que acabaria sendo
compensando (na ótica do erro mensal) por um erro de previsão para menos em outro dia do
mesmo mês, quando, na verdade, a empresa teria perdido dinheiro em um dia (devido à
ociosidade) e nível de serviço no outro (devido ao sub-dimensionamento da capacidade de
atendimento). Assim, o indicador do erro não era verdadeiro.
Desde o ano de 2005, então, o horizonte de mensuração do erro de previsão para esses
produtos passo a ser diário (ao invés de mensal), eliminando a possibilidade de ocorrência de
equívocos como os citados acima. No exemplo em questão, o método de acompanhamento
mensal do erro indicaria um acerto na previsão consolidada do mês, enquanto que o
98
acompanhamento diário acusaria erro de previsão dos 2 dias (um para mais e outro para
menos).
A tabela 4 a seguir revela a magnitude do erro absoluto percentual médio (segundo a ótica
diária) cometido durante o processo de previsão de demanda para cada um dos produtos
citados, em meados do ano de 2006.
Tabela 4 – Magnitude do erro absoluto (%) médio por produto, 2006
Produto/operação Magnitude do erro médio
OI 8 a 10%
Velox 6%
103 5%
Suporte técnico e reparos 5%
102 3 a 4%
Fonte: Material coletado nas entrevistas
Na opinião dos responsáveis pela previsão de demanda, esses indicadores de erro durante o
processo encontram-se em patamares baixos, sendo considerados mais do que aceitáveis. No
entanto, os mesmos entendem que existe um potencial de melhoria no processo, de forma que
esses erros podem se tornar ainda menores, especialmente no caso de alguns produtos.
Como pode ser observado e já havia sido colocado, a operação OI revela-se como sendo a de
menor previsibilidade, devido às complexidades do mercado, enquanto que o produto 102
aparece como sendo o mais previsível, por conta, principalmente, da estabilidade da sua
operação e pelo fato de não apresentar muitos fatores capazes de impactar sua demanda, que é
bem mais linear.
Por causa da estabilidade da operação e por não apresentar mudanças significativas ao longo
do tempo, o produto 102 foi escolhido para participar de um estudo-piloto (iniciado no
começo do ano de 2006) cujo intuito é mudar a metodologia de acompanhamento do erro de
previsão. A compensação de erros hipotetizada anteriormente em dois dias do mesmo mês
99
pode, na verdade, ser ainda mais drástica e acontecer ao longo de um dia, se um período de
meia-hora tiver sua demanda superestimada enquanto outro período de meia-hora do mesmo
dia for subestimado em termos de demanda.
A nova metodologia mensura o erro de meia em meia-hora (que é o bloco unitário mínimo de
tempo, período para o qual são realizadas as previsões, consistindo na unidade ideal para o
acompanhamento do erro). Os erros obtidos são maiores e, obviamente, mais realistas. Para o
produto em questão, a meta para o erro de previsão – antes da mudança de metodologia – era
de 5%. Depois da migração para a nova metodologia, a meta passou a ser de 12% de erro. Os
desvios obtidos na previsão de demanda do produto 102, sob este novo horizonte de
acompanhamento, têm sido considerados bem satisfatórios, portanto: na faixa de 6%, em
média.
Em algumas situações atípicas, esse erro chega a subir – mas raramente ultrapassa – para um
patamar de 10% (que ainda é bem aceitável, face à própria meta): Copa do Mundo (devido à
ausência de histórico), meses com muitos “dias enforcados” e feriados locais), férias,
problemas com grandes empresas (como no caso da Varig), entre outras.
O prazo previsto de migração dos outros produtos para este novo horizonte de
acompanhamento do erro de previsão é janeiro de 2007.
A rotina para a elaboração da previsão de demanda, empreendida pela equipe da Coordenação
de Planejamento de Produto – Telemar & OI, envolve as seguintes etapas:
1. Analisar e coletar dados do histórico da operação;
2. Determinar o padrão de ligações e com isto o volume de ligações para cada mês,
semana, dia e para cada meia-hora do dia, usando os dados históricos da operação;
3. Projetar a carga de trabalho, que servirá de base para o cálculo da necessidade de
atendentes, assim como de recursos de infra-estrutura.
Os tipos de dados a serem coletados variam de acordo com o horizonte de planejamento que
está sendo feito:
• Planejamento Anual
100
• Como as ligações se comportam ao longo dos meses?
• Como o tempo de atendimento se comporta?
• Planejamento Mensal
• Como as ligações e o TMA se comportam ao longo das semanas do mês?
• Como as ligações e o TMA se comportam ao longo dos dias da semana?
• Dias extraordinários (promoções, feriados)
• Planejamento Diário
• Como as ligações e o TMA se comportam ao longo do dia?
• Eventos (treinamentos, reuniões)
• Ações extraordinárias (divulgação em mídia)
A maneira como é realizada a projeção da carga de trabalho também depende do horizonte de
planejamento. Para o planejamento anual, aplica-se a tendência de crescimento (ou
decréscimo) ocorrida nos últimos anos para se determinar o montante de ligações que irá
ocorrer no ano em questão; os percentuais de sazonalidade são então aplicados em cada mês,
para que possa ser feita a distribuição do montante anual ao longo de cada período. Outra
forma consiste em aplicar a contact rate (taxa de ligações por cliente na base; que também
sofre sazonalidade) ao total de clientes na base em cada mês.
Para o planejamento mensal, divide-se o volume mensal de ligações (projetado anteriormente)
em semanas e depois em dias, utilizando os percentuais (semanais e diários) históricos para a
correta alocação a cada período. Esses percentuais de sazonalidades são aplicados não
somente à demanda de ligações, mas também ao tempo médio de atendimento que, da mesma
forma, precisa ser previsto.
101
O cálculo realizado para o planejamento diário é análogo: multiplica-se o percentual histórico
de ligações de cada período de meia-hora pelo volume de chamadas previsto para o dia. Um
cálculo semelhante é feito para o TMA.
De uma forma geral, o processo completo de elaboração da previsão do volume de ligações e
do TMA pode ser visualizado através do esquema apresentado na figura 17 a seguir.
Figura 17 – Macro-processo de previsão de ligações e TMA .
Fonte: Material coletado nas entrevistas
Por causa deste processo e do diferente grau de complexidade da operação de cada produto,
os prazos de antecedência necessários para a previsão da demanda dos mesmos varia de
acordo com a duração do processo de validação junto ao cliente e, principalmente, com o
tempo necessário para selecionar, contratar e treinar os operadores (bastante variável, devido
as diferentes complexidades operacionais dos produtos). Esta necessidade de contratação está
sempre presente na realidade da empresa, pois a rotatividade (devido à demissão) dos
atendentes situa-se na faixa de 4 a 5% ao mês; assim, mesmo se a operação for estável em
termos de crescimento de base, existe a necessidade mensal de contratação para repor os
demissionários. A contratação mensal só deixa de acontecer, naturalmente, nos casos em que
a demanda de ligações estiver caindo.
Depois de gerada a informação de previsão, os valores são validados com os clientes internos
e com o cliente externo (contratante), a necessidade de pessoas é identificada
(dimensionamento) e as contratações são decididas.
102
Sob uma ótica menos global, o processo de previsão de demanda pode ser visto de forma mais
detalhada. O primeiro passo consiste na geração de uma previsão básica, realizada pelo
software de gerenciamento de força de trabalho, o TotalView. Um dos seus módulos é o de
forecast, que trabalha com o histórico de demanda e faz a previsão de ligações baseado nas 13
últimas semanas, calculando uma média ponderada, com pesos diferenciados (maiores para as
semanas mais recentes e menores para as mais remotas, tendo como sugestão – padrão para
todos os produtos – os valores que constam na tabela 5 a seguir, mas que podem ser
customizados pelo analista). A previsão é gerada para cada intervalo de meia-hora, levando
em consideração também a sazonalidade do dia da semana. Assim, por exemplo, para calcular
a demanda de ligações da próxima terça-feira, no período de 10:30-11:00, o TotalView
considera o histórico de demanda desse mesmo intervalo de meia-hora e calcula a média
ponderada da demanda das últimas 13 terças-feiras. O software realiza a previsão dessa
maneira, não só para a quantidade de ligações, mas também para o tempo médio de
atendimento (TMA).
Tabela 5 – Pesos-padrão do TotalView usados no cálculo da média
ponderada de demanda
Semana Peso
Última
(
1
)
11%
Penúltima
(
2
)
11%
Ante
p
enúltima
(
3
)
11%
4 11%
5 9%
6 9%
7 7%
8 7%
9 7%
10 5%
11 4%
12 4%
13 4%
Fonte: Material coletado nas entrevistas
O segundo passo consiste em uma crítica – por parte dos analistas da coordenação – a esses
números gerados pelo TotalView. O software busca o histórico do dia em questão nas últimas
103
13 semanas, mas se nesse histórico houver alguma informação poluída (por exemplo: queda
no sistema, acarretando um TMA mais baixo durante o período; ou um jogo da Copa do
Mundo, acarretando redução na quantidade de ligações), a limpeza deve ser feita pelo
analista. Este deve fazer uso do seu bom senso e poder analítico para, se perceber que existe
algum desvio grande no histórico, realizar o ajuste manualmente – modificando ou
expurgando do histórico o dado discrepante – e gerar novamente a previsão, de forma
pontual. Este acompanhamento acontece diariamente.
Depois da geração da prévia da previsão (número inicial do TotalView) e da crítica inicial da
equipe, o terceiro passo consiste em incorporar aos valores previstos o possível impacto
causado por alguns eventos especiais (segunda-feira de carnaval ou uma ocorrência diferente
em algum sábado, por exemplo). A maneira de incorporar tais impactos depende da natureza
do evento (se são novos ou desconhecidos) e do prévio conhecimento das suas conseqüências.
Por exemplo, a Copa do Mundo impacta diretamente a demanda no período, já que a
quantidade de ligações durante os jogos do Brasil (e durante o próprio dia do jogo) apresenta
queda significativa. Mas, em 2002, os jogos aconteceram de madrugada e não há histórico
para a Copa de 1998; assim, para prever os impactos da Copa de 2006, foi necessário buscar
eventos similares, como a Copa das Confederações e a Copa América.
Em relação ao produto Suporte técnico e reparo de defeitos, a ocorrência de chuvas
caracteriza-se como um evento especial, já que impacta diretamente a quantidade de clientes
com terminais telefônicos defeituosos e, conseqüentemente, a demanda de ligações para o call
center. No entanto, este evento torna-se um pouco mais conhecido com o uso de previsões
meteorológicas por período (coletadas junto ao INMET – Instituto Nacional de
Meteorologia), que servem de input para um ajuste na demanda prevista para a central de
atendimento. Para o produto em questão, é necessário, no entanto, prever a ocorrência de
chuvas com uma antecedência de 60 dias, que consiste no prazo que as previsões de demanda
devem ser realizadas, de forma a viabilizar a contratação e treinamento de eventuais novos
operadores. Mesmo com toda essa antecedência, o índice de acerto costuma ser bom, de
acordo com o coordenador do setor. A previsão meteorológica de curto prazo, ainda mais
precisa e capaz de identificar dias e horários com ocorrência de chuvas, serve de input para as
equipes locais de planejamento de curto prazo, que cuidam do ajuste fino no dia-a-dia.
104
Alguns dos eventos especiais podem ter seu impacto previsto de uma forma melhor, quando a
equipe de analistas é subsidiada por algumas premissas recebidas de outros setores, capazes
de impactar cada um dos produtos.
Estes eventos especiais incluem, entre outros:
• campanhas publicitárias na televisão – aumentando a demanda do OI e do Velox, a
quantidade de questionamentos e demanda por ligações;
• previsão de crescimento da base de clientes;
• implantação de novos serviços;
• ações de manutenção e modernização da rede – que podem gerar uma quantidade
grande de problemas e defeitos;
• mudanças no procedimento (roteiro de atendimento) – que podem fazer com que o
operador fale mais ou menos durante o atendimento, impactando o TMA;
• implantação do No-changes (um sistema diferenciado, encaixando o procedimento
completo do operador em uma tela apenas, sem a necessidade de navegação) na
operação – que reduz o TMA;
• mudanças na URA, que podem impactar o TMA.
A relação dessas premissas que os analistas devem levar em conta no momento de incorporar
possíveis impactos à previsão de demanda encontra-se no checklist apresentado no Anexo I.
O ideal é que essas premissas possam ser conseguidas com a antecedência necessária para que
a previsão seja acurada. E isto consiste no grande desafio, na grande “dor-de-cabeça” do
setor, em termos de previsão: conseguir, dentro do prazo necessário, todos os inputs
importantes para a geração da previsão. Em suma, na opinião da equipe, o problema maior em
relação à previsão de demanda não reside no processo em si, mas na obtenção dos inputs.
A dificuldade na obtenção dessas informações pode ser mais bem visualizada através de um
exemplo. A Coordenação de Planejamento de Longo Prazo (Telemar & OI) precisa saber, em
março, qual será o período de campanha publicitária da OI para o dia das mães, que tipo de
cliente vai ser impactado (pré-pago ou pós-pago), qual será a grade de mídia da campanha,
105
em quais dias serão veiculados anúncios na televisão; tudo isto, para que possam ser previstos
os impactos nos volumes de ligações em cada dia. O que ocorre é que estas informações até
estão disponíveis, mas, em função da estratégia de marketing da empresa, o setor não as
recebe com suficiente antecedência (para poder gerar, dentro do prazo correto, a quantidade
necessária de operadores a serem contratados e treinados). Isto acontece porque a
concorrência pode contra-atacar com eficiência, se as campanhas forem divulgadas com
antecedência e a informação “vazar”. Este problema é ainda mais crítico nos produtos que
requerem uma duração maior de treinamento dos operadores, pois o setor de Recrutamento &
Seleção precisa receber a informação com mais antecedência ainda.
Por tudo isso, o contato com cliente torna-se muito importante. Uma maior interação faz com
que ele comece a se co-responsabilizar e passar mais premissas e informações. Daí a
importância do processo de validação da previsão de demanda junto ao cliente. Já que é em
função do volume previsto que a Contax será remunerada pelo serviço, o cliente precisa
validar o volume de forma a gerar garantias (o pagamento acontecerá com base naquele
volume mínimo e, se ocorrer uma demanda muito maior que a prevista, a Contax não tem
obrigação formal de atendê-la com perfeição).
O objetivo disso tudo não consiste em apenas dividir as responsabilidades; mas também fazer
o cliente entender a importância de informar essas premissas (como informações sobre
campanhas na televisão ou em revistas, planos de minutos, troca de equipamentos do Velox –
reduzindo os problemas de conexão e fazendo o volume de ligações despencar – promoção do
dia dos pais e pacote OI Total) para ajudar na construção da previsão de demanda.
No caso específico do produto 102, a equipe de planejamento normalmente mostra os
resultados do estudo de previsão e o cliente valida facilmente, sem muitas alterações. Isso
ocorre porque existem poucos fatores previsíveis capazes de impactar a demanda e o cliente
acaba não tendo muita informação a fornecer.
Mas, de uma forma geral, o contato com setores internos é imprescindível, devido aos inputs
que estes devem fornecer, fundamentais para a elaboração da previsão de demanda. É o caso
do setor de Faturamento da Telemar, cuja importância no processo ficará clara no
detalhamento da previsão do produto 103, ainda nesta seção.
106
Depois da geração da análise crítica da equipe de longo prazo e da inclusão das premissas
impactantes, o quarto passo do processo de previsão consiste na validação interna, junto ao
planejamento local de curto prazo. Eles têm conhecimento do cotidiano e das pessoas do dia-
a-dia, podem envolver o gerente da operação, têm contato com a contratante, podem informar
alguma estratégia que está sendo mudada no produto ou alguma modificação na URA. Tudo
isto pode agregar valor à previsão e é importante que o setor de longo prazo seja alimentado
por estas informações, de forma que a previsão esteja mais madura (mais refinada do que o
número fornecido pelo TotalView) no momento de fazer a validação com o cliente.
Em relação especificamente ao produto 103 (serviços e contas de telefonia fixa) – produto
identificado como aparentemente o de maior potencial de melhoria na sua previsão de
demanda, conforme mencionado anteriormente – a previsão é elaborada mensalmente, sempre
com 45 dias de antecedência em relação à necessidade de contratação de operadores. Este
prazo se justifica, para este produto, por causa do processo de validação com o cliente, do
tempo de seleção do novo funcionário e dos 30 dias necessários para o treinamento do
operador nas suas futuras atividades.
De acordo com o que foi descrito anteriormente nesta seção, algumas premissas – capazes de
impactar cada os produtos – recebidas de outros setores da empresa, podem subsidiar a equipe
de analistas no seu trabalho de previsão de demanda.
No caso do produto 103, o lançamento do plano de minutos na telefonia fixa (dentro do qual a
cobrança deixa de acontecer no formato de “pulso”), por exemplo, tem potencial para
impactar o volume de ligações para o 103. A equipe de previsão – de posse da informação
sobre o lançamento do plano – realiza, então, uma análise para gerar um aumento ou
decréscimo na volumetria, de acordo com o impacto esperado. Esse ajuste deve se basear em
um evento parecido que tenha ocorrido no passado (neste ponto, atua a intuição do analista);
por exemplo, se a empresa acha que o plano de minutos vai trazer acréscimo na conta dos
clientes, o analista deve buscar no histórico qual foi o impacto – no volume de ligações e no
TMA – de um reajuste de tarifas.
Essas premissas também envolvem o comportamento dos ciclos das contas telefônicas dos
clientes, uma informação oriunda do setor de faturamento da Telemar e que ajuda a previsão
de demanda do produto 103. Essa informação consiste, basicamente, nas quantidades de
contas enviadas para os clientes em cada data (normalmente 5-6 dias antes do vencimento).
107
Ela é útil porque a demanda de ligações para o produto é influenciada – segundo a equipe de
previsão – pelos eventos de chegada da conta no destino e do seu próprio vencimento, datas
em que haveria maior acesso ao serviço por parte dos clientes, para fins de esclarecimento
e/ou reclamação.
Na verdade, durante todo o período durante o qual a conta está com o cliente (4-5 dias desde a
chegada até o vencimento, sendo a véspera e a antevéspera as datas mais críticas depois da
chegada e do vencimento), ocorre um acréscimo no volume de ligações, mas o maior impacto
acontece mesmo no momento da chegada da conta na residência do cliente, na opinião da
coordenação responsável pelo produto. A conta chega ao destino ao longo do dia, mas é no
início da própria tarde e na parte da manhã do dia seguinte, quando mais clientes estão com a
conta em mãos, que a quantidade de ligações aumenta significativamente. Segundo os
analistas, o impacto pós-vencimento (quando o cliente que esqueceu de pagar a conta liga
para saber como proceder) existe, mas é pequeno, não sendo significativo em termos de
aumento de demanda.
O problema é que o TotalView não leva em conta isso; a sazonalidade do dia da semana é
considerada, mas não a distância do dia em relação à chegada da conta ou ao seu vencimento.
Por exemplo, a conta de um determinado cliente vence no dia 10 de cada mês, e não na
segunda quarta-feira do mesmo; então, no mês em que o dia 10 caísse em uma terça-feira,
esse dia da semana deveria ser mais impactado do que os outros, enquanto que no mês em que
o dia 10 caísse em uma quarta-feira, o impacto maior deveria ser incluído neste dia. Mas o
TotalView considera, em termos de sazonalidade, todas as terças-feiras da mesma forma,
seguindo o mesmo raciocínio para os outros dias da semana. Além disso, há meses em que as
contas não são enviadas exatamente 5 dias antes do vencimento, e este outro evento especial
(chegada da conta ao destino) também deve ser considerado.
Essas informações são levadas em conta no processo de previsão, mas não de forma
automática. Toda a análise é feita pela equipe de previsão – e não pelo software! – que:
1. recebe e avalia o cronograma da área de faturamento (conforme exemplificado para o
mês de maio de 2006 na tabela 6 a seguir);
2. verifica no histórico o impacto dos eventos de chegada e vencimento das contas, para
o ciclo (grupamento de contas em cada filial) em questão;
108
3. acrescenta – por fora do TotalView – o impacto histórico desses eventos (exemplo:
5% e 3%, respectivamente) ao volume inicialmente previsto pela ferramenta para
esses dias;
4. critica os resultados;
5. e retro-alimenta o software, ajustando a previsão que havia sido gerada.
Durante esse processo, os analistas não levam em conta um possível impacto da véspera e da
antevéspera do vencimento da conta e nem do período pós-vencimento; apenas o efeito dos
eventos chegada e vencimento.
A interação da equipe de previsão com o setor de faturamento, neste momento, acontece nos
dois sentidos, recebendo input (exemplificados na tabela 6 a seguir), mas também fornecendo
output, na forma de opinião a respeito da melhor data de postagem das contas, de acordo com
o impacto operacional no call center, conforme será explicado a seguir.
A conta precisa ser enviada ao cliente com, no mínimo, 5 dias de antecedência em relação à
data do vencimento (segundo regulamentação da ANATEL). De uma maneira geral, a
chegada ocorre 1 dia após a postagem.
109
Tabela 6 – Cronograma de envio e vencimento de contas do faturamento,
maio de 2006
Ano Mês
Data de Postagem
Vencimento Ciclo Contas
2006 Mai
17/04/06 23/04/06
RJ - 5 260.710
2006 Mai
24/04/06 01/05/06
RJ - 6 634.953
2006 Mai
25/04/06 04/05/06
RJ - 7 587.118
2006 Mai
27/04/06 07/05/06
RJ - 8 589.031
2006 Mai
02/05/06 11/05/06
RJ - 9 703.452
2006 Mai
08/05/06 13/05/06
RJ - 1 469.345
2006 Mai
08/05/06 15/05/06
RJ - 2 506.432
2006 Mai
09/05/06 17/05/06
RJ - 3 198.896
2006 Mai
17/04/06 23/04/06
MG - 5 201.826
2006 Mai
24/04/06
01/05/06 MG - 6 416.176
2006 Mai
25/04/06
04/05/06 MG - 7 458.682
2006 Mai
27/04/06
07/05/06 MG - 8 515.223
2006 Mai
02/05/06
11/05/06 MG - 9 685.843
2006 Mai
08/05/06
15/05/06 MG - 10 581.568
2006 Mai
08/05/06
13/05/06 MG - 1 110.847
2006 Mai
09/05/06
17/05/06 MG - 3 310.536
2006 Mai
17/04/06
23/04/06 CE - 5 142.251
2006 Mai
24/04/06
01/05/06 CE - 6 680.389
2006 Mai
25/04/06
04/05/06 CE - 7 533.902
2006 Mai
27/04/06
07/05/06 CE - 8 626.637
2006 Mai
02/05/06
11/05/06 CE - 9 419.440
2006 Mai
08/05/06
15/05/06 CE - 10 218.537
2006 Mai
08/05/06
13/05/06 CE - 1 218.438
2006 Mai
08/05/06
15/05/06 CE - 2 150.119
2006 Mai
09/05/06
17/05/06 CE - 3 245.752
2006 Mai
17/04/06
23/04/06 BA - 5 104.650
2006 Mai
24/04/06
01/05/06 BA - 6 404.679
2006 Mai
25/04/06
04/05/06 BA - 7 562.513
2006 Mai
27/04/06
07/05/06 BA - 8 188.029
2006 Mai
02/05/06
11/05/06 BA - 9 368.817
2006 Mai
09/05/06
17/05/06 BA - 3 45.959
Fonte: Material coletado nas entrevistas
Em relação a esta data de postagem, existe um trade-off: quanto mais postergada for essa
data, mais o cliente vai demorar a pagar e mais impactado ficará o fluxo de caixa da Telemar;
por outro lado, se essa data for muito antecipada, o momento de corte na conta do cliente terá
que acontecer muito cedo (até por que existe um prazo necessário para a execução das outras
atividades pré-postagem, como o processamento da conta), e o faturamento do mês em
questão acaba sendo prejudicado, pois incluirá menos tempo de utilização do serviço por
110
parte do cliente. De uma maneira geral, esse segundo efeito é mais forte e a empresa acaba
preferindo deixar pra “cortar” a conta do cliente o mais próximo possível do dia de
vencimento sem, naturalmente, prejudicar o prazo de antecedência regulamentado pela
ANATEL (5 dias).
Mas, dentro dessa “janela” criada pelo trade-off, o setor de faturamento convida a equipe de
previsão a participar da decisão, oferecendo duas opções de data de postagem (dois dias úteis
seguidos). Do ponto de vista do faturamento, sempre uma das datas é melhor – de acordo com
os aspectos descritos anteriormente no trade-off – mas a equipe de previsão sinaliza qual das
duas minimizaria o impacto operacional no call center (em outras palavras, a data de
postagem que faria com que a chegada das contas ao destino acontecesse no dia em que a
central estivesse mais ociosa).
Atualmente, a previsão básica é extraída do TotalView e a coordenação realizada toda essa
análise no Excel. A opinião geral é que as informações do faturamento poderiam ser usadas
de uma forma mais sistemática para poder ser construído um método de previsão mais
acurado, levando em conta todos esses aspectos e não apenas a sazonalidade do dia da
semana, como faz o TotalView. A idéia é fugir mais dessa pós-análise não-metódica no Excel
– que depende muito da intuição do analista – e poder contar uma ferramenta que apóie a
equipe neste momento, de forma que se possa evitar o trabalho manual – que aumenta a
possibilidade de erro.
A respeito do tempo médio de atendimento, o TMA, sua magnitude tem variado muito ao
longo do dia, assumindo, na parte da tarde, valores 35-40 segundos maiores que os tempos
matutinos, segundo a coordenação da área. A impressão geral é que isso ocorre,
principalmente, pela maior concentração de operadores novos na parte da manhã que vem
ocorrendo recentemente. Durante a noite, o TMA é ainda mais alto, principalmente – na
opinião da equipe de previsão – por causa do menor nível de serviço oferecido neste período,
o que pode fazer com que o cliente aguarde mais tempo na fila e reclame a respeito com o
atendente antes de começar a tratar do assunto principal, propriamente dito, aumentando o
tempo de atendimento.
Fisicamente, existem centrais de atendimento do 103 no Rio de Janeiro, em Minas Gerais e no
Ceará. Mas, em termos organizacionais, tudo funciona como se houvesse uma central única
de atendimento, abrangendo potencialmente os clientes de todos os estados. Na verdade, o
111
cliente de Belo Horizonte disca o mesmo número (103) do que o de Salvador, por exemplo, e
é direcionado para a central responsável (Minas Gerais, no caso); mas, se não houver
disponibilidade na central em questão, a ligação é transferida para o local onde será mais
rapidamente atendida, com o menor tempo de espera. É mais interessante para a empresa
(ganhos de escala) e para o cliente (atendimento mais rápido) trabalhar com o atendimento
consolidado, onde o mesmo operador é capaz de atender todos os clientes da rede. Para prever
a demanda, já que esta se superpõe para todas as centrais, torna-se necessário apenas elaborar
uma previsão consolidada (para todo o Brasil), como se houvesse uma central única de
atendimento.
5.2.2. Dimensionamento da capacidade de atendimento
O dimensionamento consiste no estudo para adequar as estruturas físicas, técnicas e de
pessoal do call center aos objetivos da operação de atendimento ao cliente.
A partir do momento em que foi gerada a previsão diária de demanda e esse volume – em
conjunto com o TMA – foi validado junto ao cliente, começa o processo de dimensionamento
da capacidade de atendimento para cada produto. Somente durante tal etapa é que a previsão
de volume será detalhada em um nível intradiário, com a aplicação das curvas (construídas a
partir de dados históricos) de perfil de demanda ao longo do dia.
Assim como ocorre em todo o processo, a qualidade do dimensionamento da capacidade de
dimensionamento vai depender da qualidade dos inputs deste processo: o volume de ligações
e o tempo médio de atendimento previstos para cada dia.
Em função disso e na opinião da Gerência de Planejamento de Tráfego, o produto 102 é o
ideal para atacar o problema do dimensionamento, visto que sua demanda é a mais previsível,
de forma que seja possível mensurar isoladamente a qualidade do processo de
dimensionamento (partindo da premissa que o input – previsão de demanda – é de boa
qualidade).
Em termos de previsão de volume de ligações e do TMA, o nível de acurácia do produto 102
é muito bom comparado com outros produtos, conforme foi mencionado na seção 5.2.1. Mas
existem outras características do produto que simplificam a sua operação e acabam
potencializando a sua escolha para o alvo a ser atacado durante o estudo acerca do
dimensionamento da capacidade de atendimento.
112
O período de treinamento para os atendentes do produto 102 é o mais curto de todos: uma
semana. O operador precisa aprender apenas a informar o telefone procurado pelo cliente, que
envolve a digitação do local e a tentativa de localização do número. Além disso, existem
apenas dois tipos de clientes do produto 102: plus (serviço pago) e básico (serviço não pago),
que são identificados automaticamente pela própria URA no momento da ligação. Quando
está atendendo um cliente plus, o operador pode precisar realizar uma pesquisa um pouco
mais aprofundada, incluindo o ramo de atividade do serviço procurado pelo cliente, por
exemplo, e envolvendo até 2 ou 3 tentativas (consultas), podendo tornar o atendimento um
pouco mais demorado. Mas, de uma forma geral, o treinamento é bem elementar, consistindo
basicamente no aprendizado do uso do sistema e de que atitude tomar, caso a informação não
seja encontrada. No final do mesmo, os funcionários avaliados como mais capazes são
direcionados para atender os clientes plus, mas podem atender os clientes básicos, em caso de
necessidade; os operadores básicos até estão aptos a atenderem os clientes plus, mas tal
procedimento não é o ideal, só ocorrendo em casos de emergência.
O atendente do Velox, por exemplo, é um contraponto, já que tem resolver problemas,
auxiliar o cliente, configurar máquinas etc.. Seu tempo de treinamento gira em torno de 20
dias.
O treinamento do atendente do 102 também é bem mais simples, por exemplo, do que o ao
qual são submetidos atualmente os operadores de Suporte técnico e reparo de defeitos da
Telemar. Até meados de 2005, este atendente apenas fazia a abertura de um bilhete de defeito,
quando de alguma ocorrência, e mandava um técnico para a residência do cliente. Isso era
muito ruim em termos de: custos (já que o processo consistia em mandar um técnico para
todos os clientes que acreditavam ter um problema com a sua linha telefônica); insatisfação
do cliente (por não conseguir resolver logo o seu problema); e dos indicadores da ANATEL
(que registravam tais ocorrências como defeitos).
Nessa época, não havia sido estruturada a tela de suporte técnico atual, que permite o
atendente fazer uma triagem junto ao cliente, ainda durante a chamada (questionando, entre
outras coisas, se o telefone é sem fio, se o aparelho está ligado; acessando a central telefônica
do cliente pra ver a possibilidade de fazer um reparo na central; e retornando a ligação
posteriormente para checar com o cliente se o problema foi resolvido).
113
Essa mudança reduziu a quantidade de técnicos indo até a residência, já que passou a ser
possível identificar a não ocorrência de um defeito ou até mesmo consertá-lo, com o cliente
ainda na linha. Dessa forma, os custos técnicos diminuíram (menos visitas), assim como
melhoraram a satisfação do cliente (resolução mais rápida do problema) e os indicadores da
ANATEL (já que consertos ainda na linha não entram na estatística de defeitos).
Naturalmente, aumentou o custo de atendimento e a complexidade do treinamento do
operador do produto em questão; mas o trade-off foi vantajoso, na opinião da Gerência de
Planejamento de Tráfego.
O curto prazo exigido para o treinamento dos operadores do serviço de auxílio à lista (102)
reduz a antecedência com que a previsão de demanda precisa ser elaborada, tornando-a mais
acurada na maioria das vezes. Além disso, esta característica do produto acaba possibilitando
uma ágil reposição (dentro do próprio mês) de mão-de-obra, se ocorrer algum problema:
existe um banco de operadores pré-selecionados, que – no caso de um aumento inesperado e
repentino de volume – podem ser chamados, treinados em 1 semana e estar atendendo após
poucos dias. Isso é impossível de acontecer em outros produtos por causa da complexidade do
atendimento e do conseqüente maior tempo de treinamento.
Por outro lado, o nível do operador do 102 é inferior; recebe menor remuneração e apresenta
maior rotatividade, até porque o serviço é monótono e repetitivo, gerando um desgaste maior.
A qualificação dos profissionais é menor que em outros produtos, mas se determinado
atendente apresentar bom perfil, pode participar do programa de rotação de cargos, de forma
que não se acomode e seja capaz de manter a motivação ao vislumbrar um possível
crescimento profissional na empresa (sabendo que não vai, necessariamente, atender o cliente
de auxílio à lista eternamente).
No caso, como o funcionário já tem o conhecimento da operação, das funcionalidades do
computador e já percebeu se aceita passar o dia inteiro atendendo ligações, fica mais fácil e
rápida a sua assimilação em relação a outros produtos, causando menos problemas. Essa
migração interna pode acontecer para qualquer outro produto da empresa, oferecido nas
mesmas centrais que o 102: Bahia e Pernambuco.
Na Contax, o período mensal é considerado como indo do dia 16 do mês anterior até o dia 15
do próprio mês, sendo que a primeira metade corresponde ao período de baixa, com volume
fraco. Assim, de uma maneira geral, a meta para o setor de planejamento consiste em
114
implantar o dimensionamento antes do momento de alta (segunda metade) – ou seja, até o dia
1 de cada mês – de forma que possa lidar com eventuais aumentos da demanda.
Mas o curto período de treinamento dos operadores do produto 102 permite uma agilidade
também na implantação deste dimensionamento, que costuma ocorrer tranqüilamente antes do
período começar (dia 16), superando a meta geral da empresa de conseguir essa implantação
no meio do período (dia 1).
Em função de tudo isso, o produto 102 foi identificado pela Gerência de Planejamento de
Tráfego como o de maior potencial para a abordagem do problema de dimensionamento da
capacidade de atendimento. Assim, e a partir de agora, o restante desta seção vai estar
focando na descrição do processo de dimensionamento do produto 102, explicando como a
equipe de planejamento consegue transformar a previsão de demanda na quantidade
necessária de funcionários em cada dia e horário e que ferramentas são usadas neste processo.
Antes de iniciar a descrição do processo de dimensionamento do produto 102, no entanto, é
importante apontar os termos contratuais que fazem parte do Service Level Agreement (SLA
ou acordo de nível de serviço) entre a fornecedora (Contax) e a cliente (Telemar).
O nível de serviço para este produto diz respeito ao tempo de espera do cliente final na linha
telefônica, desde o momento de entrada da ligação até ela ser atendida. Em outras palavras, é
o tempo que o cliente passa “na fila”, ouvindo a música de espera e aguardando o operador.
Mais precisamente, no caso do 102, o nível de serviço consiste no percentual de chamadas
atendidas – dentre as completadas, apenas – em até 10 segundos (ou melhor, que aguardam no
máximo 10 segundos para serem atendidas). Para efeitos comparativos, outros produtos da
Contax lidam com outros valores: no caso do atendimento de cartões de crédito, por exemplo,
o nível de serviço consiste no percentual de chamadas atendidas em até 20 segundos.
Como apenas as ligações efetivamente atendidas entram no cálculo do nível de serviço, os
abandonos não são contabilizados (nem punidos, portanto), para efeitos de nível de serviço.
