Universidade Federal do Rio de Janeiro Instituto COPPEAD de Administrao

O uso de ferramentas quantitativas em call centers o caso Contax

Marco Aurlio Carino Bouzada

Doutorado em Administrao

Orientador: Prof. Eduardo Saliby

Rio de Janeiro 2006

O uso de ferramentas quantitativas em call centers o caso Contax Marco Aurlio Carino Bouzada
Tese submetida ao corpo docente do Instituto COPPEAD de Administrao (UFRJ) como parte dos requisitos necessrios obteno do grau de Doutor em Cincias (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

ii

Ficha Catalogrfica

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 (Administrao). I. Tese (Doutor. COPPEAD/UFRJ). II. Ttulo.

iii

A meus pais, Hctor e Lenise

iv

Agradecimentos

Ao meu orientador, Eduardo Saliby, pela inestimvel 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 Gerncia de Planejamento de Trfego da Contax, em especial aos srs. Alberto Porto, Alessandro Meira e Mario Pires, pela presteza e qualidade na divulgao de informaes.

gerente comercial da Paragon, Erica, pelo fornecimento da cpia do software Arena Contact Center.

minha colega de linha de pesquisa, Juliana Yonamine, pela discusso de idias e troca de informaes.

RESUMO DA TESE APRESENTADA AO COPPEAD/UFRJ COMO PARTE DOS REQUISITOS NECESSRIOS PARA A OBTENO DO GRAU DE DOUTOR EM CINCIAS (D. SC.)

O USO DE FERRAMENTAS QUANTITATIVAS EM CALL CENTERS O CASO CONTAX

MARCO AURLIO CARINO BOUZADA 2006 ORIENTADOR: PROF. EDUARDO SALIBY PROGRAMA: ADMINISTRAO
Esta tese descreve atravs do estudo de um caso a aplicao 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 introduzido atravs da explicitao dos objetivos da pesquisa a respeito dos dois principais desafios atacados (a previso de demanda e o dimensionamento da capacidade) e da sua importncia para o meio acadmico. Depois de uma contextualizao do setor e da empresa estudados, a literatura acerca dos principais temas abordados durante o estudo (mtodos de previso de demanda, teoria de filas e simulao, alm de suas respectivas aplicaes em call centers) revista. Os aspectos metodolgicos so, ento, apresentados, destacando o uso do estudo de um caso para obter maior profundidade na anlise dos problemas e sugesto de solues. Na seqncia, o caso ambientado na empresa estudada apresentado, com enfoque na descrio dos principais desafios operacionais e na indicao e no desenvolvimento de solues quantitativas concretas para os mesmos. Finalmente, os principais resultados obtidos so mostrados, com destaque para a adequao do uso da regresso mltipla ao problema de previso de chamadas tendo utilizado sistematicamente informaes disponveis capazes de influenciar a demanda e do uso da simulao ao problema do dimensionamento da capacidade de atendimento principalmente pela contemplao do comportamento de abandono dos clientes e de diferentes distribuies estatsticas para o tempo de atendimento, alm de peculiaridades das operaes da indstria em questo, responsveis por corroborar a sua adequao.

vi

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

MARCO AURLIO CARINO BOUZADA 2006 CHAIRMAN: PROF. EDUARDO SALIBY DEPARTMENT: 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 approachs adequacy).
vii

Lista de figuras
Figura 1 Dimenses no atendimento ao cliente de call center ..................................................... 2 Figura 2 - Estrutura de relacionamento entre as entidades participantes na indstria de Call Centers ........................................................................................................................................... 21 Figura 3 - Evoluo do faturamento, do nmero de colaboradores e de posies 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 variveis do callLab ......................................................................... 64 Figura 6 Tela de resultados do callLab.......................................................................................... 65 Figura 7 Tela de parmetros do SimACD ...................................................................................... 66 Figura 8 Tela de resultados do SimACD........................................................................................ 67 Figura 9 Relatrio de sada 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 verificao da aderncia do TotalView ........................................................... 90 Figura 13 Tela de monitoramento do CentreVu Supervisor ........................................................ 91 Figura 14 Relatrio do CentreVu Supervisor ................................................................................ 92 Figura 15 Atividades da Gerncia de Planejamento de Trfego ................................................. 93 Figura 16 Organograma da Gerncia de Planejamento da Contax............................................. 93 Figura 17 Macro-processo de previso de ligaes e TMA........................................................101 Figura 18 Minutagem por agente para cenrios com diferentes efetivos de atendentes, produto 102, consolidado Brasil, abril de 2006 ....................................................................... 119 Figura 19 Perfil histrico do comportamento intra-dirio da demanda do produto 102, terafeira .............................................................................................................................................. 122 Figura 20 Necessidade e disponibilidade consolidada (4 e 6 horas) de agentes por perodo, 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 (aps o escalonamento) de agentes por perodo, produto 102 (plus), Brasil, agosto de 2006 .............................................................................. 131 Figura 24 Mudanas 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 ms subseqente, produto 102 (plus), Brasil, agosto de 2006 .............................................................................. 133 Figura 26 Quantidade de ligaes por dia (multiplicada por uma constante), para o produto 103, julho de 2005 a maro de 2006 .......................................................................................... 146 Figura 27 TMA por dia (multiplicado por uma constante), para o produto 103, julho de 2005 a maro de 2006 ............................................................................................................................. 146 Figura 28 Comportamento sazonal do dia da semana modelo modificado (sem V+3) para prever a quantidade de ligaes, produto 103 ........................................................................ 154 Figura 29 Impacto dos dias em torno do vencimento modelo modificado (sem V+3) para prever a quantidade de ligaes, produto 103 ........................................................................ 155 Figura 30 Equao do modelo modificado (sem V+3) para prever a quantidade de ligaes, produto 103 ................................................................................................................................. 156 Figura 31 Valores reais (multiplicados por uma constante) e previstos (pelo modelo) da quantidade de ligaes por dia, para o produto 103, julho de 2005 a maro 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 Equao 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 maro de 2006 ........................................................................... 170 viii

Figura 36 Diagrama de processos do modelo bsico de simulao, das 00:00 s 00:30, agosto de 2006, produto 102 (plus), 12 atendentes ................................................................ 177 Figura 37 Chamadas geradas e atendidas, das 00:00 s 00:30, agosto de 2006, produto 102 (plus), 12 atendentes, 100 replicaes ..................................................................................... 178 Figura 38 Chamadas atendidas em at 10 segundos, das 00:00 s 00:30, agosto de 2006, produto 102 (plus), 12 atendentes, 100 replicaes ............................................................... 179 Figura 39 Chamadas abandonadas e retornadas, das 00:00 s 00:30, agosto de 2006, produto 102 (plus), 12 atendentes, 100 replicaes .............................................................................. 180 Figura 40 Tempos de atendimento e tempos de espera, das 00:00 s 00:30, agosto de 2006, produto 102 (plus), 12 atendentes, 100 replicaes ............................................................... 181 Figura 41 Agentes disponveis e ocupados, das 00:00 s 00:30, agosto de 2006, produto 102 (plus), 12 atendentes, 100 replicaes ..................................................................................... 182 Figura 42 Nvel de servio para diferentes valores do parmetro k da distribuio Erlang, horrio das 00:00 s 00:30, agosto de 2006, produto 102 (plus), 12 atendentes, 100 replicaes .................................................................................................................................. 184 Figura 43 Taxa de abandono para diferentes valores do parmetro k da distribuio Erlang, horrio das 00:00 s 00:30, agosto de 2006, produto 102 (plus), 12 atendentes, 100 replicaes .................................................................................................................................. 185 Figura 44 Chamadas geradas e atendidas, das 00:00 s 00:30, agosto de 2006, produto 102 (plus), cenrio com 11 atendentes, 100 replicaes............................................................... 187 Figura 45 Chamadas atendidas em at 10 segundos, das 00:00 s 00:30, agosto de 2006, produto 102 (plus), cenrio com 11 atendentes, 100 replicaes......................................... 188 Figura 46 Chamadas abandonadas, das 00:00 s 00:30, agosto de 2006, produto 102 (plus), cenrio com 11 atendentes, 100 replicaes........................................................................... 189 Figura 47 Diagrama de processos do modelo de simulao com atendimento agregado (produto 102, bsico e plus), das 00:00 s 00:30, agosto de 2006........................................ 193 Figura 48 Chamadas geradas das 00:00 s 00:30, agosto de 2006, produto 102 (bsico e plus), 100 replicaes ................................................................................................................ 194 Figura 49 Chamadas abandonadas e retornadas das 00:00 s 00:30, agosto de 2006, produto 102 (bsico e plus), 100 replicaes......................................................................................... 195 Figura 50 Chamadas atendidas das 00:00 s 00:30, agosto de 2006, produto 102 (bsico e plus), 100 replicaes ................................................................................................................ 196 Figura 51 Chamadas atendidas em at 10 segundos, das 00:00 s 00:30, agosto de 2006, produto 102 (bsico e plus), 100 replicaes .......................................................................... 197 Figura 52 Tempos de atendimento e tempos de espera, das 00:00 s 00:30, agosto de 2006, produto 102 (bsico e plus), 100 replicaes .......................................................................... 198 Figura 53 Utilizao dos agentes bsicos e plus, das 00:00 s 00:30, agosto de 2006, produto 102 (bsico e plus), 100 replicaes .......................................................................... 199 Figura 54 Utilizao dos agentes bsicos e plus por tipo de chamada, das 00:00 s 00:30, agosto de 2006, produto 102 (bsico e plus), 100 replicaes.............................................. 200 Figura 55 Chamadas geradas e atendidas, das 00:00 s 00:30, agosto de 2006, produto 102 (plus), 12 atendentes, cenrio com acrscimo de 10% de demanda, 100 replicaes ....... 201 Figura 56 Chamadas atendidas em at 10 segundos, das 00:00 s 00:30, agosto de 2006, produto 102 (plus), 12 atendentes, cenrio com acrscimo de 10% de demanda, 100 replicaes .................................................................................................................................. 202 Figura 57 Chamadas abandonadas, das 00:00 s 00:30, agosto de 2006, produto 102 (plus), 12 atendentes, cenrio com acrscimo de 10% de demanda, 100 replicaes ................... 203 Figura 58 Chamadas geradas e atendidas, das 00:00 s 00:30, agosto de 2006, produto 102 (plus), 12 atendentes, cenrio com acrscimo de 10% no TMA, 100 replicaes ............... 204 Figura 59 Chamadas atendidas em at 10 segundos, das 00:00 s 00:30, agosto de 2006, produto 102 (plus), 12 atendentes, cenrio com acrscimo de 10% no TMA, 100 replicaes ...................................................................................................................................................... 205 Figura 60 Chamadas abandonadas, das 00:00 s 00:30, agosto de 2006, produto 102 (plus), 12 atendentes, cenrio com acrscimo de 10% no TMA, 100 replicaes.......................... 206 Figura 61 Nvel de servio para diferentes valores do tempo mdio de atendimento (TMA), horrio das 00:00 s 00:30, agosto de 2006, produto 102 (plus), 12 atendentes, 100 replicaes .................................................................................................................................. 208

ix

Figura 62 Taxa de abandono para diferentes valores do tempo mdio de atendimento (TMA), horrio das 00:00 s 00:30, agosto de 2006, produto 102 (plus), 12 atendentes, 100 replicaes .................................................................................................................................. 209 Figura 63 Chamadas geradas e atendidas, das 00:00 s 00:30, agosto de 2006, produto 102 (plus), 12 atendentes, cenrio com tempo mdio de espera antes do abandono = 1,5 minutos, 100 replicaes ........................................................................................................... 210 Figura 64 Chamadas atendidas em at 10 segundos, das 00:00 s 00:30, agosto de 2006, produto 102 (plus), 12 atendentes, cenrio com tempo mdio de espera antes do abandono = 1,5 minutos, 100 replicaes................................................................................................. 211 Figura 65 Chamadas abandonadas, das 00:00 s 00:30, agosto de 2006, produto 102 (plus), 12 atendentes, cenrio com tempo mdio de espera antes do abandono = 1,5 minutos, 100 replicaes .................................................................................................................................. 213 Figura 66 Chamadas geradas e atendidas, das 00:00 s 00:30, agosto de 2006, produto 102 (plus), 12 atendentes, cenrio com NS = % de clientes atendidos em at 5 segundos, 100 replicaes .................................................................................................................................. 215 Figura 67 Chamadas atendidas em at 5 segundos, das 00:00 s 00:30, agosto de 2006, produto 102 (plus), 12 atendentes, cenrio com NS = % de clientes atendidos em at 5 segundos, 100 replicaes ........................................................................................................ 216 Figura 68 Chamadas geradas e atendidas, das 00:00 s 00:30, agosto de 2006, produto 102 (plus), cenrio com 13 atendentes e NS = % de clientes atendidos em at 5 segundos, 100 replicaes .................................................................................................................................. 217 Figura 69 Chamadas atendidas em at 5 segundos, das 00:00 s 00:30, agosto de 2006, produto 102 (plus), cenrio com 13 atendentes e NS = % de clientes atendidos em at 5 segundos, 100 replicaes ........................................................................................................ 218 Figura 70 Diagrama de processos do modelo de simulao com quantidade limitada (20) de linhas disponveis, das 00:00 s 00:30, agosto de 2006, produto 102 (plus), 12 atendentes ...................................................................................................................................................... 219 Figura 71 Indicadores dinmicos do modelo de simulao com quantidade limitada (20) de linhas disponveis, das 00:00 s 00:30, agosto de 2006, produto 102 (plus), 12 atendentes ...................................................................................................................................................... 220 Figura 72 Chamadas geradas e atendidas, das 00:00 s 00:30, agosto de 2006, produto 102 (plus), 12 atendentes, cenrio com quantidade limitada (20) de linhas disponveis, 100 replicaes .................................................................................................................................. 221 Figura 73 Chamadas bloqueadas, abandonadas e retornadas, das 00:00 s 00:30, agosto de 2006, produto 102 (plus), 12 atendentes, cenrio com quantidade limitada (20) de linhas disponveis, 100 replicaes ..................................................................................................... 222 Figura 74 Chamadas completadas e atendidas em at 10 segundos, das 00:00 s 00:30, agosto de 2006, produto 102 (plus), 12 atendentes, cenrio com quantidade limitada (20) de linhas disponveis, 100 replicaes.......................................................................................... 223 Figura 75 Disponibilidade, ocupao e utilizao de linhas, das 00:00 s 00:30, agosto de 2006, produto 102 (plus), 12 atendentes, cenrio com quantidade limitada (20) de linhas disponveis, 100 replicaes ..................................................................................................... 224 Figura 76 Chamadas geradas, atendidas e atendidas em at 10 segundos, das 05:30 s 06:00, agosto de 2006, produto 102 (plus), 11 atendentes, 100 replicaes ................................... 226 Figura 77 Chamadas geradas, atendidas e atendidas em at 10 segundos, das 02:00 s 02:30, agosto de 2006, produto 102 (plus), 4 atendentes, 100 replicaes ..................................... 228