Mas eles são mensurados através de outro indicador (taxa de abandono) e a Contax é multada
quando essa taxa ultrapassa os 2%, em algum mês. Assim, o fornecedor estaria sendo punido
duas vezes se as ligações abandonadas entrassem no total das chamadas a serem atendidas em
até 10 segundos.
115
Em vista da possibilidade de multa, evitar o abandono costuma ser visto como prioridade, um
pouco em detrimento do nível de serviço, desde que esse se mantenha acima de patamares
mínimos. O nível de serviço não envolve exigências formais no contrato (como a taxa de
abandono), mas influencia a relação e a dignidade comerciais; ou seja, é interessante não
priorizar apenas o abandono, deixando de se preocupar em manter o nível de serviço em
valores decentes.
Iniciando a descrição da rotina de dimensionamento, este processo consiste de duas grandes
etapas, no caso do produto 102:
• uma análise macro, onde os volumes diários de previsão de demanda são analisados e
o cálculo da base de atendentes (“a quantidade certa de pessoas no lugar certo”) é
realizado;
• uma análise intradiária, onde o nível de detalhe aumenta para períodos de meia-hora, o
número de atendentes necessários para cada um desses períodos é calculado (levando
em conta detalhes como: pausas, faltas, férias, folgas) e as escalas de horários são
organizadas.
Para cada uma das etapas, uma planilha do Excel funciona como mola-mestra para o
processo, utilizando como metodologia de cálculo as fórmulas Erlang de teoria de filas. O
processo é razoavelmente manual, visto que não ocorre via sistema.
A primeira análise consiste, basicamente, no cálculo de necessidades, conforme evidenciado
na tabela 7 a seguir. Quatro planilhas precisam ser desenvolvidas – duas para cada produto
(plus e básico), em cada uma das centrais de atendimento (Bahia e Pernambuco) – e depois
consolidadas em uma única tabela de necessidades.
O cálculo da necessidade de operadores em cada dia é operacionalizado multiplicando a
demanda de ligações pelo TMA do dia e dividindo este total (demanda de minutos) pelo
produto do total de minutos diários pelo qual o operador é contratado (340, já que o
funcionário de 6 horas é tomado como padrão) por sua taxa de ocupação (período estimado
durante o qual o atendente vai estar efetivamente falando). Essa taxa de ocupação é estimada
de forma diferenciada a cada dia da semana, conforme pode ser observado na tabela 8 a
seguir.
116
Tabela 7 – Cálculo de necessidade de recursos diários para o produto 102,
central BA, cliente plus, outubro-novembro de 2006
Dia
V
olume de ligações TMA (seg) Necessidade de recursos
8.456.710 32,24
16-seg
361.538
32,00 610
17-ter
348.243
32,00 594
18-qua
339.242
32,00 585
19-qui
322.718
32,00 562
20-sex
307.903
32,00 537
21-sáb
188.494
30,00 326
22-dom
107.984
29,00 181
23-seg
359.605
32,00 607
24-ter
346.477
32,00 591
25-qua
286.022
32,00 493
26-qui
272.157
32,00 474
27-sex
259.721
32,00 453
28-sáb
159.030
31,00 284
29-dom
91.121
30,00 158
30-seg
303.496
32,00 512
31-ter
292.453
33,00 514
01-qua
301.535
33,00 536
02-qui
286.937
33,00 516
03-sex
273.836
33,00 492
04-sáb
167.674
31,00 300
05-dom
96.071
30,00 166
06-seg
319.967
33,00 557
07-ter
308.298
33,00 542
08-qua
346.008
33,00 615
09-qui
329.211
33,00 592
10-sex
314.127
33,00 565
11-sáb
192.308
31,00 344
12-dom
110.162
30,00 191
13-seg
366.810
33,00 638
14-ter
353.344
33,00 621
15-qua 344.218 33,00 612
Fonte: Material coletado nas entrevistas
Tabela 8 – Premissas para a taxa de ocupação do atendente do produto 102,
por dia da semana
Dia da semana Taxa de ocupação estimada
Segunda-feira 93%
Terça-feira 92%
Quarta-feira 91%
Quinta-feira 90%
Sexta-feira 90%
Fim-de-semana 85%
Fonte: Material coletado nas entrevistas
117
A tendência de queda dessa taxa ao longo da semana pode ser explicada pelo fato dos
primeiros dias da semana normalmente serem os de maior demanda (ou DMM – dia de maior
movimento), quando os operadores passam mais tempo ocupados, acarretando, inclusive, a
necessidade de horas-extras em algumas ocasiões.
Em seguida, essa necessidade (em termos de operadores de 6 horas) é comparada com a
disponibilidade atual de recursos de atendimento. Mas existem 3 tipos de operadores em
termos de jornada de trabalho: os que trabalham 4 horas por dia, de segunda a sexta e em mais
um dia do fim-de-semana (sábado ou domingo); os que trabalham 6 horas por dia, de segunda
a sexta; e os que trabalham 6 horas por dia, de segunda a sexta e em mais um dia do fim-de-
semana (sábado ou domingo). Por isso, é necessário colocar tudo em uma só base e essa
padronização (ilustrada na tabela 9 a seguir) é feita utilizando o conceito de FTE, que consiste
na unidade de homens-hora equivalente a 1 operador de 6 horas (assim, por exemplo, 3
operadores de 4 horas correspondem a 2 FTEs).
Durante essa comparação, no entanto, é preciso levar em conta que alguns FTEs
“disponíveis” estarão em férias e que haverá uma perda natural – implementada na fórmula da
coluna “Diferença” da tabela 9 a seguir – por absenteísmo (falta, licença médica ou qualquer
motivo que faça com que o operador não esteja apto a atender uma chamada – como, por
exemplo, um treinamento ou uma conversa com o supervisor objetivizando um feedback). O
absenteísmo estimado é uma premissa passada pela própria operação – que precisa controlar e
efetivamente controla essas ocorrências – para o setor de planejamento. A acurácia dessa
premissa é muito importante e por isso a operação precisa assumir esse compromisso e estar
sempre alinhando essa estimativa em conjunto com o planejamento; caso contrário, o
dimensionamento pode ficar muito prejudicado.
O absenteísmo orçado pela gerência é de 3%, mas, normalmente o valor 4% é utilizado como
premissa de tal grandeza, para os dias úteis e sábados. Nos domingos e feriados, essa
estimativa sobe para a faixa dos 7%. Em alguns feriados regionais (como São João no
Nordeste, por exemplo), uma estimativa diferenciada é utilizada: de 15 a 20%! O período das
eleições também normalmente representa um problema, já que muitos funcionários são
convocados para trabalhar como mesários, não comunicam a supervisão da Contax e acabam
faltando. Faltas não planejadas consistem em absenteísmo; se a falta fosse comunicada com
118
antecedência, o planejamento não escalaria os funcionários ausentes e o absenteísmo seria
bem menor.
Tabela 9 – Cálculo de necessidade de recursos diários para o produto 102,
central BA, cliente plus, outubro-novembro de 2006
Dia Necessidade de recursos 4h/6d 6h/5d 6h/6d FTE
16-seg 610 52 106 498 639 42 597 -37
17-ter 594 52 106 498 639 40 599 -19
18-qua
585 52 106 498 639 40 599
-10
19-qui
562 52 106 498 639 40 599 12
20-sex
537 52 106 498 639 38 601 40
21-sáb
326 31 299 320 27 293
-45
22-dom
181 21 199 213 18 195 1
23-seg
607 52 106 498 639 35 604
-27
24-ter
591 52 106 498 639 35 604
-11
25-qua
493 52 106 498 639 35 604 86
26-qui
474 52 106 498 639 35 604 105
27-sex
453 52 106 498 639 35 604 127
28-sáb
284 31 299 320 25 295
-1
29-dom
158 21 199 213 17 196 25
30-seg
512 52 106 498 639 39 600 64
31-ter
514 52 106 498 639 39 600 61
01-qua
536 52 106 498 639 39 600 40
02-qui 516 52 106 498 639 41 598 40
03-sex 492 52 106 498 639 41 598 82
04-sáb
300 31 299 320 26 294
-18
05-dom
166 21 199 213 18 195 15
06-seg
557 52 106 498 639 41 598 17
07-ter
542 52 106 498 639 41 598 32
08-qua
615 52 106 498 639 45 594
-45
09-qui
592 52 106 498 639 45 594
-22
10-sex
565 52 106 498 639 45 594 5
11-sáb
344 31 299 320 26 294
-62
12-dom
191 21 199 213 19 194
-10
13-seg
638 52 106 498 639 45 594
-68
14-ter
621 52 106 498 639 47 592
-53
15-qua
612 52 106 498 639 47 592
-62
Férias FTE - Férias Diferença
Fonte: Material coletado nas entrevistas
O resultado da comparação da necessidade de recursos com a disponibilidade de capacidade é
um saldo ou um déficit de mão-de-obra para cada dia do mês planejado (coluna “Diferença”
da tabela 9 anterior). Se houver déficit em alguns dias e sobra em outros, o planejamento pode
fazer uso da escala móvel, que consiste em dar folga para funcionários nos dias com sobra
(normalmente sextas-feiras) e pedir para eles cumprirem 2 horas adicionais nas segundas,
terças e quartas-feiras (dias de maior movimento), totalizando as 6 horas folgadas nas sextas-
119
feiras. Existe uma adesão de até normalmente 80% para a escala móvel; ou seja, até 80% dos
atendentes aceitam folgar na sexta-feira e trabalhar 2 horas a mais de segunda a quarta-feira).
Se a escala móvel neutralizar o eventual déficit, pode ser até necessário demitir alguns
funcionários, por causa do excesso de capacidade. Isso não necessariamente precisa se
concretizar, pois já existe uma rotatividade mensal natural da equipe. Dependendo do
tamanho do excesso de capacidade, pode ser necessário apenas não repor as pessoas que
pediram demissão. Caso a escala móvel não seja capaz de suprir o déficit, a contratação é a
única saída. Toda essa análise é feita de forma consolidada, já que não há a necessidade de
um dimensionamento para cada central, uma vez que os operadores da Bahia podem atender
os clientes que seriam direcionados para a central de Pernambuco e vice-versa.
Nesse momento de decisão a respeito de contratação ou demissão, a produtividade dos
funcionários (minutagem por agente) precisa também ser levada em conta. Com o volume de
ligações e o TMA previstos para o mês, é possível determinar a minutagem por agente em
diferentes cenários (com diferentes números de atendentes contratados ou demitidos),
conforme ilustrado na figura 18 a seguir.
Figura 18 – Minutagem por agente para cenários com diferentes efetivos de
atendentes, produto 102, consolidado Brasil, abril de 2006
Orçado: 6.700
6.219
6.278
6.339
6.402
6.465
6.530
6.596
6.663
6.732
6.802
6.874
0
1000
2000
3000
4000
5000
6000
7000
8000
50 40 30 20 10 0 -10 -20 -30 -40 -50
Funcionários contratados/demitidos
Minutagem por agente
Fonte: Material coletado nas entrevistas
120
A linha cinza representa a meta orçada pela gerência para esse indicador desempenho e o
analista de planejamento deve procurar superá-la, migrando – no exemplo ilustrado na figura
18 anterior – do contingente atual (barra cinza) para um cenário com 30 funcionários a menos
(barra amarela).
Finalmente essa primeira macro-análise termina com o envio – por parte do planejamento e
com destino à operação – de um resumo da tomada de decisão envolvendo a forma de
trabalho para o mês subseqüente, juntamente com as premissas consideradas em relação aos
atendentes e feriados (pois, às vezes, o absenteísmo ou a taxa de ocupação podem estar, por
exemplo, sendo subestimados para aquele mês ou um feriado local pode estar sendo
esquecido – e tais informações podem ser corrigidas pelo pessoal da operação).
Esse resumo do planejamento de trabalho para o mês seguinte nada mais é do que a planilha
apresentada na tabela 9 anterior, só que desta vez preenchida com as quantidades sugeridas de
funcionários para o período subseqüente, ao invés do efetivo atual de atendentes. Ele é
apresentado para a operação, mostrando o cenário por central (Bahia e Pernambuco), por
produto (plus e básico) e também o consolidado, antes do ajuste da escala móvel. Outro
resumo similar é apresentado em seguida, considerando a possibilidade de usar a escala
móvel e assinalando os seus impactos.
O output da primeira análise macro é a quantidade de operadores que precisam ser
contratados ou demitidos para os números desejados serem atingidos.
A partir do momento em que a decisão de contratação ou demissão foi tomada e
implementada, a equipe de planejamento pode partir para a análise micro – o
dimensionamento intradiário.
Nesse momento, é importante ficar claro que o dimensionamento deve ser feito para um dia
apenas e esse formato-padrão repetido para os demais dias do mês. Essa exigência existe
porque o horário de cada funcionário deve ser o mesmo em todos os dias do mês; ele não
pode ser escalado para trabalhar de manhã em um dia e de tarde em outro dia, por exemplo.
Antes de o mês começar (mas não no seu decorrer), algumas mudanças podem ser feitas nos
horários dos funcionários, mas elas ficarão valendo para o mês inteiro e, de preferência, por
um período até mais longo. É possível, entretanto, conseguir um pouco mais de flexibilidade
em relação a isso através do uso da escala móvel, conforme explicado anteriormente.
121
Em vista disso, um volume de ligações e um TMA (grandezas necessárias para o
dimensionamento) específicos precisam ser escolhidos para serem usados como padrão para o
dimensionamento de todos os dias do mês. Normalmente, se a diferença entre o quinto DMM
(quinto dia de maior movimento, dentro do mês) e o primeiro DMM não for muito grande
(poucas dezenas de milhares de chamadas), o dia escolhido para o padrão é o quinto DMM,
juntamente com o seu respectivo TMA.
Nessa situação, o dimensionamento vai garantir o nível de serviço desejado para esse dia e
todos os dias menos movimentados, mas não para os 4 dias de maior demanda, quando haverá
perda de nível de serviço. Isso não representa um problema porque o SLA que consta no
contrato do produto 102 exige um específico nível de serviço mensal, e não diário. Se a
exigência fosse a respeito do nível de serviço diário (como em outros produtos), o
dimensionamento teria que ser feito com base no primeiro DMM, resultando em ociosidade
em boa parte do mês.
Mas se a variação entre o primeiro e o quinto DMMs for muito grande, é preciso ter cuidado,
já que tal dimensionamento pode acarretar um nível de serviço muito baixo nos dias mais
movimentados. Em tais situações, normalmente o padrão considerado para o
dimensionamento consiste em uma média entre os 5 primeiros DMMs para o volume de
chamadas e em uma média dos TMAs dos 5 primeiros DMMs, para o tempo médio de
atendimento.
Em cima do dia escolhido como padrão de dimensionamento para o mês, é aplicada uma
curva que reflete o perfil intradiário da demanda, ou seja, que percentual do volume diário
acontecerá na primeira meia-hora do dia, na segunda meia-hora, ..., e na última meia-hora do
dia. Essa curva é obtida com base no histórico de ligações recebidas a cada intervalo de meia-
hora, para cada dia da semana. No caso do produto 102, as curvas de cada dia da semana são
muito parecidas (principalmente de segunda à quarta-feira, com pequeno aumento vespertino
no volume da quinta e da sexta-feira), sendo as do sábado e do domingo um pouco diferentes.
A figura 19 a seguir ilustra a curva histórica da terça-feira.
O dimensionamento de alguns produtos com demanda mais instável considera apenas uma
curva para os dias de semana, outra para sábado e outra para domingo. Devido à maior
previsibilidade do 102, é possível descer ao nível de detalhe de trabalhar com uma curva
diferente para cada dia da semana. Assim, se o dia escolhido como padrão de
122
dimensionamento for uma terça-feira, por exemplo, aplica-se a curva de terça-feira ao volume
de ligações do dia em questão.
Figura 19 – Perfil histórico do comportamento intra-diário da demanda do
produto 102, terça-feira
0,00%
1,00%
2,00%
3,00%
4,00%
5,00%
6,00%
00:00
01
:0
0
0
2
:0
0
0
3
:0
0
0
4
:00
05:00
06:00
07:00
08:00
09
:0
0
1
0
:0
0
1
1
:0
0
1
2
:00
13:00
14:00
15:00
16:00
17
:0
0
1
8
:0
0
1
9
:0
0
2
0
:00
2
1
:00
22:00
23:00
Horário
% do volume em relação ao total diário
Fonte: Material coletado nas entrevistas
O resultado deste processo é uma previsão de demanda de ligações (volume e TMA) para
cada meia-hora. Com o auxílio de fórmulas Erlang do suplemento de Excel chamado
“Turbotab” (conforme será explicado ainda nesta seção), a planilha apresentada na tabela 10 a
seguir calcula a quantidade necessária de operadores (desconsiderando e considerando o
absenteísmo) para atender a demanda de cada período com um nível mínimo de serviço pré-
estabelecido (normalmente 85% das ligações sendo atendidas em até 10 segundos).
123
Tabela 10 – Cálculo da necessidade de operadores para cada período de 30
minutos, produto 102 (plus), consolidado Brasil, agosto de 2006
Horário Volume T.M.A. Erlangs Oper. Nec. S/ ABS
Oper. Nec. C/
abs
00:00
586 29 9,54 13 14
00:30
430 29 7,00 10 10
01:00
308 29 5,01 8 8
01:30
243 29 3,96 6 6
02:00
196 28 3,07 5 5
02:30
156 28 2,46 5 5
03:00
127 27 1,92 4 4
03:30
106 30 1,78 4 4
04:00
108 28 1,69 4 4
04:30
106 29 1,72 4 4
05:00
145 29 2,36 5 5
05:30
253 31 4,40 7 7
06:00
576 29 9,31 12 13
06:30
1.245 31 21,32 25 26
07:00
2.572 32 45,79 50 52
07:30
4.833 32 86,00 91 95
08:00
9.446 32 168,04 173 180
08:30
13.610 32 241,96 247 257
09:00
17.059 32 303,29 310 323
09:30
19.016 32 341,52 349 364
10:00
20.483 32 364,06 371 386
10:30
20.738 32 368,83 376 392
11:00
19.999 32 351,77 357 372
11:30
18.067 32 318,14 324 338
12:00
15.320 32 272,52 278 290
12:30
14.619 32 260,15 265 276
13:00
14.904 33 270,54 276 288
13:30
15.704 33 290,84 296 308
14:00
16.293 33 296,05 303 316
14:30
16.185 33 299,75 307 320
15:00
16.157 33 293,85 301 314
15:30
16.073 33 297,68 305 318
16:00
15.903 33 294,53 300 313
16:30
14.907 33 270,98 276 288
17:00
12.551 32 222,69 228 238
17:30
9.961 32 175,02 180 188
18:00
7.647 31 133,04 138 144
18:30
6.859 31 118,30 123 128
19:00
6.243 32 110,27 115 120
19:30
5.645 31 96,52 101 105
20:00
5.095 32 89,82 96 100
20:30
5.073 32 90,92 97 101
21:00
4.171 32 74,99 81 84
21:30
3.371 32 60,71 66 69
22:00
2.456 33 45,49 50 52
22:30
1.751 31 30,47 34 35
23:00
1.200 31 20,89 25 26
23:30
851 27 12,89 16 17
Fonte: Material coletado nas entrevistas
Essas informações são, então, cruzadas com o contingente atual (utilizado no mês anterior) de
atendentes, que é apresentado em uma planilha enviada pela operação (e ilustrada na tabela 11
a seguir) contendo a quantidade de operadores que estão iniciando a sua jornada a cada
período do dia (resumo das escalas), tanto para os funcionários que trabalham 4 horas por dia,
como para aqueles que trabalham 6. Em função do horário de início de cada agente, a planilha
calcula quantos atendentes estarão disponíveis em cada intervalo de meia-hora.
124
Tabela 11 – Necessidade (total) e disponibilidade (4 horas) de agentes por
período, produto 102 (plus), consolidado Brasil, agosto de 2006
Horário Nec.c/ abs 4 Horas 06:30 07:00 07:30 08:00 08:30 09:00 09:30 10:00 10:30 11:00 11:30 12:00 12:30 13:00
00:00 14 0
00:30 10 0
01:00 8 0
01:30 6 0
02:00 5 0
02:30 5 0
03:00 4 0
03:30 4 0
04:00 4 0
04:30 4 0
05:00 5 0
05:30 7 0
06:00 13 0
06:30 26 0
07:00 52 7 0 7
07:30 95 39 0 7 32
08:00 180 47 0 7 32 8
08:30 257 86 0 7 32 8 39
09:00 323 102 0 7 32 8 39 16
09:30 364 102 0 7 32 8 39 16
10:00 386 102 0 7 32 8 39 16 0
10:30 392 102 7 32 8 39 16 0 0
11:00 372 95 32 8 39 16 0 0 0
11:30 338 63 8 39 16 0 0 0 0
12:00 290 55 39 16 0 0 0 0 0
12:30 276 16 16 0 0 0 0 0 0
13:00 288 12 0 0 0 0 0 0 0 12
13:30 308 43 00000012
14:00 316 93 0000012
14:30 320 103 000012
15:00 314 103 00012
15:30 318 103 0012
16:00 313 103 012
16:30 288 103 12
Fonte: Material coletado nas entrevistas
Depois de consolidar as disponibilidades dos agentes de 4 horas e dos agentes de 6 horas, um
gráfico – como o exemplificado na figura 20 a seguir – sumariza a relação entre as
quantidades disponível e necessária de operadores para cada período de 30 minutos.
Em cima do atual escalonamento é que a equipe de planejamento vai trabalhar para modificar
a disponibilidade de operadores em cada período do dia, de modo a atingir o nível de serviço
desejado.
Assim, esta etapa de organização de escalas tem a função de garantir que haja a quantidade
certa de pessoas em cada horário. Ela é feita através do processo de tentativa-e-erro, durante o
qual é preciso analisar diversos fatores, tais como: carga horária diária, aspectos da legislação
trabalhista, acordos sindicais, espaço físico disponível (PAs). Normalmente, o desejado é que
a escala esteja adequada à demanda para atingir uma determinada meta. De uma forma geral,
a escala pode ser feita de duas formas:
• Cobertura Total – onde não é permitido que haja menos agentes do que o necessário
em momento algum, garantindo que a curva de demanda seja completamente coberta.
125
Este tipo de escala tende a aumentar a quantidade de atendentes contratados e a gerar
ociosidade em determinados períodos, gerando, no entanto, melhores resultados no
tocante ao nível de serviço;
• Balanceada – onde é assumido que, em determinados períodos do dia, a quantidade
de atendentes escalados será menor que a necessária (understaffing), enquanto que em
outros esta quantidade será maior (overstaffing), garantindo assim que a meta seja
atingida, não de forma pontual, mas ao longo do dia.
Figura 20 – Necessidade e disponibilidade consolidada (4 e 6 horas) de
agentes por período, produto 102 (plus), Brasil, agosto de 2006
Necessários x Dimensionados - TOTAL
0
50
100
150
200
250
300
350
400
450
00:00
01:00
02:00
03:00
04:00
05:00
06:00
07:00
08:00
09:00
10:00
11:00
12:00
13:00
14:00
15:00
16:00
17:00
18:00
19:00
20:00
21:00
22:00
23:00
Horário
Quantidade de operadores
Oper. Nec. C/ abs
Oper. Dimens.
Fonte: Material coletado nas entrevistas
As figuras 21 e 22 a seguir ilustram graficamente o comportamento do escalonamento com
cobertura total e o do escalonamento balanceado, respectivamente, em comparação com a
demanda de recursos.
126
Figura 21 – Agentes escalonados e requeridos ao longo do dia, exemplo de
escalonamento com cobertura total
Fonte: Material coletado nas entrevistas
Figura 22 – Agentes escalonados e requeridos ao longo do dia, exemplo de
escalonamento balanceado
Fonte: Material coletado nas entrevistas
Para o produto 102, o escalonamento balanceado pode ser usado, já que o importante para
efeitos comerciais é o nível de serviço médio do dia, e não detalhado de forma intradiária.
Durante o processo de escalonamento, a equipe de planejamento faz tentativas – com o
objetivo de buscar o melhor cenário de distribuição dos recursos por horário capaz de atender
o volume de chamadas previsto e validado anteriormente – modificando a quantidade de
Cobertura Total
0
10
20
30
40
50
60
0
10
20
30
40
50
60
Agentes escalados Agentes requeridos
Balanceado
0
10
20
30
40
50
60
0
10
20
30
40
50
60
Agentes escalados Agentes requeridos
Overstaffing
Understaffing
Balanceado
0
10
20
30
40
50
60
0
10
20
30
40
50
60
Agentes escalados Agentes requeridos
Overstaffing
Understaffing
127
operadores que iniciam a sua jornada a cada horário (células amarelas dispostas
diagonalmente na tabela 11 anterior) e também os horários de lanche (para funcionários com
jornada diária de 6 horas, respeitando os limites legais que exigem que nenhum funcionário
seja escalado para lanchar menos de 1,5 hora depois do início da jornada e nem menos de 1
hora antes do fim da mesma).
É importante ressaltar que não é possível, neste momento, alterar a quantidade de operadores
que vão trabalhar no mês e, conseqüentemente, em cada dia (grandeza validada
anteriormente); existe liberdade apenas para alterações na alocação dos mesmos durante o dia.
Essas mudanças alteram, conseqüentemente, a quantidade disponível de atendentes em cada
intervalo de meia-hora e permitem o analista lidar com flexibilidade na questão de ociosidade
versus sub-dimensionamento. A planilha cruza, então, essa informação – de forma
consolidada (operadores de 4 e 6 horas) – com a demanda de ligações anteriormente prevista
e com a quantidade necessária de atendentes previamente calculada para cada um desses
intervalos e estima o nível de serviço para cada período de meia-hora e o conseqüente nível
de serviço médio estimado para o dia, conforme ilustrado na tabela 12 a seguir.
O cálculo deste nível de serviço estimado é realizado por intermédio de um suplemento do
Excel chamado “Turbotab”. Quando instalado, ele implementa funções que são usadas na
planilha para efetuar o cálculo em questão, a partir da inclusão das premissas (previsão de
volume e de TMA, absenteísmo e critérios para cálculo do nível de serviço – no caso,
chamadas atendidas em até 10 segundos). O suplemento consiste em uma planilha de
dimensionamento baseada nos princípios de Erlang.
Como pode ser observado, a teoria de filas é utilizada para o dimensionamento de agentes. Os
clientes que chegam e não encontram atendentes disponíveis, aguardam indefinidamente
em
uma fila até serem atendidos (não existe abandono ou sinal de ocupado), segundo a teoria. Os
tempos de espera são previstos partindo da premissa que o intervalo entre chegadas e o tempo
de atendimento seguem distribuições exponenciais, e levando em consideração três fatores: o
número de agentes; o número de clientes em espera na fila; e o tempo médio de atendimento.
128
Tabela 12 – Necessidade e disponibilidade de agentes e nível de serviço
estimado por período, produto 102 (plus), Brasil, agosto de 2006
Horário Nec.c/ abs 4 Horas 6 Horas Total Saldo de agentes Nível de serviço
08:00 180 47 139 186 6 98,8%
08:30 257 86 175 261 4 96,8%
09:00 323 102 218 320 (3) 77,9%
09:30 364 102 250 352 (12) 0,0%
10:00 386 102 268 370 (16) 0,0%
10:30 392 102 278 380 (12) 0,0%
11:00 372 95 283 378 6 98,7%
11:30 338 63 286 349 12 99,9%
12:00 290 55 246 301 11 99,9%
12:30 276 16 288 304 28 100,0%
13:00 288 12 291 303 16 100,0%
13:30 308 43 274 317 9 99,4%
14:00 316 93 232 325 9 99,8%
14:30 320 103 218 321 1 95,8%
15:00 314 103 204 307 (7) 28,1%
15:30 318 103 195 298 (20) 0,0%
16:00 313 103 193 296 (17) 0,0%
16:30 288 103 184 287 (1) 82,5%
17:00 238 91 149 240 3 95,5%
17:30 188 60 133 193 6 98,7%
18:00 144 10 147 157 13 100,0%
18:30 128 5 138 143 15 100,0%
19:00 120 8 125 133 13 100,0%
19:30 105 12 111 123 18 100,0%
20:00 100 25 91 116 16 100,0%
20:30 101 25 66 91 (10) 0,0%
21:00 84 25 50 75 (9) 0,0%
21:30 69 25 36 61 (8) 0,0%
22:00 52 25 18 43 (9) 0,0%
22:30 35 20 16 36 1 89,2%
23:00 26 17 12 29 3 98,6%
23:30 17 13 11 24 7 100,0%
392 380
66,19%
PA´s
Fonte: Material coletado nas entrevistas
É bom deixar claro que, até esse momento, ainda não estão sendo levadas em conta as
possibilidades de uso de recursos capazes de melhor o nível de serviço em cada horário, como
horas-extras e o banco de horas proveniente da escala móvel. Ou seja, os níveis de serviço
ainda podem aumentar e os patamares desejados não precisam ser necessariamente atingidos
já neste estágio do processo de dimensionamento, que ainda não reflete o uso de tais recursos.
Tendo a consciência, então, deste provável aporte de mão-de-obra adicional, é interessante
distribuir as lacunas de recursos em três momentos do dia (manhã, tarde e noite), para que
depois possam ser preenchidas uniformemente pelos recursos adicionais. Talvez fosse
129
intuitivo deixar um déficit maior para a parte da noite, na esperança de haver uma maior
adesão de horas-extras e compensação de banco de horas nesse período, mas não é isso que
acontece na Contax, conforme será detalhado ainda nesta seção.
Voltando à etapa de organização das escalas, vale dizer que consiste em um processo
iterativo, onde a principal motivação do analista – no momento de decidir quantos atendentes
devem iniciar sua jornada em cada horário – é maximizar o nível de serviço médio do dia.
Esse objetivo em relação ao nível de serviço pode ser mais ou menos agressivo dependendo
de alguns fatores, como, por exemplo, o produto em si (básico – menos agressivo – ou plus –
mais agressivo) e se no dia em questão está programada uma medição da ANATEL (mais
agressivo).
O nível de serviço em cada faixa de horário, em si, não costuma ser uma preocupação para o
analista, já que o importante é elevar o nível de serviço médio do dia. Em cada faixa de
horário, entretanto, existe uma preocupação para não deixar um déficit muito grande de
atendentes escalados, em relação à capacidade demandada.
Conforme foi dito anteriormente, o ideal é distribuir uniformemente esse déficit ao longo de
três períodos do dia (manhã, tarde e noite) a fim de que possa ser reduzido (e até eliminado)
pelo aporte dos recursos provenientes das horas-extras e do banco de horas e de que não haja
impacto muito forte em nenhum momento.
A preocupação com os déficits intradiários existe porque, nos horários com muita carência de
atendentes, pode haver grande incidência de abandonos. E isso pode ser muito ruim por dois
motivos. Em primeiro lugar, porque aumenta a chance de a Contax ter que pagar uma multa
por excesso de ligações abandonadas.
E em segundo lugar, porque o cliente que abandona uma chamada normalmente liga
novamente um pouco mais tarde; se demorar a ser atendido novamente, ele pode abandonar
outra ligação, e mais uma ou duas. Na maioria das vezes, no entanto, ele vai insistir até ser
atendido já que, no caso do 102, ele provavelmente está precisando daquela informação (ou
seja, talvez ele espere por muito tempo na linha durante a sua terceira ou quarta chamada).
Essa reincidência (3 ou 4 tentativas) aumenta a taxa de abandono e ainda degrada o nível de
serviço, já que, na sua última tentativa, ele provavelmente vai aguardar mais do que 10
segundos para ser atendido. E, como se isso não bastasse, essas tentativas ainda aumentam o
130
volume de ligações (aparentemente sem explicação, quando, na verdade, trata-se do mesmo
cliente ligando várias vezes), mascarando a causa e prejudicando as futuras previsões de
demanda.
Todo este processo de dimensionamento e escalonamento dos agentes é realizado
inicialmente de forma separada – para cada um dos produtos (básico e plus), mas não para
cada uma das centrais (Bahia e Pernambuco) – para depois ser consolidado. Uma espécie de
“curva média” das duas centrais é utilizada para o dimensionamento de cada produto.
É imprescindível fazer esse processo de forma isolada para cada produto porque é necessário
priorizar o cliente plus, que precisa ser atendido com um nível de serviço um pouco (mas não
muito) melhor (ou seja, mais rapidamente) do que o do cliente básico, já que a Contax
negocia um preço diferenciado para a prestação do serviço para aquele tipo de cliente.
Durante o processo, o ideal é tentar manter o nível de serviço do cliente básico na faixa de
75% e o do cliente na plus na faixa de 85%. Então, é natural tentar melhorar um pouco o
escalonamento dos agentes plus em detrimento da escala dos básicos, sem, no entanto,
comprometer a taxa de abandono acordada no SLA (2%) para o cliente básico.
Assim, depois de fazer toda a distribuição de recursos para o produto básico, espalhar o
excesso de atendentes ao longo do dia e analisar a coerência do resultado, é hora do analista
verificar o outro produto – o plus – e, no caso de haver um déficit de agentes, eventualmente
programar uma transferência de recursos oriundos do produto básico.
Já em relação às centrais, é importante realizar o dimensionamento de forma consolidada por
causa da possibilidade de fazer transbordo de uma central para a outra. Este transbordo é
vantajoso porque existem mais operadores na Bahia, central cuja curva de comportamento
intradiário da demanda sofre uma queda mais acentuada na parte da tarde (quando comparada
à queda vespertina da central de Pernambuco). Dessa forma, é possível transferir uma parte
dos atendentes da Bahia para Pernambuco na parte da tarde.
Se o dimensionamento fosse feito de forma isolada para cada central, teria que ser
programado um escalonamento de mais agentes (mais custos) em Pernambuco para atender a
demanda da tarde, enquanto parte dos operadores baianos estaria ociosa durante o mesmo
período. Com o transbordo, é possível manter a quantidade de atendentes de Pernambuco em
um nível mais baixo e pedir ajuda à mão-de-obra da Bahia no período vespertino.
131
O último passo da análise intradiária consiste na programação de horas-extras e na utilização
do banco de horas. Depois de realizada a distribuição de operadores sem a utilização destes
recursos, é possível verificar em quais horários do dia mão-de-obra adicional está sendo
necessária. Se houver disponibilidade de banco de horas, ele pode ser usado; caso contrário, é
preciso utilizar horas-extras. Se não houver déficit de atendentes, o banco de horas (quando
disponível) pode ser guardado para uma ocasião posterior.
A maior parte dos funcionários prefere realizar horas-extras e/ou compensar as horas do
banco na parte da manhã, antes de iniciar a sua jornada. A adesão é maior neste período do
dia do que à noite (depois da jornada) mesmo havendo menos operadores entrando no fim da
manhã e início da tarde do que saindo no final da tarde e início da noite.
Com a aplicação destes recursos da melhor forma possível, os níveis de serviço desejados
para cada produto podem ser agora atingidos. E, então, passa a ser possível observar o
resultado do esforço de dimensionamento e escalonamento. As figuras 20 (anterior) e 23 (a
seguir) ilustram a relação entre a capacidade demandada e a disponível, ao longo do dia, em
dois momentos distintos: antes do dimensionamento (com a configuração de atendentes do
mês anterior, recebida da operação) e após a otimização dos recursos, respectivamente.