Lista de tabelas
Tabela 1 Magnitude atual e crescimento dos principais segmentos de atuao dos call centers no Brasil........................................................................................................................... 20 Tabela 2 Caractersticas gerais dos softwares de simulao em call centers pesquisados... 72 Tabela 3 Atributos operacionais contemplados pelos softwares de simulao em call centers pesquisados .................................................................................................................................. 73 Tabela 4 Magnitude do erro absoluto (%) mdio por produto, 2006 .......................................... 98 Tabela 5 Pesos-padro do TotalView usados no clculo da mdia ponderada de demanda 102 Tabela 6 Cronograma de envio e vencimento de contas do faturamento, maio de 2006....... 109 Tabela 7 Clculo de necessidade de recursos dirios para o produto 102, central BA, cliente plus, outubro-novembro de 2006 .............................................................................................. 116 Tabela 8 Premissas para a taxa de ocupao do atendente do produto 102, por dia da semana......................................................................................................................................... 116 Tabela 9 Clculo de necessidade de recursos dirios para o produto 102, central BA, cliente plus, outubro-novembro de 2006 .............................................................................................. 118 Tabela 10 Clculo da necessidade de operadores para cada perodo de 30 minutos, produto 102 (plus), consolidado Brasil, agosto de 2006....................................................................... 123 Tabela 11 Necessidade (total) e disponibilidade (4 horas) de agentes por perodo, produto 102 (plus), consolidado Brasil, agosto de 2006....................................................................... 124 Tabela 12 Necessidade e disponibilidade de agentes e nvel de servio estimado por perodo, produto 102 (plus), Brasil, agosto de 2006 .............................................................................. 128 Tabela 13 Escala de atendentes e volume previsto de ligaes para cada perodo de 30 minutos, produto 102 (plus), Brasil, novembro de 2005 ........................................................ 135 Tabela 14 Nvel de servio estimado para cada perodo de 30 minutos, produto 102 (plus), Brasil, novembro de 2005 .......................................................................................................... 136 Tabela 15 Volume, TMA e nvel de servio 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 Histrico da quantidade de ligaes e do TMA (multiplicados por uma constante) para o produto 103, novembro de 2005.................................................................................... 145 Tabela 19 Planilha de dados do modelo de regresso mltipla para prever a quantidade de ligaes, produto 103, fevereiro de 2006 ................................................................................. 148 Tabela 20 Estatstica de regresso do modelo de regresso mltipla para prever a quantidade de ligaes, produto 103............................................................................................................ 149 Tabela 21 Anlise de Varincia do modelo de regresso mltipla para prever a quantidade de ligaes, produto 103................................................................................................................. 150 Tabela 22 Valor, representatividade e intervalo de confiana dos coeficientes das variveis independentes do modelo de regresso mltipla para prever a quantidade de ligaes, produto 103 ................................................................................................................................. 150 Tabela 23 Estatstica de regresso do modelo modificado (sem V+3) de regresso mltipla para prever a quantidade de ligaes, produto 103 ............................................................... 151 Tabela 24 Anlise de Varincia do modelo modificado (sem V+3) de regresso mltipla para prever a quantidade de ligaes, produto 103 ........................................................................ 152 Tabela 25 Valor, representatividade e intervalo de confiana dos coeficientes das variveis independentes do modelo modificado (sem V+3) de regresso mltipla para prever a quantidade de ligaes, produto 103 ....................................................................................... 152 Tabela 26 Valores reais, previstos e erros do modelo modificado (sem V+3) de regresso mltipla para prever a quantidade de ligaes, produto 103, dezembro de 2005 ............... 158 Tabela 27 Valores reais, previstos pelo modelo e pelo TotalView e erros de previso dos mesmos para a quantidade de ligaes, produto 103, dezembro de 2005 .......................... 160 Tabela 28 Planilha de dados do modelo de regresso mltipla para prever o TMA, produto 103, agosto de 2005.................................................................................................................... 162

xi

Tabela 29 Estatstica de regresso do modelo de regresso mltipla para prever o TMA, produto 103 ................................................................................................................................. 163 Tabela 30 Anlise de Varincia do modelo de regresso mltipla para prever a o TMA, produto 103 ................................................................................................................................. 163 Tabela 31 Valor, representatividade e intervalo de confiana dos coeficientes das variveis independentes do modelo de regresso mltipla para prever o TMA, produto 103 ........... 164 Tabela 32 Estatstica de regresso do modelo modificado (sem C; V 3; V 2) de Regresso mltipla para prever o TMA, produto 103................................................................................. 165 Tabela 33 Anlise de Varincia do modelo modificado (sem C; V 3; V 2) de regresso mltipla para prever o TMA, produto 103................................................................................. 165 Tabela 34 Valor, representatividade e intervalo de confiana dos coeficientes das variveis independentes do modelo modificado (sem C; V 3; V 2) de regresso mltipla para prever o TMA, produto 103 ........................................................................................................ 166 Tabela 35 Valores reais, previstos e erros do modelo (sem C; V 3; V 2) de regresso mltipla para prever o TMA, produto 103, janeiro de 2006 .................................................... 171 Tabela 36 Valores reais, previstos pelo modelo e pelo TotalView e erros de previso dos mesmos para o TMA, produto 103, janeiro de 2006................................................................ 172 Tabela 37 Nvel de servio e taxa de abandono para diferentes valores do parmetro k da distribuio Erlang, horrio das 00:00 s 00:30, agosto de 2006, produto 102 (plus), 12 atendentes, 100 replicaes ...................................................................................................... 183 Tabela 38 Nvel de servio e taxa de abandono para diferentes quantidades de atendentes, horrio das 00:00 s 00:30, agosto de 2006, produto 102 (plus), 100 replicaes.............. 190 Tabela 39 Nvel de servio e taxa de abandono para diferentes valores do tempo mdio de atendimento (TMA), horrio das 00:00 s 00:30, agosto de 2006, produto 102 (plus), 12 atendentes, 100 replicaes ...................................................................................................... 207 Tabela 40 Nvel de servio e taxa de abandono para diferentes valores do tempo mdio de espera (antes do abandono), horrio das 00:00 s 00:30, agosto de 2006, produto 102 (plus), 12 atendentes, 100 replicaes ..................................................................................... 214 Tabela 41 NS real e estimado por frmulas Erlang e simulao, erros de estimao e ganho de acurcia em diferentes patamares de nvel de servio ..................................................... 229 Tabela 42 Nvel de servio e taxa de abandono para diferentes quantidades de atendentes, horrio das 02:00 s 02:30, agosto de 2006, produto 102 (plus), 100 replicaes.............. 230

xii

Lista de siglas
ABT ACD ANATEL ANOVA CLT CRM DAC DMM EP EPSCC FIFO FTE INMET MAPE NS PA PEPS PSA ROI SAC SLA SSA SVD TMA URA Associao Brasileira de Telemarketing Automatic Call Distribution Agncia Nacional de Telecomunicaes Analysis of Variance Consolidao das Leis do Trabalho Costumer Relationship Management Distribuidor Automtico de Chamadas Dia de Maior Movimento Erro Percentual Excel Plataform for Simulating Call Centers First In, First Out Full-Time Equivalent Instituto Nacional de Meteorologia Mean Absolut Percentual Error Nvel de Servio Posio de Atendimento Primeiro a Entrar, Primeiro a Sair Pointwise Stationary Approximation Return on Investment Servio de Atendimento ao Cliente Service Level Agreement Simple Stationary Approximation Singular Value Decomposition Tempo Mdio de Atendimento Unidade de Resposta Audvel

xiii

Sumrio
1. Introduo.........................................................................................1
1.1. O problema....................................................................................................4
1.1.1. Objetivos........................................................................................................4 1.1.2. Questes a serem respondidas...................................................................4
1.1.2.1. 1.1.2.2. Previso..........................................................................................................5 Dimensionamento..........................................................................................5

1.2. Relevncia do estudo...................................................................................5 1.3. Delimitao do estudo................................................................................12 1.4. Organizao do estudo..............................................................................12

2. Caracterizao 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. Histrico da empresa..................................................................................25 2.2.2. Nmeros atuais da empresa.......................................................................27 2.2.3. Produtos e clientes da empresa.................................................................27

3. Referencial terico..........................................................................30
3.1. Mtodos de previso de demanda.............................................................30
3.1.1. Sries temporais.........................................................................................31 3.1.2. Sries causais.............................................................................................34
3.1.2.1. Regresso linear mltipla...........................................................................34

3.2. Previso 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. Simulao....................................................................................................50

xiv

3.5. Simulao em call centers.........................................................................52

3.5.1. Softwares de simulao para call centers.................................................59
3.5.1.1. 3.5.1.2. 3.5.1.3. 3.5.1.4. 3.5.1.5. 3.5.1.6. 3.5.1.7. 3.5.1.8. 3.5.1.9. 3.5.1.10. Arena Contact Center..................................................................................60 callLAB..........................................................................................................63 SimACD.........................................................................................................65 ServiceModel................................................................................................67 Simul8...........................................................................................................68 ccProphet.....................................................................................................68 ContactCenters............................................................................................69 Excel Plataform for Simulating Call Centers (EPSCC).............................69 IVR Simulator Model....................................................................................70 Quadros comparativos................................................................................70

3.6. Resumo........................................................................................................74

4. Metodologia.....................................................................................78
4.1. Tipo de pesquisa........................................................................................78 4.2. Seleo do caso e dos sujeitos.................................................................79 4.3. Coleta e tratamento dos dados..................................................................81
4.3.1. Previso.......................................................................................................81 4.3.2. Dimensionamento.......................................................................................82

4.4. Limitaes do mtodo................................................................................84

5. Descrio do caso..........................................................................88
5.1. Gerncia de Planejamento de Trfego da Contax....................................88 5.2. Principais desafios operacionais..............................................................95
5.2.1. Previso de demanda..................................................................................96 5.2.2. Dimensionamento da capacidade de atendimento.................................111

6. Anlise do caso.............................................................................140
6.1. Previso de demanda...............................................................................140
6.1.1. A escolha do mtodo de previso e do produto-cobaia.....................141 6.1.2. O modelo de previso para a demanda de ligaes...............................147 6.1.3. O modelo de previso para o tempo mdio de atendimento (TMA)......161

6.2. Dimensionamento da capacidade de atendimento................................173

xv

7. Concluses....................................................................................231
7.1. Respostas s questes propostas..........................................................232
7.1.1. Previso.....................................................................................................232 7.1.2. Dimensionamento.....................................................................................233

7.2. Sumrio das contribuies da pesquisa.................................................239 7.3. Sugestes e recomendaes...................................................................239

7.3.1. Ferramentas de previso de demanda....................................................240 7.3.2. Dimensionamento da capacidade de atendimento................................241 7.3.3. Operador multi-produto............................................................................244

8. Referncias bibliogrficas...........................................................246 ANEXO I: Checklist da equipe de planejamento para auxiliar a elaborao da previso de demanda................................................256

xvi

1. Introduo
Um call center, tambm conhecido como central de atendimento, consiste em qualquer grupo cuja principal atividade de negcio seja falar com clientes (potenciais ou atuais) ao telefone com o objetivo de apoiar processos de vendas, marketing, servios ao cliente, suporte tcnico, ou outra atividade especfica, 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 tm um emprego muito mais difcil hoje do que no passado. Com muito mais produtos e servios sendo especialmente criados, disponibilizados no mercado, vendidos e assistidos, em relao a momentos anteriores, os call centers tm despendido muito esforo para fornecer diferentes nveis de servio 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 previso, o planejamento e a anlise ainda mais difceis, pelo fato de tornarem possvel o link entre mltiplos call centers, a priorizao de certas chamadas, a existncia de diferentes habilidades entre os operadores e a customizao da lgica de roteamento das chamadas. Hoje, os gerentes precisam estar aptos a entender o que est havendo nos call centers, para saber como as chamadas, rotas, prioridades, operadores e suas habilidades, a previso de demanda e da carga de trabalho, terceirizao, perodos de pico e outros fatores influenciam o nvel de servio, as taxas de abandono e de utilizao. De acordo com Hall e Anton (1998), um dos principais desafios atuais para os call centers consiste em fornecer servio de valor agregado ao cliente ao menor custo possvel por contato telefnico. Dessa forma, duas dimenses podem ser medidas: a eficincia do negcio e a efetividade para o cliente (conforme pode ser visto na figura 1 a seguir).

Figura 1 Dimenses no atendimento ao cliente de call center

Alta

Efetivo Ineficiente Pssimo Ineficiente e inefetivo

Alto Custo

World-class Eficiente e efetivo Eficiente Inefetivo

Baixo

Satisfao do cliente

Baixa

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 est 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, sua disposio, algumas ferramentas no mercado para ajudar no aumento da eficincia e da efetividade. Para passar para o quadrante superior direito, necessria uma grande reengenharia dos processos. Ainda segundo os autores, esses call centers podem usar uma ferramenta conhecida como Simulao para testar (e, eventualmente, justificar a implantao) se determinadas mudanas sero capazes de melhorar o sistema, antes de implant-las. Os call centers world-class usam essa ferramenta efetiva e eficientemente para projetar o sistema, gerenciar a operao e se planejar para o futuro, diante de possveis cenrios. Isso ocorre porque, entre outros motivos, o dimensionamento da capacidade de atendimento consiste em uma atividade crtica para a obteno da eficincia e da efetividade da operao. E a ferramenta de simulao costuma se adequar melhor ao dimensionamento de operaes mais complexas (como as de um call center moderno), j que ela consegue modelar muito bem a realidade, apresentando resultados mais acurados e relativamente precisos. bem verdade que esses resultados no so to precisos quanto os resultados tericos (obtidos por mtodos analticos), mas representam, normalmente, uma boa aproximao para os mesmos. A mxima da simulao diz que melhor ter uma soluo aproximada para um modelo bem realista do que uma soluo exata para um modelo com muitas aproximaes.
2

Pois uma das principais vantagens da simulao em relao aos mtodos analticos consiste justamente na modelagem mais acurada da realidade: os mtodos analticos precisam fazer muitos ajustes na realidade para que esta se encaixe em algum padro pr-concebido (exemplo: os tempos de atendimento devem seguir uma distribuio exponencial, o que, muitas vezes, est longe de corresponder realidade) que a teoria analtica seja capaz de tratar, enquanto a simulao capaz de representar muito bem quase qualquer peculiaridade de uma operao complexa (por exemplo: roteamento das chamadas, diversidade de funes dos atendentes, abandono de chamadas e outras caractersticas comuns nos call centers e que, dificilmente, poderiam ser contempladas por uma abordagem analtica). Naturalmente, essa vantagem cresce juntamente com a complexidade da operao a ser estudada e praticamente inexiste em operaes extremamente simples. Pode parecer contraditrio dizer que a simulao consiste em uma abordagem menos precisa e mais acurada, quando comparada aos mtodos analticos. Mas, na verdade, isso mesmo que ocorre: como os resultados so empricos, eles variam a cada vez que a simulao executada, gerando um pouco de impreciso; entretanto, como estes resultados se baseiam em um modelo mais prximo da realidade, eles so realmente mais acurados (mais prximos dos valores corretos para aquele problema real). Obviamente, a abordagem por simulao apresenta em relao s abordagens analticas algumas desvantagens, alm da menor preciso (citada anteriormente), destacando-se, entre outras: a necessidade de know-how e software especficos e o consumo de tempo para a modelagem do problema e para a simulao da operao em si. Estas desvantagens tornam a simulao uma ferramenta mais cara e de implementao mais difcil. Alm disso, uma ferramenta mais acurada e adequada, capaz de melhorar a qualidade do processo (de dimensionamento), trar poucos benefcios para o produto final deste processo (a quantidade necessria de atendentes) se o seu insumo apresentar uma qualidade insatisfatria. A matria-prima para o processo de dimensionamento em um call center consiste na previso da demanda de ligaes e da conseqente carga de trabalho, que precisam, ento, ser estimados de forma bem acurada. Essa necessidade confere tambm previso de demanda o status de atividade crtica durante a busca pela eficincia e pela efetividade do negcio.

1.1. O problema As questes que emergem, ento, so as seguintes: Quais metodologias so usadas para lidar com o problema de dimensionamento de call centers? Ser que este tipo de operao apresenta caractersticas e peculiaridades que justifiquem o uso de uma abordagem mais cara e de implementao mais difcil, como a simulao? Em caso afirmativo, como a simulao pode ajudar os gerentes das centrais no tratamento dos seus desafios operacionais? Em relao outra atividade crtica a ser tambm tratada quantitativamente a previso da demanda de chamadas a mesma curiosidade cientfica aguada na questo do dimensionamento motiva a indagao acerca de quais metodologias so utilizadas para resolver esse problema e se so 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 administrao operacional no call center estudado (a ser especificado na seo 1.3 a seguir);

Verificar a adequao de tais metodologias de resoluo destes problemas; Sugerir metodologias mais adequadas (se for o caso) para a resoluo destes problemas.
1.1.2. Questes a serem respondidas

A pesquisa envolve questes relacionadas a dois diferentes tipos de problemas dos call centers: 1. ao problema da previso da quantidade de chamadas recebidas por unidade de tempo e do tempo mdio de atendimento, no call center estudado; 2. ao problema do dimensionamento (contnuo durante a operao, em face de mudanas em algumas premissas e/ou parmetros) da quantidade necessria de atendentes por horrio, no call center estudado.

1.1.2.1.

Previso

a) Que metodologia(s) (so) aplicada(s)? b) Essa(s) (so) a melhor forma de prever tais grandezas? c) Se no for(em), qual ?
1.1.2.2. Dimensionamento

d) Qual metodologia aplicada para a resoluo desse problema? e) A simulao utilizada? f) Se no for, por que no ? g) Quais so os trade-offs envolvidos na deciso de qual metodologia usar (simulao versus outras)? h) Como a simulao pode dar apoio s decises referentes ao processo de dimensionamento do call center? i) Que aspectos operacionais do call center no podem ser bem tratados por outras metodologias, sendo determinantes para justificar o uso da simulao? j) A simulao fornece resultados mais acurados em algumas situaes do cotidiano operacional do call center? Em quais situaes? k) Quais softwares esto disponveis para o uso da simulao aplicada a call centers? l) Quais so as suas caractersticas? m) Quais deles so utilizados no call center estudado?