Figura 23 – Necessidade e disponibilidade (após o escalonamento) de
agentes por período, produto 102 (plus), Brasil, agosto de 2006
Necessários x Dimensionados - TOTAL
0
50
100
150
200
250
300
350
400
450
00:00
01:00
02:00
03:00
04:00
05:00
06:00
07:00
08:00
09:00
10:00
11:00
12:00
13:00
14:00
15:00
16:00
17:00
18:00
19:00
20:00
21:00
22:00
23:00
Horário
Quantidade de operadores
Oper. Nec. C/ abs
Oper. Dimens.
Fonte: Material coletado nas entrevistas
132
Depois de tantas modificações na busca do melhor dimensionamento, é interessante fazer o
registro de todas elas em um resumo a ser enviado para a operação, juntamente com as
planilhas contendo o escalonamento sugerido para o mês subseqüente. A visualização das
mudanças realizadas fica mais fácil através da indicação via setas – na própria planilha,
conforme ilustrado na figura 24 a seguir – das movimentações que foram feitas: de onde
foram retirados e para onde foram os atendentes realocados, mudanças de horário, alteração
do lanche, migração de básico para plus, etc..
Figura 24– Mudanças realizadas durante o escalonamento dos atendentes
(6 horas), produto 102 (plus), Brasil, agosto de 2006
Horário 06:00 06:30 07:00 07:30 08:00 08:30 09:00 09:30 10:00 10:30
02:30
03:00
03:30
04:00
04:30
05:00
05:30
06:00 20
06:30 20 1
07:00 20 1 21
07:30 20 1 21 25
08:00 15 1212572
08:30 17 0 15 25 72 40
09:00 18 1 20 21 72 40 40
09:30 20 1 21 24 72 40 40 26
10:00 20 1 21 24 72 40 40 26 18
10:30 20 121257240402618 9
05 Recursos de Básico
08 Recursos
08 Recursos
05 Recursos
Fonte: Material coletado nas entrevistas
As quantidades de atendentes disponíveis destacadas em azul são menores do que as de
operadores que iniciam a jornada em cada período por causa da ocorrência do horário de
lanche para parte dos funcionários nestes momentos.
Ao receber o resumo do efetivo (ilustrado na figura 25 a seguir) e a planilha informando as
modificações sugeridas pela equipe de planejamento, a operação pode eventualmente ajudar –
até porque é o setor que melhor conhece o dia-a-dia – criticando algo (através do argumento
de que, por exemplo, naquele mês, provavelmente, não haverá adesão para horas-extras no
fim do expediente) e sugerindo melhorias (através da citação de que, por exemplo, é
preferível, para aquele mês, haver um déficit de agentes ainda maior na parte da manhã do
133
que um pequeno déficit no início da noite, por ser mais provável conseguir a adesão
matutina).
Figura 25 – Resumo do efetivo sugerido pelo dimensionamento para o mês
subseqüente, produto 102 (plus), Brasil, agosto de 2006
Quantidades Quantidades
0:00 - 6:00 5 0:00 - 4:00 -
5:00 - 11:00 1 5:30 - 11:30 -
5:30 - 11:30 5 6:00 - 10:00 -
6:00 - 12:00 20 6:30 - 10:30 -
6:30 - 12:30 1 7:00 - 11:00 7
7:00 - 13:00 21 7:30 - 11:30 32
7:30 - 13:30 25 8:00 - 12:00 8
8:00 - 14:00 72 8:30 - 12:30 39
8:30 - 14:30 40 9:00 - 13:00 16
9:00 - 15:00 40 9:30 - 13:30 -
9:30 - 15:30 26 10:00 - 14:00 -
10:00 - 16:00 18 10:30 - 14:30 -
10:30 - 16:30 9 11:00 - 15:00 -
11:00 - 17:00 29 11:30 - 15:30 -
11:30 - 17:30 5 12:00 - 16:00 -
12:00 - 18:00 4 12:30 - 16:30 -
12:30 - 18:30 15 13:00 - 17:00 12
13:00 - 19:00 13 13:30 - 17:30 31
13:30 - 19:30 14 14:00 - 18:00 50
14:00 - 20:00 31 14:30 - 18:30 10
14:30 - 20:30 25 15:00 - 19:00 -
15:00 - 21:00 18 15:30 - 19:30 -
15:30 - 21:30 14 16:00 - 20:00 -
16:00 - 22:00 18 16:30 - 20:30 -
16:30 - 22:30 1 17:00 - 21:00 -
17:00 - 23:00 4 17:30 - 21:30 -
17:30 - 23:30 - 18:00 - 22:00 -
18:00 - 0:00 5 18:30 - 22:30 5
18:30 - 0:30 - 19:00 - 23:00 3
19:00 - 1:00 - 19:30 - 23:30 4
19:30 - 1:30 -
212
20:00 - 0:00 13
20:00 - 2:00 8
275
20:30 - 0:30 -
Total: 487 21:00 - 1:00 -
Premissas:
Total: 230
Carga Horária: 04:00h
HorárioHorário
Carga Horária: 06:00h
Fonte: Material coletado nas entrevistas
Em situações como essa, a equipe de planejamento deve refazer o escalonamento e trocar as
lacunas, conforme sugerido pela operação. Em outras palavras, existe uma interação entre
estes setores e o material enviado anteriormente não consiste, necessariamente, na versão
final do plano de trabalho para o próximo mês. A rigor, é possível haver uma imposição por
parte da equipe de planejamento, mas o processo não funciona assim, na prática.
O que não pode acontecer é o pessoal da operação executar um plano diferente do que foi
sugerido, sem dar feedback, criticar nem propor modificações. A equipe de planejamento
realizou todos os estudos necessários para gerar o plano proposto e está contando com ele; se
não for seguido, sem aviso, pode dar tudo errado na operação.
134
Enquanto a insubordinação deve ser evitada ao máximo, a crítica construtiva é bem recebida e
até incentivada pelos analistas de planejamento, que podem usá-la até para gerar e mudar
conceitos acerca do dimensionamento da operação.
Na última etapa do processo de dimensionamento e escalonamento, o analista procura estimar
como será o nível de serviço da operação (percentual de chamadas atendidas em até 10
segundos), para todos os dias ao longo do mês (até o momento, os cálculos foram feitos em
cima do quinto DMM apenas).
Para tal, a distribuição intradiária de atendentes elaborada durante os passos anteriores
(incluindo o uso de horas-extras e banco de horas) é replicada – em uma planilha (ilustrada na
tabela 13 a seguir) – para todos os dias do mês, exceto para os sábados e domingos; nesses
dias, a programação de agentes é multiplicada por 60% e 40%, respectivamente, já que é essa
a proporção de funcionários (dos que trabalham 6 dias por semana) disponíveis em cada um
desses dias.
A planilha também recebe como input a demanda de ligações prevista para cada um dos dias
do mês, assim como os respectivos TMAs. Em cima dessas demandas, são aplicadas as curvas
de comportamento intradiário, de acordo com o respectivo dia da semana. Assim, é obtida
uma previsão de volume (conforme ilustrado na tabela 13 a seguir) e TMA para cada meia-
hora de cada dia do mês em estudo.
135
Tabela 13 – Escala de atendentes e volume previsto de ligações para cada
período de 30 minutos, produto 102 (plus), Brasil, novembro de 2005
te
r
qua qui sex sáb dom seg te
r
qua qui
01-nov 02-nov 03-nov 04-nov 05-no
v
06-nov 07-nov 08-nov 09-nov 10-no
v
0 00:00
00 0 0000000
0 00:30
00 0 0000000
0 01:00
00 0 0000000
0 01:30
00 0 0000000
0 02:00
00 0 0000000
0 02:30
00 0 0000000
0 03:00
00 0 0000000
0 03:30
00 0 0000000
0 04:00
00 0 0000000
0 04:30
00 0 0000000
0 05:00
00 0 0000000
0 05:30
00 0 0000000
10 06:00
323 319 306 286 178 103 345 328 320 300
20 06:30
776 766 735 687 428 248 828 787 768 721
36 07:00
1817 1792 1721 1608 1001 580 1939 1841 1797 1687
78 07:30
3671 3622 3478 3249 2023 1171 3918 3721 3632 3410
160 08:00
7599 7498 7198 6726 4188 2424 8109 7701 7518 7058
230 08:30
11398 11245 10797 10088 6282 3636 12162 11551 11277 10586
290 09:00
14530 14336 13764 12860 8008 4635 15504 14726 14375 13495
345 09:30
16446 16226 15578 14556 9064 5246 17549 16667 16271 15275
362 10:00
17727 17489 16791 15689 9769 5655 18915 17965 17538 16464
362 10:30
18452 18205 17478 16331 10169 5886 19689 18700 18255 17138
340 11:00
17461 17227 16539 15454 9623 5570 18631 17695 17275 16217
340 11:30
16230 16013 15374 14365 8945 5177 17318 16448 16057 15074
276 12:00
13920 13733 13185 12319 7671 4440 14853 14107 13771 12928
269 12:30
13275 13097 12575 11749 7316 4235 14165 13454 13134 12330
324 13:00
13451 13271 12742 11905 7413 4291 14353 13632 13308 12493
313 13:30
13738 13554 13013 12159 7571 4382 14659 13923 13592 12760
274 14:00
13057 12882 12368 11556 7196 4165 13932 13232 12917 12127
245 14:30
12754 12583 12081 11288 7029 4068 13609 12925 12618 11845
241 15:00
12344 12179 11693 10925 6803 3938 13172 12510 12213 11465
170 15:30
12014 11853 11380 10633 6621 3832 12819 12175 11886 11158
225 16:00
12196 12032 11552 10794 6721 3890 13013 12360 12066 11327
215 16:30
11260 11109 10666 9966 6206 3592 12015 11411 11140 10458
205 17:00
9749 9619 9235 8629 5373 3110 10403 9880 9645 9055
196 17:30
7935 7829 7517 7023 4373 2531 8467 8042 7851 7370
195 18:00
6427 6341 6088 5688 3542 2050 6858 6513 6358 5969
151 18:30
6125 6043 5802 5421 3376 1954 6536 6207 6060 5689
98 19:00
5233 5163 4957 4631 2884 1669 5583 5303 5177 4860
97 19:30
4638 4575 4393 4104 2556 1479 4949 4700 4588 4307
85 20:00
3389 3343 3210 2999 1868 1081 3616 3434 3353 3147
85 20:30
3265 3221 3093 2889 1799 1041 3484 3309 3230 3032
45 21:00
2480 2447 2349 2195 1367 791 2647 2514 2454 2304
45 21:30
2005 1978 1899 1775 1105 640 2140 2032 1984 1862
0 22:00 00 0 0000000
0 22:30 00 0 0000000
0 23:00 00 0 0000000
0 23:30
00 0 0000000
527,3 305.685 301.589 289.557 270.545 168.469 97.513 326.178 309.792 302.428 283.913
ESCALA
VOLUME
Fonte: Material coletado nas entrevistas
A partir do cruzamento das informações de oferta de capacidade e de previsão de demanda
(volume e TMA) para cada dia e horário, a planilha estima – de acordo com a mesma
metodologia Erlang usada anteriormente – os níveis de serviço que serão obtidos em cada um
dos intervalos de tempo, levando em conta as mesmas premissas de absenteísmo e taxa de
ocupação aplicadas anteriormente, conforme ilustrado na tabela 14 a seguir.
136
Tabela 14 – Nível de serviço estimado para cada período de 30 minutos,
produto 102 (plus), Brasil, novembro de 2005
ter qua qui sex sáb dom seg ter qua qui
01-no
v
02-nov 03-no
v
04-nov 05-no
v
06-nov 07-nov 08-nov 09-no
v
10-nov
00:00
0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
00:30
0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
01:00
0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
01:30
0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
02:00
0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
02:30
0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
03:00
0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
03:30
0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
04:00
0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
04:30
0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
05:00
0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
05:30 0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
06:00
99% 99% 99% 100% 97% 93% 99% 99% 99% 99%
06:30
99% 100% 100% 100% 99% 99% 99% 99% 100% 100%
07:00
88% 91% 96% 99% 96% 98% 75% 89% 93% 98%
07:30
99% 100% 100% 100% 100% 100% 97% 99% 100% 100%
08:00
100% 100% 100% 100% 100% 100% 99% 100% 100% 100%
08:30
100% 100% 100% 100% 100% 100% 96% 100% 100% 100%
09:00
100% 100% 100% 100% 100% 100% 72% 100% 100% 100%
09:30
100% 100% 100% 100% 100% 100% 100% 100% 100% 100%
10:00
100% 100% 100% 100% 100% 100% 99% 100% 100% 100%
10:30
100% 100% 100% 100% 100% 100% 23% 100% 100% 100%
11:00
98% 100% 100% 100% 100% 100% 0% 99% 100% 100%
11:30
100% 100% 100% 100% 100% 100% 100% 100% 100% 100%
12:00 100% 100% 100% 100% 100% 100% 95% 100% 100% 100%
12:30
100% 100% 100% 100% 100% 100% 98% 100% 100% 100%
13:00
100% 100% 100% 100% 100% 100% 100% 100% 100% 100%
13:30
100% 100% 100% 100% 100% 100% 100% 100% 100% 100%
14:00
100% 100% 100% 100% 100% 100% 100% 100% 100% 100%
14:30
94% 99% 100% 100% 100% 100% 0% 96% 100% 100%
15:00
99% 100% 100% 100% 100% 100% 67% 100% 100% 100%
15:30
0% 0% 0% 0% 0% 86% 0% 0% 0% 0%
16:00
25% 83% 100% 100% 100% 100% 0% 47% 92% 100%
16:30
95% 99% 100% 100% 100% 100% 0% 96% 99% 100%
17:00
100% 100% 100% 100% 100% 100% 100% 100% 100% 100%
17:30
100% 100% 100% 100% 100% 100% 100% 100% 100% 100%
18:00
100% 100% 100% 100% 100% 100% 100% 100% 100% 100%
18:30 100% 100% 100% 100% 100% 100% 100% 100% 100% 100%
19:00
40% 70% 96% 100% 99% 100% 0% 50% 80% 99%
19:30
99% 100% 100% 100% 100% 100% 96% 99% 100% 100%
20:00
100% 100% 100% 100% 100% 100% 100% 100% 100% 100%
20:30
100% 100% 100% 100% 100% 100% 100% 100% 100% 100%
21:00
0% 5% 64% 92% 85% 95% 0% 0% 22% 79%
21:30
100% 100% 100% 100% 100% 100% 99% 100% 100% 100%
22:00
0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
22:30
0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
23:00
0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
23:30
0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
91% 94% 96% 96% 96% 99% 68% 92% 95% 96%
NÍVEL SERVIÇO
Fonte: Material coletado nas entrevistas
Finalmente, é elaborado um resumo (exemplificado na tabela 15 a seguir) relacionando o
volume, o TMA e o nível de serviço estimados para cada um dos dias do mês em análise,
onde estes são hierarquizados de acordo com os seus volumes (DMM1, DMM2, ... ,
DMM30). Assim, é possível identificar os dias em que o nível de serviço se situará abaixo da
meta (os dias de maior movimento).
137
Tabela 15 – Volume, TMA e nível de serviço estimados para os dias
(hierarquizados) de novembro de 2005, produto 102 (plus), Brasil
Dia
V
olume TMA NS DMM
1-nov 305.685 31 91%
DMM 8
2-nov 301.589 31 94%
DMM 10
3-nov 289.557 31 96%
DMM 13
4-nov 270.545 31 96%
DMM 16
5-nov 168.469 29 96%
DMM 24
6-nov 97.513 28 99%
DMM 30
7-nov 326.178 30 68
%
DMM 3
8-nov 309.792 30 92%
DMM 9
9-nov 302.428 30 95%
DMM 11
10-nov 283.913 30 96%
DMM 14
11-nov 266.151 30 96%
DMM 17
12-nov 161.464 29 96%
DMM 26
13-nov 101.564 28 99%
DMM 29
14-nov 319.115 30 85%
DMM 5
15-nov 285.593 26 95%
DMM 21
16-nov 304.277 25 96%
DMM 19
17-nov 304.941 25 96%
DMM 20
18-nov 266.208 29 96%
DMM 18
19-nov 160.696 29 96%
DMM 25
20-nov 101.019 28 98%
DMM 28
21-nov 325.122 30
75%
DMM 4
22-nov 315.182 30 89%
DMM 7
23-nov 331.284 30
55
%
DMM 2
24-nov 293.243 31 95%
DMM 12
25-nov 274.557 31 96%
DMM 15
26-nov 167.871 29 96%
DMM 23
27-nov 104.273 28 96%
DMM 27
28-nov 344.253 30 38%
DMM 1
29-nov 201.680 30 100%
DMM 22
30-nov 319.043 30 86%
DMM 6
7.685.492 30 88,1%
Fonte: Material coletado nas entrevistas
Depois de validada, esta planilha que estima o nível de serviço ao longo de todo o mês
também é enviada para a operação. Ela servirá de base para o acompanhamento do cotidiano
operacional e para pequenos ajustes diários, depois que a operação implementar na prática o
seu conteúdo.
Infelizmente, a equipe de planejamento não consegue mensurar – com um nível de detalhe
muito grande – se o nível de serviço efetivamente ocorrido foi similar ao planejado. Para tal
138
mensuração poder ser bem feita, as premissas estimadas (da demanda e do próprio
dimensionamento) teriam que acontecer com bastante acurácia, na realidade.
Mas o volume de demanda real não necessariamente bate com o que foi previsto. Além disso,
nem sempre o escalonamento elaborado de agentes (quantidades certas em cada horário) é
cumprido, já que, entre outros motivos, o banco de horas nem sempre pode ser utilizado da
forma planejado e o absenteísmo, às vezes, acontece com maior ou menor intensidade do que
consta na premissa.
A demanda real até que coincide – com alguma freqüência – com a que foi prevista, mas a
correta execução do escalonamento planejado não é tão comum assim de acontecer. Para uma
correta mensuração acerca da acurácia da previsão do nível de serviço, teria que ser feita uma
grande pesquisa para ser estudado um dia em que a demanda real foi muito próxima da
prevista e as escalas ocorreram exatamente como foram dimensionadas, o que é difícil de
acontecer.
Por isso, o setor não trabalha com nenhuma planilha que sumarize essa comparação. O nível
de serviço é acompanhado mesmo diariamente, mais através do “sentimento” e da percepção
da equipe de planejamento do que propriamente de um procedimento formal. Em outras
palavras, uma análise macro é realizada a esse respeito.
Por exemplo, se em um determinado dia, o nível de serviço previsto era de 90% (número
fechado para o dia, e não aberto por horário) e o obtido foi 89% (ou 88% ou 91% ou 92%),
isso é considerado um acerto, já que a previsão tem margem de erro para cima e para baixo.
Agora, se nesse dia o nível de serviço obtido for 60%, é necessário checar se o volume e
TMA reais fugiram muito dos previstos (nesse caso, a “culpa” é da previsão de demanda);
caso contrário, o absenteísmo efetivo precisa ser comparado com o que foi utilizado nas
premissas. Caso não seja detectado nenhum grande desvio, é preciso fazer uma análise micro
para detectar em qual(is) horário(s) houve problema e perda de nível de serviço.
Nesse caso, é preciso entender o motivo de ter ocorrido um desvio exagerado no final do dia.
Uma possível explicação é a chamada “inversão da curva”, que ocorre quando a maior
demanda for prevista para a manhã (gerando um dimensionamento mais numeroso para essa
parte do dia e em menor escala para a tarde) e o inverso ocorre: maior demanda no momento
(tarde) de menor capacidade de atendimento, acarretando um excelente nível de serviço
139
(100%, com ociosidade, provavelmente) pela manhã, mas uma grande deterioração no mesmo
na parte da tarde. Em uma situação como essas, a análise macro não é suficiente, pois o
volume diário de demanda pode ter se comportado conforme previsto, variando apenas a sua
oscilação intradiária.
Mas, se a curva intradiária tiver se comportado conforme foi planejado, pode ter havido um
erro sério no processo de dimensionamento. No entanto, raramente a análise chega a esse
nível de detalhe; é muito pouco comum acontecer de o volume, o TMA e a quantidade de
pessoas estarem coerentes e o nível de serviço fugir muito do estimado.
Na opinião da equipe de planejamento, a fórmula Erlang utilizada para o cálculo do nível de
serviço não é totalmente precisa, mas não é radicalmente imprecisa a ponto de chamar a
atenção e gerar situações onde as premissas sejam respeitadas e o nível de serviço se distancie
muito do calculado.
Na verdade, a equipe questiona um pouco a fórmula de cálculo do nível de serviço em função
da distribuição de operadores, através das fórmulas Erlang. Esse questionamento nasceu de
algumas observações empíricas, como em uma situação em que o nível de serviço calculado
para um horário com déficit de 3 agentes era 77% e passava para 0% quando o déficit subia
para 12 agentes.
O sentimento geral é de que essa forma de cálculo não é 100% precisa, mas gera resultados
próximos da realidade, já que entram fatores como tempo de espera, entre outros. Não existe
concordância de que essa é a maneira ideal de calcular o nível de serviço, mas o setor não
encontrou nenhuma outra abordagem mais precisa, em pesquisas coletando informações e
planilhas verificadas.
140
6. Análise do Caso
Com o intuito de responder as questões propostas na seção 1.1.2 de forma a atingir os
objetivos estipulados na seção 1.1.1, este capítulo procura atacar – através de metodologias
estudadas e sugeridas pelo pesquisador – os problemas levantados na seção 5.2: a previsão de
demanda e o dimensionamento da capacidade de atendimento.
6.1. Previsão de demanda
Hoje em dia, conforme descrito na seção 5.2.1, a previsão básica do produto 103 é extraída do
TotalView e a equipe de previsão realiza manualmente – no Excel – a inserção das
informações a respeito da postagem e vencimento das contas dos clientes, dentro de cada
ciclo. Essas informações são fornecidas pelo setor de faturamento e são capazes de impactar a
demanda de ligações em cada dia, assim como o tempo médio de atendimento (TMA). A
reivindicação geral consiste na criação de uma forma através da qual as informações do
faturamento pudessem ser usadas de uma maneira mais sistemática no processo de elaboração
das previsões. A idéia é evitar o trabalho manual e o uso apenas da intuição no analista,
reduzindo a possibilidade de erro.
O objetivo torna-se, então, construir uma ferramenta de previsão capaz de capturar de forma
metódica as informações relevantes dos ciclos de contas – fugindo do sentimento, da intuição
e do trabalho manual dos analistas – e de conseguir gerar resultados mais acurados. A idéia é
a ferramenta não substituir a intuição e experiência da equipe de previsão, mas servir de apoio
à sua tomada de decisão.
A equipe responsável pela previsão de demanda (em especial o Gerente de Planejamento de
Tráfego) deu bastante apoio à idéia de implantação de uma nova ferramenta capaz de facilitar
e melhorar a qualidade do processo e a atividade de cada membro da equipe.
Até por isso, a coleta de informações necessárias para o desenvolvimento da ferramenta fluiu
com relativa facilidade e sem grande resistência, a menos de atrasos (até de algumas semanas)
ocorridos durante o envio do material que, inclusive, inviabilizaram a mensuração da
funcionalidade do modelo em relação ao “futuro”, conforme foi explicado na seção 4.4.
Acredita-se, no entanto, que estes atrasos tenham sido motivados apenas por problemas de
141
saúde e de excesso de trabalho do responsável, e não por uma eventual resistência do mesmo
à utilização de uma nova abordagem para a atividade de previsão de demanda.
Vale relatar que a real magnitude dos valores informados foi camuflada (através do uso de
uma constante de proporcionalidade) pela necessidade de sigilo da informação (e não
motivada por algum outro fator), conforme será detalhado na seção 6.1.1 a seguir.
Adicionalmente – talvez em parte motivada pela necessidade de valorização do próprio
trabalho, mas certamente apresentando coerência – uma ressalva generalizada foi levantada
pela equipe, alertando para a necessidade de a nova ferramenta não impedir nem engessar as
contribuições razoavelmente subjetivas (e baseadas na experiência) que os responsáveis pela
previsão costumam agregar – de forma positiva – às predições preliminares sugeridas pelo
sistema.
6.1.1. A escolha do método de previsão e do “produto-cobaia”
Operacionalmente, a equipe de previsão coletaria, com a antecedência usual, os inputs
necessários (oriundos do setor de faturamento) e alimentaria a ferramenta de previsão –
ambientada em uma planilha de Excel – com eles. O output da ferramenta consistiria na
quantidade de ligações demandada e o tempo médio de atendimento para cada data futura.
O 103 é o produto ideal para a construção de tal ferramenta, principalmente por dois motivos:
• é o produto que parece encerrar o maior potencial de melhoria na sua previsão de
demanda, já que a empresa dispõe de informações (quantidades de contas enviadas
para os clientes em cada data, assim como suas datas de vencimento) que poderiam
fornecer uma melhor acurácia, estando apenas carente de um método mais adequado;
• a demanda do produto, segundo a Coordenação de Planejamento de Tráfego, apresenta
pouca sazonalidade ao longo do ano – e, como o histórico de dados fornecido pela
empresa para a construção da ferramenta abrange um período de cerca de 1 ano, a
sazonalidade mensal não poderia ser capturada e isolada, o que acabaria por poluir o
processo de previsão de um produto cuja demanda fosse sazonal.
O método escolhido foi o da Regressão Múltipla, pois é capaz de capturar o impacto
específico de cada evento e informação na demanda e no TMA de cada dia. Por exemplo, qual
o impacto – na demanda de ligações – do fato do dia em questão cair em uma quinta-feira?
142
Qual o impacto – no TMA – do dia consistir em um feriado? Qual o impacto – nas duas
grandezas – de chegarem 200 mil contas para os clientes no dia em questão? E qual o impacto
de vencerem 300 mil contas neste dia? E do dia ser a véspera do vencimento de 500 mil
contas?
A idéia é verificar a distância do dia específico em relação aos eventos especiais (chegada e
vencimento das contas) e calcular para quantas contas esse dia é o C (dia de chegada), o V
(dia do vencimento), o V – 1 (véspera do vencimento), o V – 2 (antevéspera do vencimento),
... , V + 1 (dia seguinte ao vencimento), V + 2, ... .
De posse do cronograma de envio e vencimento de contas do faturamento (fornecido pela
equipe de previsão, para o período de julho de 2005 a julho de 2006), apresentado
parcialmente na tabela 6, na seção 5.2.1, foi possível prever a data de chegada para cada um
dos ciclos de contas: de uma forma geral, a chegada ocorre um dia após a postagem, exceto
para a Baixada Fluminense e o interior do Estado do RJ (ciclo RJ-7), cuja chegada das contas
acontece dois dias após a postagem.
Depois disso, os ciclos de contas foram consolidados a um nível nacional – até porque,
conforme descrito na seção 5.2.1, tudo funciona, em termos organizacionais, como se
houvesse uma central única de atendimento, abrangendo potencialmente os clientes de todos
os estados – em termos da data de chegada e data de vencimento das contas, conforme
apresentado parcialmente nas tabelas 16 e 17, respectivamente e a seguir.
143
Tabela 16 – Total de contas agrupadas por data de chegada prevista,
setembro a outubro de 2005
Soma de Contas
Data de Chegada Prevista Total
06/09/05
3.360.569
13/09/05
801.143
14/09/05
432.670
15/09/05
709.437
30/08/05
2.181.734
17/08/05
246.901
26/09/05
1.315.342
29/09/05
2.506.038
04/10/05
1.808.735
05/10/05
1.167.447
11/10/05
1.890.364
27/09/05
820.855
28/09/05
1.555.097
07/10/05
800.105
18/10/05
709.437
26/10/05
1.731.518
28/10/05
587.118
Total geral
133.108.943
Fonte: Planilha elaborada pelo pesquisador
144
Tabela 17 – Total de contas agrupadas por data de vencimento, setembro a
outubro de 2005
Soma de
Contas
Vencimento Total
04/09/05
2.142.215
07/09/05
1.918.920
11/09/05
2.177.552
13/09/05
798.630
15/09/05
1.456.656
17/09/05
801.143
20/09/05
432.670
23/09/05
709.437
23/08/05
246.901
01/10/05
2.136.197
04/10/05
2.142.215
07/10/05
1.918.920
11/10/05
2.177.552
13/10/05
798.630
15/10/05
1.456.656
17/10/05
801.143
20/10/05
432.670
23/10/05
709.437
Total geral
133.108.943
Fonte: Planilha elaborada pelo pesquisador
Para poder ser desenvolvido o modelo de regressão múltipla para prever a quantidade de
ligações e o TMA em cada data, foi preciso ter acesso ao histórico destas duas grandezas. Por
motivo de sigilo estratégico, esses valores não puderam ser revelados, em sua plena
magnitude; no entanto, a eles foi aplicada uma constante de proporcionalidade, e os
resultados, de julho de 2005 até março de 2006, foram fornecidos pela empresa e estão
apresentados parcialmente na tabela 18 a seguir.
145
Tabela 18 – Histórico da quantidade de ligações e do TMA (multiplicados
por uma constante) para o produto 103, novembro de 2005
Data Ligações TMA (seg)
01/11/2005 193.977 145
02/11/2005 106.587 117
03/11/2005 195.434 146
04/11/2005 183.938 149
05/11/2005 114.623 135
06/11/2005 60.267 121
07/11/2005 210.236 150
08/11/2005 211.949 153
09/11/2005 202.792 154
10/11/2005 182.913 152
11/11/2005 169.596 146
12/11/2005 101.658 134
13/11/2005 54.152 115
14/11/2005 167.911 140
15/11/2005 83.714 113
16/11/2005 181.821 143
17/11/2005 163.432 146
18/11/2005 150.299 138
19/11/2005 95.204 123
20/11/2005 59.552 92
21/11/2005 173.555 146
22/11/2005 156.347 143
23/11/2005 156.896 143
24/11/2005 151.793 144
25/11/2005 149.621 137
26/11/2005 100.965 124
27/11/2005 55.197 110
28/11/2005 165.545 138
29/11/2005 165.424 138
30/11/2005 179.283 139
Fonte: Material coletado nas entrevistas
O comportamento das duas grandezas em função do tempo pode ser mais bem observado
através dos gráficos apresentados a seguir, nas figuras 26 e 27, respectivamente.
146
Figura 26 – Quantidade de ligações por dia (multiplicada por uma
constante), para o produto 103, julho de 2005 a março de 2006
Quantidade de ligações por dia (produto 103)
0
50.000
100.000
150.000
200.000
250.000
17/07/2005 16/08/2005 15/09/2005 15/10/2005 14/11/2005 14/12/2005 13/01/2006 12/02/2006 14/03/2006
Dia
Quantidade de ligações
Fonte: Gráfico elaborado pelo pesquisador
Figura 27 – TMA por dia (multiplicado por uma constante), para o produto
103, julho de 2005 a março de 2006
TMA por dia (produto 103)
0
30
60
90
120
150
180
17/07/2005 16/08/2005 15/09/2005 15/10/2005 14/11/2005 14/12/2005 13/01/2006 12/02/2006 14/03/2006
Dia
TMA (em segundos)
Fonte: Gráfico elaborado pelo pesquisador
147
A série da quantidade de ligações não apresenta nenhuma tendência de crescimento ou
decrescimento (apenas um comportamento errático), dispensando, assim, a necessidade de
inclusão de uma variável explicativa para registrar a passagem do tempo (o que seria
obrigatório caso a grandeza mostrasse um crescimento ou decrescimento sistemático).
Assim como a quantidade de ligações, o tempo médio de atendimento não apresenta tendência
alguma, necessitando do mesmo tratamento; no entanto, observa-se uma diferença
significativa em relação à grandeza anterior: o TMA é razoavelmente mais homogêneo que a
quantidade de ligações, o que torna a sua magnitude um pouco mais previsível.
6.1.2. O modelo de previsão para a demanda de ligações
De posse de todas essas informações foi possível montar a planilha de Excel com os dados
necessários para a construção do modelo de regressão múltipla dentro do qual o
comportamento da variável dependente “quantidade de ligações em um dia específico” –
inicialmente – poderia estar sendo explicado por 10 variáveis independentes:
• dia da semana;
• feriado – se o dia específico consiste em um feriado ou não;
• chegada (C) – quantas contas estão previstas para chegarem ao cliente no dia
específico;
• vencimento (V) – quantas contas vencem no dia específico;
• V - 3 – para quantas contas aquele dia específico corresponde a 3 dias antes do
vencimento, ou, em outras palavras, quantas contas irão vencer 3 dias depois da data
específica;
• V - 2 – para quantas contas aquele dia específico corresponde à antevéspera do
vencimento;
• V - 1 – para quantas contas aquele dia específico corresponde à véspera do
vencimento;
148
• V + 1 – para quantas contas aquele dia específico corresponde a 1 dia depois do
vencimento, ou, em outras palavras, quantas contas terão vencido na véspera daquela
data específica;
• V + 2 – para quantas contas aquele dia específico corresponde a 2 dias depois do
vencimento;
• V + 3 – para quantas contas aquele dia específico corresponde a 3 dias depois do
vencimento.
A tabela 19 a seguir apresenta parcialmente a organização da planilha de dados em questão.
Tabela 19 – Planilha de dados do modelo de regressão múltipla para prever
a quantidade de ligações, produto 103, fevereiro de 2006
Dia
Dia da
semana
Feriado ?
Chegada
(C)
V - 3 V - 2 V - 1
Vencimento
(V)
V + 1V + 2V + 3Ligações
01/02/2006 4a. feira Não 2.506.038 2.142.215 - - 2.136.197 - - - 199.908
02/02/2006 5a. feira Não - - 2.142.215 - - 2.136.197 - - 195.497
03/02/2006 6a. feira Não 1.122.892 - - 2.142.215 - - 2.136.197 - 185.542
04/02/2006 Sábado Não - 1.918.920 - - 2.142.215 - - 2.136.197 116.657
05/02/2006 Domingo Não - - 1.918.920 - - 2.142.215 - - 65.558
06/02/2006 2a. feira Não 587.354 - - 1.918.920 - - 2.142.215 - 216.104
07/02/2006 3a. feira Não 1.484.473 - - - 1.918.920 - - 2.142.215 221.831
08/02/2006 4a. feira Não 1.238.119 2.177.552 - - - 1.918.920 - - 213.584
09/02/2006 5a. feira Não 801.143 - 2.177.552 - - - 1.918.920 - 200.359
10/02/2006 6a. feira Não -
798.630 - 2.177.552 - - - 1.918.920 185.882
11/02/2006 Sábado Não - - 798.630 - 2.177.552 - - - 122.764
12/02/2006 Domingo Não - 1.456.656 - 798.630 - 2.177.552 - - 72.033
13/02/2006 2a. feira Não - - 1.456.656 - 798.630 - 2.177.552 - 197.231
14/02/2006 3a. feira Não 432.670 801.143 - 1.456.656 - 798.630 - 2.177.552 181.092
15/02/2006 4a. feira Não 709.437 - 801.143 - 1.456.656 - 798.630 - 188.990
16/02/2006 5a. feira Não - - - 801.143 - 1.456.656 - 798.630 174.253
17/02/2006 6a. feira Não - 432.670 - - 801.143 - 1.456.656 - 156.317
18/02/2006 Sábado Não - - 432.670 - - 801.143 - 1.456.656 105.306
19/02/2006 Domingo Não - - - 432.670 - - 801.143 - 63.827
20/02/2006 2a. feira Não - 709.437
- - 432.670 - - 801.143 171.921
21/02/2006 3a. feira Não - - 709.437 - - 432.670 - - 155.035
22/02/2006 4a. feira Não 2.136.197 - - 709.437 - - 432.670 - 152.537
23/02/2006 5a. feira Não 1.555.097 - - - 709.437 - - 432.670 140.621
24/02/2006 6a. feira Não 2.506.038 - - - - 709.437 - - 139.056
25/02/2006 Sábado Não - - - - - - 709.437 - 86.746
26/02/2006 Domingo Não - 2.136.197 - - - - - 709.437 49.520
27/02/2006 2a. feira Não - - 2.136.197 - - - - - 85.790
28/02/2006 3a. feira Sim - - - 2.136.197 - - - - 75.801
Fonte: Planilha elaborada pelo pesquisador
Cabe salientar que as variáveis independentes “dia da semana” e “feriado” foram trabalhadas
como sendo do tipo dummy (ou simbólicas ou binárias). Assim, e de acordo com a revisão
bibliográfica apresentada na seção 3.1.2.1, foram criadas 6 variáveis dummy para o dia da
149
semana (domingo, segunda-feira, terça-feira, quarta-feira, quinta-feira e sexta-feira) e 1
variável dummy para a ocorrência do feriado (feriado).
Dessa forma, para o dia 28/02/2006, por exemplo, a sua variável dummy feriado assumiu o
valor 1 (0 = Não; 1 = Sim), por se tratar da terça-feira de Carnaval; e as suas variáveis dummy
domingo, segunda-feira, quarta-feira, quinta-feira e sexta-feira assumiram o valor 0
enquanto que a sua variável dummy terça-feira assumiu o valor 1. Seguindo o mesmo
raciocínio, para o dia 04/02/2006, por exemplo, a sua variável dummy feriado assumiu o
valor 0; e as suas variáveis dummy domingo, segunda-feira, terça-feira, quarta-feira,
quinta-feira e sexta-feira assumiram o valor 0, caracterizando, portanto e por exclusão, o dia
em questão como sendo um sábado (seria redundante a existência de uma variável dummy
sábado, pois este dia já estará sendo caracterizado quando todas as variáveis dummy relativas
ao dia da semana assumirem o valor 0).
Isto posto, foi utilizada a ferramenta de “Regressão” do suplemento de “Análise de Dados” do
Excel para gerar o modelo de regressão múltipla proposto. As tabelas 20, 21 e 22 a seguir
foram extraídas do relatório fornecido pela ferramenta em questão.
Tabela 20 – Estatística de regressão do modelo de regressão múltipla para
prever a quantidade de ligações, produto 103
Estatística de regressão
R múltiplo 0,92
R-Quadrado 0,85
R-quadrado ajustado
0,84
Erro padrão 20.320
Observações 234
Fonte: Relatório de regressão do Excel, elaborado pelo pesquisador
A primeira análise aponta para um modelo com um potencial muito bom, já que 84% (R-
quadrado ajustado) da variação dos dados pode ser explicada por ele. Mas é fundamental
verificar também o F de significação, destacado na tabela 21 a seguir.
150
Tabela 21 – Análise de Variância do modelo de regressão múltipla para
prever a quantidade de ligações, produto 103
ANOVA
gl F F de significação
Regressão 15,00 85,64
0,0000
Resíduo 218,00
Total 233,00
Fonte: Relatório de regressão do Excel, elaborado pelo pesquisador
O F de significação resultante foi 0,0000 (zero). Neste caso, pode-se acreditar na real
influência das variáveis explicativas na quantidade de ligações e aceitar o modelo com
bastante certeza.
Para analisar a contribuição e a representatividade de cada variável independente, é
necessário examinar seus coeficientes, juntamente com os respectivos p-value (ou valor p),
apresentados na tabela 22 a seguir.
Tabela 22 – Valor, representatividade e intervalo de confiança dos
coeficientes das variáveis independentes do modelo de regressão múltipla
para prever a quantidade de ligações, produto 103
Coeficientes valor-P 95% inferiores 95% superiores
Interseção
92.545
0,00% 84.600 100.490
Domingo
(41.228) 0,00%
(51.225) (31.232)
2a. Feira
79.882 0,00%
69.994 89.769
3a. Feira
75.694 0,00%
65.044 86.343
4a. Feira 73.812 0,00% 62.846 84.779
5a. Feira
73.068 0,00%
63.079 83.056
6a. Feira
61.763 0,00%
51.766 71.760
Feriado
(71.088) 0,00%
(87.237) (54.938)
Chegada (C) 0,0035 13,57% (0,0011) 0,0081
V - 3 0,0052 2,21% 0,0007 0,0096
V - 2
0,0042 7,81%
(0,0005) 0,0089
V - 1
0,0068 0,47%
0,0021 0,0115
Vencimento (V)
0,0074 0,19%
0,0027 0,0120
V + 1 0,0071 0,30% 0,0024 0,0117
V + 2
0,0064 0,75%
0,0017 0,0110
V + 3
0,0009 68,36
%
(0,0035) 0,0053
Fonte: Relatório de regressão do Excel, elaborado pelo pesquisador
151
Ao analisar a tabela 22 anterior, é possível perceber um altíssimo valor p para a variável V +
3, indicando que a “quantidade de contas para as quais aquele dia específico corresponde a 3
dias depois do vencimento” não está funcionando como um bom explicador linear para a
quantidade de ligações.
O efeito “pós-vencimento” parece, então, acabar no segundo dia após o vencimento da conta
(já que os valores p de V + 1 e V + 2 são bem baixos); em outras palavras, os clientes ainda
ligam para o 103 um ou dois dias após o vencimento da conta, mas esse impacto cai bastante
a partir do terceiro dia, deixando de ser significativo.
Esta variável (V + 3) pode estar “poluindo” o modelo e convém retirá-la da análise. A
ferramenta de “Regressão” do Excel foi novamente usada para gerar o modelo de regressão
múltipla. As tabelas 23, 24 e 25 a seguir foram extraídas do relatório fornecido pela
ferramenta.
Tabela 23 – Estatística de regressão do modelo modificado (sem V+3) de
regressão múltipla para prever a quantidade de ligações, produto 103
Estatística de regressão
R múltiplo 0,92
R-Quadrado 0,85
R-quadrado ajustado
0,85
Erro padrão 20.282
Observações 234
Fonte: Relatório de regressão do Excel, elaborado pelo pesquisador
O modelo continuou com um potencial muito bom (até ligeiramente melhor), já que 85% (R-
quadrado ajustado) da variação dos dados pode ser explicada por ele. O F de significação
pode ser observado na tabela 24 a seguir.
O F de significação resultante foi novamente 0,0000 (zero), acarretando na aceitação do
modelo com bastante certeza.
152
Tabela 24 – Análise de Variância do modelo modificado (sem V+3) de
regressão múltipla para prever a quantidade de ligações, produto 103
ANOVA
gl F F de significação
Regressão 14,00 92,09
0,0000
Resíduo 219,00
Total 233,00
Fonte: Relatório de regressão do Excel, elaborado pelo pesquisador
Os coeficientes linear e angulares, juntamente com os respectivos valores p, estão
apresentados na tabela 25 a seguir.
Tabela 25 – Valor, representatividade e intervalo de confiança dos
coeficientes das variáveis independentes do modelo modificado (sem V+3)
de regressão múltipla para prever a quantidade de ligações, produto 103
Coeficientes valor-P 95% inferiores 95% superiores
Interseção
92.693
0,00% 84.795 100.591
Domingo
(41.103) 0,00%
(51.062) (31.144)
2a. Feira
79.874 0,00%
70.005 89.742
3a. Feira 75.900 0,00% 65.318 86.483
4a. Feira 73.908 0,00% 62.972 84.844
5a. Feira
73.082 0,00%
63.113 83.051
6a. Feira
61.898 0,00%
51.941 71.855
Feriado
(71.345) 0,00%
(87.416) (55.275)
Chegada (C) 0,0034 14,30% (0,0012) 0,0080
V - 3
0,0052 2,11%
0,0008 0,0096
V - 2
0,0042 7,86%
(0,0005) 0,0089
V - 1
0,0072 0,13%
0,0028 0,0115
Vencimento (V) 0,0077 0,06% 0,0034 0,0120
V + 1
0,0071 0,30%
0,0024 0,0117
V + 2
0,0060 0,71
%
0,0017 0,0104
Fonte: Relatório de regressão do Excel, elaborado pelo pesquisador
Como pode ser observado, os valores p das outras variáveis mudaram muito pouco e, para
este modelo modificado, apenas duas variáveis apresentam coeficientes angulares com
valores p superiores a 5% (nível de significância mais comumente utilizado nos testes de
hipóteses): Chegada (C) e V – 2.
153
Em relação a esta última, ela será mantida no modelo, porque o valor p do seu coeficiente
angular está abaixo de 10% (um valor também bastante utilizado como nível de significância
nos testes de hipóteses) e pelo fato das variáveis V – 3 e V – 1 apresentarem-se como bons
explicadores lineares (não faria muito sentido manter, no modelo, V – 3 , retirar V – 2 e
manter V – 1, pois a continuidade estaria sendo quebrada e seria o mesmo que afirmar que os
clientes ligam para o 103 três dias antes do vencimento e na véspera do mesmo, mas não na
antevéspera!).
Já a variável Chegada (C) também será mantida no modelo (apesar de apresentar valor p
maior do que 10%) pelo fato de ter sido identificada, pela equipe de planejamento, como
crítica e muito impactante na demanda de ligações; além disso, seu valor p (14,30%) não
ficou tão acima de um nível de significância considerado razoável (10%).
Desta forma, a retirada da variável V + 3 foi benéfica para o modelo (tornando-o, inclusive,
mais parcimonioso, isto é, com menos variáveis) e os seus coeficientes podem ser, então,
interpretados.
O primeiro coeficiente – rotulado de “Intersecção” – corresponde ao coeficiente linear da
regressão, que consiste no valor da variável dependente (no caso, a quantidade de ligações)
quando todas as variáveis independentes (inclusive as dummy) assumirem o valor zero; ou
seja, quando domingo, segunda-feira, terça-feira, quarta-feira, quinta-feira, sexta-feira,
feriado, C, V – 3, V – 2, V – 1, V, V + 1 e V + 2 forem zero – ou ainda, quando o dia for
sábado, não-feriado e não consistir da data de chegada, nem de nenhuma data dentro do
intervalo de 6 dias em torno do vencimento de alguma conta, a previsão é que a quantidade de
ligações demandadas seja 92.693.
Esse número pode ser encarado como uma quantidade básica, à qual devem ser adicionados
os efeitos da ocorrência das variáveis independentes, expressados através dos seus respectivos
coeficientes angulares, destacados na tabela 25 anterior.
Assim, o fato do dia ser domingo contribui com uma diminuição de 41.103 ligações previstas
em relação ao número básico (92.693); a segunda-feira espera, segundo o modelo, 79.874
ligações a mais do que o dia básico (sábado); a terça-feira espera 75.900 ligações a mais do
que o sábado; a quarta-feira espera 73.908 ligações a mais; a quinta-feira, 73.082 a mais; e a
sexta-feira, 61.898 ligações a mais do que o dia básico.
Com essas informações, é possível elaborar um gráfico – apresentado na figura 28 a seguir –
que permita a melhor visualização da sazonalidade do dia da semana.
154
Figura 28 – Comportamento sazonal do dia da semana – modelo
modificado (sem V+3) para prever a quantidade de ligações, produto 103
Sazonalidade do dia semana - produto 103
-
20.000
40.000
60.000
80.000
100.000
120.000
140.000
160.000
180.000
200.000
Domingo 2a. Feira 3a. Feira 4a. Feira 5a. Feira 6a. Feira Sábado
Dia da semana
Quantidade de ligações em um dia padrão
Fonte: Gráfico elaborado pelo pesquisador, a partir do relatório de regressão do Excel.
A evolução da demanda de ligações ao longo da semana (considerando dias comuns, ou seja,
sem a ocorrência de feriados ou proximidade com chegada ou vencimento de contas) começa
com um valor bem baixo no domingo e apresenta um salto bem grande na segunda-feira; a
demanda vai caindo suavemente ao longo da semana, tendo uma queda um pouco mais brusca
na sexta-feira e bem mais intensa no sábado, antes de cair um pouco menos para voltar ao
patamar de domingo.
De forma análoga aos dias da semana, o fato de um dia ser feriado reduz em 71.345 a
quantidade prevista de ligações; e cada conta telefônica prevista para chegar à casa do cliente
naquele dia aumenta em 0,0034 a previsão da quantidade de ligações demandadas para o dia
em questão (assim e se, por exemplo, 100.000 contas estiverem chegando em um dia
específico, é de se esperar que isso implique em um aumento de 100.000 x 0,0034 = 340
ligações no contingente diário). Se esse número for examinado de forma percentual, é
possível concluir que, em média, 0,34% (= 0,0034) dos clientes ligam para o Telemar no dia
em que recebem a sua conta telefônica.
155
Em relação aos dias que circundam a data do vencimento, é análogo o raciocínio que explica
as conseqüências: cada conta vencendo 3 dias depois (ou seja, para as quais a data em questão
representa V – 3) aumenta em 0,0052 a quantidade de ligações; cada conta vencendo 2 dias
depois aumenta em 0,0042 a quantidade de ligações; cada conta vencendo no dia seguinte
aumenta em 0,0072 essa quantidade; cada conta vencendo no dia em questão aumenta em
0,0077 a mesma quantidade; cada conta vencendo na véspera aumenta em 0,0071 a
quantidade; e cada conta vencendo na antevéspera aumenta em 0,0060 a quantidade prevista
de ligações.
Com essas informações, é possível elaborar um gráfico – apresentado na figura 29 a seguir –
que permita a melhor visualização do comportamento da demanda de ligações nos dias em
torno da data de vencimento.
Figura 29 – Impacto dos dias em torno do vencimento – modelo modificado
(sem V+3) para prever a quantidade de ligações, produto 103
Impacto dos dias em torno do vencimento (V) na demanda de ligações, produto 103
-
0,0010
0,0020
0,0030
0,0040
0,0050
0,0060
0,0070
0,0080
0,0090
V - 3 V - 2 V - 1 V V + 1 V + 2
Dia
Impacto na quantidade de ligações
Fonte: Gráfico elaborado pelo pesquisador, a partir do relatório de regressão do Excel.
É possível perceber que o maior impacto ocorre no dia do vencimento. Com exceção de V – 2
(variável cujo coeficiente angular teve valor p acima de 5%), o impacto do dia em questão vai
156
diminuindo na medida em que a data se afasta do vencimento, para ambos os lados, revelando
uma queda mais acentuado para os dias anteriores à data crítica.
Naturalmente, os coeficientes não têm apenas significado isolado, mas também podem e
devem ser analisados em conjunto: se as conseqüências de todos os efeitos (dia da semana,
ocorrência de feriado, data crítica em relação à chegada ou vencimento da conta) forem
incorporadas ao valor previsto para um dia básico, será possível estabelecer uma equação para
prever a quantidade demanda de ligações em um determinado dia em função das
características da data em questão. Dessa maneira, e nesse caso, a equação pode ser escrita
conforme apresentada na figura 30 a seguir.
Figura 30 – Equação do modelo modificado (sem V+3) para prever a
quantidade de ligações, produto 103
Quantidade de ligações = 92.693 – 41.103 x domingo + 79.874 x segunda-feira + 75.900 x
terça-feira
+ 73.908 x
quarta-feira
+ 73.082 x
quinta-feira
+ 61.898 x
sexta-feira
–
71.345 x
feriado
+ 0,0034 x
C
+ 0,0052 x
V - 3
+ 0,0042 x
V - 2
+ 0,0072 x
V - 1
+ 0,0077 x
V
+ 0,0071 x
V + 1
+ 0,0060 x
V + 2
Fonte: Equação elaborada pelo pesquisador, a partir do relatório de regressão do Excel.
onde:
• as 7 primeiras variáveis são do tipo dummy, podendo assumir o valor 0 (não) ou 1
(sim);
• as 7 últimas representam, respectivamente: a quantidade de contas chegando no dia;
vencendo 3 dias depois; 2 dias depois; 1 dia depois; no próprio dia; 1 dia antes; e 2
dias antes.
De posse dessa equação, então, é possível calcular quanto o modelo de regressão teria
previsto para a quantidade de ligações em cada um dos dias acerca dos quais o histórico
disponibiliza o valor real desta grandeza. Desta forma, pode-se comparar os valores que
teriam sido previstos com os que efetivamente ocorreram, de maneira que um erro de previsão
possa ser mensurado. Essa comparação pode ser visualizada na figura 31 a seguir.
157
Figura 31 – Valores reais (multiplicados por uma constante) e previstos
(pelo modelo) da quantidade de ligações por dia, para o produto 103, julho
de 2005 a março de 2006
Quantidade de ligações (reais x previstas) por dia (produto 103)
0
50.000
100.000
150.000
200.000
250.000
17/07/2005 16/08/2005 15/09/2005 15/10/2005 14/11/2005 14/12/2005 13/01/2006 12/02/2006 14/03/2006
Dia
Quantidade de ligações
Reais Previstas
Fonte: Gráfico elaborado pelo pesquisador
A menos de alguns pontos específicos, pode ser percebida uma boa aderência visual do
modelo em relação aos dados reais. Mas é necessário formalizar e quantificar essa aderência.
A medida de erro escolhida para tal propósito foi o MAPE (erro médio percentual absoluto),
anteriormente descrito na seção 3.1.
Para cada dia dentro do período de julho de 2005 a março de 2006, foi organizada uma tabela
apresentando a quantidade real de ligações, os valores que o modelo de regressão teria
previsto para esta grandeza, assim como os erros percentuais absolutos oriundos desta
previsão (em conjunto com a sua média). A tabela 26 a seguir apresenta parte destes dados.
Em média, o modelo está cometendo um erro de previsão da ordem de 10,98%. Esse valor
não é muito alto, mas é substancialmente maior que os 5% que a Coordenação de
Planejamento costuma cometer na previsão de demanda do produto 103. No entanto, algumas
observações são pertinentes, neste momento.
158
Tabela 26 – Valores reais, previstos e erros do modelo modificado (sem
V+3) de regressão múltipla para prever a quantidade de ligações, produto
103, dezembro de 2005
Dia
Dia da
semana
Feriado ? Ligações
Ligações (previstas
pelo modelo
)
Erro de
previsão
01/12/2005 5a. feira Não 189.179 193.288 2,2%
02/12/2005 6a. feira Não 179.607 178.716 0,5%
03/12/2005 Sábado Não 119.738 121.003 1,1%
04/12/2005 Domingo Não 63.118 77.992 23,6%
05/12/2005 2a. feira Não 209.398 203.208 3,0%
06/12/2005 3a. feira Não 203.525 197.677 2,9%
07/12/2005 4a. feira Não 201.497 186.681 7,4%
08/12/2005 5a. feira Não 163.731 190.634 16,4%
09/12/2005 6a. feira Não 165.708 175.358 5,8%
10/12/2005 Sábado Não 108.033 112.476 4,1%
11/12/2005 Domingo Não 65.321 71.680 9,7%
12/12/2005 2a. feira Não 204.689 201.258 1,7%
13/12/2005 3a. feira Não 202.289 196.754 2,7%
14/12/2005 4a. feira Não 187.186 188.341 0,6%
15/12/2005 5a. feira Não 168.579 185.651 10,1%
16/12/2005 6a. feira Não 155.912 170.652 9,5%
17/12/2005 Sábado Não 102.895 109.900 6,8%
18/12/2005 Domingo Não 58.292 59.078 1,3%
19/12/2005 2a. feira Não 170.636 180.520 5,8%
20/12/2005 3a. feira Não 155.824 172.655 10,8%
21/12/2005 4a. feira Não 145.547 170.260 17,0%
22/12/2005 5a. feira Não 127.727 169.413 32,6%
23/12/2005 6a. feira Não 116.546 155.684 33,6%
24/12/2005 Sábado Não 69.839 93.699 34,2%
25/12/2005 Domingo Sim 39.038 (18.895) 148,4%
26/12/2005 2a. feira Não 152.909 172.567 12,9%
27/12/2005 3a. feira Não 158.507 168.593 6,4%
28/12/2005 4a. feira Não 164.109 166.601 1,5%
29/12/2005 5a. feira Não 154.690 165.775 7,2%
30/12/2005 6a. feira Não 124.406 154.591 24,3%
31/12/2005 Sábado Não 67.541 92.693 37,2%
Fonte: Planilha elaborada pelo pesquisador
É válido lembrar, por exemplo, que, durante o processo-padrão de previsão, os analistas
recebem os valores previstos pelo TotalView e acrescentam a eles os impactos esperados por
eventos e premissas, como o próprio comportamento do ciclo de contas e a ocorrência de
feriados, mas também como outros eventos especiais relacionados ao produto (plano de
minutos, campanhas na mídia, crescimento de base e outros potenciais aspectos impactantes,
159
relacionados no Anexo I). Os 5% de erro de previsão só são conseguidos após a consideração
de todas essas subjetividades.
Ora, o modelo de regressão proposto visa substituir apenas os valores sugeridos pelo
TotalView, acrescidos da influência dos feriados e do comportamento dos ciclos de contas; a
idéia, em nenhuma hipótese, é substituir o papel do analista encarregado da previsão – dotado
de toda a sua insubstituível experiência e subjetividade – mas de fornecer-lhe subsídio
complementar para a tomada de decisão. Assim, e já que o analista vai poder ser capaz de
acrescentar aos valores sugeridos pelo modelo de regressão os impactos que julgar relevantes,
é mais justo comparar os erros de previsão do modelo aqui proposto com os erros oriundos do
módulo de previsão do TotalView, com o intuito de verificar a ocorrência ou não de
melhorias no processo de previsão do produto 103. Tal comparação está apresentada na tabela
27 a seguir.
Com a apresentação dos dados apenas referentes ao período de 1 mês, não é possível
visualizar adequadamente os ganhos de acurácia do modelo proposto em relação ao módulo
de previsão do TotalView. Entretanto, ao se agrupar os dados referentes a todo o período
utilizado para a previsão, é possível calcular que o TotalView cometeu – em média – um erro
da ordem de 13,54%, razoavelmente superior aos 10,98% de erro cometidos pelo modelo de
regressão, o que confirma a expectativa de ganho de acurácia proporcionado por este último.
Uma análise mais detalhada dos erros de previsão revela que alguns dos dias mais difíceis de
prever (maiores erros) consistem em feriados ou “quase-feriados”. Por exemplo, os dias
24/12/2005 e 31/12/2005 não foram classificados como feriados, mas, certamente não
consistem em dias comuns e devem gerar uma demanda de ligações inferior ao de um dia-
padrão. O problema é que o modelo de regressão não levou em conta isso, já que era possível
classificar um dia apenas como sendo feriado ou não; e já que esses dias não eram
efetivamente feriados, foram tratados pelo modelo como dias comuns. Muito provavelmente
por causa disso, suas demandas foram superestimadas e seus erros de previsão foram bem
acima da média: 34,2% e 37,2%, respectivamente.
Problemas semelhantes (talvez em menor escala) certamente ocorreram em alguns dias do ano
que consistiram em feriados locais, mas não nacionais. Como o modelo propõe uma previsão
consolidada (nacional) da demanda, só foi possível considerar os feriados nacionais; mas o
dia 20/01/2006 (feriado local na cidade do Rio de Janeiro), por exemplo, teve uma redução na
160
demanda nacional provocada pela imensa redução na demanda da cidade do Rio de Janeiro e
foi tratado como um dia normal pelo modelo, tendo tido a sua demanda superestimada. Esse
problema pode ser estendido a dias “enforcados” e “feriadões”, em que a demanda foge do
padrão.
Tabela 27 – Valores reais, previstos pelo modelo e pelo TotalView e erros de
previsão dos mesmos para a quantidade de ligações, produto 103, dezembro
de 2005
Dia Ligações
Ligações (previstas
pelo modelo
)
Erro de previsão
do modelo
Ligações (previstas
pelo Total View
)
Erro de previsão
do Total View
01/12/2005 189.179 193.288
2,2%
192.523
1,8%
02/12/2005 179.607 178.716
0,5%
178.987
0,3%
03/12/2005 119.738 121.003
1,1%
109.541
8,5%
04/12/2005 63.118 77.992
23,6%
61.445
2,7%
05/12/2005 209.398 203.208
3,0%
195.859
6,5%
06/12/2005 203.525 197.677
2,9%
191.408
6,0%
07/12/2005 201.497 186.681
7,4%
191.744
4,8%
08/12/2005 163.731 190.634
16,4%
185.830
13,5%
09/12/2005 165.708 175.358
5,8%
172.731
4,2%
10/12/2005 108.033 112.476
4,1%
105.630
2,2%
11/12/2005 65.321 71.680
9,7%
59.255
9,3%
12/12/2005 204.689 201.258
1,7%
189.071
7,6%
13/12/2005 202.289 196.754
2,7%
184.898
8,6%
14/12/2005 187.186 188.341
0,6%
185.240
1,0%
15/12/2005 168.579
185.651
10,1%
176.388
4,6%
16/12/2005 155.912 170.652
9,5%
154.769
0,7%
17/12/2005 102.895 109.900
6,8%
115.442
12,2%
18/12/2005 58.292 59.078
1,3%
81.185
39,3%
19/12/2005 170.636 180.520
5,8%
165.469
3,0%
20/12/2005 155.824 172.655
10,8%
153.659
1,4%
21/12/2005 145.547 170.260
17,0%
126.463
13,1%
22/12/2005 127.727 169.413
32,6%
127.815
0,1%
23/12/2005 116.546 155.684
33,6%
150.233
28,9%
24/12/2005 69.839 93.699
34,2%
113.170
62,0%
25/12/2005 39.038 (18.895)
148,4%
81.365
108,4%
26/12/2005 152.909 172.567
12,9%
173.213
13,3%
27/12/2005 158.507 168.593
6,4%
161.179
1,7%
28/12/2005 164.109 166.601
1,5%
134.644
18,0%
29/12/2005 154.690 165.775
7,2%
138.972
10,2%
30/12/2005 124.406 154.591
24,3%
158.410
27,3%
31/12/2005 67.541 92.693
37,2%
117.105
73,4%
Fonte: Planilha elaborada pelo pesquisador
Um problema ainda mais grave ocorreu com o dia 25/12/2005. Seu erro de previsão foi de
quase 150%, já que a sua demanda prevista foi de -18.895 ligações (um valor negativo!). Isso
aconteceu porque o dia em questão apresentava dois efeitos negativos (redutores de
demanda), que foram “somados” pelo modelo: ser domingo e ser feriado. Mas, na prática, o
161
efeito de um dia ser feriado certamente é reduzido se ele cair em um domingo (ou sábado); e o
modelo não levou isso em conta, até porque só é possível considerar um dia como sendo
feriado ou não, e não como um “feriado moderado”.
Na verdade, esses problemas fizeram com que os erros de previsão aumentassem, mas isso
não quer dizer que o processo futuro de previsão terá que incorrer nesses erros de grande
magnitude quando ocorrerem dias “problemáticos”. Quando os analistas de previsão
estiverem utilizando o modelo aqui proposto, eles poderão “manipular” os valores da variável
dummy feriado para os dias problemáticos.
Assim, por exemplo, o dia 24/12 pode receber manualmente o valor 0,7 para a sua variável
feriado, ao invés de ser tratado como um dia normal; o dia 20/01 pode receber o valor 0,4 da
mesma forma; um feriado que caia no domingo pode ter o seu valor da variável feriado
reduzido de 1 para 0,6.
Depois desta manipulação, basta considerar os inputs do setor de faturamento da Telemar
(informações sobre os ciclos de contas) e usar a equação apresentada anteriormente na figura
30 para prever a quantidade de ligações para o produto 103, a cada dia.
Em cima do output da equação, então, os analistas devem incorporar os impactos esperados
pelos eventos especiais (campanhas de mídias, novos serviços etc.) e, dessa forma, os erros de
previsão tenderão a diminuir substancialmente.
6.1.3. O modelo de previsão para o tempo médio de atendimento (TMA)
Além da demanda de ligações, também foi necessário tentar explicar o comportamento do
tempo médio de atendimento (TMA) do produto 103, já que esta variável é um input
fundamental para a atividade de dimensionamento da capacidade e a sua previsão consiste em
uma tarefa muito importante da Coordenação de Planejamento de Tráfego.
Assim, de uma forma análoga, foi montada uma planilha de Excel com os dados necessários
para a construção do modelo de regressão múltipla dentro do qual o comportamento da
variável dependente “tempo médio de atendimento em um dia específico” poderia estar sendo
explicado pelas mesmas 9 variáveis independentes do modelo modificado (já desconsiderando
V + 3) anterior: dia da semana; feriado; chegada (C); vencimento (V); V - 3; V - 2; V - 1; V +
1; e V + 2.
162
A tabela 28 a seguir apresenta parcialmente a organização da planilha de dados em questão.
Tabela 28 – Planilha de dados do modelo de regressão múltipla para prever
o TMA, produto 103, agosto de 2005
Dia
Dia da
semana
Feriado ?
Chegada
(
C
)
V - 3 V - 2 V - 1
Vencimento
(
V
)
V + 1 V + 2
TMA
(
se
g)
01/08/2005 2a. feira Não - 2.142.215 - - 2.136.197 - - 145,50
02/08/2005 3a. feira Não 1.918.920 - 2.142.215 - - 2.136.197 - 144,00
03/08/2005 4a. feira Não 2.177.552 - - 2.142.215 - - 2.136.197 144,00
04/08/2005 5a. feira Não - 1.918.920 - - 2.142.215 - - 147,00
05/08/2005 6a. feira Não 218.438 - 1.918.920 - - 2.142.215 - 144,75
06/08/2005 Sábado Não - - - 1.918.920 - - 2.142.215 129,00
07/08/2005 Domingo Não - - - - 1.918.920 - - 113,25
08/08/2005 2a. feira Não - 2.177.552 - - - 1.918.920 - 146,25
09/08/2005 3a. feira Não 2.036.848 - 2.177.552 - - - 1.918.920 148,50
10/08/2005 4a. feira Não 801.143 798.630 - 2.177.552 - - - 149,25
11/08/2005 5a. feira Não - - 798.630 - 2.177.552 - - 147,00
12/08/2005 6a. feira Não - 1.456.656
- 798.630 - 2.177.552 - 141,75
13/08/2005 Sábado Não - - 1.456.656 - 798.630 - 2.177.552 125,25
14/08/2005 Domingo Não - 801.143 - 1.456.656 - 798.630 - 110,25
15/08/2005 2a. feira Não - - 801.143 - 1.456.656 - 798.630 138,75
16/08/2005 3a. feira Não 296.642 - - 801.143 - 1.456.656 - 142,50
17/08/2005 4a. feira Não 246.901 296.642 - - 801.143 - 1.456.656 143,25
18/08/2005 5a. feira Não - - 296.642 - - 801.143 - 142,50
19/08/2005 6a. feira Não - - - 296.642 - - 801.143 142,50
20/08/2005 Sábado Não - 246.901 - - 296.642 - - 123,75
21/08/2005 Domingo Não - - 246.901 - - 296.642 - 109,50
22/08/2005 2a. feira Não - - - 246.901 - - 296.642 139,50
23/08/2005 3a. feira Não - - - -
246.901 - - 139,50
24/08/2005 4a. feira Não 2.136.197 - - - - 246.901 - 139,50
25/08/2005 5a. feira Não - - - - - - 246.901 139,50
26/08/2005 6a. feira Não - - - - - - - 133,50
27/08/2005 Sábado Não - - - - - - - 118,50
28/08/2005 Domingo Não - - - - - - - 100,50
29/08/2005 2a. feira Não - 2.136.197 - - - - - 139,50
30/08/2005 3a. feira Não 2.181.734 - 2.136.197 - - - - 139,50
31/08/2005 4a. feira Não 1.879.401 - - 2.136.197 - - - 145,50
Fonte: Planilha elaborada pelo pesquisador
Também neste caso, as variáveis independentes “dia da semana” e “feriado” foram
trabalhadas como sendo do tipo dummy; e, novamente através da ferramenta de “Regressão”
do suplemento de “Análise de Dados” do Excel, foi gerado o modelo de regressão múltipla
proposto. O relatório está apresentado nas tabelas 29, 30 e 31 a seguir.
163
Tabela 29 – Estatística de regressão do modelo de regressão múltipla para
prever o TMA, produto 103
Estatística de regressão
R múltiplo 0,89
R-Quadrado 0,80
R-quadrado ajustado
0,79
Erro padrão 6,7110
Observações 234
Fonte: Relatório de regressão do Excel, elaborado pelo pesquisador
A primeira análise aponta para um modelo com um potencial muito bom, já que 79% (R-
quadrado ajustado) da variação dos dados pode ser explicada por ele. Para analisar o F de
significação, é preciso examiná-lo a partir da tabela 30 a seguir.
Tabela 30 – Análise de Variância do modelo de regressão múltipla para
prever a o TMA, produto 103
ANOVA
gl F F de significação
Regressão 14,00 62,76
0,0000
Resíduo 219,00
Total 233,00
Fonte: Relatório de regressão do Excel, elaborado pelo pesquisador
O F de significação resultante foi 0,0000 (zero). Assim, tende-se a acreditar na real influência
das variáveis explicativas no tempo médio de atendimento e aceitar o modelo com bastante
certeza.
Para analisar a contribuição de cada variável independente, é necessário examinar seus
coeficientes, juntamente com os respectivos valores p, apresentados na tabela 31 a seguir.
Ao analisá-la, é possível perceber um altíssimo valor p para a variável Chegada (C),
indicando que a “quantidade de contas chegando ao cliente naquele dia específico” não está
funcionando como um bom explicador linear para o TMA.
164
Apesar de ser uma variável crítica, ela deve ser retirada da análise, pois seu valor p está muito
acima do razoável (10%) e porque o sinal do seu coeficiente angular (negativo) estaria
indicando que o tempo médio de atendimento em um determinado dia diminuiria para cada
conta que chegasse ao cliente no dia em questão, constituindo um efeito contrário ao
esperado.
As variáveis V – 3 e a V – 2 também apresentam valores p altos, indicando que a “quantidade
de contas para as quais aquele dia específico corresponde a 2 ou 3 dias antes do vencimento”
não está funcionando como um bom explicador linear para o TMA. O efeito “pré-
vencimento” para o TMA parece, então, começar apenas na véspera (V – 1) .