1.2. Relevncia do estudo Dezenas de bilhes de dlares foram gastos em call centers na ltima metade da dcada de 1990. O crescimento dessa indstria naquela dcada foi na faixa de 20% ao ano; e esperado que esse crescimento se mantenha neste patamar durante o incio desse sculo, segundo Grossman et al (2001).
5

Essa indstria cresceu dramaticamente na dcada em questo, empregando estimados 3% da mo-de-obra norte-amerciana. No incio do sculo XXI, em torno de 10 milhes de pessoas estavam empregadas em call centers, somente nos EUA! Nunca os call centers constituram uma parte to importante da maioria dos negcios quanto hoje. No caso particular de vendas e servios, call centers so freqentemente o ponto de contato entre a empresa e os clientes, o que os torna crticos e caros. Empresas que no tomam as providncias necessrias para melhorar a eficincia de seus call centers rapidamente descobrem que seus erros de planejamento so traduzidos em baixos nveis de servio, vendas perdidas, aumentos nos custos e clientes frustrados e insatisfeitos. (BATT, DOELLGAST & KWON, 2004) Na economia de hoje, os call centers no apenas se tornaram os pontos primrios de contato entre clientes e empresas, mas tambm um grande investimento para muitas organizaes. (WEINBERG, BROWN & STROUD, 2006) Os gerentes atuais precisam entender o que est havendo nos call centers, para saber como as suas caractersticas influenciam os indicadores de desempenho. Utilizar palpites, tentativa-eerro, intuio ou softwares caixa-preta (que ningum na empresa capaz de entender) 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, absentesmo, polticas de monitoramento das ligaes, integrao de sistemas, treinamento, entre outros. medida que esses desafios so gerenciados de uma melhor forma e as centrais vo crescendo (inclusive em termos de custos), aumenta o interesse no uso de tcnicas de pesquisa operacional pela indstria em questo. Segundo Alam (2002) e Hall e Anton (1998), o custo de pessoal representa aproximadamente 70% do total da indstria, justificando a importncia de um gerenciamento quantitativo da capacidade de atendimento, que consiste no trade-off entre esse custo e a determinao do nvel timo de servio; ou seja, em ter o nmero certo de pessoas qualificadas e recursos de suporte no momento correto, para lidar com uma previso acurada da demanda e da carga de trabalho, mantendo os padres de qualidade e o nvel de servio exigido. Por isso e medida que os call centers tm apresentado operaes cada vez mais complexas, tem se tornado ainda mais importante o uso de modelos acurados para a previso de demanda e para o
6

dimensionamento do tamanho da equipe em uma indstria que movimenta tanto volume financeiro. Segundo Mehrotra e Fama (2003) e Hall e Anton (1998), call centers so interessantes objetos de estudo da simulao, 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 ligaes pr-ativamente (tipicamente em telemarketing ou aes de cobranas) ou como retorno de uma chamada anterior; a durao de cada chamada aleatria, assim como a do trabalho que o agente executa depois da chamada (por exemplo: entrada de dados, documentao, pesquisa); o avano nos sistemas para rotear as chamadas para os agentes, grupos ou localizaes torna a lgica por trs do call center cada vez mais sofisticada; agentes podem ser treinados para responder a um tipo nico de chamada, vrios tipos de chamadas ou todos os tipos de chamadas, com diferentes prioridades e preferncias especificadas nas lgicas de roteamento; a grande quantidade de dinheiro investido em call centers, tanto na forma de capital como na forma de trabalho, capaz de justificar o uso dessa ferramenta to poderosa. Com os objetivos de esclarecer a questo e de mostrar as limitaes de mtodos analticos para lidar com as peculiaridades reais e de difcil tratamento dos call centers (caracterizando as lacunas a serem preenchidas pela abordagem da simulao), um exemplo hipottico descrito a seguir: Um determinado call center recebe chamadas telefnicas que chegam central com um intervalo entre chegadas que segue uma distribuio exponencial. A durao de cada atendimento tambm segue uma distribuio exponencial. A empresa quer dimensionar a central, determinando quantos atendentes deve alocar para cada horrio. Para tal, ela quer construir um quadro comparativo, relacionando cada possvel quantidade de atendentes com o nvel de servio prestado (na forma de tempo mdio do cliente na fila, tempo mdio do cliente
7

no sistema e tamanho mdio da fila). Para essa operao, os modelos analticos Erlang (M/M/s) (intervalo entre chegadas seguindo uma distribuio exponencial / tempo de atendimento seguindo uma distribuio exponencial / s agentes no sistema) atendem perfeitamente a demanda e fornecem frmulas prontas para as variveis de desempenho supracitadas em funo do nmero de agentes (s), do intervalo mdio entre chamadas e do tempo mdio de atendimento. Dessa forma, o gerente desse call center pode dimensionar facilmente a sua equipe em cada horrio, utilizando essa abordagem analtica e considerando o trade-off envolvendo o custo da mo-de-obra e o nvel de servio. No entanto, se a esse exemplo forem adicionados alguns aspectos mais reais e que ocorrem freqentemente 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 ligao demore mais do que 5 minutos. Talvez o cliente que esteja aguardando para ser atendido desista aps 3 minutos de espera (isso pode ocorrer sempre, ou de maneira incerta, com, por exemplo, 80% de probabilidade). possvel (e at provvel) que a distribuio dos tempos de atendimento no seja exponencial; pode ser que esta varivel no siga nenhuma distribuio terica e tenha que ser tratada de acordo com uma distribuio emprica (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). s 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 presena de algum(ns) desses complicadores que so bem freqentes no dia-a-dia das centrais de atendimento a abordagem analtica torna-se praticamente invivel. No existem modelos tericos que forneam frmulas prontas (como no caso mais simples, hipotetizado anteriormente) para ajudar no dimensionamento da capacidade. Se o gerente quiser usar esses modelos analticos, ter que fazer tantos ajustes realidade (para que ela possa se encaixar nos modelos pr-concebidos que essas abordagens exigem) que, na prtica, estar resolvendo um outro problema. Nesse caso, ele obter uma soluo exata para um modelo com muitas aproximaes. A simulao pode, entretanto, incorporar na modelagem todas essas caractersticas e dificuldades dos call centers, at com uma certa facilidade. Como o prprio nome sugere, a abordagem vai simular a operao do call center com os seus prprios aspectos, onde

possvel introduzir toda essa inteligncia (orientao 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), alm das outras caractersticas, como distribuies empricas dos tempos entre chamadas e/ou de atendimento, diferenciao de clientes, priorizao de chamadas, dentre muitas possveis. Portanto, de uma maneira geral, os problemas bsicos que aparecem nos call centers (e em outras estaes de servio) podem ser atacados atravs de uma metodologia de carter analtico a Teoria de Filas. Para ser utilizada esta abordagem, no entanto, preciso engessar a modelagem do problema, deixando a operao de acordo com as restries necessrias para que possa ser tratada atravs dessa teoria. Assim, quando as caractersticas da operao em questo 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, j que a simplificao exigida pode ser muito exagerada, descaracterizando o aspecto real do problema. o pensamento de Mehrotra e Fama (2003), que pode ser evidenciado quando estes destacam algumas questes que dado o aumento de complexidade de operao dos call centers se tornaram difceis de serem atacadas pelos modelos analticos, passando a ser tratadas de forma mais adequada pela ferramenta de simulao: Quantos agentes devem ser contratados? Como devem ser escalados em relao 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 previso, o sistema de roteamento, a escala dos agentes, como ser a performance do sistema? Qual o efeito de um pico de volume de chamadas na performance?

Enfim, preciso descobrir se efetivamente adequada a aplicao de uma ferramenta consagrada, to poderosa e em voga no meio cientfico, como a simulao, a problemas de uma indstria to complexa e que vem crescendo tanto ultimamente, como a de call centers.
9

Mais especificamente no Brasil, essa indstria 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 pas em 2003. Com esse mercado domstico em efervescncia, preciso verificar se a simulao vem sendo amplamente utilizada no pas. O que ocorre, no entanto e de acordo com CAPES (2006), que apenas 27 teses e dissertaes brasileiras versam sobre o tema Call Center, segundo consulta utilizando as expresses-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 simulao como forma de auxiliar o gerenciamento do processo operacional e o dimensionamento de capacidade das centrais de atendimento, o que tambm pode ser observado se a consulta base incluir a palavra-chave simulao, alm das expresses-chave citadas anteriormente. Esta uma das principais contribuies deste trabalho: no Brasil, muito pouco foi produzido academicamente no que diz respeito aplicao da ferramenta em questo (simulao) indstria de call centers; em nvel de teses e dissertaes, esta produo acadmica incipiente. At em termos mundiais, a produo intelectual que versa sobre o tema (aplicao da ferramenta indstria) insatisfatria: Chassioti e Worthington (2004) afirmam que muitas empresas desenvolvem pesquisas particulares (no publicadas) sobre o assunto, mas necessrio mais trabalho de domnio publico acerca do tema. A investigao a respeito de quais metodologias quantitativas tm sido utilizadas e a verificao da sua adequao fazem-se necessrias tambm em um outro problema operacional, quantitativo e de carter crtico que os gerentes dos call centers tm que resolver freqentemente: a previso de demanda (chamadas recebidas por unidade de tempo). Segundo Weinberg, Brown e Stroud (2006), devido magnitude das operaes dos call centers, seus supervisores precisam dimensionar eficientemente as suas equipes para fornecer satisfatrios nveis de servio a custos razoveis. A administrao eficiente das centrais requer a estimao de algumas premissas operacionais que, em ltima anlise, so capazes de
10

determinar tamanhos apropriados de equipe de atendimento. A previso acurada da quantidade de ligaes entrantes consiste na premissa mais difcil de ser obtida. A base de qualquer bom planejamento de equipe uma previso acurada da carga de trabalho. Sem uma previso precisa acerca do trabalho a ser esperado, os mais sofisticados esforos para calcular o contingente timo de atendimento e criar intrincados planos de horrios consistem em desperdcio. A mxima garbage in, garbage out (quando o que entra lixo, o que sai tambm lixo) especialmente verdadeira quando aplicada ao gerenciamento da fora de trabalho. Uma previso acurada o passo mais importante do processo. (REYNOLDS, 2005) De acordo com Gans, Koole e Mandelbaum (2003), uma previso acurada dos parmetros do sistema consiste em um pr-requisito para um nvel de servio consistente e para uma operao eficiente. Dado o avano tecnolgico recente na rea de informtica e o ambiente intensivo em informaes presente nos call centers modernos, poderia se supor que existiriam mtodos de estimao e previso bem desenvolvidos na literatura. Mas, de fato, apesar da vasta literatura em inferncia estatstica e previso, surpreendentemente pouco tem sido dedicado aos processos estocsticos, e muito menos a modelos de filas, em geral, e a call centers, em particular. Apenas 17 trabalhos cientficos versam sobre estatsticas e previso de informaes 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 (previso) em todos os campos de busca (excluindo o texto completo) (all fields excluding full text). (EMERALD, 2006). Especificamente na indstria em questo, o estado-da-arte em previso do volume de chamadas ainda rudimentar. Na verdade, a prtica de estatstica e anlise de sries temporais ainda est na sua infncia no mundo dos call centers, e esforos de pesquisa srios so necessrios para traz-las ao nvel apropriado, dentro deste contexto. A previso das taxas de chegada talvez consista na necessidade prtica com maior presso por melhorias. Para call centers com altos nveis de utilizao, previses mais acuradas so essenciais. Apesar de
11

existir alguma pesquisa que desenvolve mtodos de estimao e predio das taxas de chegada, certamente existe espao para melhorias adicionais. No entanto, o desenvolvimento destes mtodos depende, em parte, do acesso a conjuntos de informao mais ricos. (GANS, KOOLE & MANDELBAUM, 2003)

1.3. Delimitao do estudo A pesquisa se limita a estudar uma nica grande empresa brasileira de call centers, a Contax, que ser apresentada e contextualizada na seo 2.2 a seguir. O estudo se restringe a algumas das operaes de atendimento passivas (ou inbound) da empresa, onde seus operadores recebem ligaes dos clientes e no as originam; operaes do tipo outbound esto fora do escopo da pesquisa. O ponto de vista da anlise reflete a tica da empresa fornecedora do servio de atendimento telefnico (e no a do cliente final ou da empresa contratante do servio). A idia do trabalho consiste em abordar apenas questes quantitativas referentes operao das centrais de atendimento, sem envolver outras questes igualmente relevantes e freqentemente encontradas na literatura, como gesto de recursos humanos, ergonomia, terceirizao e tecnologia. As questes operacionais e quantitativas do call center esto restritas previso da quantidade de chamadas por unidade de tempo e do tempo mdio de atendimento e ao dimensionamento da quantidade necessria de atendentes por horrio, no englobando outras questes quantitativas tambm importantes, como a macro-localizao fsica da instalao, entre outras.

1.4. Organizao do estudo A presente pesquisa foi estruturada em 7 captulos: 1. Introduo 2. Caracterizao do setor e da empresa estudados 3. Referencial terico
12

4. Metodologia 5. Descrio do caso 6. Anlise do caso 7. Concluses Este captulo 1 buscou apresentar o tema com as suas principais questes pertinentes, definir o problema estudado (incluindo os objetivos e as questes a serem respondidas), argumentar a favor da relevncia da pesquisa e especificar o seu escopo. O captulo 2 visa contextualizar o setor e a empresa estudados, apresentando a indstria de call centers (de uma forma geral e no Brasil) e descrevendo a empresa estudada: seu histrico, seus nmeros atuais e seus produtos e clientes. O captulo 3 se dedica reviso de literatura acerca dos principais assuntos abordados durante o estudo: mtodos de previso de demanda, teoria de filas e simulao, alm de suas respectivas aplicaes em call centers. O captulo 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 ateno especial dedicada descrio de como os dados foram coletados e tratados, de forma a dar resposta s questes e atingir os objetivos propostos. O captulo finalizado com as limitaes intrnsecas do mtodo e tambm oriundas da aplicao prtica do mesmo. O captulo 5 descreve a Gerncia de Planejamento de Trfego da empresa estudada no caso, setor responsvel pelo gerenciamento dos principais problemas atacados nesta pesquisa e apresenta os seus desafios operacionais mais importantes, mostrando tambm a forma como alguns deles so tratados pela empresa. O captulo 6 explora os principais desafios operacionais levantados no captulo anterior a previso de demanda e o dimensionamento da capacidade de atendimento questionando as abordagens utilizadas pela empresa para resolv-los e apresentando solues concretas para os mesmos, sempre de forma a fornecer resposta para as questes e atingir os objetivos, propostos inicialmente.

13

Finalmente, o capitulo 7 conclui o estudo, apresentando os principais resultados e contribuies obtidos e oferecendo ao leitor a verso do autor face resposta ao problema e s suas questes. E, como invivel operacionalmente tratar todos os assuntos aos quais est ligado o tema da pesquisa, o captulo e o trabalho so finalizados com a sugesto de alguns tpicos correlatos que possam vir a constituir-se dos objetos de estudo de outros pesquisadores em trabalhos futuros.

14

2. Caracterizao do setor e da empresa estudados

2.1. Setor de Call Centers Sakamoto (2001) define call center como sendo o lugar onde os chamados so feitos, ou recebidos, em grandes quantidades, com o objetivo de apoiar processos de vendas, marketing, servios ao cliente, suporte tcnico ou outra atividade especfica. Call centers consistem em centros operacionais instalados para utilizar telecomunicao e tecnologias computacionais para automatizar uma quantidade volumosa de diferentes atividades e servios telefnicos, 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, atravs do uso da tecnologia. Mais tecnicamente, um call center pode ser definido como um complexo sistema de componentes conectados, contemplando diferentes tipos de chamadas telefnicas, padres de chegada de chamadas, lgica de roteamento das chamadas, abandono de chamadas, troncos de linhas telefnicas, e operadores com diferentes habilidades, prioridades, nveis de proficincia e esquemas de horrios. Do ponto de vista operacional, um call center caracteriza-se, basicamente, por um conjunto de tele-operadores, reunidos em um espao e interligados ao pblico de uma empresa atravs de sistemas de telefonia, recebendo e realizando ligaes para atender, tirar dvidas, ouvir reclamaes, resolver problemas ou vender produtos e servios. Do ponto de vista do negcio, um call center um meio de relacionamento entre empresas e seus clientes, que tem como objetivos: estreitar esse relacionamento; melhorar, acelerar e desburocratizar processos; promover a fidelizao 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 propsito de fazer (atender) chamadas para (de) os clientes (atuais ou potenciais).