Tabela 31 – Valor, representatividade e intervalo de confiança dos
coeficientes das variáveis independentes do modelo de regressão múltipla
para prever o TMA, produto 103
Coeficientes valor-P 95% inferiores 95% superiores
Interseção
122,27
0,00% 120 125
Domingo
(15,17) 0,00%
(18) (12)
2a. Feira
15,37 0,00%
12 19
3a. Feira
15,20 0,00%
12 19
4a. Feira
17,70 0,00%
14 21
5a. Feira
17,86 0,00%
15 21
6a. Feira
15,11 0,00%
12 18
Feriado
(29,20) 0,00%
(34) (24)
Chegada (C)
(0,0000003) 68,35%
(0,0000) 0,0000
V - 3
0,0000008 29,97%
(0,0000) 0,0000
V - 2
0,0000011 16,89%
(0,0000) 0,0000
V - 1
0,0000016 3,44%
0,0000 0,0000
Vencimento (V)
0,0000029 0,01%
0,0000 0,0000
V + 1
0,0000026 0,12%
0,0000 0,0000
V + 2
0,0000022 0,36
%
0,0000 0,0000
Fonte: Relatório de regressão do Excel, elaborado pelo pesquisador
Assim como a variável Chegada (C), as variáveis V – 3 e V – 2 podem estar “poluindo” o
modelo e convém retirá-las da análise. A ferramenta de “Regressão” do Excel foi novamente
usada para gerar o modelo de regressão múltipla. As tabelas 32, 33 e 34 a seguir foram
extraídas do relatório fornecido pela ferramenta.
165
Tabela 32 – Estatística de regressão do modelo modificado (sem C; V – 3; V
– 2) de Regressão múltipla para prever o TMA, produto 103
Estatística de regressão
R múltiplo 0,89
R-Quadrado 0,80
R-quadrado ajustado
0,79
Erro padrão 6,7012
Observações 234
Fonte: Relatório de regressão do Excel, elaborado pelo pesquisador
O modelo continuou com o mesmo potencial: 79% da variação dos dados pode ser explicada
por ele. O F de significação pode ser observado na tabela 33 a seguir.
Tabela 33 – Análise de Variância do modelo modificado (sem C; V – 3; V –
2) de regressão múltipla para prever o TMA, produto 103
ANOVA
gl F F de significação
Regressão 11,00 79,89
0,0000
Resíduo 222,00
Total 233,00
Fonte: Relatório de regressão do Excel, elaborado pelo pesquisador
O F de significação resultante novamente foi 0,0000 (zero). Também neste caso, pode-se
acreditar na real influência das variáveis explicativas no tempo médio de atendimento e,
portanto, aceitar o modelo com bastante certeza.
Os coeficientes linear e angulares, juntamente com os respectivos valores p, estão
apresentados na tabela 34 a seguir.
166
Tabela 34 – Valor, representatividade e intervalo de confiança dos
coeficientes das variáveis independentes do modelo modificado (sem C; V –
3; V – 2) de regressão múltipla para prever o TMA, produto 103
Coeficientes valor-P 95% inferiores 95% superiores
Interseção
122,64
0,00% 120 125
Domingo
(15,15) 0,00%
(18) (12)
2a. Feira
15,36 0,00%
12 19
3a. Feira
14,96 0,00%
12 18
4a. Feira
17,33 0,00%
14 21
5a. Feira
17,84 0,00%
15 21
6a. Feira
15,03 0,00%
12 18
Feriado
(28,89) 0,00%
(34) (24)
V - 1
0,0000012 6,96%
(0,0000) 0,0000
Vencimento (V)
0,0000031 0,00%
0,0000 0,0000
V + 1
0,0000032 0,00%
0,0000 0,0000
V + 2
0,0000024 0,04
%
0,0000 0,0000
Fonte: Relatório de regressão do Excel, elaborado pelo pesquisador
Como pode ser observado, os valores p das outras variáveis não mudaram muito e, para este
modelo modificado, apenas uma variável apresenta coeficiente angular com valor p superior
(mas não muito) a 5%: V – 1; ela, no entanto, será mantida no modelo, porque o valor p do
seu coeficiente angular está abaixo de 10%.
Desta forma, a retirada das variáveis C, V – 3 e V – 2 foi benéfica para o modelo (tornando-o,
inclusive, mais enxuto) e os seus coeficientes podem ser, então, interpretados.
O coeficiente linear da regressão apresentou o valor 122,64. Dessa forma – e de acordo com o
que foi explicado anteriormente, nesta seção, para o modelo da quantidade de ligações –
quando o dia for sábado, não-feriado e não consistir de nenhuma data dentro do intervalo de 4
dias em torno do vencimento, a previsão é que o tempo médio de atendimento (TMA) seja
122,64 segundos.
Esse número pode ser encarado como uma quantidade básica, à qual devem ser adicionados
os efeitos da ocorrência das variáveis independentes, expressados através dos seus respectivos
coeficientes angulares, destacados na tabela 34 anterior.
Assim, o fato do dia ser domingo contribui com uma diminuição de 15,15 segundos no TMA
previsto em relação ao número básico (122,64); o fato de o dia ser segunda-feira, com um
167
aumento esperado de 15,36 segundos no TMA; do dia ser terça-feira, com um aumento de
14,96 segundos; de ser quarta-feira, com um aumento de 17,33 segundos; de ser quinta-feira,
com 17,84 segundos a mais; e de ser sexta-feira, contribui com um aumento de 15,03
segundos na previsão do tempo médio de atendimento, em relação ao dia básico.
Com essas informações, é possível elaborar um gráfico – apresentado na figura 32 a seguir –
que permita a melhor visualização da sazonalidade do dia da semana.
Figura 32 – Comportamento sazonal do dia da semana – modelo
modificado (sem C; V – 3; V – 2) para prever o TMA, produto 103
Sazonalidade do dia semana - produto 103
-
20
40
60
80
100
120
140
160
Domingo 2a. Feira 3a. Feira 4a. Feira 5a. Feira 6a. Feira Sábado
Dia da semana
Tempo médio de atendimento (em seg) em um dia padrão
Fonte: Gráfico elaborado pelo pesquisador, a partir do relatório de regressão do Excel.
A evolução da demanda de ligações ao longo da semana (considerando dias comuns) começa
com um valor bem baixo no domingo e apresenta um salto bem grande na segunda-feira,
revelando, a partir daí, uma estabilidade muito grande ao longo dos outros dias úteis, tendo
uma queda relativamente intensa no sábado, antes de cair um pouco menos para voltar ao
patamar de domingo.
De forma análoga aos dias da semana, o fato de um dia ser feriado reduz em 28,89 segundos o
tempo médio de atendimento previsto. Essa grande redução (de até 30 segundos) no tempo
médio de atendimento tanto para feriados como para finais de semana quando comparados
168
aos dias úteis é um tanto quanto estranha. Em princípio, não foi possível especular os motivos
que levariam a tal variação. A equipe de previsão foi indagada a respeito e também não foi
capaz de justificar o fato. A investigação acerca de tais motivos pode constituir-se em um
interessante objeto de pesquisa futura.
Em relação aos dias em torno da data de vencimento, os seguintes efeitos podem ser
explicados: cada conta vencendo no dia seguinte (ou seja, para as quais a data em questão
representa V – 1) aumenta em 0,0000012 segundos o tempo médio de atendimento; cada
conta vencendo no dia em questão aumenta em 0,0000031 segundos o TMA; cada conta
vencendo na véspera aumenta em 0,0000032 segundos essa grandeza; e cada conta vencendo
na antevéspera aumenta em 0,0000024 segundos o tempo médio de atendimento.
Com essas últimas informações, é possível elaborar um gráfico – apresentado na figura 33 a
seguir – que permita a melhor visualização do comportamento do TMA nos dias em torno da
data de vencimento.
Figura 33 – Impacto dos dias em torno do vencimento – modelo modificado
(sem C; V – 3; V – 2) para prever o TMA, produto 103
Impacto dos dias em torno do vencimento (V) no TMA, produto 103
-
0,0000005
0,0000010
0,0000015
0,0000020
0,0000025
0,0000030
0,0000035
V - 1 V V + 1 V + 2
Dia
Impacto no tempo médio de atendimento (em seg)
Fonte: Gráfico elaborado pelo pesquisador, a partir do relatório de regressão do Excel.
169
É possível perceber que o maior impacto ocorre no dia do vencimento e no dia seguinte; e que
a véspera do vencimento impacta substancialmente menos (até em comparação ao V + 2) o
tempo médio de atendimento.
Se as conseqüências de todos os efeitos (dia da semana, ocorrência de feriado, data crítica em
relação ao vencimento da conta) forem incorporadas ao valor previsto para um dia básico,
será possível estabelecer uma equação para prever o tempo médio de atendimento (TMA) em
um determinado dia em função das características da data em questão. Dessa maneira, e nesse
caso, a equação pode ser escrita conforme consta na figura 34 a seguir.
Figura 34 – Equação do modelo modificado (sem C; V – 3; V – 2) para
prever o TMA, produto 103
TMA (em segundos) = 122,64 – 15,15 x
domingo
+ 15,36 x
segunda-feira
+ 14,96 x
terça-
feira
+ 17,33 x
quarta-feira
+ 17,84 x
quinta-feira
+ 15,03 x
sexta-feira
– 28,89 x
feriado
+
0,0000012 x V - 1 + 0,0000031 x V + 0,0000032 x V + 1 + 0,0000024 x V + 2
Fonte: Equação elaborada pelo pesquisador, a partir do relatório de regressão do Excel.
onde:
• as 7 primeiras variáveis são do tipo dummy, podendo assumir o valor 0 (não) ou 1
(sim);
• as 4 últimas representam, respectivamente: a quantidade de contas vencendo 1 dia
depois; no próprio dia; 1 dia antes; e 2 dias antes.
Com a equação gerada, pode-se calcular quanto o modelo de regressão teria previsto para o
tempo médio de atendimento em cada um dos dias em questão. Assim, é possível comparar os
valores que teriam sido previstos com os que efetivamente ocorreram, de forma que um erro
de previsão possa ser obtido. Essa comparação pode ser visualizada na figura 35 a seguir.
Pode ser percebida uma aderência visual muito boa do modelo em relação aos dados reais. A
medida de erro escolhida também nesse caso para quantificar a aderência foi o MAPE (erro
médio percentual absoluto).
170
Figura 35 – Valores reais (multiplicados por uma constante) e previstos do
TMA por dia, para o produto 103, julho de 2005 a março de 2006
TMA (real x previsto) por dia (produto 103)
0
30
60
90
120
150
180
17/07/2005 16/08/2005 15/09/2005 15/10/2005 14/11/2005 14/12/2005 13/01/2006 12/02/2006 14/03/2006
Dia
TMA (em segundos)
Real Previsto
Fonte: Gráfico elaborado pelo pesquisador
Para cada dia dentro do período de julho de 2005 a março de 2006, foi organizada uma tabela
apresentando o tempo médio de atendimento real, os valores que o modelo de regressão teria
previsto para esta grandeza, assim como os erros percentuais absolutos incorridos esta
previsão, juntamente com a sua média. A tabela 35 a seguir apresenta parcialmente estes
dados.
Em média, o modelo está cometendo um erro de previsão da ordem de 3,61%. Esse valor é
satisfatoriamente baixo e bem inferior ao erro médio cometido pelo modelo para prever a
quantidade de ligações (quase 11%). Isso revela que o tempo médio de atendimento é uma
grandeza mais estável e, portanto, de maior previsibilidade, quando comparada à demanda de
ligações.
171
Tabela 35 – Valores reais, previstos e erros do modelo (sem C; V – 3; V – 2)
de regressão múltipla para prever o TMA, produto 103, janeiro de 2006
Dia
Dia da
semana
Feriado ?
TMA
(
se
g)
TMA (seg) (previsto
pelo modelo
)
Erro de
previsão
01/01/2006 Domingo Sim 93,00 78,60 15,5%
02/01/2006 2a. feira Não 138,75 137,99 0,5%
03/01/2006 3a. feira Não 141,75 137,60 2,9%
04/01/2006 4a. feira Não 146,25 139,97 4,3%
05/01/2006 5a. feira Não 145,50 140,48 3,5%
06/01/2006 6a. feira Não 145,50 137,67 5,4%
07/01/2006 Sábado Não 134,25 122,64 8,6%
08/01/2006 Domingo Não 116,25 107,49 7,5%
09/01/2006 2a. feira Não 150,00 137,99 8,0%
10/01/2006 3a. feira Não 149,25 137,60 7,8%
11/01/2006 4a. feira Não 149,25 139,97 6,2%
12/01/2006 5a. feira Não 144,00 140,48 2,4%
13/01/2006 6a. feira Não 141,75 137,67 2,9%
14/01/2006 Sábado Não 126,75 122,64 3,2%
15/01/2006 Domingo Não 108,00 107,49 0,5%
16/01/2006 2a. feira Não 140,53 137,99 1,8%
17/01/2006 3a. feira Não 138,33 137,60 0,5%
18/01/2006 4a. feira Não 137,94 139,97 1,5%
19/01/2006 5a. feira Não 137,13 140,48 2,4%
20/01/2006 6a. feira Não 129,92 137,67 6,0%
21/01/2006 Sábado Não 119,52 122,64 2,6%
22/01/2006 Domingo Não 103,92 108,36 4,3%
23/01/2006 2a. feira Não 135,62 140,21 3,4%
24/01/2006 3a. feira Não 134,42 139,84 4,0%
25/01/2006 4a. feira Não 134,69 141,70 5,2%
26/01/2006 5a. feira Não 137,07 140,48 2,5%
27/01/2006 6a. feira Não 135,58 137,67 1,5%
28/01/2006 Sábado Não 122,99 122,64 0,3%
29/01/2006 Domingo Não 107,68 107,49 0,2%
30/01/2006 2a. feira Não 133,53 137,99 3,3%
31/01/2006 3a. feira Não 127,10 140,22 10,3%
Fonte: Planilha elaborada pelo pesquisador
Da mesma forma (e pelos mesmos motivos) que no caso da previsão da quantidade de
ligações, é mais justo comparar os erros de previsão do modelo aqui proposto com os erros
oriundos do módulo de previsão do TotalView, com o intuito de verificar a ocorrência ou não
de melhorias no processo de previsão do produto 103. Tal comparação está apresentada na
tabela 36 a seguir.
172
Tabela 36 – Valores reais, previstos pelo modelo e pelo TotalView e erros de
previsão dos mesmos para o TMA, produto 103, janeiro de 2006
Dia
TMA
(
se
g)
TMA (seg) (previsto
p
elo modelo
)
Erro de previsão
do modelo
TMA (seg) (previsto
p
elo Total View
)
Erro de previsão
do Total View
01/01/2006 93,00 78,60
15,5%
126,82
36,4%
02/01/2006 138,75 137,99
0,5%
144,47
4,1%
03/01/2006 141,75 137,60
2,9%
143,83
1,5%
04/01/2006 146,25 139,97
4,3%
141,45
3,3%
05/01/2006 145,50 140,48
3,5%
143,99
1,0%
06/01/2006 145,50 137,67
5,4%
142,50
2,1%
07/01/2006 134,25 122,64
8,6%
131,51
2,0%
08/01/2006 116,25 107,49
7,5%
122,64
5,5%
09/01/2006 150,00 137,99
8,0%
140,17
6,6%
10/01/2006 149,25 137,60
7,8%
139,59
6,5%
11/01/2006 149,25 139,97
6,2%
137,64
7,8%
12/01/2006 144,00 140,48
2,4%
140,02
2,8%
13/01/2006 141,75 137,67
2,9%
139,11
1,9%
14/01/2006 126,75 122,64
3,2%
128,18
1,1%
15/01/2006 108,00
107,49
0,5%
120,09
11,2%
16/01/2006 140,53 137,99
1,8%
135,02
3,9%
17/01/2006 138,33 137,60
0,5%
134,88
2,5%
18/01/2006 137,94 139,97
1,5%
135,61
1,7%
19/01/2006 137,13 140,48
2,4%
137,13
0,0%
20/01/2006 129,92 137,67
6,0%
134,07
3,2%
21/01/2006 119,52 122,64
2,6%
119,62
0,1%
22/01/2006 103,92 108,36
4,3%
103,45
0,5%
23/01/2006 135,62 140,21
3,4%
134,50
0,8%
24/01/2006 134,42 139,84
4,0%
134,34
0,1%
25/01/2006 134,69 141,70
5,2%
136,60
1,4%
26/01/2006 137,07 140,48
2,5%
138,24
0,9%
27/01/2006 135,58 137,67
1,5%
135,01
0,4%
28/01/2006 122,99 122,64
0,3%
120,58
2,0%
29/01/2006 107,68 107,49
0,2%
104,62
2,8%
30/01/2006 133,53 137,99
3,3%
135,65
1,6%
31/01/2006 127,10 140,22
10,3%
135,65
6,7%
Fonte: Planilha elaborada pelo pesquisador
Com o mesmo formato de apresentação dos dados da comparação entre os erros de previsão
para a quantidade de ligações, também não é possível visualizar adequadamente os ganhos de
acurácia do modelo proposto em relação ao módulo de previsão do TotalView, para o caso do
TMA. Mas, e da mesma forma que anteriormente, é possível calcular que o TotalView
cometeu – em média – um erro da ordem de 5,58%, razoavelmente superiores aos 3,61% de
erro cometidos pelo modelo de regressão, o que confirma a expectativa de ganho de acurácia
proporcionado por este último, também para o tempo médio de atendimento.
As mesmas observações a respeito da ocorrência de “quase-feriados” e de feriados
“moderados”, realizadas quando da análise dos erros de previsão da demanda de ligações, são
também, agora, pertinentes.
173
Assim como no modelo anterior para prever a quantidade de chamadas para o produto 103, os
analistas de previsão:
1. poderão “manipular” os valores da variável dummy feriado para os dias
problemáticos;
2. deverão considerar as informações sobre os ciclos de contas e usar a equação
apresentada anteriormente na figura 34 para prever o TMA a cada dia;
3. e poderão, finalmente, incorporar os impactos esperados pelos eventos especiais
(campanhas de mídias, novos serviços etc.).
6.2. Dimensionamento da capacidade de atendimento
Conforme descrito na seção 5.2.2, as planilhas Excel usadas para o dimensionamento e
escalonamento dos atendentes para o produto 102 utilizam fórmulas Erlang para calcular o
nível de serviço (percentual de ligações atendidas em até 10 segundos) em um determinado
horário em função do número de operadores dimensionados para o mesmo (levando em conta
também a previsão de demanda para tal horário).
A própria equipe de planejamento, no entanto, questiona essa metodologia de cálculo (através
de fórmulas Erlang). Para a realidade dos call centers, a teoria de filas pode ser a melhor
metodologia analítica, mas existem métodos experimentais – como a simulação – que podem
ser mais adequados para uma indústria com o cotidiano operacional tão complexo.
A ferramenta de simulação era desconhecida para a equipe que – quando foi brevemente
apresentada a esta abordagem alternativa para lidar com o problema de dimensionamento –
ficou com a impressão de se tratar de algo muito complexo (nem tanto em termos de saber
como utilizá-la, mas mais em termos do que ela realmente faz e como ela lida com o
relacionamento entre as entidades envolvidas). A equipe ficou com a impressão que a
ferramenta exige inputs com um nível de detalhes muito difícil de ser conseguido.
Em vista disso, os responsáveis pelo dimensionamento não se mostraram tão receptivos à
possibilidade de utilizar esta nova abordagem para lidar com o problema e nem tão dispostos
a “comprar” esta idéia. Sua principal motivação provavelmente não consistiu no medo de uma
174
possível desvalorização do seu trabalho, mas sim na incapacidade de entender completamente
o funcionamento da ferramenta alternativa e de enxergar as seus vantagens.
Caso esse ceticismo acerca dos benefícios potenciais da abordagem experimental venha a ser
contornado, a empresa admite a possibilidade de adquirir o software necessário para a
implementação da mesma, mesmo estando ciente do seu custo elevado. O fato deste ceticismo
ainda existir, no entanto, certamente contribuiu para a ocorrência de uma morosidade e de
uma certa resistência no envio das informações necessárias para o desenvolvimento da análise
do problema de dimensionamento.
Com alguma dificuldade, as informações mais relevantes foram, entretanto, obtidas e
puderam ser trabalhadas. O único problema consistiu no fato de não ter sido possível resgatar
as informações referentes a cada ligação individual, conforme mencionado na seção 4.4. Mas
isso não foi motivado por nenhum outro fator, que não a ausência – por parte dos
responsáveis pelo dimensionamento – do conhecimento técnico e do privilégio necessários
para acessar a base de dados da Contax.
Não obstante esse ceticismo, a pesquisa empreendida pelo autor e apresentada ao longo das
seções 3.3. 3.4 e 3.5 corrobora o argumento da maior adequação dos métodos experimentais a
sistemas complexos, como o de um call center moderno.
Em especial, e conforme descrito na seção 5.2.2, a metodologia utilizada (Erlang) para o
cálculo do nível de serviço não considera a hipótese de abandono por parte do cliente ou sinal
de ocupado; ou seja, os clientes que chegam e não encontram agentes disponíveis, aguardam
indefinidamente em uma fila até serem atendidos.
Isso cria uma tendência de subestimar o nível de serviço (e, conseqüentemente, superestimar
o número de agentes necessários para atingir a meta) porque as fórmulas consideram que o
cliente vai esperar indefinidamente. Mas, na operação real, alguns clientes vão abandonar as
ligações (se esperarem muito), diminuindo a fila e fazendo com que sejam atendidas em
menos tempo as chamadas programadas para serem respondidas após aquela que abandonou a
fila, aumentando o nível de serviço.
Adicionalmente, as planilhas usadas para o cálculo do nível de serviço consideram que o
tempo de atendimento segue uma distribuição exponencial. No entanto, isso raramente ocorre
na prática, caracterizando uma premissa relativamente forçada.
175
O emprego da simulação permite contemplar as características destacadas nas seções 3.4 e
3.5, incluindo o comportamento de abandono (podendo também considerar que um percentual
dos clientes que abandonam irão retornar a ligação, tentando um novo contato dentro de uma
quantidade de tempo, que pode ser modelada por uma distribuição estatística) e uma
flexibilidade na definição do formato da distribuição do tempo de atendimento.
Para ratificar essa melhor adequação, a idéia consiste em simular computacionalmente – em
poucos segundos – a operação do call center durante períodos de 30 minutos, contemplando
de forma mais realista as suas características para obter resultados mais acurados do que com
as metodologias analíticas.
Dessa forma, não é necessário experimentar na prática algumas alternativas de
dimensionamento para saber mais acuradamente as suas conseqüências; a experimentação é
realizada no ambiente computacional. Mas é possível visualizar a operação em si (com as
chamadas chegando, sendo enfileiradas e depois atendidas) e o que estaria acontecendo, de
forma detalhada (praticamente como se fosse in loco), para poder entender porque
determinado período do dia apresentou um nível de serviço tão baixo, por exemplo (ao invés
de apenas aceitar o número frio fornecido pelas fórmulas analíticas).
Com o uso da simulação, é possível calcular empiricamente (ao invés de estimar
analiticamente) – através do uso de algumas premissas históricas (de previsão de demanda e
comportamento dos clientes e do sistema) e da quantidade dimensionada de atendentes como
inputs – alguns indicadores de performance importantes, como: nível de serviço, taxa de
abandono, tempo médio de espera, utilização e ociosidade dos agentes.
Para o dimensionamento e escalonamento dos operadores para atender os clientes plus do
produto 102 durante o mês de agosto de 2006, foi usada a premissa (oriunda da previsão de
demanda) de que chegariam à central 586 chamadas, com um tempo médio de atendimento de
29 segundos, na primeira meia-hora do dia (00:00 às 00:30), conforme pode ser observado na
tabela 10 anterior.
De acordo com a mesma tabela, seria necessário (segundo as fórmulas analíticas), para lidar
com esse intervalo de 30 minutos, alocar 14 atendentes (já considerando uma redução
esperada, por conta do absenteísmo), de forma a atingir 85% de nível de serviço (clientes
sendo atendidos em até 10 segundos).
176
A equipe de dimensionamento alocou 13 atendentes para este horário e as mesmas fórmulas
analíticas previram 88,04% de nível de serviço para este período, já levando em conta a
premissa de que 4% dos operadores costumam faltar em dias comuns; ou seja, dimensionar 13
atendentes consiste em contar com 13 * (1 – 4%) = 12 atendentes, aproximadamente.
Com o objetivo de questionar esses números, foi construído – no software Arena Contact
Center – um modelo para simular como se comportaria o sistema nesse horário, com as
mesmas premissas de demanda (volume e TMA) e com a mesma capacidade efetiva
dimensionada (12 agentes).
Como as chamadas vão chegando à central sem nenhuma espécie de controle, este processo
pode ser considerado aleatório, caso em que a base conceitual sugere que a taxa de chegada
de ligações seja modelada através de um processo de Poisson. O modelo de simulação
construído implementou este processo com média de 0,33 (= 586 / (30 minutos x 60
segundos)) ligações chegando por segundo (ou seja, com uma chamada chegando a cada 3
segundos, aproximadamente).
Em relação ao tempo de atendimento, a distribuição Erlang costuma modelar bem esse
processo e, portanto, foi utilizada, com média de 29 segundos. Ela requer, no entanto, um
parâmetro adicional (k) que diz respeito à variabilidade dos dados em torno da média. O
desvio-padrão da distribuição é igual à sua média dividida pela raiz quadrada de k. Para,
então, considerar uma variabilidade moderada dos dados em torno da média, o modelo utiliza
a distribuição Erlang com k = 4, fazendo com que o coeficiente de variação (desvio-padrão
dividido pela média) seja de 50%.
Para que o modelo contemplasse corretamente o comportamento de abandono dos clientes, foi
necessário realizar uma pesquisa junto à base de dados da Contax, contendo as ligações
abandonadas, para o produto 102. Ela mostrou que o tempo de espera das ligações
abandonadas apresenta, historicamente, uma média em torno de 2,5 minutos, seguindo uma
distribuição não muito distante de uma exponencial. Também foi preciso modelar o
comportamento de retorno das ligações abandonadas. Para tal, foi utilizada a premissa de que
80% das ligações abandonadas são refeitas posteriormente, entre 1 e 9 minutos após o
abandono (distribuição uniforme).
177
De forma esquemática, o modelo de simulação pode ser descrito e visualizado através da
figura 36 a seguir.
Figura 36 – Diagrama de processos do modelo básico de simulação, das
00:00 às 00:30, agosto de 2006, produto 102 (plus), 12 atendentes
12 agentes atendem as
chamadas que estão
aguardando na fila, com o
tempo de atendimento
seguindo uma distribuição
Erlang com média = 29
segundos e DP = 14,5
segundos
80% das chamadas
abandonadas retornam à
fila após um intervalo de 1
a 9 minutos (distribuição
uniforme)
As chamadas aguardam na
"fila", para serem atendidas de
acordo com a disciplina FIFO
586 chamadas plus
chegam à central do
número 102, entre 00:00 e
00:30, de acordo com o
processo de Poisson
(distribuição exponencial
com média = 3 segundos)
As chamadas abandonam
a fila após uma tolerãncia
de espera (distribuição
exponencial com média =
2,5 minutos)
Fonte: Diagrama elaborado pelo pesquisador
A simulação dos 30 minutos de operação do call center foi replicada 100 vezes no software,
em 142 segundos. O primeiro resultado aparece na figura 37 a seguir.
Em média, 595 chamadas foram geradas (created) em cada replicação. Este número é um
pouco maior do que a premissa de demanda (586 chamadas) porque, na simulação, algumas
das chamadas abandonadas voltaram a ser geradas e entraram novamente na fila. Das
chamadas geradas, 579 – em média – foram efetivamente atendidas (handled) pelos agentes
em cada replicação.
178
Figura 37 – Chamadas geradas e atendidas, das 00:00 às 00:30, agosto de
2006, produto 102 (plus), 12 atendentes, 100 replicações
Fonte: Relatório desenvolvido pelo software Arena Contact Center
O percentual destas chamadas que foi atendido em até 10 segundos (nível de serviço) pode ser
calculado através de uma informação extraída da figura 38 a seguir.
Em média, 541 chamadas foram atendidas em até 10 segundos (in target). O nível de serviço
obtido da divisão desse valor pelo total de chamadas atendidas (579) foi 93,31%. Esse valor é
razoavelmente maior do que os 88,04% previstos de nível de serviço segundo a abordagem
analítica. Esse fato confirma, em princípio, a expectativa de subestimação desta grandeza por
parte da teoria de filas.
Depois de realizada uma consulta junto à base de dados da Contax, foi possível recuperar a
informação de que, no dia 22 de agosto de 2006, estiveram presentes 12 operadores durante o
179
período das 00:00 às 00:30. Dentro deste intervalo, 592 ligações foram atendidas, em 29,4
segundos cada, em média.
Figura 38 – Chamadas atendidas em até 10 segundos, das 00:00 às 00:30,
agosto de 2006, produto 102 (plus), 12 atendentes, 100 replicações
Fonte: Relatório desenvolvido pelo software Arena Contact Center
Estes números superam por muito pouco as premissas de demanda (volume = 586; TMA = 29
segundos) utilizadas no dimensionamento via fórmulas analíticas e também no modelo de
simulação aqui apresentado. Por isso, esse dia e horário foram escolhidos para servirem de
base de comparação entre os resultados obtidos pelas duas abordagens.
Durante estes 30 minutos, 549 das 592 chamadas foram atendidas em até 10 segundos; ou
seja, o nível de serviço real ocorrido neste intervalo foi de 92,74%, bem mais próximo do
valor calculado empiricamente pela simulação (93,31%) do que do valor estimado
analiticamente pelas fórmulas Erlang (88,04%).
180
Conforme foi dito, a subestimação do nível de serviço promovida pela teoria de filas deve-se,
sobretudo, à não contemplação do abandono da ligação, empreendido – na prática – por uma
parcela dos clientes, mas desconsiderado – na teoria – pelos modelos analíticos. O
comportamento do abandono durante a simulação pode ser visualizado na figura 39 a seguir.
Figura 39 – Chamadas abandonadas e retornadas, das 00:00 às 00:30,
agosto de 2006, produto 102 (plus), 12 atendentes, 100 replicações
Fonte: Relatório desenvolvido pelo software Arena Contact Center
Das 595 chamadas geradas em cada replicação, 14,5 – em média – foram abandonadas
(abandoned) pelos clientes, ocasionando uma taxa de abandono igual a 2,44%. Dentre as 14,5
chamadas abandonadas, 11,5 (79,41%) retornaram para a fila (contact back abandoned)
alguns minutos após o abandono.
Como deve estar sendo observado, a simulação permite que muitos outros indicadores de
performance – além do nível de serviço – a respeito das chamadas possam ser observados e
181
analisados. A figura 40 a seguir apresenta os tempos de atendimento e de espera
experimentados pelas chamadas.
Figura 40 – Tempos de atendimento e tempos de espera, das 00:00 às 00:30,
agosto de 2006, produto 102 (plus), 12 atendentes, 100 replicações
Fonte: Relatório desenvolvido pelo software Arena Contact Center
O tempo médio de atendimento (handle time) foi de 0,49 minutos (ou 29,35 segundos; bem
próximo da premissa de 29 segundos usada para o TMA). Mas houve uma grande
variabilidade nesse tempo, já que um cliente chegou a ser atendido em 0,0783 minutos
(minimum value) e outro em 2,46 minutos (maximum value), aproximadamente. Já em relação
ao tempo de espera (speed of answer), as chamadas aguardaram, em média, 0,032 minutos (ou
1,94 segundos) para serem atendidos. Alguns clientes foram atendidos instantaneamente
(minimum value) e pelo menos um esperou 0,63 minutos (maximum value) – ou quase 38
segundos – antes de ser atendido.
182
Conforme alertado na seção 3.5, esse tipo de análise envolvendo a variabilidade e os valores
máximos e mínimos dos indicadores de desempenho não pode ser realizado por meio de
métodos analíticos (capazes de apresentar apenas os valores médios), tornando-se viável
apenas através de abordagens experimentais.
Naturalmente, a simulação também gera indicadores a respeito dos agentes, conforme
ilustrado na figura 41 a seguir.
Figura 41 – Agentes disponíveis e ocupados, das 00:00 às 00:30, agosto de
2006, produto 102 (plus), 12 atendentes, 100 replicações
Fonte: Relatório desenvolvido pelo software Arena Contact Center
Dos 12 atendentes presentes no horário (13 teriam sido designados, mas o absenteísmo teria
reduzido esse efetivo), 2,65 ficaram disponíveis (available), em média, ao longo dos 30
minutos; e 9,45 estiveram ocupados (busy), em média, durante o mesmo período. Esses
números podem ser convertidos na taxa média de ocupação dos agentes, durante esse
intervalo de tempo: 78,75% (= 9,45 / 12). Este indicador pode orientar a gerência no sentido
183
de um aumento ou redução de efetivo, de acordo com as metas de ocupação traçadas a priori,
conforme será ilustrado ainda nesta seção.
Todos estes resultados partiram do pressuposto que o tempo de atendimento segue uma
distribuição Erlang (com k = 4 e, conseqüentemente, coeficiente de variação = 50%). No
entanto, é bem possível que o tempo de atendimento apresente uma variabilidade (desvio-
padrão) diferente (maior ou menor do que metade da média), e que este parâmetro seja capaz
de impactar os resultados mais importantes.
A análise de sensibilidade acerca da variabilidade do tempo de atendimento – cujos resultados
estão apresentados na tabela 37 a seguir – busca mensurar esse impacto. A mesma simulação
foi repetida algumas vezes no software, sempre com a mesma média para o tempo de
atendimento (29 segundos), mas com diferentes valores de k (e, conseqüentemente, do
coeficiente de variação e, em última análise, do desvio-padrão), de onde os outputs relevantes
foram coletados, a partir dos quais os principais indicadores de desempenho (nível de serviço
– percentual de ligações atendidas em até 10 segundos – e taxa de abandono) puderam ser
obtidos, estando apresentados na tabela 37 a seguir.
Tabela 37 – Nível de serviço e taxa de abandono para diferentes valores do
parâmetro k da distribuição Erlang, horário das 00:00 às 00:30, agosto de
2006, produto 102 (plus), 12 atendentes, 100 replicações
geradas atendidas em até 10 seg abandonadas
1 100% 597 580 528 16,17 91,03% 2,71%
2 71% 602 585 539 16,09 92,12% 2,67%
3 58% 598 584 539 13,27 92,31% 2,22%
4 50% 595 579 541 14,52 93,31% 2,44%
6 41% 599 583 545 15,46 93,44% 2,58%
9 33% 597 583 546 13,92 93,77% 2,33%
k
Ligações
Nível de
serviço
Taxa de
abandono
Coeficiente
de variação
Fonte: Tabela elaborada pelo pesquisador a partir de resultados obtidos pelo software Arena Contact Center
À medida que o valor de k aumenta, a variabilidade dos tempos de atendimento diminui.
Devido à homogeneidade destes tempos, o sistema fica mais estável, apresentando como
conseqüência mais notável o aumento do nível de serviço. Essa tendência evidenciada na
tabela 37 anterior pode ser mais bem visualizada através do gráfico apresentado na figura 42 a
seguir.
184
Figura 42 – Nível de serviço para diferentes valores do parâmetro k da
distribuição Erlang, horário das 00:00 às 00:30, agosto de 2006, produto
102 (plus), 12 atendentes, 100 replicações
Nível de serviço X parãmetro k da distribuição Erlang
90%
91%
92%
93%
94%
95%
012345678910
k
NS (ligações atendidas em até 10 segundos)
Fonte: Gráfico elaborado pelo pesquisador
Já a taxa de abandono não apresenta a mesma clareza na sua tendência, embora pareça cair à
medida que a variabilidade do tempo de atendimento diminui (k aumenta), conforme pode ser
observado no gráfico apresentado na figura 43 a seguir.
Em suma, à medida que a variabilidade do tempo de atendimento aumenta (k diminui), o
sistema fica mais instável e, de uma maneira geral, seus indicadores de desempenho pioram: o
nível de serviço (principalmente) diminui e a taxa de abandono aumenta. As variações nestes
outputs não são imensas, mas estão longe de serem desprezíveis, revelando um significativo
impacto potencial deste parâmetro nos resultados mais importantes. A correta consideração,
portanto, da variabilidade do tempo de atendimento – e não só a da sua média – revela-se
extremamente necessária para a obtenção de resultados acurados.
185
Figura 43 – Taxa de abandono para diferentes valores do parâmetro k da
distribuição Erlang, horário das 00:00 às 00:30, agosto de 2006, produto
102 (plus), 12 atendentes, 100 replicações
Taxa de abandono X parãmetro k da distribuição Erlang
0,0%
0,5%
1,0%
1,5%
2,0%
2,5%
3,0%
012345678910
k
Taxa de abandono
Fonte: Gráfico elaborado pelo pesquisador
O pior desempenho (nível de serviço = 91,03% e taxa de abandono = 2,71%) ocorreu na
situação em que a variabilidade é a maior possível (k = 1; coeficiente de variação = 100%).
Este é um caso particular da distribuição Erlang em que ela coincide com a distribuição
exponencial, justamente o formato utilizado para modelar o tempo de atendimento na
metodologia analítica empreendida pela Contax para estimar os indicadores. Ou seja, a
utilização de um formato de distribuição (exponencial) para o tempo de atendimento menos
condizente com a realidade – e não só a desconsideração do comportamento de abandono do
cliente – pode estar fazendo com que a abordagem empregada pela empresa subestime os
indicadores de desempenho do sistema e obrigue o dimensionamento a alocar mais recursos,
de forma desnecessária.
Essa constatação faz despertar a curiosidade a respeito da verificação dos resultados de uma
simulação considerando um outro tipo de distribuição – já que, de acordo com o que foi
levantado na seção 3.5, o comportamento do tempo de atendimento em call centers pode
186
apresentar diferentes formatos – também comumente utilizado para modelar esta variável: a
lognormal. Fazendo uso do mesmo modelo de simulação original, mas modificando a
distribuição desta variável para o formato em questão (com a mesma média – 29 segundos e
também mantendo o desvio-padrão em metade desse valor), 100 replicações foram realizadas
no software Arena Contact Center.
Em média, 597 ligações foram geradas, 583 atendidas (sendo 544 em até 10 segundos) e 13,
95 abandonadas. O nível de serviço e a taxa de abandono resultantes foram 93,40% e 2,34%,
respectivamente. Estes indicadores são muito próximos dos que foram obtidos com a
distribuição Erlang com k = 4 (93,31% e 2,44%, respectivamente), conferindo uma certa
confiabilidade a estes últimos e sugerindo que qualquer dos dois formatos comumente
utilizados para modelar o tempo de atendimento possa ser utilizado indistintamente.
A simulação também permite a análise de cenários (What-if?). No exemplo que está sendo
estudado, já que o emprego de 12 atendentes efetivos (descontado o absenteísmo) no horário
em questão gerou um nível de serviço (93,31%) razoavelmente superior à meta mínima
(85%), o que aconteceria com esse indicador após a redução de 1 atendente (para 11
efetivos)? Será que ele ainda se manteria acima da meta?
As figuras 44 e 45 a seguir apresentam os indicadores para o cálculo do nível de serviço em
um cenário com 1 atendente a menos.
187
Figura 44 – Chamadas geradas e atendidas, das 00:00 às 00:30, agosto de
2006, produto 102 (plus), cenário com 11 atendentes, 100 replicações
Fonte: Relatório desenvolvido pelo software Arena Contact Center
Dentro deste cenário, 576 chamadas foram atendidas, em média; das quais, 491 – em média –
em até 10 segundos. O nível de serviço obtido no cenário com 11 atendentes foi, então, de
85,23%. Esse valor ainda está um pouco acima da meta de 85% estabelecida para os clientes
plus.
188
Figura 45 – Chamadas atendidas em até 10 segundos, das 00:00 às 00:30,
agosto de 2006, produto 102 (plus), cenário com 11 atendentes, 100
replicações
Fonte: Relatório desenvolvido pelo software Arena Contact Center
Em outras palavras, o 12º agente não fez falta (em termos da obtenção da meta de nível de
serviço), apesar da sua ausência ter derrubado o nível de serviço em mais de 8 pontos
percentuais. Mas, pode ser interessante também querer saber o impacto desta ausência na taxa
de abandono, que pode ser observado na figura 46 a seguir.
Das 604 chamadas geradas em cada replicação, 26,2 – em média – foram abandonadas pelos
clientes, ocasionando uma taxa de abandono igual a 4,34%, revelando um impacto grande
neste indicador de performance.
189
Figura 46 – Chamadas abandonadas, das 00:00 às 00:30, agosto de 2006,
produto 102 (plus), cenário com 11 atendentes, 100 replicações
Fonte: Relatório desenvolvido pelo software Arena Contact Center
Em suma, o uso da simulação neste caso permitiu verificar que a presença do 12º agente não
era necessária para que a meta de 85% de nível de serviço fosse atingida, contradizendo o que
afirmava a abordagem analítica neste caso. Isso aconteceu – conforme a seção 3.5 sugere –
principalmente devido à consideração do abandono por parte da abordagem experimental,
mas pode também ter sido influenciado pela utilização de um formato de distribuição para o
tempo de atendimento mais condizente com a realidade: Erlang (pela simulação) ao invés de
exponencial (pelas fórmulas analíticas).
Mas, a ausência do 12º agente teria ocasionado um grande aumento na taxa de abandono, o
que poderia comprometer esta política de recursos mais enxuta. Caso este indicador não fosse
tão importante, no entanto, o uso da simulação poderia ter proporcionado a economia de 1
190
agente para este horário, o que pode efetivamente acontecer em algum cenário no qual a taxa
de abandono encontre-se em um patamar mais baixo.
O impacto da redução de atendentes pode ser também visualizado no caso de maiores déficits
de oferta de atendimento através de uma análise de sensibilidade mais completa. A mesma
simulação foi repetida algumas vezes no software, sempre com os mesmos parâmetros, mas
variando a quantidade de atendentes. Os outputs relevantes foram coletados, a partir dos quais
os principais indicadores de desempenho (nível de serviço – percentual de ligações atendidas
em até 10 segundos – e taxa de abandono) puderam ser obtidos, estando apresentados na
tabela 38 a seguir.
Tabela 38 – Nível de serviço e taxa de abandono para diferentes
quantidades de atendentes, horário das 00:00 às 00:30, agosto de 2006,
produto 102 (plus), 100 replicações
geradas atendidas em até 10 seg abandonadas
9719 540 160 168,02 29,64% 23,38%
10 639 567 354 67,68 62,46% 10,60%
11 604 576 491 26,21 85,23% 4,34%
12 595 579 541 14,52 93,31% 2,44%
Atendentes
Ligações
Nível de
serviço
Taxa de
abandono
Fonte: Tabela elaborada pelo pesquisador a partir de resultados obtidos pelo software Arena Contact Center
Como era totalmente previsível, à medida que a oferta de atendimento diminui, o serviço
piora, assim como os seus indicadores de desempenho, principalmente a taxa de abandono,
que quadruplica com a redução de 2 agentes. O nível de serviço está bem abaixo da meta com
este contingente, mas ainda não pode ser considerado inaceitável, o que ocorre no cenário
com 9 atendentes, quando ele fica 3 vezes menor que o valor original. Com esta oferta de
atendimento, o número de ligações abandonadas chega a superar as atendidas em até 10
segundos, tornando a taxa de abandono quase tão alta quanto o nível de serviço!
Isso tudo revela um impacto muito grande da redução da quantidade de atendentes no
desempenho do sistema (indicando a necessidade de a atividade de dimensionamento ser
desenvolvida com muito cuidado); e sugere que alocar 10 agentes para este horário seria o
mínimo indispensável, cenário para o qual os indicadores de desempenho seriam ruins, mas
não catastróficos.
191
Infelizmente, uma análise de sensibilidade mais completa acerca do aumento da quantidade
de atendentes não seria muito pertinente neste caso, já que o nível de serviço já se encontra
em um patamar bem alto (93%), deixando pouco espaço para melhorias potenciais. Tal
análise será realizada ainda neste seção, em um horário apresentando o nível de serviço em
um patamar mais baixo.
Conforme foi descrito na seção 5.2.2, o dimensionamento da capacidade de atendimento para
a operação 102 é feito de forma isolada para cada produto – básico e plus – por causa da
prioridade do último sobre o primeiro.
Mas a simulação permite visualizar o que aconteceria com a operação em um cenário em que
os diferentes clientes – do tipo básico e plus – fossem atendidos de forma agregada (tanto por
agentes “básicos” como por agentes “plus”), mas mantendo a prioridade para os últimos
(descaracterizando, assim, a disciplina de fila comumente utilizada nos modelos analíticos –
FIFO).
Para o dimensionamento e escalonamento dos operadores para atender os clientes básicos do
produto 102 durante o mês de agosto de 2006, foi usada a premissa de que chegariam à
central 399 chamadas destes clientes, com um tempo médio de atendimento de 34 segundos,
na primeira meia-hora do dia (00:00 às 00:30), para quando foram dimensionados 7
atendentes.
A idéia agora consiste em simular – com o objetivo de observar o comportamento do sistema
– o cenário onde essas chamadas se agregariam às chamadas dos clientes plus desse mesmo
horário (cujas premissas foram mencionadas anteriormente nesta seção), formando uma única
fila. Os 12 atendentes “plus” e os 7 “básicos” estariam aptos a atender ambos os tipos de
chamadas, mas com diferentes proficiências e prioridades, caracterizando o roteamento
baseado em habilidades, mecanismo viabilizado apenas em abordagens experimentais,
conforme explicado anteriormente na seção 3.5.
Mas o cliente básico não se comporta da mesma forma que o cliente plus e suas diferentes
características precisam ser contempladas pelo modelo. Já foi mencionado que o seu tempo de
atendimento é, em média, um pouco maior. Para efeitos do modelo, a mesma distribuição
Erlang foi utilizada para este tempo, com coeficiente de variação igual a 50% (k = 4).
192
De uma forma geral, ele é mais paciente antes de abandonar a chamada e o tempo de espera
antes do abandono também foi modelado como uma distribuição exponencial, mas com média
de 3,5 minutos (ao invés de 2,5). Foi considerado também que uma parcela menor (70% ao
invés de 80%) dos clientes que abandonam a ligação tentam refazê-la posteriormente, após
um intervalo de tempo também menor: entre 1 e 6 minutos (distribuição uniforme).
Em termos de prioridades, as ligações plus têm preferência sobre as básicas (“furando a fila”)
e devem ser atendidas, sempre que possível, por atendentes plus, teoricamente mais
capacitados; elas só seriam atendidas por agentes básicos no caso de todos os outros estarem
ocupados. As ligações básicas, por sua vez, seriam atendidas preferencialmente por agentes
básicos, teoricamente menos capacitados, de forma a deixar os “melhores” atendentes livres
para as chamadas “mais importantes”.
Quando as chamadas não são atendidas pelo seu tipo de agente preferencial, seu tempo de
atendimento é modificado. O modelo considera que uma chamada plus sendo atendida por um
agente básico (menos capacitado que o normal) demora 10% a mais para ser concluída; e que
uma chamada básica sendo atendida por um agente plus (mais capacitado que o normal)
demora 5% a menos para ser concluída.
De forma esquemática, o modelo de simulação pode ser descrito e visualizado através da
figura 47 a seguir.
193
Figura 47 – Diagrama de processos do modelo de simulação com
atendimento agregado (produto 102, básico e plus), das 00:00 às 00:30,
agosto de 2006
As chamadas básicas (plus )
abandonam a fila após uma
tolerância de espera:
distribuição exponencial com
média = 3,5 (2,5) minutos
As chamadas aguardam na "fila"
para serem atendidas, com
preferência para as plus
586 chamadas plus
chegam à central do
número 102, entre 00:00
e 00:30, de acordo com
o processo de Poisson
(distribuição exponencial
com média = 3 s)
399 chamadas básicas
chegam à central do
número 102, entre 00:00
e 00:30, de acordo com
o processo de Poisson
(distribuição exponencial
com média = 4,5 s)
70% (80%) das chamadas básicas
(plus ) abandonadas retornam à
fila após um intervalo de 1 a 6 (9)
minutos (distribuição uniforme)
Se não houver atendente "plus" disponível, as
chamadas plus são atendidas pelos 7 agentes
"básicos", com o tempo de atendimento seguindo
uma distribuição Erlang com média = 32 s e DP =
16 s
As chamadas plus são atendidas
preferencialmente pelos 12 agentes "plus", com o
tempo de atendimento seguindo uma distribuição
Erlang com média = 29 s e DP = 14,5 s
Se não houver chamada plus na fila, as chamadas
básicas são atendidas preferencialmente pelos 7
agentes "básicos", com o tempo de atendimento
seguindo uma distribuição Erlang com média = 34
s e DP = 17 s
Se não houver chamada plus na fila nem atendente
"básico" disponível, as chamadas básicas são
atendidas pelos 12 agentes "plus", com o tempo de
atendimento seguindo uma distribuição Erlang com
média = 32 s e DP = 16 s
Fonte: Diagrama elaborado pelo pesquisador
A simulação foi replicada 100 vezes no software Arena Contact Center. Os resultados
apresentados nas figuras 48 e 49 a seguir permitem analisar o comportamento de abandono.
Em média, 413 chamadas básicas e 591 chamadas plus foram geradas em cada replicação,
tendo sido abandonadas 19,8 e 9,5, respectivamente. As taxas de abandono resultantes foram
4,80% para os clientes básicos e 1,60% para os clientes plus. Dentre as ligações básicas
abandonadas, 14,2 (71,46%) retornaram para a fila alguns minutos após o abandono; dentre as
plus, 7,6 (80,44%) fizeram o mesmo.
194
Figura 48 – Chamadas geradas das 00:00 às 00:30, agosto de 2006, produto
102 (básico e plus), 100 replicações
Fonte: Relatório desenvolvido pelo software Arena Contact Center
195
Figura 49 – Chamadas abandonadas e retornadas das 00:00 às 00:30,
agosto de 2006, produto 102 (básico e plus), 100 replicações
Fonte: Relatório desenvolvido pelo software Arena Contact Center
As figuras 50 e 51 a seguir contêm os insumos para a análise do nível de serviço.
393 chamadas básicas e 581 plus – em média – foram efetivamente atendidas pelos agentes
em cada replicação. Destas, 303 básicas (77,25%) e 575 plus (98,96%) foram atendidas em
até 10 segundos (nível de serviço).
Comparando os indicadores de desempenho dos clientes plus com os anteriormente obtidos
no cenário de atendimento segmentado (taxa de abandono = 2,44% e nível de serviço =
93,31%), é fácil concluir que o atendimento agregado melhorou razoavelmente a operação, do
ponto de vista destes clientes. Tal resultado era de se esperar, pois 7 agentes “básicos”
passaram a atender as chamadas plus. É bem verdade que os 19 agentes (12 “plus” e 7
196
“básicos”) também atenderam as chamadas básicas, mas somente quando não havia uma
chamada plus aguardando.
Figura 50 – Chamadas atendidas das 00:00 às 00:30, agosto de 2006,
produto 102 (básico e plus), 100 replicações
Fonte: Relatório desenvolvido pelo software Arena Contact Center
Esta preferência possibilitou a sensível melhoria no atendimento dos clientes plus e,
certamente, reduziu um pouco a qualidade do serviço junto aos clientes básicos. Mas o
interessante é notar que, neste cenário, o nível de serviço para os clientes preteridos (77,25%)
manteve-se ainda acima da meta (75%). A taxa de abandono (4,80%) ficou um pouco alta,
mas não chega a ser inaceitável para clientes básicos.
Em suma, o formato agregado do atendimento melhorou o desempenho do sistema para os
clientes plus sem, no entanto, comprometer demais a qualidade do serviço para os clientes
básicos. Isso aconteceu porque os agentes podiam atender as suas chamadas não preferenciais
enquanto estavam ociosos, permitindo o incremento na qualidade da operação como um todo.
197
Análises e conclusões deste tipo não poderiam ser conduzidas nem obtidas através de
metodologias analíticas, só sendo viáveis por meio de uma abordagem experimental, como a
simulação.
Figura 51 – Chamadas atendidas em até 10 segundos, das 00:00 às 00:30,
agosto de 2006, produto 102 (básico e plus), 100 replicações
Fonte: Relatório desenvolvido pelo software Arena Contact Center
A figura 52 a seguir apresenta outros indicadores interessantes de serem observados para este
cenário.
O tempo médio de atendimento dos clientes básicos foi de 0,54 minutos (ou 32,65 segundos),
um pouco inferior ao valor de 34 segundos, utilizado para a premissa do TMA, porque alguns
deles foram atendidos por agentes mais rápidos (os “plus”). Para os clientes plus, o tempo
médio de atendimento foi de 0,51 minutos (ou 30,37 segundos), um pouco superior à
premissa de 29 segundos pelo fato de alguns deles terem sido atendidos por agentes mais
lentos (os “básicos”).
198
Figura 52 – Tempos de atendimento e tempos de espera, das 00:00 às 00:30,
agosto de 2006, produto 102 (básico e plus), 100 replicações
Fonte: Relatório desenvolvido pelo software Arena Contact Center
As chamadas básicas aguardaram, em média, 0,104 minutos (ou 6,24 segundos) para serem
atendidas, enquanto as chamadas plus apenas 0,022 minutos (ou 1,34 segundos). Tal disparate
deveu-se à preferência de atendimento desfrutada por estas últimas.
A utilização dos agentes pode ser observada na figura 53 a seguir.
199
Figura 53 – Utilização dos agentes “básicos” e “plus”, das 00:00 às 00:30,
agosto de 2006, produto 102 (básico e plus), 100 replicações
Fonte: Relatório desenvolvido pelo software Arena Contact Center
A taxa média de ocupação dos atendentes “básicos” (89,59%) foi muito parecida com a dos
atendentes “plus” (88,84%), principalmente pelo fato de ambos os tipos de agentes estarem
aptos a atender ambos os tipos de chamadas. Isto pode ser visto através dos resultados
apresentados na figura 54 a seguir.
É possível perceber que ambos os tipos de agentes estiveram a maior parte do tempo (51-
52%) atendendo os clientes plus (preferenciais e mais numerosos) e o restante da jornada
atendendo os clientes básicos (37-38%) ou ociosos.
200
Figura 54 – Utilização dos agentes “básicos” e “plus” por tipo de chamada,
das 00:00 às 00:30, agosto de 2006, produto 102 (básico e plus), 100
replicações
Fonte: Relatório desenvolvido pelo software Arena Contact Center
A decisão a respeito de quantos atendentes serão designados e de que forma eles serão
segmentados ou agregados em cada horário cabe totalmente à gerência de planejamento da
Contax. Mas, pode ser que a empresa tenha interesse em estudar o impacto de outras variáveis
que não estão sob seu controle (parâmetros) no nível de serviço e na taxa de abandono da
central, o que é possível através da simulação, conforme indica a seção 3.5.
A análise de cenários pode ser utilizada para descobrir o que aconteceria com esses
indicadores de performance se, por exemplo, o volume de chamadas em determinado horário
fosse 10% maior do que o previsto.
201
As figuras 55 e 56 a seguir apresentam os indicadores para o cálculo do nível de serviço em
um cenário com acréscimo no volume de ligações, mantendo o mesmo efetivo de
atendimento.
Figura 55 – Chamadas geradas e atendidas, das 00:00 às 00:30, agosto de
2006, produto 102 (plus), 12 atendentes, cenário com acréscimo de 10% de
demanda, 100 replicações
Fonte: Relatório desenvolvido pelo software Arena Contact Center
Neste cenário, 637 chamadas foram atendidas, em média; das quais, 540 – em média – em até
10 segundos. O nível de serviço para este cenário foi de 84,68%, conseqüentemente. Esse
valor é ligeiramente menor que a meta de 85% estabelecida para os clientes plus e
razoavelmente menor que os 93,31%, que teriam sido obtidos se a demanda se comportasse
conforme o previsto.
202
Figura 56 – Chamadas atendidas em até 10 segundos, das 00:00 às 00:30,
agosto de 2006, produto 102 (plus), 12 atendentes, cenário com acréscimo de
10% de demanda, 100 replicações
Fonte: Relatório desenvolvido pelo software Arena Contact Center
O impacto deste acréscimo de demanda na taxa de abandono pode ser entendido a partir de
uma informação extraída da figura 57 a seguir.
Das 672 chamadas geradas em cada replicação, 32,2 foram abandonadas, em média, pelos
clientes, implicando em uma taxa de abandono igual a 4,80%, o que revela um grande
impacto neste indicador de performance.
Assim, a simulação deste cenário mostrou que o efetivo original de atendentes (12) – em face
de um imprevisível aumento de 10% na demanda – seria capaz de praticamente garantir a
meta de nível de serviço (85%), mas comprometeria demais a taxa de abandono.
203
Figura 57 – Chamadas abandonadas, das 00:00 às 00:30, agosto de 2006,
produto 102 (plus), 12 atendentes, cenário com acréscimo de 10% de
demanda, 100 replicações
Fonte: Relatório desenvolvido pelo software Arena Contact Center
E o que aconteceria com o nível de serviço e a taxa de abandono se a demanda tivesse sido
subestimada (também em 10%), mas não em relação ao seu volume, e sim em relação ao
TMA?
As figuras 58 e 59 a seguir mostram os valores necessários para a realização do cálculo do
nível de serviço neste cenário sugerido.
204
Figura 58 – Chamadas geradas e atendidas, das 00:00 às 00:30, agosto de
2006, produto 102 (plus), 12 atendentes, cenário com acréscimo de 10% no
TMA, 100 replicações
Fonte: Relatório desenvolvido pelo software Arena Contact Center
No cenário em questão, 575 chamadas foram, em média, atendidas; destas, 482 (em média)
em até 10 segundos. O nível de serviço resultante foi de 83,85%, um valor um pouco menor
que a meta (85%) e razoavelmente menor que os 93,31%, que teriam sido obtidos se a
demanda se comportasse conforme o previsto.
205
Figura 59 – Chamadas atendidas em até 10 segundos, das 00:00 às 00:30,
agosto de 2006, produto 102 (plus), 12 atendentes, cenário com acréscimo de
10% no TMA, 100 replicações
Fonte: Relatório desenvolvido pelo software Arena Contact Center
Para medir o impacto do aumento do TMA na taxa de abandono, é preciso recuperar uma
informação exibida na figura 60 a seguir.
Das 606 chamadas geradas em cada replicação, 29,8 foram abandonadas pelos clientes, em
média. A conseqüência é uma taxa de abandono igual a 4,92%, revelando um grande impacto
nesta grandeza.
Como no cenário de aumento da quantidade de ligações, a simulação desta situação mostrou
que o efetivo original de atendentes (12) – em face de um repentino aumento de 10% no
tempo médio de atendimento – seria capaz de assegurar um nível de serviço quase igual à
206
meta de 85% (neste caso, um pouco mais distante), mas também incrementando (até um
pouco mais) a taxa de abandono.
Figura 60 – Chamadas abandonadas, das 00:00 às 00:30, agosto de 2006,
produto 102 (plus), 12 atendentes, cenário com acréscimo de 10% no TMA,
100 replicações
Fonte: Relatório desenvolvido pelo software Arena Contact Center
A partir da análise dos cenários com demanda mais intensa que a prevista, então, é possível
concluir que variações não muito grandes (10%) em relação aos valores previstos podem
impactar diretamente os indicadores de performance, especialmente a taxa de abandono. Esta
conclusão faz exigir muito cuidado no momento de prever a quantidade de chamadas e o
tempo médio de atendimento.
Outra revelação importante diz respeito ao fato – talvez surpreendente – do impacto ser ainda
maior no caso de aumento do TMA, quando comparado ao impacto proporcionado por uma
207
diferença de mesma magnitude no volume de chamadas. Isso leva a crer que a acurácia na
previsão do TMA é ainda mais importante do que a acurácia na previsão de volume.
Dessa forma, talvez seja interessante investigar o impacto de variações maiores do TMA (seja
para mais ou para menos) no desempenho do sistema, através de uma análise de sensibilidade
mais completa.
A simulação do modelo básico foi repetida no software algumas vezes, mas com diferentes
valores para a média do tempo de atendimento (desde montantes 30% menores até montantes
30% maiores), de onde os resultados relevantes foram coletados. Eles foram, então,
organizados na tabela 39 a seguir, que também calcula e apresenta os principais indicadores
de desempenho (nível de serviço – percentual de ligações atendidas em até 10 segundos – e
taxa de abandono) de cada cenário.
Tabela 39 – Nível de serviço e taxa de abandono para diferentes valores do
tempo médio de atendimento (TMA), horário das 00:00 às 00:30, agosto de
2006, produto 102 (plus), 12 atendentes, 100 replicações
geradas atendidas em até 10 seg abandonadas
20,5 -30% 583 582 582 0,84 99,92% 0,14%
23,4 -20% 586 583 580 2,68 99,50% 0,46%
26,4 -10% 589 582 571 6,34 98,13% 1,08%
29,3 - 595 579 541 14,52 93,31% 2,44%
32,2 +10% 606 575 482 29,82 83,85% 4,92%
35,2 +20% 640 567 356 68,39 62,80% 10,69%
38,1 +30% 683 548 223 128,01 40,77% 18,74%
TMA
(seg)
Ligações
Nível de
serviço
Taxa de
abandono
Variação
Fonte: Tabela elaborada pelo pesquisador a partir de resultados obtidos pelo software Arena Contact Center
À medida que o TMA aumenta, os clientes demoram mais (em média) sendo atendidos, as
filas vão crescendo e o nível de serviço vai despencando, atingindo um patamar inaceitável
quando o TMA é 30% maior do que o valor básico. Essa tendência evidenciada na tabela 39
anterior pode ser mais bem visualizada através do gráfico apresentado na figura 61 a seguir.
208
Figura 61 – Nível de serviço para diferentes valores do tempo médio de
atendimento (TMA), horário das 00:00 às 00:30, agosto de 2006, produto
102 (plus), 12 atendentes, 100 replicações
Nível de serviço X tempo médio de atendimento
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
20,0 22,0 24,0 26,0 28,0 30,0 32,0 34,0 36,0 38,0 40,0
TMA (segundos)
NS (ligações atendidas em até 10 segundos)
Fonte: Gráfico elaborado pelo pesquisador
Pelo mesmo motivo, mais clientes resolvem não mais esperar na fila, fazendo a taxa de
abandono subir rapidamente, chegando a ponto de praticamente 1 a cada 5 clientes
abandonarem a fila antes de serem atendidos, quando o valor do TMA está 30% acima do seu
montante básico. Essa tendência pode ser observada no gráfico apresentado na figura 62 a
seguir.
Portanto, valores do TMA mais altos que o previsto deterioram rapidamente o desempenho do
sistema em termos do nível de serviço e da taxa de abandono (esta última, principalmente)
revelando um enorme impacto potencial do aumento do TMA nos resultados mais
importantes. Dessa maneira, a Contax deve se esforçar para evitar ao máximo que o tempo
médio de atendimento cresça, conscientizando seus atendentes acerca das destrutivas
conseqüências do aumento do valor desta grandeza.
209
Figura 62 – Taxa de abandono para diferentes valores do tempo médio de
atendimento (TMA), horário das 00:00 às 00:30, agosto de 2006, produto
102 (plus), 12 atendentes, 100 replicações
Taxa de abandono X tempo médio de atendimento
0,0%
2,0%
4,0%
6,0%
8,0%
10,0%
12,0%
14,0%
16,0%
18,0%
20,0%
20,0 22,0 24,0 26,0 28,0 30,0 32,0 34,0 36,0 38,0 40,0
TMA (segundos)
Taxa de abandono
Fonte: Gráfico elaborado pelo pesquisador
Analisando a parte superior da tabela 39 anterior, é possível concluir que os indicadores de
desempenho melhoram sensivelmente com uma redução de apenas 10% no TMA: o nível de
serviço aumenta em quase 5 pontos percentuais, ultrapassando os 98% e a taxa de abandono
cai para menos do que a metade (1,08%). Isso sugere que pode valer a pena investir em
treinamento para os agentes, de forma a tentar reduzir um pouco o tempo de atendimento.
Infelizmente, também é verdadeiro que reduções ainda maiores no TMA não encerram
vantagens tão marcantes (especialmente para o nível de serviço, que já se encontraria em um
nível próximo do ótimo) para o sistema. Em outras palavras, é possível que o custo envolvido
para diminuir o TMA em 10% seja compensando pelos benefícios resultantes desta redução,
mas é difícil crer que o mesmo ocorra para reduções mais drásticas desta grandeza.
210
De forma semelhante, cabem outras indagações do mesmo tipo:
• o que aconteceria com a taxa de abandono se o cliente ficasse mais impaciente e
passasse a abandonar as chamadas caso demorasse mais de, por exemplo, 1,5 minutos
(ao invés de 2,5), em média, para ser atendido?
• qual o impacto desta mudança no nível de serviço?
As figuras 63 e 64 a seguir mostram os números necessários para o cálculo do nível de
serviço neste novo cenário proposto.
Figura 63 – Chamadas geradas e atendidas, das 00:00 às 00:30, agosto de
2006, produto 102 (plus), 12 atendentes, cenário com tempo médio de espera
antes do abandono = 1,5 minutos, 100 replicações
Fonte: Relatório desenvolvido pelo software Arena Contact Center
211
Nele, 580 chamadas foram atendidas, em média; das quais, 551 – em média – em até 10
segundos. O nível de serviço para este cenário foi de 95,09%, conseqüentemente. Esse valor é
um pouco maior que os 93,31% (que teriam sido obtidos com o comportamento anterior de
abandono por parte dos clientes), e também razoavelmente superior à meta de 85%.
Figura 64 – Chamadas atendidas em até 10 segundos, das 00:00 às 00:30,
agosto de 2006, produto 102 (plus), 12 atendentes, cenário com tempo médio
de espera antes do abandono = 1,5 minutos, 100 replicações
Fonte: Relatório desenvolvido pelo software Arena Contact Center
Mesmo aumentando em 40% “a impaciência do cliente” – ou seja, diminuindo o tempo médio
de espera antes do abandono de 2,5 minutos para 1,5 minutos – o impacto no nível de serviço
foi pequeno. Talvez fosse esperado um aumento maior nesta grandeza, visto que, com mais
clientes abandonando a fila, seria natural que os remanescentes fossem atendidos de forma
mais rápida.
212
O que sucede é que, de acordo com o modelo, 80% das ligações abandonadas retornam à fila
alguns minutos depois, congestionando novamente o sistema e não deixando o nível de
serviço aumentar tanto. Esse tipo de análise e conclusão seriam praticamente impossíveis
através de abordagens analíticas, que ignoram o comportamento de abandono (de acordo com
o que foi mencionado na seção 3.5), só sendo viáveis através de métodos experimentais, como
a simulação.
Se o interesse da gerência residir apenas no nível de serviço, deixa até de ser interessante
empreender um esforço muito grande para prever com perfeita exatidão o tempo que os
clientes costumam esperar, em média, antes de abandonar a chamada. Isto porque foi
verificado que uma mudança nada pequena (40%) nesse tempo médio é incapaz de impactar
intensamente o nível de serviço.
Se, no entanto, houver interesse também em monitorar a taxa de abandono, é fundamental
estudar o impacto do novo cenário nesta grandeza, a partir da análise de uma informação a ser
extraída da figura 65 a seguir.
Das 600 chamadas geradas em cada replicação, 19,3 foram abandonadas, em média, pelos
clientes, implicando em uma taxa de abandono igual a 3,21%, um pouco maior do que os
2,85% obtidos anteriormente.
213
Figura 65 – Chamadas abandonadas, das 00:00 às 00:30, agosto de 2006,
produto 102 (plus), 12 atendentes, cenário com tempo médio de espera antes
do abandono = 1,5 minutos, 100 replicações
Fonte: Relatório desenvolvido pelo software Arena Contact Center
Para verificar a sensibilidade dos indicadores de performance em relação à variável tempo
médio de espera antes do abandono de forma mais completa, a mesma simulação foi repetida
algumas vezes no software, com diferentes valores para esta variável. Foram coletados os
outputs necessários para o cálculo dos principais indicadores de desempenho (nível de serviço
– percentual de ligações atendidas em até 10 segundos – e taxa de abandono), que estão
apresentados na tabela 40 a seguir.
Como pode ser observado, a taxa de abandono é razoavelmente sensível em relação ao tempo
médio de espera, principalmente nos patamares mais baixos desta variável. Sendo assim, a sua
correta consideração mostra-se importante para a obtenção de resultados acurados, não
214
obstante o fato do nível de serviço revelar pouca sensibilidade a mudanças na mesma variável
(fato ocorrido provavelmente pelo motivo cogitado anteriormente).
Tabela 40 – Nível de serviço e taxa de abandono para diferentes valores do
tempo médio de espera (antes do abandono), horário das 00:00 às 00:30,
agosto de 2006, produto 102 (plus), 12 atendentes, 100 replicações
geradas atendidas em até 10 seg abandonadas
0,5 624 578 562 46,65 97,26% 7,47%
1,5 600 580 551 19,25 95,09% 3,21%
2,5 595 579 541 14,52 93,31% 2,44%
3,5 593 582 540 10,02 92,75% 1,69%
4,5 591 582 534 9,10 91,91% 1,54%
Tempo médio de
espera (minutos)
Ligações
Nível de
serviço
Taxa de
abandono
Fonte: Tabela elaborada pelo pesquisador a partir de resultados obtidos pelo software Arena Contact Center
O gerente de planejamento também pode estar interessado em saber o que aconteceria se a
empresa contratante ficasse mais exigente em relação ao nível de serviço e redefinisse seu
conceito, passando este a corresponder ao percentual de clientes atendidos em até 5 segundos
(ao invés de 10 segundos).
As figuras 66 e 67 a seguir revelam os valores para o cálculo do novo nível de serviço, após
essa redefinição no seu conceito.
Neste cenário, 579 chamadas foram atendidas, em média; das quais, 489 – em média – em até
5 segundos. O nível de serviço para este cenário foi de 84,44%, por conseguinte. Esse valor é
razoavelmente menor que os 93,31% obtidos com a definição original de nível de serviço e, o
que é mais importante, um pouco menor que a meta de 85% estabelecida para os clientes plus.
215
Figura 66 – Chamadas geradas e atendidas, das 00:00 às 00:30, agosto de
2006, produto 102 (plus), 12 atendentes, cenário com NS = % de clientes
atendidos em até 5 segundos, 100 replicações
Fonte: Relatório desenvolvido pelo software Arena Contact Center
Essa comparação revela que uma redefinição no conceito de nível de serviço pode impactar
de forma não muito branda esse indicador de desempenho, o que era razoavelmente
previsível. É possível até que – exatamente como aconteceu no exemplo ilustrado – a atual
configuração de atendentes não seja mais suficiente para proporcionar um nível de serviço
condizente com a meta pré-estabelecida. Neste caso, pode ser importante descobrir quantos
agentes adicionais serão necessários para que este indicador de performance retorne a
patamares acima da meta.