15

Bapat e Pruitte Jr. (1998) argumentam que o call center a arma estratgica mais visvel de uma empresa. uma frente de batalha de negcios onde milhes de dlares em produtos e servios so comprados, vendidos e negociados. Tambm um local onde milhares de clientes so conquistados e perdidos instantaneamente. Como empresas lderes se tornam mais criativas em disseminar informao e agregar valor aos seus consumidores atravs de linhas telefnicas, natural que elas enxerguem o call center como seu ponto de acesso ao mercado. Embora, por definio, 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 indstria, o comrcio e uma infinidade de empresas de servios 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 essncia, em uma atividade do setor de servios, que funciona como um elo entre a empresa e a sua base de clientes. Os autores acrescentam que as inovaes tecnolgicas nesse setor tm sido muito grandes, provocando uma reestruturao ampla no funcionamento dessas organizaes. Todo consumidor quer ser bem atendido e o mercado de hoje exige um atendimento cada vez mais gil e personalizado. E as grandes corporaes mundiais j 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 atravs de telefone. O contact center permite o contato do cliente atravs de diversos meios, dentre eles o prprio telefone, fax, carta e Internet, com a opo sendo escolhida de acordo com a sua prpria preferncia, proporcionando o mesmo nvel de servio e de consistncia de informaes entre eles. Alm disso, o contact center vem sendo encarado como o principal meio de viabilizao da estratgia de CRM das empresas. (CONTAX, 2006) Chokshi (1999) diz que as empresas esto migrando seus cuidados nas operaes com clientes para a Internet, investindo em cuidado eletrnico, ferramentas de automao de vendas etc.. Uma quantidade significativa dos investimentos em sistemas humanos e de computadores est colocada no set-up de call centers.

16

Call centers podem ser do tipo inbound (onde as chamadas so originadas pelos clientes), outbound (onde as chamadas so originadas pelos operadores para os clientes, geralmente para fins de telemarketing), ou misto (onde ambas as atividades so executadas). Para o primeiro tipo, o volume de chamadas e a sua durao caracterizam-se como dados de entrada; para o segundo tipo, consistem em variveis de deciso. (GROSSMAN et al, 2001) Hawkins et al (2001) dizem que call centers do tipo inbound so caracterizados como um sistema constitudo de vrias pessoas (atendentes), que recebe ligaes telefnicas de outras pessoas (normalmente clientes mesmo que potenciais) que desejam obter alguma informao, contratar algum servio, comprar algum produto, responder alguma pesquisa, atualizar dados, registrar ocorrncias, ou fazer reclamaes, entre outros. Para eles, as centrais deste tipo so tipicamente vistas como fornecedores de uma gama particular de servios aos clientes que fazem contato com ela, enquanto as do tipo outbound so geralmente caracterizados como centros de lucro (por exemplo, uma central de cobrana). Os atendentes dos call centers de servio ao cliente tendem a ter diferentes habilidades (bsicas e secundrias); alguns podem lidar com um tipo de chamada, enquanto outros podem lidar com outros tipos de chamada. Muitas vezes, pode haver especializao por parte dos agentes. Avanos nos distribuidores automticos de chamadas (ACDs) tornaram possvel 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 atend-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 servio ao cliente atravs de mltiplas cidades, pases ou continentes. O obstculo para atingir essa eficincia reside no dimensionamento de que parcela da carga de trabalho deve ser enviada a cada localidade (incluindo a definio dos critrios nos quais a distribuio das chamadas deve se basear) e quantos agentes seriam requeridos para lidar com tal carga. Complicaes adicionais incluem um desejo potencial de compartilhamento e de priorizao de determinados centros para lidar com determinadas chamadas. (RILEY, 2005; DECKER, 1999; MILLER & BAPAT, 1999)

17

O call center pode pertencer empresa prestadora do servio (ou vendedora do produto) ou ser terceirizado. Existem empresas que oferecem para outras o servio de atendimento atravs de uma central. (GROSSMAN et al, 2001).
2.1.1. Call centers no Brasil

A estabilidade econmica iniciada na dcada de 90, o crescimento do segmento de servios e as privatizaes das telecomunicaes abriram espao para o desenvolvimento da indstria de call centers no pas. Alm disso, o consumidor brasileiro vem mudando: tem menos tempo para as compras, gosta de resolver suas pendncias 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 esto cada vez mais dispostas a melhorar o relacionamento com os clientes. A privatizao do setor de telecomunicaes recebeu como herana estatal uma memria de maus servios na percepo do consumidor, que inclui o atendimento ao cliente. O setor tem o desafio de reverter essa insatisfao ao mesmo tempo em que sofre presses constantes por reduo de custos e esbarra nas limitaes educacionais do mercado de trabalho e do mercado consumidor, o que dificulta a adoo de novas tecnologias. (GOMES, 2004) De acordo com especialistas do setor de call centers, o ano de 2003 deu incio consolidao dos servios de tele-atendimento no pas. A movimentao financeira oriunda das oportunidades de terceirizao no mercado brasileiro de call center dever revelar uma significativa taxa mdia anual de crescimento at 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 bilho para R$ 2,51 bilhes e em torno de 20% em 2004, faturando aproximadamente R$ 3 bilhes. O vigor atestado por outro indicador: o nmero total de posies de atendimento (PAs), que j aumentara 6,2% em 2003 crescendo de 183,0 mil para 194,3 mil teve uma evoluo ainda mais acentuada em 2004 (crescimento de 12,4%, passando para 218,4 mil PAs).

18

Uma pesquisa publicada (EMPREGO em contact center est em alta, 2005) recentemente tambm aponta para um ritmo acelerado de contrataes, acompanhando o crescimento do nmero de posies de atendimento terceirizadas na Amrica Latina, que deve saltar para mais de 200 mil em 2008. Segundo analistas do setor, s o Brasil ser responsvel por 53,4% desse montante, o que significar a criao de milhares de vagas no mercado. Dessa forma, o segmento tem merecido especial ateno tanto por seu rpido crescimento, quanto pela grande quantidade de empregos gerados. No ano de 2000, o setor empregava cerca de 370 mil pessoas, tendo este nmero chegado a mais de 550 mil em 2004. Apenas em 2004 foram gerados 55 mil novos empregos neste setor. A Associao Brasileira de Telemarketing (ABT) diz que o volume financeiro estimado de transaes apoiadas por servios de telemarketing, no Brasil, chega a R$ 67,4 bilhes. (WEISSHUHN, 2004) No incio de 2006, o nmero 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 resultado de dois fatores, segundo especialistas: "O mercado est obrigando as empresas a se reestruturarem para melhorar o relacionamento com o cliente. As companhias perceberam que podem ter o SAC e a venda distncia sob o mesmo investimento.". E as perspectivas para o futuro desse mercado so ainda mais promissoras, j que a demanda vem crescendo e o pas j possui uma boa infra-estrutura telefnica disponvel e necessria para esse tipo de servio. (CRESCE faturamento do setor de telemarketing, 2005) Segundo levantamento recente (BRASIL est entre os 10 pases mais atraentes para call centers, 2005), o Brasil est em 7 lugar entre os pases mais atraentes para a instalao de centros de atendimento e prestao de servios de empresas internacionais distncia, no sistema chamado de business process outsourcing. O relatrio mostra que o pas est na mais alta posio entre os pases da Amrica Latina em termos de pessoas capacitadas e de disponibilidade. Os pontos fortes do Brasil so os custos vantajosos e uma grande fora de trabalho com relativamente boa experincia em prestao de servios distncia. O estudo ainda aponta a possibilidade de, com a crescente sofisticao da indstria local de software e do setor de informao e tecnologia, o pas atrair novos negcios.

19

Minghelli (2002) apresenta os resultados de um estudo que pesquisou quais so os principais segmentos de atuao 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 no estavam disponveis).

Tabela 1 Magnitude atual e crescimento dos principais segmentos de atuao dos call centers no Brasil
Segmento Posies de atendimento em 2001 Taxa de crescimento histrico Taxa de crescimento projetado para 2004

Telefonia fixa Cartes Telefonia celular Utilidades Internet Bancos TV por assinatura Saneamento Total
Fonte: MINGHELLI (2002)

19.895 8.738 4.415 3.490 3.000 2.400 1.492 1.354 44.784

17,6% 20,9% 35,8% 3,5%

8,5% 20,8% 15,4% 3,3% 23,0%

9,0%

Como pode ser observado, o ramo de telefonia fixa o que mais utiliza call centers; mas os ramos de cartes, telefonia celular e Internet so os que apresentam maior potencial esperado de crescimento. O mercado est concentrado em grandes cidades do pas, como So Paulo e Rio de Janeiro. As maiores empresas de call center no cenrio brasileiro so a Contax, a Atento e a Teleperformance (nessa ordem, em termos de posies de atendimento; e trocando as duas primeiras de lugar, em termos de faturamento e nmero de funcionrios). (OUTSOURCING, 2005) De acordo com (EMPREGO em contact center est em alta, 2005), o setor emprega principalmente jovens entre 16 e 24 anos, a maioria deles do sexo feminino, em incio de carreira. A mdia salarial varia entre US$ 120 e US$ 200 mensais por seis horas dirias de servio, podendo alcanar US$ 600 no caso de funcionrios bilnges ou com mais experincia.

20

Para falar a respeito do segmento de call centers no Brasil, preciso separ-lo em duas partes: call centers prprios e call centers terceirizados. O primeiro formato entende-se como sendo a estrutura criada e operada por uma empresa para relacionar-se com seus prprios clientes. O segundo formato consiste em uma estrutura criada e operada por uma empresa, especializada neste tipo de servio, para funcionar como meio de relacionamento entre outras empresas e seus clientes. Isto quer dizer que as empresas que atuam no mercado de terceirizao 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 indstria de Call Centers

Empresa contratante de servios de call center
Fonte: WEISSHUHN (2004)

Empresa fornecedora de servios de call center

Cliente da empresa contratante

Segundo Mancini (2001) e Freitas (2000), a terceirizao do servio de atendimento telefnico pode ser: total sendo a empresa contratada responsvel pelas instalaes fsicas, softwares, sistemas de telefonia, computadores e mo-de-obra; parcial sendo a empresa contratada responsvel pela mo-de-obra, trabalhando nas instalaes da empresa contratante, ou vice-versa; ou mista sendo a infra-estrutura pertencente empresa contratada e a mo-de-obra constituda de uma mistura de supervisores e coordenadores da empresa contratante com operadores da empresa contratada. A terceirizao uma alternativa a ser considerada na deciso de implantao de um call center, cabendo avaliar a relao de custo-benefcio de terceirizar ou manter o call center como um setor da empresa. (MINGHELLI, 2002)
21

De acordo com Mancini (2001), no existe um sistema absolutamente melhor do que o outro: cada caso um caso; cada empresa atravessa um momento em seu ciclo de vida, exigindo respostas personalizadas. Os principais benefcios da terceirizao so: reduo de tempo; readaptaes estratgicas mais rpidas; maior controle atravs de relatrios consolidados; e especializao. A predominncia de call centers prprios habitualmente atribuda ao fato de a maioria das empresas considerar este canal de relacionamento com o cliente como uma funo estratgica, onde a terceirizao pode representar um risco obteno dos objetivos para a qual a operao foi concebida, j que o grau de compromisso de funcionrios de uma empresa contratada pode no ser o mesmo que se esperaria de funcionrios prprios. Muitas empresas tm dvidas quanto contratao de empresas para realizar o atendimento ao seu cliente, pois a rea sensvel e envolve, na maior parte das vezes, necessidade de sigilo. Conforme Mancini (2001), quando ocorre a contratao de uma empresa terceirizada para realizar os servios de call center, a empresa contratada dever manter uma rea especfica e exclusiva para executar as aes da empresa contratante, mantendo assim a qualidade e a confidencialidade necessrias para a operao. Contudo, algumas pesquisas vm evidenciando mudanas nessa predominncia de centrais prprias, o que pode ser notado pelos resultados que indicam maior crescimento percentual do nmero de posies de atendimento em call centers terceirizados do que em call centers prprios. O servio oferecido pelas empresas de call center engloba uma ampla gama de solues em reas como SAC (servio de atendimento ao cliente), tele-cobrana, telemarketing ativo e receptivo, reteno e fidelizao de clientes, entre outros. A diversidade de servios e, principalmente, a customizao oferecida pelas empresas que disputam este mercado tm 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 funo da relevncia percebida por grande parte das empresas em relao aos servios de call center como um canal estratgico de relacionamento com seus clientes, aquelas que se apresentam dispostas a terceirizar tais operaes tratam este processo como uma aquisio
22

estratgica de servios, procurando estabelecer contratos de parceria, onde o conhecimento recproco entre empresa contratante e empresa fornecedora de servios consiste em um aspecto fundamental. Segundo (CONTAX, 2006), apesar dos avanos, os servios de atendimento ao cliente continuam em transformao, embora j sejam vistos como parte fundamental do processo de conquista e de fidelizao dos consumidores. A evoluo no atendimento pode ser dividida em quatro eras: 1. Atender: implantao e planejamento bsico; 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: pr-atividade que visa antecipar-se s necessidades do cliente e aproveitar cada contato como oportunidade de oferecer novos produtos e servios. O desejo das empresas estar nesta ltima fase. Com todas as mudanas ocorridas nos ltimos 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 competio e a melhoria do servio prestado ao consumidor do setor de telecomunicaes. Ela comeou a atuar aps a privatizao e seu conjunto de indicadores e metas mudou pouco desde ento. No incio, os indicadores consistiam em metas at agressivas para empresas recm-privatizadas e com grande potencial de evoluo. Atualmente, a maioria dos indicadores foi atendida pelas principais empresas do setor e a grande presso por melhoria de desempenho vem da concorrncia e dos clientes, e no da regulao do governo. O preo , normalmente, o principal aspecto que ir conduzir a escolha da empresa que ir prestar o servio de call center. Ele pode ser visvel para a empresa contratante atravs de trs formas diferentes de faturamento:

23

speaking time faturamento baseado nos minutos falados pelos atendentes. O clculo feito multiplicando o volume de chamadas pelo Tempo Mdio de Atendimento (TMA) e pelo preo do minuto falado;

por posio de atendimento (PA) faturamento baseado na quantidade mdia de PAs ocupadas nos dias teis no ms, que pode apresentar trs modalidades: o PA Completa Fornecimento da mo-de-obra, infra-estrutura, etc.; o PA Mo-de-obra Fornecimento apenas dos operadores; o PA Infra-estrutura Fornecimento apenas do espao.

por resultado faturamento baseado na efetividade do trabalho dos atendentes (quantidade de dvidas recuperadas por uma central de cobranas, por exemplo).

O primeiro formato mais utilizado pelos maiores clientes; as menores empresas geralmente preferem o segundo formato, que o mais comum entre todos. O terceiro formato encontrado, normalmente, em call centers do tipo outbound. Geralmente, a empresa contratante exige um nvel mnimo de servio da empresa contratada atravs do Service Level Agreement (SLA). Metas (90% das ligaes devem ser atendidas em at 10 segundos, por exemplo) so estabelecidas em conjunto e a empresa contratada penalizada no seu faturamento em caso de falhas no seu cumprimento. Um fator de extrema relevncia costuma surgir no funcionamento dos processos de formao de preos: o acirramento da competio entre aquelas empresas que dominam atualmente este mercado. Isto tem levado as empresas a comprimirem suas margens de lucro at o limite da rentabilidade mnima aceita pelos acionistas para este tipo de negcio. Este fenmeno se torna especialmente crtico quando ocorre a disputa por clientes considerados estratgicos. Exemplos disso podem ser observados nos processos de terceirizao dos call centers de companhias pertencentes a grandes grupos empresariais atuantes no pas, situao onde os concorrentes tendem a dar importncia especial conquista do cliente, por consider-lo uma porta para alcanar as demais empresas do mesmo grupo. (GOMES, 2004) Esse acirramento da competio ainda mais freqente porque, de acordo com Weisshuhn (2004), o mercado de terceirizao de call centers apresenta um nvel de concentrao
24

relativamente alto. As 5 maiores empresas deste segmento concentram cerca de 60% do nmero total de posies de atendimento terceirizadas existentes no Brasil e mais de 90% do mercado total pertence s 12 maiores empresas da indstria. Esta grande concentrao de mercado pode ser atribuda ocorrncia de vantagens competitivas relacionadas associao de algumas empresas de call center a grandes empresas prestadoras de servios de telecomunicaes, pois, ao mesmo tempo em que estas associaes representam acesso a tecnologias e servios de comunicao de dados e voz a custos competitivos, tambm so elas prprias as maiores clientes do mercado de call centers. De fato, as maiores fornecedoras de servios de call center no Brasil so empresas controladas por grandes grupos atuantes na rea de servios de telecomunicaes. Assim sendo, estas empresas j tm asseguradas como clientes as demais empresas do mesmo grupo. Isto lhes permite obter escala e conhecimento tcnico para atuao no segmento independentemente da conquista de outros clientes, alm 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 comunicao de dados e de voz. (GOMES, 2004) Essa exatamente a situao em que se encontra a empresa estudada nesta pesquisa: a Contax, pertencente ao grupo Telemar, e que ser mais bem descrita na seo 2.2 a seguir.

2.2. A Contax
2.2.1. Histrico da empresa

A Contax surgiu no final de 2000, como extenso natural dos negcios da Telemar em um setor da economia que pouco investia em tecnologia e qualificao de atendimento para ajudar seus clientes na gesto operacional do servio 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 alcanar esse nvel de excelncia operacional, a Contax direcionou seu trabalho para a produtividade e para os servios personalizados que projeta, implementa e opera. Foram esses conceitos que permitiram que a
25

empresa ganhasse respeito no segmento. A companhia conseguiu, em apenas 4 anos, o posto de uma das maiores geradoras de emprego do pas e aumentar seu faturamento bruto em quase 300% . Tamanho sucesso no seria sustentvel caso a Contax deixasse de lado a capacitao pessoal de seus funcionrios e a tecnolgica. Mais de R$ 250 milhes foram aportados para essas reas e, assim, foi possvel equipar a empresa com modernas centrais, munidas com as melhores e mais adequadas ferramentas tecnolgicas e estruturas de contact center. Isso tambm permitiu preparar profissionais altamente capacitados, que garantem um atendimento que satisfaa todos os pblicos envolvidos no negcio. (CONTAX, 2006) A Contax tem se mantido em constante crescimento desde a sua criao em 2000, o que pode ser evidenciado no grfico apresentado na figura 3 a seguir.

Figura 3 - Evoluo do faturamento, do nmero de colaboradores e de posies de atendimento da Contax, 2000 a 2005

Fonte: CONTAX (2006)

Segundo a mesma fonte, os principais motivos que permitiram a manuteno deste crescimento foram:
26

foco em operaes de grande volume de transaes e alta complexidade; foco em qualidade, com o objetivo na satisfao do cliente final (investimento massivo em treinamento e processos);

capacidade de investimento.
2.2.2. Nmeros atuais da empresa

A Contax uma empresa do grupo Telemar, atuando no mercado de contact centers. No Brasil, atualmente, a empresa de maior crescimento nessa indstria, tendo crescido quase 60% em 2005 (com um faturamento de R$ 1.129 milhes). Segundo (OUTSOURCING, 2005), a maior empresa do ramo em nmero de posies de atendimento, e a segunda maior em termos de faturamento e nmero de funcionrios, dentro do territrio nacional. De acordo com (CONTAX, 2006), ela faz mais de 100 milhes de contatos por ms, atravs de telefone, correio, e-mail, torpedos, Internet e chat, e conta com mais de 22 mil posies de atendimento e quase 50 mil funcionrios distribudos em 16 centrais por 7 estados brasileiros, alm do Distrito Federal: Bahia, Pernambuco, Cear, Rio Grande do Sul, Minas Gerais, Rio de Janeiro, So Paulo (compondo o mais moderno complexo de contact centers da Amrica Latina, na capital). Ela est presente nas capitais, e em Niteri (RJ) e Nova Lima (MG).
2.2.3. Produtos e clientes da empresa

Esta abrangncia geogrfica permite um atendimento regionalizado, que garante a entrega de solues personalizadas para seus clientes. Com este foco na customizao, a Contax desenvolveu e implementou um abrangente leque de solues e servios completos de atendimento, que vai desde o primeiro contato at a integrao com sistemas de logstica das empresas, incluindo: SAC, help desk, telemarketing ativo e receptivo, pesquisa de mercado, reteno, contact center para contingncias, servios de cobrana e Internet call center. Assim, mais do que uma prestadora de servios de contact center, a Contax atua como consultora (e co-gestora) de seus clientes para identificar a melhor soluo de relacionamento com os seus prprios consumidores. (CONTAX, 2006) A diversidade dos clientes est presente tambm no quesito forma de faturamento. Eles podem ser cobrados de trs maneiras distintas, a critrio do prprio cliente:

27

speaking time faturamento baseado nos minutos falados pelos atendentes: volume de chamadas multiplicado pelo TMA e pelo preo do minuto falado;

por posio de atendimento (PA) faturamento baseado na quantidade mdia de PAs (que podem ser completas, incluir apenas a mo-de-obra ou apenas a infra-estrutura) ocupadas no horrio mais movimentado dos dias teis do ms;

por resultado faturamento baseado na efetividade do trabalho dos atendentes (quantidade de dvidas recuperadas por um call center de cobranas, por exemplo).

O formato mais comum na empresa o segundo, preferido pelos menores clientes da Contax. O primeiro formato o mais utilizado pelos maiores clientes. O terceiro formato aplicado, normalmente, a clientes que contratam a operao de um call center do tipo outbound. Os clientes costumam exigir atravs do Service Level Agreement (SLA) um percentual mnimo de ligaes a serem atendidas dentro de uma quantidade pr-determinada de tempo. Estas metas so estabelecidas em conjunto (por exemplo: 95% das ligaes devem ser atendidas em at 15 segundos) e a Contax penalizada no seu faturamento em caso de falhas no seu cumprimento. Vale destacar que este percentual conhecido internamente como nvel de servio. No caso do formato de faturamento por speaking time, comum o tempo mdio de atendimento fazer parte do SLA (no podendo ser superior a 3 minutos, por exemplo). A Contax uma empresa de capital 100% nacional e hoje opera com mais de 40 clientes (a maioria lder de mercado ou com atuao destacada em seu segmento), como: Nossa Caixa, Grupo Unibanco, Grupo Banco do Brasil, Citibank, Bradesco, HSBC, Caixa Econmica Federal, ASB Financeira, Hipercard, Losango, Itaucard, GE, Banco Real ABN AMRO, Finasa, Sul Amrica Capitalizao, Xerox, Cemig, NET, Ticket, Coelba, TecBan, Pernambucanas, UOL, Terra, Correios, Oi, IG, entre outros. (CONTAX, 2006) Seu principal cliente a prpria Telemar (que responde por aproximadamente 60% do faturamento), sendo que os principais produtos esto relacionados e descritos a seguir: 102 que recebe ligaes dos clientes que buscam auxlio lista telefnica; Velox que engloba o suporte tcnico e o help desk para os clientes do servio de Internet de banda larga da Telemar;

28

103 que abrange clientes que buscam servios relacionados telefonia fixa, como mudana de endereo de cobrana e dvidas ou problemas com a conta telefnica;

Suporte tcnico e reparo de defeitos da Telemar cuja entrada do cliente acontece via 103 (o que melhor para ele, que disca um nico nmero para qualquer tipo de atendimento), sendo este desviado para a central apropriada atravs da URA de voz, no causando, assim, impacto nem congestionamento das filas do produto 103;

OI que abrange todo o atendimento para os clientes dos servios de telefonia mvel da Telemar.

A companhia tem como misso 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 o principal motivo para a empresa j ter recebido diversos prmios em relao a aspectos como atendimento, comunicao, tecnologia e qualidade. Esta busca pela satisfao do cliente, no entanto, ainda realizada de forma ineficiente, na opinio da equipe de operao da empresa, que admite que os custos para atingir tal status frente aos clientes ainda esto altos, apresentando grande potencial de reduo. Tal constatao posiciona a empresa no quadrante superior esquerdo (efetivo, mas ineficiente) da matriz de dimenses no atendimento ao cliente de call center (apresentado anteriormente na figura 1), clamando por melhorias operacionais capazes de fazer a posio da empresa mudar para o quadrante superior direito da mesma figura (efetivo e eficiente).

29

3. Referencial terico

3.1. Mtodos de previso de demanda Uma grande nfase tem sido dada melhoria do processo de tomada de deciso em organizaes governamentais e empresariais. Por causa do ambiente fortemente competitivo, tornou-se objetivo bsico alocar de maneira otimizada o pouco tempo disponvel entre atividades concorrentes. Esse objetivo pode ser alcanado, em parte, por meio da previso precisa. Nos anos 70, os administradores tomavam suas decises baseando-se fortemente em seus prprios sentimentos e intuies sobre a indstria e a economia. Hoje eles esto complementando esse sentimento em relao indstria ou economia com a utilizao de tcnicas de previso simples e sofisticadas. A difuso do uso de microcomputadores continua a reforar essa tendncia. (HANKE, 1992) Em um ambiente organizacional em contnua transformao, o que se procura reduzir incertezas. Os gestores demandam informaes que os auxiliem a escolher, hoje, as que parecem ser as melhores alternativas sobre eventos que ocorrero no futuro. Permitir a antecipao de cenrios futuros a proposta dos modelos de previso. (CORRAR & THEPHILO, 2004) Uma vez que as condies econmicas e de negcios variam ao longo do tempo, os gerentes de negcios precisam encontrar maneiras de se manter a par dos efeitos que essas mudanas tero em suas operaes. Uma tcnica que eles podem empregar, como forma de ajuda ao planejamento de necessidades operacionais futuras, a previso. Embora seja grande o nmero de mtodos de previso disponveis, todos tm um objetivo em comum fazer previses sobre eventos futuros, de modo que essas projees possam ser incorporadas ao processo de tomada de deciso. (LEVINE, BERENSON & STEPHAN, 2000) Levine, Berenson e Stephan (2000) dizem que existem, basicamente, dois tipos de mtodos de previso: o qualitativo e o quantitativo. O primeiro tipo especialmente importante quando dados histricos no esto disponveis, mas visto como altamente subjetivo e passvel de avaliao. J os mtodos quantitativos podem ser subdivididos em dois tipos: de srie temporal e de srie causal. O segundo tipo dentro do qual a regresso mltipla consiste em um exemplo
30

clssico envolve a determinao de fatores que se relacionam com a varivel a ser prevista. Os mtodos de previso de uma srie temporal que um conjunto de dados numricos obtidos durante perodos regulares ao longo do tempo envolve a projeo de valores futuros de uma varivel, com base, inteiramente, em observaes do presente e do passado dessa varivel. Em qualquer dos tipos, um interessante indicador capaz de mensurar a magnitude do erro de previso incorrido pelo mtodo o Erro Mdio Percentual Absoluto (MAPE). Ele consiste na mdia dos mdulos dos erros percentuais de previso, sendo estes ltimos obtidos para cada valor previsto atravs da frmula EP (erro percentual) = (valor previsto valor real) / (valor real). (HANKE, 1992)
3.1.1. Sries temporais

A principal caracterstica de uma srie temporal, que a torna distinta de uma amostra aleatria simples, a vinculao das observaes com o fator tempo. (CORRAR & THEPHILO, 2004) Silver (2000) justifica a importncia dos mtodos de previso para sries temporais dizendo que, em muitas anlises feitas nas cincias econmicas e administrativas, existe interesse particular em saber como uma varivel se comporta ao longo de tempo. O pressuposto bsico da anlise dessas sries, segundo Levine, Berenson e Stephan (2000), que os fatores que influenciaram padres da atividade no passado e no presente continuaro a faz-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, j que o que est sendo realizado uma extrapolao. Hanke (1992) sugere uma estratgia tpica para avaliar os mtodos de previso, envolvendo as seguintes etapas: 1. Um mtodo de previso escolhido baseando-se na intuio do analista sobre o padro dos dados. 2. O conjunto de dados dividido em duas sees uma parte para inicializao e outra para teste.
31

3. A tcnica de previso escolhida usada para desenvolver parmetros ajustados parte de inicializao dos dados. 4. A tcnica usada para prever a parte de teste dos dados, sendo o erro de previso calculado e avaliado. 5. Uma deciso tomada: empregar a tcnica em sua forma atual, modific-la, ou calcular uma nova previso usando outra tcnica (a comparao deve ser sempre baseada nos resultados alcanados, em termos do erro de previso). J Levine, Berenson e Stephan (2000) oferecem trs mtodos como linhas mestras para a seleo do modelo a ser utilizado: 1. Fazer uma anlise de resduos, que consistem na diferena entre os dados observados e os dados ajustados. Se o modelo em questo se ajustar adequadamente, os resduos representaro o componente irregular da srie temporal e devem, portanto, ser distribudos aleatoriamente ao longo da srie; se ele no se ajustar adequadamente, os resduos podero demonstrar um padro sistemtico, deixando de levar em conta, por exemplo, uma tendncia ou variao sazonal; 2. Mensurar a magnitude do erro residual. Se, depois da anlise de resduos, dois ou mais modelos parecerem adequados, a mdia aritmtica dos desvios (ou resduos; ou ainda erros de previso) absolutos deve ser calculada para os modelos candidatos e aquele com a menor dessas mdias pode ser selecionado como o mais apropriado; 3. Utilizar o princpio da parcimnia. 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) tambm depe a favor da parcimnia: Com relao aos modelos (...), sabe-se que os mais simples (...) so to bons como os mais complexos (...) e tm a vantagem de serem mais fceis de entender; isso torna provvel que os gerentes possam ajustar os resultados para fatores no includos no modelo, porque eles sabem o que esto fazendo. O autor afirma que, como princpio, para que o uso seja adequado, crtico o conhecimento das pressuposies implcitas nos modelos. Pode ento ser usado o julgamento, para ajustar o modelo aos fatores no includos e para avaliar o efeito de quaisquer pressuposies que o
32

mtodo, aparentemente, no atinja. Os modelos simples podem ser muito eficientes, desde que incorporem, adequadamente, o que deve ser medido e deixem o usurio ajustar a preciso, de acordo com o prprio julgamento. Na escolha dos mtodos, devem ser considerados: a finalidade da previso, at quando ela ser feita, a relao nmero-custo das previses necessrias, o conhecimento dos analistas e usurios, a periodicidade, a compatibilidade com o sistema de planejamento existente, as propriedades estatsticas das sries e o nmero de observaes passadas. Levine, Berenson e Stephan (2000) falam da importncia do monitoramento, de modo apropriado, do modelo de previso, uma vez que ele for selecionado; afinal, o objetivo do processo de seleo escolher um modelo que seja capaz de projetar ou prever futuros movimentos em um conjunto de dados da srie temporal. Mas, infelizmente, tais modelos de previso geralmente so precrios no que diz respeito a detectar alteraes na estrutura bsica da srie temporal. importante que essas projees sejam examinadas e, to logo um novo dado seja observado em algum perodo futuro de tempo, ele deve ser comparado com a sua projeo. Se a diferena for muito grande, o modelo de previso deve ser revisado. Os mtodos de previso de sries temporais mais utilizados na literatura so: 1. Amortecimento exponencial simples 2. Mtodo de Holt (amortecimento exponencial ajustado pela tendncia) 3. Modelo de Winter (amortecimento exponencial ajustado pela tendncia e pela variao sazonal) 4. Regresso linear simples 5. Regresso quadrtica 6. Regresso exponencial Hanke (1992) e Silver (2000) fornecem uma descrio aprofundada do primeiro mtodo da lista. A primeira destas referncias tambm apresenta detalhadamente os mtodos 2 e 3, enquanto Levine, Berenson e Stephan (2000) visitam a fundo os 3 ltimos mtodos da lista.

33

3.1.2. Sries causais

O mtodo mais recorrente na literatura, dentre os integrantes da famlia dos mtodos de srie causal, o da regresso linear mltipla, que pelo fato de ter sido utilizado para a resoluo de um dos principais problemas levantados na empresa estudada ser apresentado a seguir.
3.1.2.1. Regresso linear mltipla

Em geral, se a varivel a ser predita est fortemente correlacionada com outras variveis que esto sujeitas a grandes variaes, um modelo multivariado necessrio. (SILVER, 2000) Levine, Berenson e Stephan (2000) colocam que um modelo de regresso linear mltipla permite prever o comportamento de uma varivel (dependente), , em funo do comportamento de n outras (independentes), X1, X2, ... , Xn, atravs da equao: i = b0 + b1 X1i + b2 X2i+ ... + bn Xni, onde b0 a interseo, b1 a taxa de crescimento da varivel Y por unidade da varivel X1, ... , bn a taxa de crescimento da varivel Y por unidade da varivel Xn. Estes coeficientes podem ser obtidos facilmente em programas de computador, como o Excel, atravs do mtodo dos mnimos quadrados. Para prever o valor da varivel dependente Y em funo dos valores das variveis explicativas X1, X2, ... , Xn, basta resolver a equao acima. (LEVINE, BERENSON & STEPHAN, 2000) Segundo Lapponi (2005), o coeficiente de determinao ajustado (ou R-quadrado ajustado) representa a medida de qualidade para os modelos de regresso linear mltipla. Enquanto o coeficiente de determinao (R-quadrado) consiste no percentual de variao explicado pelo modelo, o seu valor ajustado tenta compensar o aumento natural de explicao provocado pelo aumento do nmero de variveis independentes que ocorre no caso da regresso mltipla e do tamanho da amostra. Ainda de acordo com o autor, outro indicador muito importante o valor F, que testa a hiptese de que nenhum dos coeficientes da regresso tenha significado. Adicionalmente, o valor F de significao consiste no p-value do teste; em outras palavras, na probabilidade de ocorrer um alinhamento linear to bom quanto o que efetivamente ocorreu, sem que as variveis independentes estejam efetivamente influenciando o comportamento da varivel

34

dependente. Assim, se este valor for menor que o nvel de significncia desejado, haver evidncias de que a regresso dever ser aceita. Individualmente, cada varivel independente tambm pode (e deve) ser submetida a um teste de hipteses para verificar a sua representatividade. A hiptese a ser testada a de que o coeficiente angular da varivel independente em questo zero; ou seja, de que a varivel no funciona como bom explicador linear para a varivel dependente (j que esta no estaria dependendo da suposta varivel explicativa). O p-value de cada varivel traduz a probabilidade do coeficiente em questo assumir o valor nulo e hiptese de no representatividade de cada varivel independente deve ser rejeitada quando o seu p-value for baixo, ou menor do que o nvel de significncia estabelecido para o teste. De acordo com Silver (2000), pode-se incorporar sazonalidade (ou outros fenmenos que alterem o padro temporal de uma srie, como feriados, promoes etc.) ao modelo de regresso por meio de variveis binrias. Tambm conhecidas como variveis simblicas ou variveis dummy segundo Levine, Berenson e Stephan (2000), elas so teis quando no se verifica o pressuposto das variveis explicativas (independentes) serem numricas. Existem muitas situaes em que variveis categorizadas precisam ser includas no processo de desenvolvimento do modelo. Por exemplo, o fato de um dia consistir ou no em um feriado poderia ser representado por uma varivel simblica, Fer, que utilizaria os valores 0 e 1 para indicar as duas categorias s quais um dia poderia pertencer: comum ou feriado, respectivamente. A varivel Fer seria tratada como qualquer outra na regresso mltipla, podendo, no entanto, assumir apenas esses dois valores (0 ou 1). O valor do coeficiente encontrado para essa varivel indicaria o efeito incremental (na varivel dependente) resultante do fato de o dia ser um feriado.