216
Figura 67 – Chamadas atendidas em até 5 segundos, das 00:00 às 00:30,
agosto de 2006, produto 102 (plus), 12 atendentes, cenário com NS = % de
clientes atendidos em até 5 segundos, 100 replicações
Fonte: Relatório desenvolvido pelo software Arena Contact Center
Para tal, primeiro é necessário verificar se a adição de 1 agente será suficiente para o objetivo
ser atingido. As figuras 68 e 69 a seguir apresentam os indicadores que entram no cálculo do
nível de serviço (segundo o seu novo conceito), mas em um cenário com 13 atendentes
efetivos.
Foram atendidas 580 chamadas – em média – neste cenário, sendo que 534 (em média) delas
em até 5 segundos. O nível de serviço resultante foi de 91,99%, um valor acima da meta
(85%) e dos 84,44% obtidos com 12 agentes, mas um pouco menor que os 93,31% originais.
217
Figura 68 – Chamadas geradas e atendidas, das 00:00 às 00:30, agosto de
2006, produto 102 (plus), cenário com 13 atendentes e NS = % de clientes
atendidos em até 5 segundos, 100 replicações
Fonte: Relatório desenvolvido pelo software Arena Contact Center
Isso mostra que a alocação de um agente adicional é capaz de fazer o nível de serviço voltar a
atingir a meta, mas seus benefícios não chegam a compensar o impacto negativo para este
indicador de desempenho causado pela reformulação do seu conceito.
218
Figura 69 – Chamadas atendidas em até 5 segundos, das 00:00 às 00:30,
agosto de 2006, produto 102 (plus), cenário com 13 atendentes e NS = % de
clientes atendidos em até 5 segundos, 100 replicações
Fonte: Relatório desenvolvido pelo software Arena Contact Center
E o que aconteceria se a central dispusesse de uma quantidade limitada de linhas disponíveis
no seu tronco? Na verdade, isso sempre ocorre, mas muitas vezes essa quantidade é tão
grande, que acaba não se constituindo em uma restrição. Mas e se essa quantidade for apenas
um pouco maior do que a quantidade de agentes dimensionados?
Em outras palavras, o que ocorreria se o sistema tivesse uma capacidade limitada e baixa? Se
houvesse, por exemplo, apenas 20 linhas disponíveis, não existindo espaço no sistema,
portanto, para mais clientes (sendo atendidos ou aguardando na fila) do que essa quantidade?
219
Certamente alguns clientes seriam bloqueados antes de entrar no sistema, isto é, impedidos
até mesmo de aguardar na fila (receberiam um sinal de ocupado ou teriam sua ligação
interrompida). Mas quantos?
E se uma parcela destes clientes retornasse a ligação poucos instantes após este bloqueio? E
qual o impacto dessa limitação nos indicadores de performance? As respostas a essas
perguntas muito dificilmente poderiam ser obtidas através de modelos analíticos, mas podem
ser conseguidas com certa facilidade através da simulação.
O modelo para simular este cenário levou em conta uma quantidade limitada (20) de linhas
disponíveis, assumindo a premissa de que 85% dos clientes bloqueados voltariam a tentar
entrar em contato pouco tempo depois (este tempo foi modelado através de uma distribuição
exponencial com média de 1 minuto). Ele está esquematizado na figura 70 a seguir.
Figura 70 – Diagrama de processos do modelo de simulação com
quantidade limitada (20) de linhas disponíveis, das 00:00 às 00:30, agosto de
2006, produto 102 (plus), 12 atendentes
85% das chamadas
bloqueadas retornam à
central após um intervalo
(distribuição exponencial
com média = 1 minuto)
As chamadas abandonam
a fila após uma tolerãncia
de espera (distribuição
exponencial com média =
2,5 minutos)
As chamadas que conseguem
entrar na "fila" (com 20 vagas
disponíveis) aguardam para
serem atendidas de acordo com
a disciplina FIFO
As chamadas que não
conseguem entrar na "fila"
são bloqueadas
80% das chamadas abandonadas retornam à central após um
intervalo de 1 a 9 minutos (distribuição uniforme)
12 agentes atendem as
chamadas que estão
aguardando na fila, com o
tempo de atendimento
seguindo uma distribuição
Erlang com média = 29
segundos e DP = 14,5
segundos
586 chamadas plus
chegam à central do
número 102, entre 00:00 e
00:30, de acordo com o
processo de Poisson
(distribuição exponencial
com média = 3 segundos)
Fonte: Diagrama elaborado pelo pesquisador
Este cenário mais completo (possibilitando diferentes status para as chamadas: atendidas,
atendidas dentro do limite, aguardando, bloqueadas e abandonadas) foi escolhido para ilustrar
a apresentação dinâmica dos indicadores de desempenho que o software de simulação é capaz
de oferecer, conforme pode ser observado na figura 71 a seguir.
220
Figura 71 – Indicadores dinâmicos do modelo de simulação com quantidade
limitada (20) de linhas disponíveis, das 00:00 às 00:30, agosto de 2006,
produto 102 (plus), 12 atendentes
Fonte: Tela capturada durante a simulação do modelo pelo software Arena Contact Center
Como pode ser visto, diversos indicadores podem ser acompanhados – à medida que vão
variando dinamicamente enquanto a simulação vai sendo executada – para este cenário: a
quantidade de clientes atendidos, atendidos em até 10 segundos, o conseqüente nível de
serviço (seu valor no momento, na forma numérica e gráfica – a barra de nível, além do seu
comportamento ao longo da replicação), o número de clientes esperando na fila (na forma
numérica e gráfica), de clientes bloqueados e que abandonaram a fila, os tempos médios de
espera e de atendimento (na forma numérica e gráfica), e a quantidade de agentes ocupados
(seu valor no momento, na forma numérica e gráfica, além de um histograma registrando seu
comportamento ao longo da replicação).
221
No final das replicações, os relatórios sumarizam os resultados consolidados, estando os
primeiros apresentados na figura 72 a seguir.
Figura 72 – Chamadas geradas e atendidas, das 00:00 às 00:30, agosto de
2006, produto 102 (plus), 12 atendentes, cenário com quantidade limitada
(20) de linhas disponíveis, 100 replicações
Fonte: Relatório desenvolvido pelo software Arena Contact Center
Em média, 598 chamadas foram geradas em cada replicação; dessas, 580 – em média – foram
efetivamente atendidas pelos agentes em cada replicação. Dentre o total de chamadas geradas,
as quantidades que foram bloqueadas e abandonadas podem ser visualizadas na figura 73 a
seguir.
222
Figura 73 – Chamadas bloqueadas, abandonadas e retornadas, das 00:00 às
00:30, agosto de 2006, produto 102 (plus), 12 atendentes, cenário com
quantidade limitada (20) de linhas disponíveis, 100 replicações
Fonte: Relatório desenvolvido pelo software Arena Contact Center
2,8 (0,46%) ligações foram bloqueadas (blocked) antes de entrar no sistema, dentre as quais
2,3 tentaram retornar posteriormente (contact back blocked), em média; ou seja, houve um
retorno de 81,29% das ligações bloqueadas, percentual próximo do valor estabelecido na
premissa (85%).
As ligações abandonadas perfizeram 14,03, em média, o que representa 2,35% do total das
ligações geradas, cifra muito parecida com a taxa de abandono original (2,44%), o que revela
um impacto insignificante da limitação de linhas neste indicador de performance.
Para o cálculo do outro indicador de performance (nível de serviço), é necessário resgatar
uma informação a partir da figura 74 a seguir.
223
Figura 74 – Chamadas completadas e atendidas em até 10 segundos, das
00:00 às 00:30, agosto de 2006, produto 102 (plus), 12 atendentes, cenário
com quantidade limitada (20) de linhas disponíveis, 100 replicações
Fonte: Relatório desenvolvido pelo software Arena Contact Center
Em média, 546 chamadas foram atendidas em até 10 segundos, ocasionando um nível de
serviço de 94,05%. Esse valor – assim como aconteceu com a taxa de abandono – é também
próximo dos 93,31% originais.
Fica a impressão de que a limitação na quantidade de linhas não gera impactos significativos
nos indicadores de performance. No entanto, um novo número comprometedor da qualidade
de serviço (taxa de ligações bloqueadas; no exemplo, 0,46%) apareceu e deve ser levada em
conta, ou na forma de um novo medidor de performance ou sendo incorporado (somado) à
taxa de abandono (embora o elemento causador da deterioração da qualidade do serviço nesse
caso seja diferente do que o que ocorre quando do abandono das chamadas, funcionando
como uma espécie de “abandono instantâneo e compulsório”).
224
Na figura 74 anterior, foi possível observar uma grandeza que adquiriu relevância com a
restrição na quantidade de linhas: a quantidade de chamadas completadas (ou que
conseguiram entrar no sistema). No exemplo anterior, 595 chamadas, em média, atingiram
esse status (offered). A diferença entre esse valor e a quantidade média de chamadas geradas
consiste justamente no número médio de ligações que não conseguiram entrar no sistema – as
bloqueadas.
A introdução da limitação na quantidade de linhas disponíveis pode criar interesse para o
acompanhamento do nível de utilização do tronco de linhas. A figura 75 a seguir apresenta os
subsídios para tal.
Figura 75 – Disponibilidade, ocupação e utilização de linhas, das 00:00 às
00:30, agosto de 2006, produto 102 (plus), 12 atendentes, cenário com
quantidade limitada (20) de linhas disponíveis, 100 replicações
Fonte: Relatório desenvolvido pelo software Arena Contact Center
225
Como pode ser observado, 19,78 das 20 linhas ficaram disponíveis (trunk available), em
média, ao longo do período, ficando, por conseguinte, apenas 0,22 linhas ocupadas (trunk
busy) durante o mesmo, em média. O valor baixo (1,11%) da conseqüente taxa de utilização
(trunk utilization) média revela uma grande ociosidade do tronco, como um todo, fenômeno
bastante comum, no entanto, nas centrais de atendimento mais modernas.
Além do impacto da modificação de certos parâmetros do modelo no desempenho do sistema
em determinado horário, pode ser interessante – já que uma melhor acurácia no cálculo do
nível de serviço foi obtida pela simulação – querer indagar se o mesmo ocorreria em horários
com saldos de agentes dimensionados substancialmente diferentes; ou seja, em momentos
com grande déficit ou com grande superávit de oferta de capacidade em relação à demanda.
Para o dimensionamento dos atendentes no intervalo entre 05:30 e 06:00 do mesmo mês, foi
considerado que chegariam à central 253 chamadas, com um TMA de 31 segundos, conforme
pode ser visto na tabela 10 anterior.
De acordo com as fórmulas analíticas implementadas na mesma tabela, seria necessário
designar 7 atendentes (já considerando o absenteísmo) para este período, com o intuito de
alcançar a meta de nível de serviço para os clientes plus.
Foram dimensionados 11 agentes (saldo positivo de 4) para este horário e as fórmulas Erlang
previram 99,78% de nível de serviço para este horário, já considerando o absenteísmo, que
também não influiu neste caso, já que 11 * (1 – 4%) = 11 agentes, aproximadamente.
Com o objetivo de questionar esse nível de serviço estimado, foi construído um modelo com
as mesmas premissas de demanda (volume e TMA) e com a mesma capacidade efetiva
dimensionada (11 atendentes), desta vez para este segundo horário.
A chegada das ligações e o tempo de atendimento foram modelados de acordo com estas
premissas médias e seguindo as distribuições exponencial e Erlang (k = 4), respectivamente; e
o abandono foi tratado de forma idêntica à anterior.
A simulação da operação durante este intervalo foi replicada 100 vezes e o output pode ser
visualizado na figura 76 a seguir.
226
Figura 76 – Chamadas geradas, atendidas e atendidas em até 10 segundos,
das 05:30 às 06:00, agosto de 2006, produto 102 (plus), 11 atendentes, 100
replicações
Fonte: Relatório desenvolvido pelo software Arena Contact Center
Em média, 253,31 chamadas foram geradas (created), 253,27 atendidas (handled) e 253,22
em até 10 segundos (in target) em cada replicação. Quase não houve abandono, o que não é
surpreendente em vista do super-dimensionamento empreendido para este cenário. O nível de
serviço resultante foi 99,98%, um valor altíssimo (inclusive quando comparado com a meta
de 85%), e bem parecido com os 99,78% previstos pelas fórmulas Erlang para este cenário.
A base de dados da Contax revela que, no dia 15 de agosto de 2006, 11 agentes estiveram
atendendo durante o período das 05:30 às 06:00, quando 249 chamadas foram atendidas, com
TMA de 31,5 segundos. Estes números estão muito próximos das premissas de demanda
usadas nos modelos analítico e de simulação.
227
Dentro de tal período, foram atendidas 248 chamadas em até 10 segundos (do total de 249),
implicando em um nível de serviço real de 99,60%. Desta vez, os valores previstos por ambas
as abordagens (analítica e experimental) ficaram muito parecidos com o valor real, até porque
não havia muito espaço para grandes variações, visto que este cenário envolve um patamar de
nível de serviço já muito próximo de 100%.
A conclusão aponta para a inexistência de ganho de acurácia na previsão do nível de serviço –
em cenários com patamares muito altos para essa grandeza – promovido pelo uso da
abordagem experimental. Resta saber o comportamento desta acurácia em situações com
níveis de serviço muito baixos (déficit de agentes dimensionados em relação à necessidade).
Para o dimensionamento dos operadores (também para agosto de 2006) no período entre
02:00 e 02:30, foi usada a premissa de que chegariam à central 196 chamadas, com um TMA
de 28 segundos, como pode ser visto na tabela 10 anterior.
De acordo com a mesma, seria necessário (segundo as fórmulas analíticas) alocar 5 agentes
(já considerando o absenteísmo) para este horário, de forma a atingir 85% de nível de serviço.
Foram dimensionados 4 atendentes para este período e as fórmulas analíticas previram
44,05% de nível de serviço para este horário, já levando em conta o absenteísmo, que acabou
não influindo neste caso: 4 * (1 – 4%) = 4 atendentes, aproximadamente.
O déficit absoluto de agentes (-1), nesse caso, foi o mesmo do ocorrido no horário entre 00:00
e 00:30; mas, proporcionalmente, ter 1 atendente a menos quando eram necessários 5 é muito
mais impactante do que ter 1 a menos quando eram necessários 13. O baixo nível de serviço
estimado para este segundo caso (44,05%) ratifica essa afirmação.
Novamente foi construído um modelo, desta vez para simular o comportamento do sistema
neste terceiro horário, com as mesmas premissas de demanda (volume e TMA) e com a
mesma capacidade efetiva dimensionada (4 agentes).
A chegada das ligações e o tempo de atendimento foram modelados de acordo com estas
premissas médias e seguindo as distribuições exponencial e Erlang (k = 4), respectivamente; e
o comportamento de abandono modelado da mesma forma que anteriormente.
A simulação destes 30 minutos de operação do call center foi replicada 100 vezes e o
resultado pode ser observado na figura 77 a seguir.
228
Figura 77 – Chamadas geradas, atendidas e atendidas em até 10 segundos,
das 02:00 às 02:30, agosto de 2006, produto 102 (plus), 4 atendentes, 100
replicações
Fonte: Relatório desenvolvido pelo software Arena Contact Center
Em média, 209 chamadas foram geradas (created) em cada replicação; destas, 193 – em
média – foram de fato atendidas (handled) pelos operadores em cada replicação, das quais
144 em até 10 segundos (in target). O nível de serviço obtido foi 74,44%, um valor mais
baixo que a meta de 85%, mas muito acima dos 44,05% previstos pelas fórmulas analíticas
que, de fato, parece ter subestimado esta grandeza.
Segundo a base de dados da Contax, no dia 29 de agosto de 2006, 4 operadores atenderam
192 ligações, entre 02:00 e 02:30, com TMA de 27,6 segundos.
Estes números são bem próximos das premissas de demanda utilizadas no dimensionamento
através de fórmulas Erlang e neste modelo de simulação. Nesse intervalo, 136 ligações foram
atendidas em até 10 segundos (dentre as 192), gerando um nível de serviço real de 70,83%.
229
Assim como quando aconteceu no cenário original (horário das 00:00 às 00:30), este valor
ficou mais próximo (desta vez ainda mais) do nível de serviço calculado pela simulação. Isso
tudo revela um ganho ainda maior de acurácia na previsão do nível de serviço, em cenários
com baixos patamares para essa grandeza.
O comportamento do ganho de acurácia – empreendido pelo uso da abordagem de simulação
– em função do patamar onde se encontra o nível de serviço (que foi investigado ao longo
desta seção) pode ser resumido na tabela 41 a seguir.
Tabela 41 – NS real e estimado por fórmulas Erlang e simulação, erros de
estimação e ganho de acurácia em diferentes patamares de nível de serviço
Horário
02:00 às 02:30 00:00 às 00:30 05:30 às 06:00
1 a menos em 5 1 a menos em 13 4 a mais em 7
-20% -8% +57%
Nível de serviço
real
70,83% 92,74% 99,60%
Fórmula
Erlang
44,05% 88,04% 99,78%
Erro 26,78% 4,70% 0,18%
Simulação 74,44% 93,31% 99,98%
Erro 3,61% 0,57% 0,38%
4,13% -0,20%
Saldo/déficit de
agentes
Diferença entre
os erros
(g
anho
de acurácia)
23,17%
Fonte: Tabela elaborado pelo pesquisador
Este último horário simulado apresenta o nível de serviço em um patamar relativamente
baixo, possibilitando uma análise de sensibilidade mais completa do impacto de uma oferta
maior de atendentes, conforme mencionado anteriormente nesta seção.
A mesma simulação foi repetida algumas vezes no software, sempre para este horário e com
os mesmos parâmetros, mas aumentando a quantidade de atendentes. Os resultados mais
importantes foram coletados, a partir dos quais os principais indicadores de desempenho
(nível de serviço – percentual de ligações atendidas em até 10 segundos – e taxa de abandono)
puderam ser obtidos, estando apresentados na tabela 42 a seguir.
230
Tabela 42 – Nível de serviço e taxa de abandono para diferentes
quantidades de atendentes, horário das 02:00 às 02:30, agosto de 2006,
produto 102 (plus), 100 replicações
geradas atendidas em até 10 seg abandonadas
4209 193 144 15,35 74,44% 7,33%
5201 195 180 5,47 92,10% 2,73%
6195 194 190 0,95 98,17% 0,49%
7196 195 194 0,62 99,47% 0,32%
Atendentes
Ligações
Nível de
serviço
Taxa de
abandono
Fonte: Tabela elaborada pelo pesquisador a partir de resultados obtidos pelo software Arena Contact Center
Como pode ser observado, a alocação de um quinto atendente melhora sensivelmente os
indicadores de desempenho, deixando-os com valores bem aceitáveis (principalmente o nível
de serviço). A inclusão do sexto agente pode ser considerada interessante, pois encerra uma
melhora significativa para a taxa de abandono, mas nem tanto para o nível de serviço, que já
era mais do que suficiente. O sétimo atendente parece ser totalmente dispensável, já que as
melhorias proporcionadas por ele seriam apenas marginais.
A decisão mais refinada de quantos agentes efetivamente alocar para este horário passaria
pela consideração dos potenciais custos envolvidos na inclusão de 1 ou mais atendentes no
plano de horários. Dessa forma, a Contax poderia questionar se estaria disposta a gastar
mensalmente um determinado montante adicional com mão-de-obra (passando de 4 para 5
agentes) para poder melhorar o nível de serviço e a taxa de abandono no horário em questão
de 74% para 92% e de 7,33% para 2,73%, respectivamente.
Em caso afirmativo, o mesmo questionamento poderia ser feito para que pudesse ser
verificada a viabilidade da inclusão do sexto e do sétimo agentes, só que cada vez com
melhorias menores nos indicadores de desempenho.
Essa análise ratifica a grandeza do impacto da modificação da quantidade de atendentes no
desempenho do sistema e a conseqüente importância de um correto dimensionamento da
capacidade de atendimento, ambas verificadas anteriormente nesta seção.
231
7. Conclusões
A indústria de call centers tem crescido demasiadamente nas últimas décadas no mundo e de
forma bem intensa no Brasil, durante os últimos anos. O mercado doméstico já vem
movimentando cifras financeiras bem acentuadas, assim como em outros países. Boa parte
dos custos envolvidos na administração das centrais de atendimento é oriunda dos recursos
humanos. Por isso, é vital – do ponto de vista da competitividade do negócio – gerenciá-los
eficientemente.
Paralelo a esse crescimento, o mercado em questão vem experimentando um aumento muito
grande na complexidade das suas operações, dificultando a sua administração através de
posturas amadoras e exigindo, portanto, tomadores de decisão e ferramentas cada vez mais
profissionais.
Mas, principalmente no Brasil, muito pouco material acadêmico foi produzido a respeito de
técnicas e ferramentas capazes de apoiar a tomada de decisão gerencial, no tocante à
administração dos recursos, no contexto dos call centers. Torna-se clara, então, a necessidade
de descobrir – entre outras inúmeras facetas deste problema, a serem atacadas por outros
pesquisadores – quais são as melhores metodologias para abordar e resolver alguns dos
principais desafios e problemas quantitativos relacionados à administração de call centers.
Antes, naturalmente, foi preciso levantar quais são estes desafios, quando as questões de
previsão de demanda e de dimensionamento da capacidade de atendimento apareceram como
as principais respostas.
Em relação ao problema de previsão da demanda de ligações, foi necessário pesquisar
algumas metodologias que costumam ser utilizadas, assim como investigar a sua adequação
às características da indústria e propor soluções melhores para lidar com este desafio.
Já no que diz respeito ao problema de dimensionamento da capacidade de atendimento,
formou-se uma dicotomia, opondo métodos analíticos (como a teoria de filas) a métodos
experimentais (como a simulação).
E já que a simulação, geralmente, é uma ferramenta mais cara e de implementação mais difícil
e custosa, foi preciso investigar – no cenário de call centers – quais são os trade-offs
232
envolvidos na decisão de qual metodologia usar e como tal abordagem pode ajudar os
gerentes das centrais no tratamento deste desafio operacional.
Desta forma, este trabalho procurou, inicialmente, introduzir o tema, contextualizar o
problema, apresentar as principais questões envolvidas e as características do estudo. Em
seguida, o setor e a empresa estudados foram caracterizados e foi feita uma revisão de
literatura acerca dos principais temas abordados. O trabalho prosseguiu apresentando seus
aspectos metodológicos, incluindo a descrição de como os dados foram coletados e tratados,
de forma a atingir os objetivos propostos.
Na seqüência, esta pesquisa objetivou descrever o caso desenvolvido para dar resposta às
questões propostas, apresentando o setor da empresa envolvido, além de seus principais
desafios operacionais, que foram explorados na última parte deste texto, quando foram
apresentadas soluções concretas para os mesmos através de “novas” (do ponto de vista da
empresa) metodologias, que foram desenvolvidas e ajustadas para atacar os problemas em
questão.
A seguir, as respostas às questões propostas são apresentadas, também separadas em grupos,
conforme foi feito na seção 1.1.2.
7.1. Respostas às questões propostas
7.1.1. Previsão
a) Que metodologia(s) é(são) aplicada(s)?
Foi possível constatar, no decorrer do trabalho, que o problema de previsão de demanda
costuma ser tratado pela Contax, de uma forma geral, através da ferramenta de previsão que o
pacote computacional utilizado na empresa (TotalView) fornece – uma espécie de
amortecimento exponencial com a inclusão da sazonalidade intra-semanal – além de alguns
ajustes subjetivos promovidos pela equipe de planejamento.
b) Essa(s) é(são) a melhor forma de prever tais grandezas?
O problema é que esta ferramenta de previsão não leva em conta algumas informações
facilmente acessíveis e que poderiam subsidiar melhor as predições. Assim, estas informações
233
não são incluídas de forma sistemática no processo de previsão, ficando essa inclusão um
pouco por conta da subjetividade (carregada de uma eventual arbitrariedade) dos analistas.
Definitivamente, ao menos no caso do produto 103 (serviços de telefonia fixa e problemas
com a conta telefônica), não incluir de forma sistemática informações referentes à ocorrência
de feriados e às datas de vencimento e chegada das contas na residência dos clientes consiste
em desperdício de informação muito útil e de fácil acesso.
c) Se não for(em), qual é?
Foi desenvolvido um modelo de regressão múltipla (com variáveis dummy) para prever o
volume diário de ligações, assim como o seu tempo médio de atendimento (TMA), levando
em consideração – de forma sistemática – as informações acima citadas, além da sazonalidade
intra-semanal (já levada em conta pelo TotalView).
As previsões elaboradas pelo modelo de regressão foram comparadas aos dados reais de
demanda e revelaram uma acurácia um tanto superior à obtida pela ferramenta de previsão do
TotalView.
7.1.2. Dimensionamento
d) Qual metodologia é aplicada para a resolução desse problema?
Em relação a este problema, a Contax utiliza uma metodologia analítica (fórmulas Erlang)
para calcular o nível de serviço e monitorar indiretamente o abandono de ligações (principais
indicadores de performance da operação) em cada cenário de dimensionamento de efetivo
proposto pela equipe de planejamento.
e) A simulação é utilizada?
A simulação é praticamente desconhecida – enquanto ferramenta de apoio ao
dimensionamento – para os analistas e, até por isso, não é utilizada para este fim.
f) Se não for, por que não é?
Além do pequeno conhecimento por parte dos analistas de dimensionamento acerca da
abordagem, as aparentes complexidade e grande exigência de inputs da metodologia também
constituem obstáculos para a sua utilização, na opinião da equipe de planejamento.
234
g) Quais são os trade-offs envolvidos na decisão de qual metodologia usar (simulação versus
outras)?
Foi possível constatar, ao longo dessa pesquisa e através do uso de modelos de simulação
para lidar com o problema de dimensionamento da capacidade de atendimento do call center,
diversas vantagens da abordagem experimental em comparação às analíticas, especialmente
em operações mais complexas:
• é possível incluir mais detalhes da operação (conforme será especificado na resposta à
questão “i”), utilizar distribuições estatísticas mais condizentes com os dados de
entrada e deixar o modelo mais próximo da realidade, garantindo a obtenção de
resultados mais acurados;
• o nível de serviço calculado pelas fórmulas Erlang normalmente é subestimado,
principalmente pelo fato destas ignorarem o abandono de chamadas e utilizarem o
formato exponencial para a distribuição do tempo de atendimento;
• outros indicadores de desempenho (não disponíveis nas abordagens analíticas, como a
taxa de abandono e o percentual de clientes bloqueados) podem ser avaliados,
apresentados e estudados;
• valores mínimo e máximo de cada indicador importante podem ser obtidos, não
ficando o analista restrito à media dos valores, como no caso da teoria de filas;
• um entendimento melhor da operação é atingido com a adoção da abordagem
experimental, onde existe a possibilidade de acompanhar dinamicamente o
comportamento do sistema e dos seus indicadores de performance e, dessa forma,
entender por que as filas estão se formando e o motivo dos tempos de espera estarem
altos, por exemplo, ao passo que, através da metodologia Erlang, é possível enxergar
apenas os outputs gerados (indicadores numéricos) em função dos inputs fornecidos,
dificultando o entendimento completo da operação;
• a comunicação pode tornar-se mais fácil, através de animações gráficas.
235
No entanto, uma eventual implementação desta metodologia experimental demanda, sem
dúvida, um intenso esforço, alem de acarretar custos elevados (de aquisição do software e de
treinamento) e uma necessidade de conhecimento técnico.
h) Como a simulação pode dar apoio às decisões referentes ao processo de dimensionamento
do call center?
Ao longo do estudo de caso realizado a respeito da operação de atendimento dos clientes do
produto 102 (auxílio à lista), diversos modelos de simulação foram construídos –
contemplando diferentes características reais dos call centers e para diferentes possíveis
cenários alternativos – para calcular indicadores de performance e sugerir soluções para o
dimensionamento da operação.
O cálculo de um indicador em especial – a taxa de abandono – pode ser extremamente útil, no
caso da Contax. Isso ocorre porque, conforme descrito na seção 5.2.2, os analistas de
dimensionamento baseiam muito suas decisões no déficit resultante de atendentes em cada
intervalo de meia-hora. Eles procuram manter essa grandeza em patamares baixos para evitar
que haja uma alta incidência de abandono.
No entanto, o ideal seria que eles pudessem avaliar – diretamente – a taxa de abandono
ocasionada por cada alternativa de escalonamento; mas como a abordagem analítica por eles
utilizada desconsidera o abandono, não permitindo a quantificação da sua ocorrência, só lhes
resta a sua avaliação indireta através mesmo do déficit de agentes, estando essa sujeita,
obviamente, a altas doses de subjetividade e intuição. A simulação acaba com esse problema,
já que a sua utilização permite a estimação direta e acurada da taxa de abandono para cada
sugestão de escalonamento, balizando as conclusões e tornando-as livres da dependência
exclusiva da intuição e da subjetividade.
De uma forma geral, ficou claro que a ferramenta em questão permite avaliar, com facilidade,
o impacto – nos indicadores de performance – de modificações nas características originais da
operação (como, por exemplo, uma redução ou um aumento de oferta de capacidade de
atendimento ou uma redefinição do conceito interno de nível de serviço) e realizar análises de
sensibilidade completas acerca de alguns parâmetros operacionais.
Especificamente, as análises de cenários e de sensibilidade desenvolvidas durante o estudo de
caso permitiram visualizar como a simulação pode dar apoio às decisões referentes ao
236
processo de dimensionamento da central, uma vez que os resultados revelaram que, entre
outras:
• pode ser possível diminuir o efetivo de atendentes em alguns horários do dia, sem
comprometer a meta de nível de serviço, já que o cálculo desta grandeza empreendido
pelas fórmulas Erlang normalmente a subestima;
• mas reduções deste efetivo para valores abaixo do mínimo indispensável (evidenciado
para um horário específico na análise de sensibilidade conduzida) podem trazer
conseqüências catastróficas para a operação do sistema, especialmente em termos da
taxa de abandono;
• por outro lado, a utilização de um efetivo de atendimento maior pode melhorar
sensivelmente a performance do sistema (principalmente em termos de nível de
serviço), mas apenas até um certo limite (também evidenciado para um horário
específico na análise de sensibilidade conduzida), acima do qual alocações adicionais
de operadores seriam capaz de proporcionar apenas melhorias marginais na qualidade
do atendimento;
• variações não muito grandes no volume de ligações recebidas podem impactar
bastante os indicadores de desempenho, especialmente a taxa de abandono, apontando
para a necessidade de se prever tal grandeza com bastante acurácia;
• esses impactos são ainda maiores no caso de variações no tempo médio de
atendimento, tornando a previsão desta variável ainda mais crítica e – já que o
comportamento desta grandeza não pode ser considerado totalmente alheio à vontade
da gerência – indicando que pode ser interessante para a empresa investir – até um
certo limite – em treinamento e conscientização para a redução desse tempo;
• a variabilidade do tempo de atendimento também é capaz de impactar de forma
significativa os indicadores de desempenho, especialmente o nível de serviço,
mostrando que é importante tentar mensurar também o desvio-padrão daquela
grandeza (e não apenas a sua média) e mantê-la homogênea (estável) através de
treinamento e conscientização;
237
• é possível melhorar consideravelmente a performance de atendimento para os clientes
preferenciais, sem comprometer demasiadamente a qualidade do serviço para os
clientes comuns, se for adotado um formato agregado – com prioridades – de
atendimento;
• na hipótese dos clientes se tornarem mais impacientes e abandonarem as ligações mais
rapidamente, o impacto no nível de serviço seria pequeno, mas bem significativo no
caso da taxa de abandono – revelando que a importância de determinadas mudanças
de cenário pode depender dos indicadores de desempenho utilizados e tidos como
importantes pela empresa;
• na hipótese da central dispor de uma quantidade limitada (e pequena) de linhas
disponíveis no tronco, o impacto nos indicadores de performance tradicionais (nível
de serviço e taxa de abandono) seriam pequenos, mas seria necessária a criação de um
outro indicador (percentual de clientes bloqueados) capaz de capturar essa
deterioração no nível de atendimento da demanda.
i) Que aspectos operacionais do call center não podem ser bem tratados por outras
metodologias, sendo determinantes para justificar o uso da simulação?
O call center revelou-se uma operação bastante complexa, ficando claro que alguns de seus
aspectos e características não podem ser adequadamente explorados por abordagens analíticas
(justificando o uso de uma ferramenta experimental elaborada – como a simulação – para
lidar com o problema de dimensionamento das centrais):
• comportamento de abandono por parte dos clientes;
• disponibilidade limitada de linhas telefônicas no tronco;
• variedade de clientes, com diferentes comportamentos e prioridades de atendimento;
• agentes com diferentes níveis de habilidade e preferências nas atividades de
atendimento;
• diferentes disciplinas de fila;
• desvios e transferência de chamadas;
238
• conferências envolvendo o cliente e múltiplos atendentes.
j) A simulação fornece resultados mais acurados em algumas situações do cotidiano
operacional do call center? Em quais situações?
A maior acurácia dos resultados é obtida nas centrais mais complexas operacionalmente,
especialmente em situações envolvendo grandes incertezas quanto à demanda e aos tempos de
atendimento.
O estudo em questão permitiu concluir que o ganho de acurácia para o nível de serviço
promovido pela simulação é maior nos horários onde essa grandeza se encontra em patamares
mais baixos, conforme a tabela 41 anterior.
k) Quais softwares estão disponíveis para o uso da simulação aplicada a call centers?
A pesquisa revelou uma série de softwares disponíveis para a aplicação da simulação em call
centers: Arena Contact Center; callLAB; SimACD; Service Model; Simul8; ccProphet;
Contact Centers; Excel Plataform for Simulating Call Centers; IVR Simulator Model.
l) Quais são as suas características?
Os quadros comparativos apresentados nas tabelas 2 e 3 anteriores procuraram sumarizar e
comparar as características gerais de cada software e os atributos das operações de call
centers que cada um é capaz de contemplar.
O primeiro quadro revelou, entre outras coisas, que a maioria das opções empreende a
terminologia própria de call centers e permite a observação dinâmica dos indicadores de
performance, mas quase nenhuma possui alguma ferramenta para fazer um tratamento
estatístico preliminar dos dados de entrada.
O segundo quadro mostrou que quase todos os softwares contemplam o comportamento de
abandono por parte do cliente. A maioria também permite a escolha da distribuição dos
tempos de atendimento e entre chegadas. Poucos softwares, no entanto, são capazes de
considerar algumas características das centrais, como: a “re-tentativa” de ligação por parte do
cliente, tele-conferência e transferência de chamadas.
239
Entre as opções, o Arena Contact Center revelou-se como o mais completo dos softwares, não
apresentando, no entanto, algumas características gerais importantes, como simplicidade e
flexibilidade.
m) Quais deles são utilizados no call center estudado?
Já que, na Contax, a simulação não é utilizada como metodologia para lidar com o problema
de dimensionamento, nenhum destes softwares é utilizado na empresa.