3.2. Previso de demanda de call centers Os supervisores dos call centers precisam dimensionar eficientemente as suas equipes para fornecer satisfatrios nveis de servio a custos razoveis. A administrao apropriada das centrais requer a estimao de algumas premissas operacionais capazes de determinar nveis apropriados de tamanho da equipe; entre estas premissas, destaca-se a demanda prevista de ligaes de clientes, questo que deve ser abordada regularmente. (WEINBERG, BROWN e STROUD, 2006; KLUNGLE & MALUCHNIK, 1997)
35

De acordo com Shen e Huang (2005b), Gans, Koole e Mandelbaum (2003) e Klungle e Maluchnik (1997), o gerenciamento efetivo e eficiente da operao de um call center mantendo um nvel de servio consistente requer um encaixe entre os recursos internos e a carga de trabalho. Para prever esta ltima de forma acurada, o primeiro e mais crtico passo conseguir uma previso acurada dos volumes futuros de ligaes (ainda mais importante nas centrais com altos nveis de utilizao). Usualmente, dois tipos de previso so necessrios para o gerente de um call center conseguir dimensionar e planejar os horrios da sua equipe: Prever os volumes de ligaes alguns dias e semanas frente; Atualizar dinamicamente a previso, em um dia particular, usando novas informaes disponveis medida que chamadas adicionais chegam central ao longo do dia. Isto til porque gera flexibilidade para a alocao dos recursos disponveis, acarretando uma maior eficincia e produtividade. Ao reavaliar a previso para o restante do dia, o gerente pode marcar reunies ou sesses 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 previses acuradas dos volumes futuros de chamadas, os gerentes dos call centers precisam juntar informaes de vrias fontes, desde previses do mercado at a durao dos intervalos comerciais. No entanto, parte das informaes mais importantes vem das estatsticas de volume histrico de chamadas que, usualmente, podem ser ajustadas para as tendncias atuais ou esperadas. Os autores alertam para a necessidade de essas estatsticas serem acuradas. Um erro comum usar a grandeza chamadas atendidas como medida do volume de ligaes 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 ligaes. Os modelos de sries temporais tm se constitudo no mtodo mais popular para o tratamento da previso de chamadas telefnicas, segundo Mehrotra (1997). As chamadas so previstas, baseando-se no histrico de dados, mas levando tambm em considerao o dia da semana e os fatores relativos ao ms do ano. Alm disso, outros formatos de modelos de previso foram aplicados em alguns ambientes de call center, com sucesso, como, por exemplo:
36

centrais de vendas baseando sua previso de chamadas nas remessas de produtos recebidas e nas propagandas para os clientes;

centrais responsveis pelo suporte de softwares baseando sua previso no nmero de vendas e upgrades de produtos;

centros de reservas usando modelos de previso que refletem o impacto de uma guerra de preos.

Segundo Shen e Huang (2005b), abordagens quantitativas para previso de chegada de chamadas fazem uso dos dados histricos de chegada, que armazenam os momentos no tempo em que ligaes chegaram central. Normalmente, estes dados so agregados em nmeros totais de chegadas durante pequenos intervalos de tempo, como 15 ou 30 minutos; subseqentemente, o alvo da previso consiste nos volumes de chamadas atingindo o call center durante tais perodos. A atividade de previso inerentemente difcil no caso dos call centers por causa do pequeno tamanho dos blocos de tempo. Tcnicas de previso estabelecidas (como o amortecimento exponencial de Winters e a regresso) so teis para este tipo de negcio. Geralmente, usar uma abordagem de previso apropriada ir cortar pela metade os erros de previso. No entanto, muitos call centers encontram dificuldades nesse processo por conta do conhecimento tcnico necessrio para adequar estas tcnicas aos complexos padres de chamadas e ao aspecto desarrumado dos dados. necessrio lidar com picos de demanda (e a perda de clientes oriunda deste fenmeno 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 freqentemente experimentam grandes flutuaes na demanda ao longo de perodos de tempo relativamente curtos. Adicionalmente, muitas centrais tambm precisam manter baixos os tempos de resposta demanda. Apesar de existir uma forte associao entre as medidas de performance e a abordagem de previso, nenhum mtodo aparenta ser consistentemente mais efetivo. Os autores deixam clara a importncia da acurcia na previso dizendo que esta tem significativa influncia sobre a performance da central, incluindo o grau de sucesso no atendimento das chamadas.
37

O propsito da previso estimar a carga de trabalho de forma a que se possa obter o tamanho certo da equipe para lidar com ela. E existem muitas situaes no ambiente de call center que requerem uma previso. O cenrio mais comum consiste nas operaes normais do dia-a-dia. Mas uma previso pode ser necessria para situaes especiais, como: o planejamento de novos tipos de chamadas; a abertura de um novo centro; uma fuso ou aquisio; uma mudana no horrio de operao; a implementao de uma nova tecnologia capaz de afetar o volume ou o padro das chamadas. Qual for a razo, importante entender os princpios bsicos da previso da carga de trabalho e como aplic-los de forma a planejar acuradamente os recursos da central de atendimento. (REYNOLDS, 2005) A previso do volume de chamadas um importante aspecto das operaes em call centers, sendo necessria para previso de carga de trabalho, alocao de mo-de-obra e planejamento de capacidade. Existem algumas regularidades dentro dos dados de chegada das chamadas, como a dependncia entre os dias (correlao entre os volumes de dias consecutivos e possveis ciclos semanais, mensais, sazonais e at anuais nos volumes de ligaes) e a dependncia intradiria (correlao entre chegadas em diferentes perodos de tempo manh, tarde ou noite dentro do mesmo dia). (SHEN & HUANG, 2005a) Na opinio dos autores, bons modelos de previso devem capturar pelo menos uma das duas estruturas de dependncia ou at mesmo as duas, conforme alguns exemplos existentes na literatura, incluindo o trabalho em questo, dos prprios. Os mesmo autores contam, em outro artigo (2005b), que os primeiros trabalhos que previam chegadas de chamadas usualmente ignoravam essa dependncia intradiria, devido em parte carncia de informaes relevantes. A partir da virada do sculo, com a disponibilidade de informaes chamada-por-chamada e, impulsionados por uma crescente necessidade de um gerenciamento mais eficiente de call centers, alguns modelos estocsticos de chegadas de chamadas que levam em conta a dependncia intradiria foram introduzidos. Mtodos bayesianos e outros que consideram o efeito do dia da semana, assim como a atualizao da previso intradiria, tambm apareceram na literatura. Wise (2005) lembra que o propsito real do processo de previso predizer quantos agentes so necessrios para lidar com o volume de chamadas. Para produzir uma previso acurada, os sistemas de gerenciamento da fora de trabalho tm que considerar tanto o que aconteceu no passado quanto o que esperado que acontea no futuro.
38

Segundo a autora, todos estes sistemas podem produzir previses bsicas; o problema que a maioria dos contact centers atuais precisam mais do que a funcionalidade bsica para prever acuradamente a demanda de ligaes para mltiplas centrais, estratgias de roteamento complexas, agentes com mltiplas habilidades e contatos multimdia. Os sistemas de gerenciamento que no conseguem levar em considerao as nuances dos ambientes especficos no so capazes de fornecer previses acuradas, embaando a visibilidade das necessidades de agentes e diminuindo a efetividade do negcio. A mesma, ento, relaciona as diferenas entre a funcionalidade de previso de um sistema bsico e a de um sistema mais avanado: sistemas bsicos oferecem funcionalidade para planejamento apenas do volume de chamadas recebidas, enquanto os sistemas avanados fornecem funcionalidade para planejar contatos no abandonados, como e-mail e requisies pela Internet; sistemas bsicos de previso utilizam um nico tempo mdio de atendimento para o dia inteiro, enquanto os sistemas avanados entendem que os valores reais do tempo de atendimento afetam os clculos de necessidades tanto quanto o volume de contatos e consideram os valores dessa grandeza a cada intervalo de tempo; sistemas bsicos s conseguem prever ambientes com mltiplas centrais tratando-as como uma grande entidade ou como entidades distintas, enquanto os sistemas avanados so capazes de fornecer o melhor dos dois mundos: prever todas as localidades em conjunto para levar em considerao ganhos de escala, enquanto consideram tempos de atendimento, horas de operao e fusos horrios prprios de cada central, acarretando uma visibilidade para as previses tanto do ponto de vista global como local; sistemas bsicos tm desafios significativos para prever acuradamente a demanda em ambientes com mltiplas habilidades, enquanto sistemas avanados entendem que, para determinar necessidades em tais ambientes, necessrio considerar durante que percentual de tempo cada agente pode estar disponvel para os contatos com os quais ele est habilitado a lidar. O processo de previso consiste tanto em arte quanto em cincia. Em arte porque o futuro, afinal de contas, est sendo previsto; e a acurcia da previso vai depender em parte do
39

julgamento e da experincia de quem estiver conduzindo o processo. Mas tambm em cincia: um processo matemtico passo-a-passo que utiliza a histria passada para prever eventos futuros. Um entendimento destas tcnicas estatsticas especializadas necessrio para o processo ser bem feito. Os administradores que possuem softwares de gerenciamento de fora de trabalho que automatizam o processo de previso no podem pensar que isso apenas suficiente; entender estes clculos to crtico quanto possuir o software: no s para verificar a acurcia dos resultados como tambm, e talvez de forma mais importante, para explicar os nmeros para a gerncia. Ou seja, mesmo tendo as ferramentas, vale a pena entender os fundamentos do processo de previso. (REYNOLDS, 2005) Por isso, Hawkins et al (2001) dizem que os gerentes, supervisores e lderes de equipes dos call centers precisam receber antes da central ser aberta e depois da sua completa implementao, de forma continuada treinamentos especficos em diversas reas, incluindo previso da carga de trabalho e planejamento de horrios da mo-de-obra. Steckley, Henderson e Mehrotra (2006) afirmam que um dos objetivos dos gerentes das centrais de atendimento identificar a quantidade mnima de agentes para atingir um bom nvel de servio. Mas essa tarefa no fcil, em parte por causa dos erros no processo de previso do volume de chamadas, que podem impactar na performance da atividade de planejamento. Os autores seguem dizendo que muitas vezes necessrio aumentar a quantidade de atendentes para poder lidar com a hiptese da demanda ter sido subestimada devido a um erro de previso. Se essa demanda por mais atendentes for emergencial, o reforo de contingente pode ter que ser conseguido atravs da terceirizao de parte da mo-de-obra. Por tudo isso, preciso identificar boas medidas para esses erros. Para tal, Shen e Huang (2005b) dizem que preciso conduzir um exerccio de previso com dados de fora da amostra (que serviu de base para a elaborao do modelo a ter seus erros mensurados). Duas medidas so usadas para estimar e comparar performances de previso: o erro absoluto, que consiste no mdulo da diferena 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.
40

Os autores enfatizam que essas duas medidas devem ser calculadas para cada dia e cada perodo de tempo; e definem algumas medidas capazes de sumarizar a performance global do processo de previso, ao longo de vrios perodos de tempo: o erro mdio absoluto, que consiste na mdia dos erros absolutos de todos os momentos no tempo considerados no perodo de avaliao; o erro mdio relativo, que consiste na mdia dos erros relativos de todos os momentos no tempo considerados no perodo de avaliao; a raiz do erro quadrtico mdio, que consiste na raiz quadrada da mdia dos erros absolutos (de todos os momentos no tempo considerados no perodo de avaliao) elevados ao quadrado. A respeito da sua funcionalidade, uma previso precisa para ser completa incluir no apenas o volume de ligaes, mas tambm a grandeza tempo de atendimento. Para calcular a carga de trabalho e prever o tamanho da equipe e os planos de horrios posteriormente, necessria uma fotografia da carga de trabalho, que consiste no nmero de chamadas multiplicado pelo tempo mdio de atendimento. (REYNOLDS, 2005) O tempo mdio de atendimento um dos alvos atacados pelo mtodo proposto por Shen e Brown (2005) para inferir acerca das curvas de regresses no-paramtricas, quando os erros seguem uma distribuio lognormal. O mtodo aplicado entre outros propsitos para modelar o padro (dependente do tempo) do tempo mdio de atendimento das chamadas de clientes recebidas no call center de um banco israelense. Os autores mostram que os tempos de atendimento seguem uma distribuio lognormal e, ento, modelam os mesmos por meio de uma funo no-paramtrica dependente da hora do dia. O entendimento de tal comportamento varivel destes tempos essencial para compreender o ambiente operacional (dependente do tempo) de um sistema, e tambm para prever dinamicamente a sua carga de trabalho futura. Reynolds (2005) sugere um processo de 4 passos para a realizao de uma previso de demanda (tambm vlido para a grandeza tempo de atendimento) em um call center:

41

1. Analisar e ajustar a informao histrica A chave para lidar com aberraes nos dados primeiramente determinar as razes devido s quais elas ocorreram. Se for um incidente isolado, ou at que possa ocorrer novamente, mas cujo momento de ocorrncia seja difcil de prever (como uma tempestade), necessrio normalizar os nmeros para cima ou para baixo de forma a refletir volumes realistas; mas se for um evento que se repete, de forma previsvel, os nmeros precisam ser mantidos para que a previso reflita o evento no futuro; 2. Prever as chamadas mensais Para transformar os dados brutos em previses para meses futuros, algumas abordagens esto disponveis, como: estimao pontual, mdia simples, mdia ponderada, mdia mvel, amortecimento exponencial e sries temporais (incluindo anlise de tendncia e de sazonalidade); 3. Criar previses dirias e para perodos de meia-hora Para detalhar a previso mensal em um escopo dirio, 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 necessrio repetir o processo para os padres dos perodos do dia, para que sejam conhecidos os picos, vales e perodos mdios em termos de volumes de ligaes. possvel que seja preciso explicitar essa sazonalidade intradiria para cada um dos dias da semana. 4. Ajustar a previso devido a outras influncias do negcio preciso incorporar na previso com a devida antecedncia o efeito no volume de ligaes que outras reas da empresa so capazes de empreender como, por exemplo: o setor de Marketing, cujas decises a respeito de vendas e promoes impactam tremendamente a demanda; o setor de Faturamento, que pode utilizar um novo formato de cobrana; o setor de Vendas, que pode conseguir novas contas de clientes; o setor de Logstica, que pode mudar a embalagem e forma de envio dos produtos. Por tudo isso, crtico que seja mantida uma comunicao 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 nmero de situaes pode ocorrer para causar a sua existncia, e todas elas devem ser consideradas durante o desenvolvimento dos modelos de previso. Os picos sazonais podem ocorrer em horizontes horrios, dirios, semanais, mensais e anuais e para que o dimensionamento do sistema seja
42

feito de forma apropriada os momentos em que e a magnitude com que eles ocorrem devem ser bem investigados ao longo de um perodo especfico de tempo (pelo menos 1 ano). Empresas que falham no planejamento dos picos e flutuaes do volume de chamadas correm o risco de fornecer servio inadequado e alienar clientes leais. Por isso, algumas empresas monitoram esse volume para cada cliente em tempo real e comparam com dados histricos. Isso permite que os gerentes saibam imediatamente se o volume de chamadas est excedendo a previso e, se for o caso, reajam rapidamente aumentando a oferta de atendentes (ou, em caso contrrio, mandando para casa agentes voluntrios que queiram encerrar mais cedo o expediente). (ALEXANDER COMMUNICATIONS GROUP INC, 2005) Shen e Huang (2005b) desenvolveram mtodos para previses dia-a-dia e intradiria (dinmica) do volume de chamadas entrantes. A abordagem consiste em tratar os perfis intradirios de volume de chamadas como vetores multidimensionais de sries temporais. A abordagem dos autores realiza inicialmente a reduo da dimensionalidade atravs da Decomposio em Valores Singulares (SVD) da matriz de perfis intradirios histricos; e ento aplica tcnicas de sries temporais e de regresso. Tanto a dinmica dia-a-dia quanto os padres intradirios das chegadas de chamadas so levados em considerao pela abordagem. Os mtodos propostos pelos autores foram aplicados a um conjunto real de informaes e mostraram melhorias substanciais em relao aos padres existentes na indstria, em uma comparao com dados de fora da amostra utilizada para a elaborao dos modelos; alm disso, so computacionalmente rpidos e, portanto, viveis para uso em uma previso dinmica em tempo real. Weinberg, Brown e Stroud (2006) propem, em seu artigo, um modelo multiplicativo para prever taxas intradirias de chegadas de chamadas ao call center de um banco comercial norte-americano. Mtodos de amostragem de Monte Carlo para cadeias markovianas foram usados para estimar os estados latentes e os parmetros do modelo; e um algoritmo seqencial de Monte Carlo foi proposto para uma estimao e previso dos parmetros e taxas do modelo. Adicionalmente, qualquer conhecimento anterior baseado em experincia passada do gerente pode ser incorporado ao modelo, assim como componentes observados somente a posteriori. Comparando as previses (para o dia seguinte) fornecidas pelo modelo dos autores e por
43

modelos estatsticos clssicos, eles puderam perceber melhorias de at 25% por parte do seu modelo em relao aos padres. Shen e Huang (2005a) ilustram o uso da Decomposio em Valores Singulares (SVD) para visualizao de informaes, deteco de outliers (pontos que fogem do padro) e reduo de dados (implicando em uma representao parcimoniosa dos dados originais sem perda de muita informao) em um ambiente de call center. O trabalho descreve como os dados reduzidos podem ser usados para algumas anlises estatsticas formais adicionais, incluindo o desenvolvimento de um modelo de previso para o volume de chamadas. Nele, os autores exploram um exemplo real, com dados coletados em um call center (do tipo inbound) de uma organizao financeira norte-americana de grande porte. A SVD sugere que o volume dirio de ligaes e o padro de chegadas dirias so dois componentes-chave, que so, ento, usados para a construo de um modelo multiplicativo de previso de curto prazo para o volume de ligaes, contendo uma estrutura auto-regressiva de sries temporais que depende do dia da semana. Os seguintes artigos tambm citam, descrevem, discutem e questionam a aplicao das tcnicas de previso 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 cincia da administrao, o termo Teoria de Filas consiste no corpo de conhecimento que lida com filas de espera. A teoria de filas foi concebida no incio do sculo XX quando o engenheiro de telefonia dinamarqus A. K. Erlang comeou a estudar o congestionamento e os tempos de espera que ocorriam no momento em que as ligaes telefnicas eram completadas. Desde ento, inmeros modelos quantitativos tm sido desenvolvidos para ajudar pessoas de negcios a entenderem as filas, preverem seu comportamento em alguns casos particulares e fazerem melhores decises acerca de como gerenci-las. A teoria de filas uma das mais antigas e mais bem pesquisadas reas da cincia da administrao. (RAGSDALE, 2001; BROWN et al, 2002)

44

Segundo Ragsdale (2001), muitos problemas de filas tm como foco determinar o nvel de servio que uma empresa deveria fornecer. Em muitos deles, a gerncia tem algum controle sobre o nvel de servio fornecido. No entanto, isto pode ser caro, ou de fato um desperdcio, se for mantido um nmero excessivo de servidores ociosos. Por outro lado, empregar um nmero pequeno de servidores mantm baixo o custo de fornecer o servio, mas resulta em maiores tempos de espera para os clientes e sua maior insatisfao. Portanto, existe um tradeoff entre o custo de fornecer o servio e o custo de ter clientes insatisfeitos se o servio for escasso. Porm, de acordo com Hillier e Lieberman (1995), esta deciso normalmente difcil de ser tomada, pelo fato de ser freqentemente impossvel prever acuradamente quando os clientes chegaro em busca do servio e quanto tempo ser necessrio para o servio ser prestado. Os autores tambm dizem que a teoria de filas, por si s, no resolve esse tipo de problema diretamente, ou seja, ela no busca atingir a meta de otimizao na tomada de deciso; porm, ela contribui com informaes vitais para estas decises atravs da previso de vrias caractersticas da fila, como o tempo mdio de espera, entre outras, e do comportamento do sistema. Na verdade, situaes de fila que requerem tomada de deciso so encontradas em uma grande variedade de contextos. Por essa razo, no possvel apresentar um procedimento de tomada de deciso que seja aplicvel a todas estas situaes. Em outras palavras, todo problema individual tem suas prprias caractersticas especiais e, portanto, nenhum procedimento padro pode ser indicado para se encaixar em todas as situaes. Hillier e Lieberman (1995) descrevem o processo bsico assumido pela maior parte dos modelos de fila: clientes requerendo servio so 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 selecionado por alguma regra conhecida como disciplina da fila. O servio requerido ento realizado para o cliente pelo mecanismo de atendimento, aps o qual o cliente deixa o sistema de filas. Para falar das caractersticas dos sistemas de filas, Ragsdale (2001) descreve a taxa de chegada. Em muitos sistemas de filas, os clientes chegam segundo um padro randmico, ou seja, o nmero de chegadas que ocorrem em um determinado perodo de tempo consiste em uma varivel aleatria. Normalmente, apropriado modelar o processo de chegada em um sistema de filas como uma varivel aleatria Poisson. Para us-la, necessrio especificar um

45

valor para a taxa de chegada, representada por , que consiste no nmero mdio de chegadas dentro de um intervalo de tempo. O tempo entre duas chegadas consecutivas conhecido como tempo (ou intervalo) entre chegadas. Se o nmero de chegadas em um determinado perodo de tempo segue uma distribuio Poisson com mdia , pode ser demonstrado que o tempo entre chegadas segue uma distribuio exponencial com mdia 1/ . Na opinio do autor, a distribuio exponencial tem um papel chave nos modelos de fila, pois uma das poucas distribuies sem memria; ou seja, o tempo at a prxima chegada no depende de quanto tempo se passou desde a ltima chegada. Segundo ele, a maior parte dos modelos de fila existentes assumem que as chegadas seguem uma distribuio exponencial. Ragsdale (2001) apresenta tambm a taxa de servio, dizendo que um cliente que chega a uma instalao de servio 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 servio inicia conhecido como tempo de atendimento. De acordo com o autor, normalmente, apropriado modelar este tempo como uma varivel aleatria com formato exponencial. Para tal, uma taxa de servio, representada por , precisa ser especificada. Ela consiste no nmero mdio de clientes que podem ser atendidos por unidade de tempo. Nas distribuies exponenciais, pequenos tempos de atendimento tm mais probabilidade de ocorrncia. Na prtica, uma quantidade mnima de tempo normalmente necessria para um servio ser prestado. Como a distribuio exponencial abre possibilidade para essa varivel assumir o valor zero (e tambm valores baixssimos), ela tende a subestimar o tempo de atendimento real requerido para boa parte dos clientes. Esta distribuio tambm assume que tempos de atendimento altssimos podem ocorrer (mesmo que de forma pouco freqente), superestimando a varivel. Na opinio do autor, os dois fenmenos acabam se compensando, permitindo que a distribuio exponencial fornea uma descrio razoavelmente acurada do comportamento do tempo de atendimento em muitos problemas do mundo real. Mas ele mesmo alerta que esta distribuio no consiste em um modelo adequado para o tempo de atendimento em todas as aplicaes. Ragsdale (2001) diz que, nas situaes em que foi possvel, pesquisadores desenvolveram equaes para calcular vrias caractersticas operacionais de modelos de filas especficos. Estas caractersticas operacionais podem ser teis para os administradores que precisam tomar decises acerca do trade-off entre o custo de fornecer o servio e o custo de ter clientes insatisfeitos por causa do baixo nvel de servio.

46

Os principais cenrios para os quais existem equaes desenvolvidas na literatura esto 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 mximo de fila; tempo entre chegadas exponencial dependente do nmero de clientes no sistema (populao finita), tempo de atendimento exponencial, com mais de 1 servidor; tempo entre chegadas exponencial, tempo de atendimento seguindo qualquer distribuio, com 1 servidor. As equaes desenvolvidas para estes cenrios 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 suposies (que no as de distribuio exponencial e Erlang), resultados analticos teis tm sido obtidos apenas em poucos casos. De fato, nem todos os modelos de fila tm equaes fechadas para descrever as suas caractersticas operacionais.
3.3.1. Teoria de filas aplicada a call centers

Em um sistema de um call center, uma fila acontece quando no existe um agente disponvel para atender um cliente, sendo este colocado em espera em uma fila virtual, da qual ele s sai quando um operador alocado para atend-lo ou quando ele abandona a chamada. Conforme observado por Brown et al (2002), no caso dos call centers, a fila virtual formada invisvel entre os clientes (que no vem uns aos outros) e entre eles e os operadores que os servem. No cenrio de call centers, Arajo, Arajo e Adissi (2004) dizem que as disciplinas das filas, se bem gerenciadas, so fortes aliadas da rea de planejamento e controle da produo dos call centers, que tem como meta atingir os resultados esperados com recursos, muitas vezes, escassos, tornando esta rea cada vez mais importante nestas empresas. As disciplinas das

47

filas, quando bem administradas, podem trazer redues significativas nos tempos de espera dos clientes que por elas passam. O trabalho dos autores apresenta a bem sucedida experincia da implantao de uma disciplina de fila diferente daquelas mais freqentemente usadas em uma empresa de telecomunicaes, gerando economia e aumento da satisfao dos clientes por causa de melhorias no nvel de servio, no percentual de ligaes atendidas e no tempo mdio de espera. Para tanto, no lugar de filas simples no-priorizadas, foram feitas priorizaes para o atendimento demanda, considerando algumas variveis associadas s ligaes (seu tipo e, conseqentemente, sua durao esperada). As filas inteligentes, ento, diferenciaram os diversos tipos de clientes, segmentando-os de acordo com o seu tipo de dvida e a sua criticidade. Dessa forma, dentro de certos limites, clientes com dvidas 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 aplicao, que se revelam ser bem diferentes daqueles obtidos por modelos mais tradicionais. A abordagem analtica em questo de fcil aplicao e oferece interessantes insights para o gerenciamento da atividade. Algumas caractersticas das centrais de atendimento tornam difcil a aplicao de frmulas analticas da teoria de filas para a sua modelagem, incluindo: distribuies genricas para o tempo de atendimento, taxas de chegada variando com o tempo, sobrecargas temporrias e abandonos. O novo modelo apresentado por Chassioti e Worthington (2004) consiste em uma abordagem prtica capaz de incorporar a maioria dessas caractersticas. Segundo Bapat e Pruitte Jr. (1998), as premissas adotadas nas anlises baseadas nos modelos analticos de teoria das filas so extremamente limitadas quando trabalhadas no contexto atual dos call centers porque: as chamadas recebidas so 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 mo-de-obra e aumentado os custos de pessoal da empresa;

48

os agentes atendem s chamadas fundamentados na disciplina onde o primeiro que entra o primeiro que sai (PEPS; ou FIFO, em ingls);

cada operador atende todas as chamadas da mesma maneira.

Essas premissas raramente so vlidas no ambiente em que as empresas de call center esto inseridas, j que, de acordo com os autores dependendo da tolerncia individual para esperar o seu atendimento um cliente pode abandonar a ligao, caso seja colocado em uma fila. Alm disso, os operadores normalmente diferem em relao s habilidades e tambm ao tempo de atendimento de uma chamada. Adicionalmente, as necessidades dos clientes so muito diferences e, algumas vezes, uma priorizao de forma que um servio melhor possa ser prestado se faz necessria. Mas, Bapat e Pruitte Jr. (1998) acreditam que muitas empresas continuam apoiando as normalmente complexas tomadas de deciso acerca da alocao de recursos atravs dos modelos analticos de teoria das filas, motivadas pelas relativas facilidade e rapidez da abordagem. Muitas centrais de atendimento apresentam uma distribuio genrica (lognormal, por exemplo) para os seus tempos de atendimento, e no necessariamente uma distribuio exponencial negativa (BROWN et al, 2002). O formato exponencial 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 situaes onde esses tempos so considerados como variveis que seguem uma distribuio exponencial solues analticas para o estado estacionrio do sistema. Parte dos livros de teoria de filas (GROSS & HARRIS, 1985; KLEINROCK, 1975) trata de modelos estacionrios e alguns (HILLIER & YU, 1981) apresentam tabelas e grficos para o nmero 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 variao motivada por propagandas, horrio de trabalho etc.. A fadiga dos atendentes pode gerar uma variao tambm no tempo de atendimento medida que o tempo passa, mas esta insignificante quando comparada variao das taxas de chegada. As solues encontradas na literatura para lidar com taxas de chegada variando

49

em funo do tempo no so muito utilizveis porque envolvem funes de Bessel, de difcil aplicao na prtica. (CHASSIOTI & WORTHINGTON, 2004) Entre os mtodos de aproximao, os mais simples que podem ser usados so o Simple Stationary Approximation (SSA) (CHASSIOTI & WORTHINGTON, 2004) e o Pointwise Stationary Approximation (PSA) (GREEN & KOSELAR, 1991). Na opinio de Chassioti e Worthington (2004), outros mtodos de aproximao fazem-se, no entanto, necessrios, porque o SSA e o PSA apresentam um desempenho pobre em casos importantes e tambm porque necessrio lidar com distribuies do tempo de atendimento diferentes da exponencial. Os seguintes artigos tambm citam, descrevem, discutem e questionam a aplicao da teoria de filas (e outros mtodos analticos) 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. Simulao De acordo com Corrar e Thephilo (2004), a histria da simulao remonta aos jogos de guerra chineses, h 5.000 anos. Durante a Segunda Guerra Mundial, o matemtico hngaroamericano John Von Neumann, em seu trabalho no Projeto Manhattan (da bomba atmica), criou um novo conceito, denominado Simulao de Monte Carlo. Desde o final do sculo XX em diante, graas ao desenvolvimento dos recursos computacionais, esse mtodo tem sido usado rotineiramente em diversas reas, desde a simulao de fenmenos fsicos complexos, como o transporte de radiao na atmosfera terrestre, at em causas mais populares, como na simulao do resultado de loterias. Pacotes conhecidos de softwares de simulao, como o Crystall Ball, @Risk, DecisionPro, Xcell, SLAM, Witness e MAP/1, servem ao campo dos negcios, ajudando os gestores na deciso sobre investimentos, melhoria de fluxos operacionais, polticas de estoque, manuteno etc.. (CORRAR & THEPHILO, 2004) A simulao consiste em uma das tcnicas mais gerais usadas em Pesquisa Operacional, que procura imitar a operao de um processo ou de um sistema da vida real ao longo do tempo,
50

com o auxlio de um modelo. Este modelo utiliza distribuies de probabilidade para gerar randomicamente vrios eventos que ocorrem no sistema, tornando possvel comprimir o tempo (dados relativos a meses e anos futuros podem ser obtidos em um pequeno perodo de tempo). Quer seja feita mo ou atravs de um computador, a simulao envolve a gerao de uma histria artificial com o objetivo de obter inferncias relativas s caractersticas operacionais do sistema real e melhorar o desempenho do mesmo atravs da comparao de alternativas e da anlise de sensibilidade dos parmetros do sistema, sem que ele precise ser efetivamente modificado ou at mesmo sem que necessariamente exista. (BANKS, CARSON & NELSON, 1999; HILLIER & LIEBERMAN, 1995; PIDD, 1998; SILVA et al, 1998; PEREIRA JR., 1999; CORRAR & THEPHILO, 2004; HERTZ, 1980) Os modelos de simulao so analisados por mtodos numricos e no por mtodos analticos. Mtodos analticos aplicam raciocnios dedutivos da matemtica para resolver o modelo. No caso dos modelos de simulao, que empregam mtodos numricos, os modelos so rodados, ao invs de resolvidos. (BANKS, CARSON & NELSON, 1999; HILLIER & LIEBERMAN, 1995) Costuma-se fazer uma analogia entre a simulao e a cirurgia clnica, j que ambas devem ser utilizadas como um ltimo recurso, aps esgotarem-se as demais alternativas de soluo para um problema, muitas vezes mal-estruturado. Desta forma, esta ferramenta tida como de valor incalculvel para lidar com aqueles problemas onde tcnicas analticas so inadequadas, muito complexas ou inexistem; e largamente utilizada em tais situaes, onde grandes complexidades e incertezas (no caso da anlise de risco) encontram-se presentes. (SALIBY, 1989; HILLIER & LIEBERMAN, 1995; SILVA et al, 1998; KLUNGLE & MALUCHNIK, 1997; RAGSDALE, 2001; CORRAR & THEPHILO, 2004; HERTZ, 1980) Mas, segundo Saliby (1989) e Corrar e Thephilo (2004), bons modelos de simulao podem ser caros, por exigirem longos e complicados processos de desenvolvimento (modelagem e programao) e de validao (tanto do modelo computadorizado quando do modelo conceitual). Adicionalmente, os resultados de um estudo de simulao esto sujeitos a variaes (baixa preciso), alm de no apontarem diretamente a soluo tima para o problema em estudo. Toda simulao requer a construo de um modelo (com o qual sero feitos os experimentos), que deve comear de forma simples e ter sua complexidade aumentada aos poucos. Este
51

modelo definido por um conjunto de relaes lgico-matemticas, descritas geralmente por um programa de computador. Dependendo do tipo de modelo, a simulao pode ser: determinstica ou probabilstica; estatstica ou dinmica; e discreta ou contnua. (SALIBY, 1989; PIDD, 1998) Maiores informaes sobre os trs critrios de classificao da simulao podem ser encontradas em algumas fontes sobre o assunto. (SALIBY, 1989; SILVA et al, 1998; BANKS, CARSON & NELSON, 1999) J que muitas das suas restries tm sido objeto de contnuos estudos por parte de especialistas (a partir dos quais muitos progressos vm sendo registrados), a simulao tornou-se uma abordagem de estudo que vem sendo cada vez mais utilizada nas mais variadas reas de conhecimento, inclusive por causa da sua flexibilidade: sistema de estoques e compras; planejamento financeiro (anlise de risco); sistemas macroeconmicos; sistemas de transporte pblico; operaes militares; e sistemas de atendimento (filas), tais como a operao de atendimento de um banco ou de uma central telefnica. (SALIBY, 1989)