7.2. Sumário das contribuições da pesquisa
A partir das respostas às questões propostas, é possível notar que as principais contribuições
desta pesquisa originaram-se do desenvolvimento e da aplicação de “novas” metodologias aos
problemas da empresa estudada, podendo ser destacadas, de forma bem sucinta, como:
• a consideração – de forma sistemática – das informações referentes às datas de
vencimento e chegada das contas na residência dos clientes no processo de previsão de
demanda de ligações para o produto 103;
• a revelação de que resultados a simulação é capaz de mostrar e de que respostas ela
pode fornecer para auxiliar no processo de dimensionamento da capacidade de
atendimento de um call center, destacando as suas vantagens em relação às
abordagens analíticas e enfatizando quais peculiaridades das operações da indústria
em questão são responsáveis por corroborar a sua adequação.
7.3. Sugestões e recomendações
Infelizmente, foi inviável – do ponto de vista operacional – explorar todos os assuntos
pertinentes. Esta pesquisa não teve a pretensão, então, de atacar mais do que apenas uma
amostra das questões que poderiam ter sido trabalhadas dentro do tema principal. A seguir,
estão relacionados alguns tópicos correlatos que ficaram de fora dessa amostra, consistindo
em potenciais objetos de estudo para futuras pesquisas.
240
7.3.1. Ferramentas de previsão de demanda
A consideração de regionalidades por parte dos clientes seria um aspecto interessante a ser
tratado em pesquisas futuras sobre previsão de demanda em call centers. Por exemplo, o
impacto na demanda causado pelo fato de uma data específica consistir do dia seguinte à
chegada da conta telefônica para 200.000 clientes do Rio de Janeiro pode ser diferente do
impacto proporcionado pelo fato da data consistir do dia seguinte à chegada da conta para
200.000 clientes da Bahia. Seria interessante a elaboração de um modelo capaz de levar em
conta uma eventual diferença entre o comportamento cultural dos cariocas e baianos em
relação à chegada da conta; e que não tratasse a demanda de forma consolidada
nacionalmente e nem considerasse os impactos de forma homogênea.
Outra sugestão acerca de uma ferramenta de previsão de demanda consiste na elaboração de
um modelo capaz de capturar, entender e prever os efeitos de uma possível sazonalidade ao
longo do ano.
Ainda a respeito de tal ferramenta, pesquisadores interessados poderiam tentar desenvolver
um modelo para fazer a previsão intradiária da demanda de ligações, já que a maioria dos call
centers utiliza os blocos de 30 minutos como unidade básica de análise (para previsão e
dimensionamento), tornando a predição em curto prazo da quantidade de chamadas muito
importante.
A atual pesquisa revelou um comportamento inesperado do tempo médio de atendimento
(TMA) em função da chegada das contas telefônicas à residência dos clientes: na verdade,
uma ausência de dependência, o que surpreende pelo fato da quantidade de ligações ter sido
identificada como dependente de tal fator. Como esta grandeza (o TMA) é fundamental para o
correto dimensionamento das equipes de atendentes nas centrais, faz-se necessária uma
pesquisa quantitativa exploratória para tentar explicar esse comportamento inusitado. O
entendimento de tais motivos poderiam acarretar uma melhoria na qualidade de futuras
ferramentas de previsão.
Um assunto semelhante pode, da mesma forma, instigar pesquisadores futuros: os motivos
que reduzem o tempo médio de atendimento nos feriados e finais de semana (em até 30
segundos, quando comparados aos dias úteis) não foram descobertos e merecem ser
investigados por meio de uma pesquisa mais profunda e qualitativa.
241
Uma última sugestão a respeito de ferramentas de previsão de demanda aponta para a
necessidade de extrapolar o uso dos modelos de regressão – como o aqui apresentado – para
prever a quantidade de chamadas e o tempo médio de atendimento de outros produtos da
própria Contax, como Velox, OI, 102 ou suporte técnico. Em relação a este último, por
exemplo, o modelo de regressão poderia usar como variáveis explicativas – assim como o
aqui apresentado utilizou o dia da semana, a ocorrência de feriados e a proximidade com dias
críticos em relação às contas telefônicas – fatores razoavelmente previsíveis e impactantes na
demanda de ligações acessando o serviço, como a ocorrência prevista de chuvas, entre outros.
7.3.2. Dimensionamento da capacidade de atendimento
Muito tem sido feito desde que se percebeu a complexidade inerente ao processo de
gerenciamento de call centers modernos. Naturalmente, há ainda muito espaço para serem
respondidas – mais e de forma mais acurada – questões relativas à otimização de centrais de
atendimento, através de mais discussões e novos estudos, e da melhoria em um aspecto
fundamental nos sistemas de modelagem: a proximidade com a realidade.
Uma sugestão para pesquisadores que queiram realizar trabalhos na área de simulação de call
centers consiste na simulação contínua da operação da central ao longo de, por exemplo, um
dia inteiro (mesmo que sejam necessárias diferentes quantidades de agentes em cada horário),
com vistas ao completo dimensionamento do efetivo de atendimento em tal horizonte de
tempo. A continuidade pode trazer mais acurácia e outros benefícios para os resultados, além
de facilitar o processo, já que não seria necessário simular a operação em diversos intervalos
pequenos de tempo.
A maioria dos softwares de simulação de call centers está capacitada a reproduzir a operação
por longos períodos, continuamente, bastando que seja utilizada a sua versão completa, que
permite o uso de uma quantidade grande de PAs.
Para modelar de forma mais acurada as situações a serem simuladas, seria interessante que
pesquisas futuras empreendessem um esforço para descobrir (baseadas no histórico de
ligações) a correta distribuição estatística e variabilidade do tempo entre chegadas de ligações
e do tempo de atendimento. Parte dos estudos de simulação assume a premissa básica que
estes tempos seguem uma distribuição exponencial e realizam pesquisas apenas a respeito da
média que estas variáveis apresentam em cada bloco unitário de tempo. Mas os resultados
242
obtidos podem ser sensíveis ao formato da distribuição e à variabilidade destes tempos, de
acordo com o que foi pesquisado durante a revisão bibliográfica.
Um outro objeto de pesquisa interessante seria o mapeamento – e a inclusão no modelo – do
comportamento pós-abandono dos clientes: a parcela percentual que tenta ligar novamente e o
formato da distribuição do tempo transcorrido até a próxima tentativa.
Esforço semelhante também pode ser válido no sentido de tentar entender o comportamento
de retorno da ligação após a chamada ser bloqueada (antes de entrar no sistema) por falta de
linhas disponíveis no tronco. A correta consideração desses comportamentos de retorno pode
gerar impactos nos resultados obtidos pelos modelos.
Adicionalmente, poderia também ser levado em consideração o fato de que, após abandonar a
ligação inicialmente, o cliente que volta a tentar contato pode estar mais impaciente e acabar
aguardando menos tempo desta vez, antes de abandonar novamente.
Ainda dentro dessa linha, uma pesquisa empírica poderia coletar informações a respeito do
impacto no tempo de atendimento ocorrido quando as chamadas não são atendidas pelo tipo
de operador habituado a atendê-las, em um sistema de atendimento consolidado para
chamadas de diferentes tipos. A consideração correta deste impacto tende a gerar resultados
mais acurados para os indicadores de performance em centrais com atendimento agregado de
ligações.
Estudos futuros de simulação em call centers poderiam considerar o processo de transferência
da chamada durante o atendimento a um cliente, até que este seja servido pelo funcionário
correto. Normalmente, este processo piora a satisfação do cliente, tornando ideal a
segmentação a priori na URA.
Não costuma ser interessante deixar o atendente ou mesmo o cliente tomar a decisão de para
que local a chamada deve ser direcionada; o direcionamento automático costuma ser a melhor
solução. Como boa parte dos softwares de simulação contempla a possibilidade de
transferência nos seus roteiros, este processo poderia ser explorado em modelos
computacionais.
243
Da mesma forma, trabalhos futuros de simulação na indústria de call centers poderiam
explorar outras peculiaridades deste tipo de operação, que não costumam ser bem abordadas
através das metodologias analíticas, como, entre outras:
• conferências entre o cliente e mais de um atendente ao mesmo tempo;
• desvios condicionais de chamadas para atendimentos especializados;
• outras disciplinas de fila, diferentes da tradicional FIFO.
Já que a maioria dos softwares de simulação contempla tais atributos operacionais, não seria
complicado – para um pesquisador interessado nestas sugestões e disposto a se aprofundar
nos detalhes funcionais da ferramenta por ele utilizada – modelar estas peculiaridades e
alcançar conclusões interessantes para a indústria em questão.
Uma pesquisa futura poderia tentar descobrir qual é – para fins de dimensionamento – o ponto
de equilíbrio em termos de complexidade em operações de call center – ou, em outras
palavras, quão complexa uma operação tem que ser para passar a justificar o uso de uma
abordagem relativamente cara e com grande exigência de conhecimento técnico. Isto porque
talvez nem todos os tipos de operação em call centers sejam suficientemente complexos para
justificar o uso da simulação no processo de dimensionamento da capacidade de atendimento.
Nesse caso, seria interessante tentar identificar que características operacionais são
determinantes para tornar a modelagem suficientemente complexa a ponto de justificar o uso
da simulação. E também verificar a adequabilidade de diferentes metodologias (analíticas
versus experimentais) a operações com diferentes níveis de complexidade.
Para buscar essas respostas, algumas operações de call centers teriam que ser divididas em
diferentes níveis de complexidade (definidos junto com os responsáveis operacionais) e
modeladas em um ambiente de simulação. Soluções ótimas para o dimensionamento seriam
sugeridas pela simulação e também por metodologias alternativas (analíticas).
As soluções sugeridas pelas diferentes metodologias seriam efetivamente implementadas no
sistema real por um curto período de tempo e os resultados em termos de desempenho do
sistema seriam usados como base de comparação. Estes resultados consistiriam na base para a
determinação dos benefícios de cada metodologia.
244
Os custos de cada alternativa seriam compostos não apenas pelos custos financeiros, mas
também por outros custos de implementação (tempo, mudança, treinamento etc). Dessa
forma, poderia ser montado um quadro comparativo de custo-benefício entre as ferramentas,
revelando a sua adequabilidade aos diferentes níveis de complexidade da operação.
Com a adequabilidade avaliada para cada nível de complexidade, seria possível verificar a
partir de qual nível de complexidade (ponto de equilíbrio) o uso da abordagem experimental
já seria justificável. Finalmente, seriam procuradas – entre as operações avaliadas como
adequadas ao uso da simulação – características comuns para que pudesse ser feito um
mapeamento a respeito de quais características das operações de call centers são responsáveis
pela complexidade que justifica o uso da abordagem.
7.3.3. Operador multi-produto
Um outro ponto que revela um grande potencial de melhoria operacional a ser estudado em
pesquisas futuras diz respeito ao operador multi-produto. O gerente de Planejamento de
Tráfego da Contax tem a impressão que é economicamente vantajoso utilizar um mesmo
operador para atender duas ou mais operações diferentes ao mesmo tempo, de modo a tentar
reduzir a sua ociosidade. Isso poderia acontecer no caso de operações relativamente similares
em que o mesmo operador pudesse trabalhar e que apresentassem comportamentos
complementares de demanda ao longo do dia (ou da semana ou do mês).
O trabalho de Cauduro et al (2002) apresenta o processo de aprendizagem organizacional no
setor de call center de uma empresa multinacional de telecomunicações durante a mudança de
cultura organizacional ocasionada por um processo de fusão e aquisição. Para acompanhar a
dinâmica e as peculiaridades específicas do setor, a empresa adotou em seu call center o
modelo de atendente universal, no qual os funcionários estão habilitados a atender todos os
clientes independentemente dos tipos de serviços (pré-pago, pós-pago, cobrança, habilitação).
Essa mudança foi desencadeada pela necessidade de melhorar a competitividade da empresa
diante do mercado, visto que seus índices em volume de atendimento apresentavam-se aquém
dos padrões mundiais, gerando um serviço insatisfatório para o cliente no que tange a tempo
de espera e custos para a empresa.
O trabalho dos autores fala justamente de uma espécie de operador multi-produto (batizado
por eles de “atendente universal”) e inclui as motivações para a sua implantação. Mas a sua
245
análise aconteceu sob o ponto de vista de comportamento organizacional e de recursos
humanos.
Para abordar essa questão do ponto de vista operacional – se o uso de um operador para
diferentes operações é vantajoso em termos de custo-benefício, em vista da redução da sua
ociosidade – é necessário o uso da simulação, pois a situação é complexa demais para ser
resolvida através de algum método analítico. Inicialmente, é recomendável identificar –
dentro de uma empresa fornecedora de serviços de call center terceirizados – operações
relativamente similares em que o mesmo operador pudesse trabalhar, para então modelá-las e
simulá-las.
Durante a modelagem, é necessário levar em conta uma eventual redução na eficiência do
operador oriunda da “desespecialização”. Os impactos esperados no desempenho do sistema
causados pela redução da ociosidade do operador precisam ser coletados. Conseqüências
negativas intangíveis desse processo (insatisfação do cliente final por causa de um operador
menos eficiente, insatisfação da empresa-cliente por não ter mais um operador exclusivo,
dificuldades no treinamento de um mesmo operador em duas ou mais operações tão distintas
em termos de complexidade que podem necessitar de treinamento por períodos que variam de
1 semana a 1 mês, entre outras) também têm que ser incluídas – juntamente com o impacto no
desempenho do sistema – em um quadro de vantagens e desvantagens da situação testada,
para ajudar na resposta acerca da viabilidade do formato.
O caráter claramente intangível e de difícil mensuração destas conseqüências negativas, no
entanto, pode conferir um certo grau de arbitrariedade à análise custo-benefício e limitar –
portanto – um pouco a qualidade dos resultados a serem obtidos.
246
8. Referências bibliográficas
ALAM, M. Using Call Centers to Deliver Public Services. House of Commons Paper.
London: The Stationery Office Books, 2002
ALEXANDER COMMUNICATIONS GROUP INC. Call Center Scheduling Is Critical for
Your Success: Here's What You Need to Know to Make It Easier. Customer Service
Newsletter, Dec 21, 2005
ALVES, M. Como Escrever Teses e Monografias. Rio de Janeiro: Campus, 2003
ANDREWS, B., CUNNINGHAM, S. LL Bean improves call-center forecasting. Interfaces
25, p. 1-13, 1995
ARAÚJO, M., ARAÚJO, F., ADISSI, P. Modelo para segmentação da demanda de um
call center em múltiplas prioridades: estudo da implantação em um call center de
telecomunicações. Revista Produção On Line, volume 4(3), Agosto 2004
ATLASON, J., EPELMAN, M., HENDERSON, S. Call Center Staffing with Simulation and
Cutting Plane Methods. Annals of Operations Research, vol. 127(1-4), p. 333-358, 2002
AVRAMIDIS, A., L'ECUYER, P. Modeling and Simulation of Call Centers. Winter
Simulation Conference, 2005
AZEVEDO, M., CALDAS, M. Seriam os call centers os sweatshops do século XXI?
Encontro de Estudos Organizacionais, Recife, 2002
BANKS, J., CARSON, J., NELSON, B. Discrete-event System Simulation. New Jersey:
Prentice Hall, 1999
BAPAT, V., PRUITTE Jr, E. Using simulation in call centers. Winter Simulation
Conference, p. 1395-1399, 1998
BARD TECHNOLOGIES INC. callLAB. Disponível em: www.bardtech.com
. Acesso em: 20
set. 2005
247
BARBOZA, A., CARNIERI, C., STEINER, M., SIQUEIRA, P. A Pesquisa Operacional na
Otimização de Atendentes em Centrais Telefônicas. Gestão & Produção, vol. 10(1), abril
2003
BATT, R., DOELLGAST, V., KWON, H. U. S. Call Center Industry Report 2004 – National
Benchmarking Report – Strategy, HR Practices & Performance. Center for Advanced
Human Resource Studies (Cornell University), Working Paper 05 – 06, 2004
BELGE SIMULAÇÃO. ServiceModel. Disponível em:
www.belge.com.br/produtos/servicemodel. Acesso em: 20 set. 2005
BETTS, A., MEADOWS, M., WALLEY, P. Call centre capacity management. International
Journal of Service Industry Management, vol. 11(2), p. 185-196, 2000
BIANCHI, L., JARRET, J., HANUMARA, R. Forecasting incoming calls to telemarketing
centers. Journal of Business Forecasting Methods and Systems, 12, p. 3-12, 1993
BIANCHI, L., JARRET, J., HANUMARA, R. Improving forecasting for telemarketing
centers by ARIMA modelling with intervention. International Journal of Forecasting,
14, p. 497-504, 1998
BORST, S., MANDELBAUM, A., REIMAN, M. Dimensioning Large Call Centers.
Operations Research, vol. 52(1), p. 17-34, Jan-Feb 2004
BUIST, E., L'ECUYER, P. A Java Library for Simulating Contact Centers. Winter
Simulation Conference, 2005
BRASIL está entre os 10 países mais atraentes para call centers. Estatísticas. Disponível em:
www.callcenter.inf.br. Acesso em: 20 set. 2005
BRASIL fecha 2003 com mais de 68 mil PAs. Estatísticas. Disponível em:
www.callcenter.inf.br. Acesso em: 20 set. 2005
BROWN, L., GANS, N., MANDELBAUM, A., SAKOV, A., SHEN, H., ZELTYIN, S.,
ZHAO, L. Stastical analysis of a telephone call center: a queueing-science perspective.
Wharton Financial Institutions Center, Working Paper, 03 – 12, Nov 9, 2002
248
CAPES (Coordenação de Aperfeiçoamento de Pessoal de Nível Superior). Serviços. Banco
de Teses. Disponível em: www.capes.gov.br. Acesso em: 29 jan. 2006
CAUDURO, F., GRAMKOW, F., CARVALHO, M., RUAS, R. O Processo de Mudança e
Aprendizagem no Call Center de uma Empresa de Telecomunicações. EnANPAD, 2002
CHASSIOTI, E., WORTHINGTON, D. A new model for call centre queue management.
Journal of the Operational Research Society, vol. 55, p. 1352-1357, 2004
CHOKSHI, R. Decision support for call center management using simulation. Winter
Simulation Conference, p. 1634-1639, 1999
CHOKSHI, R. Simulation: a key to call center management. AT&T Laboratories, White
Paper, 1999
CONTAX. Contax Contact Center. Disponível em: www.contax.net.br. Acesso em: 19 jul.
2006
CORRAR, L., THEÓPHILO, C. Pesquisa Operacional para Decisão em Contabilidade e
Administração. São Paulo: Atlas, 2004
CRESCE faturamento do setor de telemarketing. Estatísticas. Disponível em:
www.callcenter.inf.br. Acesso em: 20 set. 2005
DATABASE SYSTEMS CORP. Products. Call Center Simulation Models. Disponível em:
www.databasesystemscorp.com. Acesso em: 20 set. 2005
DECKER, D. Call center’s modeling in American Express Company. American Express
Company, White Paper, 1999
DIJK, N. Why queuing never vanishes. European Journal of Operational Research, vol.
99(2), p. 463-476, 1997
ECO, U. Como se faz uma tese. São Paulo: Perspectiva, 1995
ELANGO, A. Call Center Quality Analysis Using Simulation. Asian Simulation Conference,
2006
249
EMERALD. Advanced Search. Disponível em: www.emeraldinsight.com. Acesso em: 16
out. 2006
EMPREGO em contact center está em alta. Estatísticas. Disponível em:
www.callcenter.inf.br. Acesso em: 20 set. 2005
FREITAS, L. Call center: modismo ou realidade? Rio de Janeiro: Record, 2000
FUKUNAGA, A., HAMILTON, E., FAMA, J., ANDRE, D., MATAN, O., NOURBAKHSH,
I. Staff Scheduling for Inbound Call Centers and Customer Contact Centers. American
Association for Artificial Intelligence, vol. 23(4), p. 30-40, Winter 2002
GANS, N., KOOLE, G., MANDELBAUM, A. Telephone Call Centers: Tutorial, Review and
Research Prospects. Manufacturing and Service Operations Management, vol. 5(2), p.
79-141, 2003
GIL, A. Métodos e técnicas de pesquisa social. São Paulo: Atlas, 1987
GOMES, L. O dilema entre qualidade e produtividade no serviço de atendimento ao cliente
(SAC): um estudo de caso brasileiro. Orientador: Kleber Fossati Figueiredo. Rio de
Janeiro: UFRJ/COPPEAD, 2004. Dissertação. (Mestrado em Administração de
Empresas)
GREEN, L., KOLESAR, P. The pointwise stationary approximation for queues with
nonstationary arrivals. Management Science, vol. 37, p. 84-97, 1991
GROSS, D., HARRIS, C. Fundamentals of Queueing Theory. New York: Willey, 1985
GROSSMAN, T., SAMUELSON, D., OH, S., ROHLEDER, T. Call Centers. Encyclopedia of
Operations Research and Management Sicence, Boston: Kluwer Academic Publishers,
p. 73-76, 2001
GULATI, S., MALCOLM, S. Call center scheduling technology evaluation using simulation.
Winter Simulation Conference, 2001
HALL, B., ANTON, J. Optimizing your call center through simulation. Call Center Solutions
Magazine, Oct. 1998
250
HANKE, J. Business Forecasting. New Jersey: Prentice Hall, 1992
HAWKINS, L., MEIER, T., NAINIS, W., JAMES, H. Planning Guidance Document For US
Call Centers. Information Technology Support Center. Maryland, 2001
HERTZ, D. Análise de risco em investimentos de capital. Biblioteca Harvard de
Administração de Empresas, 8(3), p. 1-14, 1980
HILLIER, F., LIEBERMAN, G. Introduction to Operations Research. New York: McGraw-
Hill, 1995
HILLIER, F., YU, O. Queueing Tables and Graphs. New York: North-Holland, 1981
IEX. TotalView Central. Disponível em: www.iex.com/TotalView. Acesso em: 20 set. 2005
JENNINGS, O., MANDELBAUM, A., MASSEY, W., WHITT, W. Server Staffing to Meet
Time-Varying Demand. Management Science, vol. 42(10), p. 1383-1394, Oct. 1996
KELTON, W., SADOWSKI, R., SADOWSKI, D. Simulation with Arena. New York:
McGraw-Hill, 2002
KLEINROCK, L. Queueing Systems, Volume I: Theory. New York: Willey, 1975
KLUNGLE, R. Simulation of a claims call center: a sucess and a failure. Winter Simulation
Conference, p. 1648-1653, 1999
KLUNGLE, R., MALUCHNIK, J. The role of simulation in call center management. MSUG
Conference, 1997
KOOLE, G., MANDELBAUM, A. Queueing Models of Call Centers: an Introduction.
Annals of Operations Research, 113, p. 41-59, 2002
KOOLE, G., POT, A. Approximate Dynamic Programming in Multi-Skill Call Centers.
Winter Simulation Conference, 2005
KUBLER-ROSS, E. Simulação em processos. CAUSA & EFEITO – Boletim da Siqueira
Campos (Aprendizado instantâneo), ano VII(12), 2003
251
LAM, K., LAU, R. A simulation approach to restructuring call centers. Business Process
Managament Journal, vol. 10, issue 4, Research paper, 2004
LAPPONI, J. Estatística usando Excel. Rio de Janeiro: Elsevier Editora, 2005
LEVINE, D., BERENSON, M., STEPHAN, D. Estatística: Teoria e Aplicações. Rio de
Janeiro: LTC Editora, 2000
LIMA, L. Telemarketing em expansão. O Dia. Rio de Janeiro, 12 de março de 2006, p. 1.
Caderno Empregos
MANCINI, L. Call Center: estratégia para vencer. São Paulo: ASK! Cia Nacional de Call
Center, 2001
MANDELBAUM, A. Call centres, research bibliography with abstracts. Technical Report,
Technion, Israel Institute of Technology, 2003
MANDELBAUM, A., SAKOV, A., ZELTYN, S. Empirical Analysis of a Call Center.
Technical Report, Technion, Israel Institute of Technology, 2001
MARKT, P. Driving Large Call Center Simulations Using OLAP Data Cubes. Winter
Simulation Conference, 2005
MATAN, O., NOURBAKHSH, I. Playing the Numbers: Using ACD Statistics for Workforce
Management. Telemarketing & Call Center Solutions, Mar 1998
MAZZUCHI, T., WALLACE, R. Analyzing Skill-Based Routing Call Centers Using
Discrete-Event Simulation and Design Experiment. Winter Simulation Conference,
2004
MEHROTRA, V. Ringing Up Big Business. OR/MS Today, 24(4), p.18-24, Aug 1997
MEHROTRA, V., FAMA, J. Call Center Simulation Modeling: Methods, Challenges and
Opportunities. Winter Simulation Conference, p. 135-143, 2003
MEHROTRA, V., PROFOZICH, D., BAPAT, V. Simulation: the best way to design your call
center. Telemarketing & Call Center Solutions, Nov 1997
252
MILLER, K., BAPAT, V. Case study: simulation of the call center environment for
comparing competing call routing technologies for business case ROI projection. Winter
Simulation Conference, p. 1694-1700, 1999
MINGHELLI, G. Call center: estudo de casos múltiplos em empresas de telefonia do estado
do Rio Grande do Sul. Orientador: Luís Felipe Schilling. São Leopoldo: Universidade do
Vale do Rio dos Sinos, 2002. Monografia (Bacharelado em Informática)
MOURA, M. Análise e comparação de sistemas de atendimento (Call Center) em diferentes
topologias. Orientador: Wagner Luiz Zucchi. São Paulo: INSTITUTO DE PESQUISAS
TECNOLÓGICAS DO ESTADO DE SÃO PAULO, 2004. Dissertação. (Mestrado
profissionalizante em Engenharia de Computação)
NAUMES, W., NAUMES, M. The Art & Craft of Case Writing. Thousand Oaks: Sage, 1999
NOVASIM. ccProphet. Disponível em: www.novasim.com. Acesso em: 20 set. 2005
OUTSOURCING. Ranking. Disponível em: www.callcenter.inf.br. Acesso em: 20 set. 2005
PARAGON Tecnologia. Introdução à Simulação com ARENA, 2002.
PARAGON Tecnologia. Técnicas Avançadas de Simulação com ARENA, 2002
PARAGON. Simulação de Call Center com Arena Contact Center. Disponível em:
www.paragon.com.br
. Acesso em: 20 set. 2005
PAZETO, T. Metodologia para o Planejamento de Capacidade de Call Center. Orientador:
Elizabeth Sueli Specialski. Florianópolis: UFSC, 2000. Dissertação. (Mestrado em
Ciências da Computação)
PEREIRA Jr., P. Avaliação de políticas de estoque e movimentação de contêineres vazios
utilizados no transporte marítimo. Orientador: Eduardo Saliby. Rio de Janeiro:
UFRJ/COPPEAD, 1999. Dissertação. (Mestrado em Administração de Empresas)
PICHITLAMKEN, J., DESLAURIERS, A., L´ECUYER, P., AVRAMIDIS, A., Modelling
and Simulation of a Telephone Call Center. Winter Simulation Conference, p. 1805-
1812, 2003
253
PIDD, M. Computer Simulation in Management Science. New York: Willey, 1998
PORTAGE COMMUNICATIONS INC. SimACD - Computer Simulation Software for
Inbound Call Centers. Disponível em: www.portagecommunications.com. Acesso em:
20 set. 2005
RAGSDALE, C. Spreadsheet Modeling and Decision Analysis. Tennessee: South-Western,
2001
REYNOLDS, P. Forecasting Fundamentals: The Art and Science of Predicting Call Center
Workload. Technology Marketing Corporation, White Paper, Feb 17, 2005
RILEY, D. Simulating a Virtual Customer Service Center. Winter Simulation Conference,
2005
SAKAMOTO, K. Como implementar um call center. São Paulo: Happy Few, 2001
SALIBY, E. Repensando a Simulação: a Amostragem Descritiva. São Paulo: Atlas, 1989
SALIBY, E. Descriptive Sampling: a Better Approach to Monte Carlo Simulation. Journal of
the Operational Research Society, vol. 41(12), p. 1133-1142, 1990
SALIBY, E. Descriptive Sampling: an Improvement over Latin Hypercube Sampling. Winter
Simulation Conference, p. 230-233, 1997
SALTZMAN, R., MEHROTRA, V. A Call Center Uses Simulation to Drive Strategic
Change. Interfaces 31(3), Part 1 of 2, p. 87-101, May-June 2001
SALTZMAN, R., MEHROTRA, V. A Manager-Friendly Platform for Simulation Modeling
and Analysis of Call Center Queueing Systems. Winter Simulation Conference, 2004
SHEN, H., BROWN, L. Nonparametric Regression and Confidence Bands with Lognormal
Errors and Application to Bank Call Center Data. Department of Statistics and
Operations Research (the University of North Carolina), Technical Report, 05 – 03,
2005
254
SHEN, H., HUANG, J. Analysis of call centre arrival data using singular value
decomposition. Applied Stochastic Models in Business and Industry, vol. 21, p. 251-
263, 2005a
SHEN, H., HUANG, J. Forecasting arrivals to a Telephone Call Center. Department of
Statistics and Operations Research (the University of North Carolina), Technical
Report, 05 – 05, 2005b
SILVA, E., SILVA, E., GONÇALVES, V., MUROLO, A. Pesquisa Operacional. São Paulo:
Atlas, 1998
SILVA Jr., L. Uma Análise para Utilização de Sistemas Workflow em Centrais de
Atendimento. Orientador: Maria Beatriz Felgar de Toledo. Campinas: UNICAMP, 2004.
Dissertação. (Mestrado profissionalizante em Ciência da Computação)
SILVER, M. Estatística para Administração. São Paulo: Atlas, 2000
SIMULATE. A Simulate trabalha com o Simul8. Disponível em: www.simulate.com.br.
Acesso em: 20 set. 2005
SMAILES, J., McGRANE, A. Estatística Aplicada à Administração com Excel. São Paulo:
Atlas, 2002
STECKLEY, S., HENDERSON, S., MEHROTRA, V. Forecast Errors and Random Arrival
Rates. Montreal Workshop on Call Centers, 2006
STECKLEY, S., HENDERSON, S., MEHROTRA, V. Performance Measures for Service
Systems with a Random Arrival Rate. Winter Simulation Conference, 2005
TAKAKUWA, S., OKADA, T. Simulation Analysis of Inbound Call Center of a City-gas
Company. Winter Simulation Conference, 2005
TANIR, O., BOOTH, R. Call center simulation in Bell Canada. Winter Simulation,
Conference, p. 1640-1647, 1999
VERGARA, S. Projetos e Relatórios de Pesquisa em Administração São Paulo: Atlas, 1997
255
WALLACE, R., SALTZMAN, R. Comparing Skill-Based Routing Call Center Simulations
Using C Programming and Arena Models. Winter Simulation Conference, 2005
WEINBERG, J., BROWN, L., STROUD, J. Bayesian Forecasting of an Inhomogeneous
Poisson Process with Applications to Call Center Data. University of Pennsylvania,
White Paper, Jun 2006
WEISSHUHN, W. Análise de custos na formação de preços em uma empresa de Call
Centers: um estudo de caso. Orientador: Marcos Gonçalves Avila. Rio de Janeiro:
UFRJ/COPPEAD, 2004. Dissertação. (Mestrado em Administração de Empresas)
WHITT, W. Staffing a Call Center with Uncertain Arrival Rate and Absenteeism. Production
and Operations Management, vol. 15(1), p. 88-102, Spring 2006
WISE, R. The Visible Difference: Making Informed Decisions with Workforce Management.
IEX Corporation, White Paper, 2005
WORTHINGTON, D., WALL, A. Using the discrete time modelling approach to evaluate the
time-dependent behaviour of queueing systems. Journal of the Operational Research
Society, vol. 50, p. 777-788, 1999
YIN, R. Case study research: design and methods. Thousand Oaks: Sage, 1994
256
ANEXO I: Checklist da equipe de planejamento para auxiliar a
elaboração da previsão de demanda
Este é um documento genérico, ou seja, pode ser utilizado para diferentes tipos de atendimento.
Com isso, algumas premissas podem ser incluídas em relação aos questionamentos abaixo visando
deixá-lo mais adequado às características de cada produto.
1. Campanhas de Mídia:
Qual a descrição da Campanha, que características possui, qual o Público Alvo?
Qual a data de Lançamento?
Haverá inserções de Mídia?
Se sim qual a grade Mídia?
Qual o impacto esperado (Aumento de Chamadas)?
Haverá impacto no TMA?
2. Introdução de Novos Serviços:
Qual a descrição do NOVO SERVIÇO (Plano), que características possui, qual o Público Alvo?
Qual a data de Lançamento?
Haverá inserções de Mídia?
Se sim qual a grade de Mídia?
Qual o impacto esperado (Aumento de Chamadas)?
Haverá impacto no TMA?
3. Previsão de Base de Assinantes Ativos:
Qual a previsão de crescimento?
Se sim, qual o fator motivador?
Qual a base prevista?
4. Ações de manutenção ou modernização da rede (exemplo: Obras de Expansão):
Qual o cronograma de manutenção/modernização?
Qual a quantidade de clientes será afetada?
Haverá instabilidade dos serviços?
Haverá impacto no TMA?
5. Interpretação dos impactos externos na previsão de chamadas:
Qual a descrição do Impacto?
Qual calltype/Público-Alvo é afetado pelo Impacto?
Haverá impacto no TMA?
Se sim, qual o aumento/redução no volume dos calltypes afetados?
6. Outros eventos que possam influenciar o TMA:
Quais suas características, previsão de início, Calltypes atingidos, e impacto no TMA.
7. Outros eventos que possam influenciar o volume de chamadas:
Quais os eventos, com suas características, previsão de início, Base de Clientes atingida.
Fonte: Material coletado nas entrevistas
Livros Grátis
( http://www.livrosgratis.com.br )
Milhares de Livros para Download:
Baixar livros de Administração
Baixar livros de Agronomia
Baixar livros de Arquitetura
Baixar livros de Artes
Baixar livros de Astronomia
Baixar livros de Biologia Geral
Baixar livros de Ciência da Computação
Baixar livros de Ciência da Informação
Baixar livros de Ciência Política
Baixar livros de Ciências da Saúde
Baixar livros de Comunicação
Baixar livros do Conselho Nacional de Educação - CNE
Baixar livros de Defesa civil
Baixar livros de Direito
Baixar livros de Direitos humanos
Baixar livros de Economia
Baixar livros de Economia Doméstica
Baixar livros de Educação
Baixar livros de Educação - Trânsito
Baixar livros de Educação Física
Baixar livros de Engenharia Aeroespacial
Baixar livros de Farmácia
Baixar livros de Filosofia
Baixar livros de Física
Baixar livros de Geociências
Baixar livros de Geografia
Baixar livros de História
Baixar livros de Línguas
Baixar livros de Literatura
Baixar livros de Literatura de Cordel
Baixar livros de Literatura Infantil
Baixar livros de Matemática
Baixar livros de Medicina
Baixar livros de Medicina Veterinária
Baixar livros de Meio Ambiente
Baixar livros de Meteorologia
Baixar Monografias e TCC
Baixar livros Multidisciplinar
Baixar livros de Música
Baixar livros de Psicologia
Baixar livros de Química
Baixar livros de Saúde Coletiva
Baixar livros de Serviço Social
Baixar livros de Sociologia
Baixar livros de Teologia
Baixar livros de Trabalho
Baixar livros de Turismo