3.5. Simulao 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 contriburam para o aumento da demanda pelo uso da ferramenta de simulao no setor de call centers: a crescente importncia dos call centers para boa parte das corporaes (devido ao rpido crescimento da era da informao e das comunicaes e do aparato tecnolgico), aumentando a necessidade de utilizao de metodologias cientficas de tomada de deciso e ferramentas para a sua gerncia estratgica em substituio ao uso da intuio; a complexidade crescente do trfico de chamadas unido a regras cada vez mais presentes de roteamento baseado em habilidades; a incerteza cada vez mais predominante nos problemas de deciso normalmente encontrados no gerenciamento operacional das centrais;

52

rpidas mudanas nas operaes e incremento nas atividades de reengenharia resultantes do aumento de fuses e aquisies, volatilidade do negcio, opes de terceirizao e utilizao de diferentes canais para atingir o consumidor (telefone, email, chat);

e a disponibilidade e o preo acessvel dos computadores, aliados a uma gama de aplicaes de simulao em call center disponveis no mercado, cada vez mais intuitivas e fceis de serem aprendidas e usadas.

Por isso, o assunto simulao em call centers to recente nos fruns de discusso de simulao pelo mundo afora; e por isso tambm que tem recebido bastante destaque nos ltimos anos nos artigos, congressos e conferncias de simulao. Por exemplo, a palestra de abertura da Winter Simulation Conference (um dos mais renomados encontros dos estudiosos de simulao) de 1999, ministrada pelo Dr. Jon Anton (Purdue University) teve como ttulo O uso da simulao na otimizao de call centers. A simulao, de acordo com Mehrotra (1997), modela explicitamente a interao entre chamadas, rotas e agentes, assim como a aleatoriedade das chegadas de chamadas individuais e dos tempos de atendimento. Atravs do uso da simulao, gerentes e analistas traduzem dados brutos de call centers (previso de chamadas, distribuies de tempos de atendimento, horrios e habilidades de agentes, vetores de roteamento de chamadas etc.) em manusevel informao sobre nveis de servio, abandono de clientes, utilizao de agentes, custos e outras importantes medidas de performance em um call center. Segundo Chokshi (1999) e Klungle e Maluchnik (1997), a utilizao da simulao para auxiliar a tomada de decises no gerenciamento de call centers permite os seguintes benefcios: visualizar processos futuros e ser usada como uma ferramenta de comunicao; validar premissas de processos antes de sua implementao; analisar detalhadamente o impacto de mudanas (anlise de cenrios); prever necessidades agregadas de recursos e programar a fora de trabalho; mensurar indicadores de performance;
53

estimar impactos nos custos e economias.

A primeira utilidade da simulao em um call center, segundo Hall e Anton (1998), a de avaliao, quando se pode verificar onde o call center est. A pergunta-chave quo eficiente e efetivo a operao atualmente?. O objetivo da avaliao estabelecer uma linha de partida (e de referncia) para a mudana. A avaliao situa o call center especfico dentro das mtricas da indstria, analisa o status quo e fornece uma fotografia para o futuro, que pode envolver um completo realinhamento do call center e de sua misso para apoiar a direo estratgica da empresa. A simulao computacional uma ferramenta para se estabelecer essa linha de partida e de referncia. (HALL & ANTON, 1998) O artigo dos ltimos autores mostra um estudo de caso ilustrativo de avaliao de uma grande central de atendimento de servio de utilidade pblica nos EUA. Klungle (1999) apresenta um caso onde uma aplicao em um call center de reclamaes de seguros utilizada para mostrar a efetividade da simulao ao avaliar desenhos de centrais de atendimento. O estudo de simulao realizado por Gulati e Malcolm (2001) em um call center (do tipo outbound) de um grande banco mostrou que a sua gerncia estava correta, quando presumira que o software usado para fazer a programao das chamadas baseado em uma heurstica no estava fornecendo um nvel de servio adequado. Mehrotra, Profozich e Bapat (1997) falam da segunda utilidade da simulao em um call center: sem atrapalhar a operao da central e sem impactar no seu oramento, a simulao permite o entendimento rpido e acurado de como ser a performance operacional do call center diante de certos cenrios (baseados em modificaes causadas por iniciativa externa ou gerencial como, por exemplo, uma nova tecnologia, uma nova estratgia de negcio ou um aumento da carga de trabalho), antes que qualquer mudana seja efetivamente feita. Segundo os autores, dessa forma, algumas questes podem ser respondidas, entre outras: Qual o impacto de um overflow de ligaes? Quais so os trade-offs envolvidos no ato de priorizar as chamadas de clientes especiais?

54

O servio pode ser melhorado se forem colocados despachantes para fornecer informaes bsicas aos clientes?

No tocante anlise de cenrios, o trabalho de Gulati e Malcolm (2001) usou a simulao para comparar a performance de trs diferentes abordagens de programao de chamadas (heurstica, otimizao por lotes dirios e otimizao dinmica de hora em hora), revelando existir oportunidades de melhoria no processo do call center (do tipo outbound) do banco estudado. Modelos de simulao computacional revelaram-se ser a nica maneira prtica 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. Atravs destes modelos, foi possvel imitar o processo atravs do qual as chamadas so realizadas a partir de uma lista produzida por cada um dos trs algoritmos de programao. Os outputs do modelo forneceram uma maneira de verificar a performance do sistema em relao s metas da administrao e mostraram que as abordagens no heursticas produziriam resultados superiores, mas no durante todo o perodo do dia. Em relao ao mesmo tema, Miller e Bapat (1999) descrevem como a simulao foi usada para projetar o ROI da compra e utilizao de uma nova tecnologia de roteamento de chamadas para 25 centrais de atendimento. Com investimentos de US$ 17 milhes e custos anuais de operao de US$ 8 milhes para a nova tecnologia, era preciso determinar se ela provocaria benefcios suficientes (atravs de reduo nos custos dos troncos, aumento da produtividade dos operadores e possibilidade de atender mais chamadas) para garantir a sua implementao em nvel nacional. Foram conduzidas simulaes dirias com pequenos e grandes volumes (o que acarretou grande variao nos resultados) e com outras anlises de cenrios para facilitar as decises de planejamento. Um prottipo da nova tecnologia foi usado na tentativa de comparao de resultados, mas foi a simulao que tratou a questo da melhor maneira. (MILLER & BAPAT, 1999) Ainda dentro do assunto referente segunda utilidade da simulao (anlise de cenrios), Lam e Lau (2004) descrevem um esforo de reestruturao de uma empresa de Hong Kong, que fornece servios de assistncia tcnica para equipamentos de escritrio e computadores. Estando disponveis muitas oportunidades de melhorias no processo, a abordagem de simulao foi usada para explorar as diferentes opes e para avaliar os resultados da reestruturao dos call centers existentes. A anlise dos resultados simulados confirmou que a

55

grande oportunidade de melhoria consistia na juno dos recursos existentes em uma nica central. De forma geral, segundo os autores, a gerncia de um call center pode assegurada pelos resultados da simulao avaliar diferentes benefcios tangveis e intangveis antes de implementar o plano de reestruturao. Outro exemplo na mesma linha pode ser encontrado no estudo apresentado por Saltzman e Mehrotra (2001), onde foi aplicada a ferramenta de simulao em uma grande empresa de software que pretendia visualizar o funcionamento operacional do seu call center antes do lanamento de um novo programa de servio de suporte pago. A idia consistia em verificar se seria cumprida a meta de os clientes pagantes terem que esperar menos de 1 minuto para serem atendidos. Os gerentes tambm queriam saber qual seria o impacto do novo programa sobre o servio oferecido base regular de clientes no pagantes. Com o uso da simulao, foi possvel prever o comportamento do sistema e, assim, tomar as medidas necessrias 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 simulao pode (e tem sido cada vez mais usado para tal) alm de normalmente permitir grficos e animaes contemplar alguns aspectos crticos dos call centers receptivos modernos de todos os tamanhos e tipos, entre outros: nvel de servio especfico; flexibilidade na distribuio dos tempos entre chegadas e de atendimento; consolidao de centrais; roteamento baseado em habilidades; tipos mltiplos de chamadas; filas simultneas; padres de abandono de chamadas; retorno de ligaes; overflow e transbordo;

56



priorizao de filas; transferncia de chamadas e teleconferncias; preferncias, proficincia, tempo de aprendizado e esquema de horrio 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 diferenciao por tipos de chamada) e nvel de utilizao dos operadores (com possibilidade de diferenciao por tipos de operador). E devido adequao desta abordagem s caractersticas reais e complexas dos call centers, a simulao pode tornar mais confivel 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 mtodos tradicionais mais usados no gerenciamento e dimensionamento de um call center (estimativas intuitivas, clculos improvisados, planilhas e modelos tericos de filas Erlang) esto se tornando significativamente limitados por causa da variabilidade das chegadas de chamadas, das rotas e do tempo gasto nas ligaes, das habilidades e prioridades dos operadores, da heterogeneidade das chamadas e da interao entre elas e os troncos, da dinmica de abandono das chamadas, das tendncias recentes (como o roteamento baseado em habilidades, canais eletrnicos e manuseio interativo de chamadas) e, de uma forma geral, da sofisticao e complexidade cada vez mais presentes nos sistemas de call centers. Por exemplo, os modelos analticos comumente assumem que a chegada dos clientes consiste em um processo Poisson quando, na verdade, os dados de call centers rejeitam esta premissa freqentemente. Adicionalmente, planilhas e modelos Erlang superestimam a quantidade de atendentes, alm de terem pouca preciso para centrais com atendimento diferenciado. A simulao estende a capacidade das ferramentas analticas e operacionais e consiste em uma ferramenta superior quando no est disponvel nenhum modelo terico tratvel que fornea uma representao razovel do sistema sob estudo e as mdias no so suficientes, a acurcia importante, a operao detalhada, a demanda varia muito, gargalos e necessidades de mudanas no desenho dos processos precisam ser identificados e/ou uma animao necessria para a melhor comunicao de uma modificao para a diretoria. As recentes tendncias da indstria demandam abordagens mais sofisticadas e a simulao fornece as tcnicas necessrias para se adquirir insights sobre essas novas tendncias e ajuda a
57

dar forma aos seus desenhos atuais e futuros, consistindo no nico mtodo de anlise apto a modelar um call center eficiente e acuradamente, atravs de uma abordagem muito mais prtica, flexvel em termos de inputs e outputs, e capaz de permitir a incluso de detalhes importantes, refletir muito melhor a realidade (sem grandes necessidades de simplificaes, como nos modelos tericos), 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 otimizao de forma bem mais confivel. (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 simulao no pressupe a completa eliminao da participao de outras abordagens no processo de dimensionamento de uma central, podendo inclusive ocorrer uma integrao entre diversas tcnicas, em alguns casos, como no caso retratado por Barboza et al (2003). Os autores propem uma soluo para a elaborao e designao de horrios de atendentes em uma central telefnica de atendimento 24 horas terceirizada, envolvendo trs fases: determinao (atravs de uma simulao da central) do nmero necessrio de atendentes para cada horrio do dia, sendo fixado um certo nvel de servio (que influencia diretamente o faturamento da empresa terceirizada); verificao (atravs de Programao Inteira algoritmo Branch and Bounds) dos melhores horrios dos atendentes de forma a minimizar os custos da empresa (salrios), em funo do nmero de atendentes em cada categoria (3, 4 e 6 horas de trabalho dirias) e dos resultados da primeira fase; e designao (atravs do algoritmo de Matching de Peso Mximo) do horrio de cada atendente, no sentido de maximizar a sua satisfao (medida de acordo com questionrios de preferncia de horrios) e atender os resultados da segunda fase. Uma semana real especfica comparada com esta mesma semana simulada, contemplando o nmero de chamadas ocorrido a cada meia hora, o nmero de atendentes sugeridos pelo modelo para atingir um nvel de servio pr-determinado, o nmero de atendentes efetivamente utilizado pela empresa naquele perodo durante aquela semana e o nvel de

58

servio efetivamente atingido pela empresa a cada meia hora. Essa comparao revela que a empresa poderia escalonar de maneira melhor os seus funcionrios, j que em alguns perodos, houve excesso de mo-de-obra e em outros houve falta, acarretando nveis de servio maiores e menores, respectivamente, do que o estipulado (ou desejado). Dessa forma, a empresa poderia usar um menor nmero de funcionrios (e reduzir seus custos) e atingir um nvel de servio melhor (e estvel), o que aumentaria diretamente seu faturamento. Outra vantagem seria a maior satisfao em relao preferncia de horrios que seria alcanada entre os atendentes. (BARBOZA et al, 2003) Mehrotra e Fama (2003) e Klungle (1999) enxergam tendncias futuras capazes de impactar a simulao 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 combinao de habilidades e regras de roteamento obrigando os analistas a criarem modelos mais ricos; o surgimento de cada vez mais softwares de simulao especializados em call center, cuja importncia tende a acompanhar o papel que a simulao assumir no processo de redesenho das centrais, necessrio para lidar com a sua nova complexidade; o entendimento maior por parte dos executivos que os call centers so componentes centrais na cadeia de valor do cliente, disparando um desejo de entender os riscos inerentes de qualquer configurao operacional e a conseqente melhoria na qualidade dos dados coletados e na acurcia dos parmetros (como distribuio do tempo entre chegadas, tempo de atendimento, tempo de espera, taxa de abandono e outros), encerrando resultados mais robustos. Os seguintes artigos tambm citam, descrevem, discutem e questionam a aplicao da simulao a call centers, merecendo destaque: ELANGO (2006); MARKT (2005); ATLASON & EPELMAN (2002); GROSSMAN et al (2001).
3.5.1. Softwares de simulao para call centers

Segundo Mehrotra (1997), ao longo dos ltimos anos, pacotes de simulao disponveis comercialmente tem sido desenvolvidos especificamente para call centers, permitindo

59

gerentes e analistas sem extensas habilidades matemticas nem de programao construir e rodar modelos de call center rapidamente.
3.5.1.1. Arena Contact Center

Devido ao sucesso do uso da simulao em ambientes de call center, a Systems Modeling Corporation em parceria com a Onward (consultoria especializada em anlise e melhoria da operao de call centers), desenhou um sistema de simulao chamado Arena Contact Center (antigo Call$im) construdo a partir do software Arena, especialmente para o desenvolvimento de modelos para call centers, com animao e apresentao de estatsticas em tempo real e tambm na forma de relatrios. (PARAGON, 2005) De acordo com a fonte, o software possibilita criar um call center virtual no computador, para avaliao de investimento, nvel de servio, turnos, etc. sem riscos. Ele apresenta grandes vantagens sobre outros produtos de simulao, j que simples, amigvel, focado e usa a terminologia de call centers sempre que possvel, com o objetivo de tornar intuitivos a construo e o uso do modelo. A maioria das ferramentas de simulao de propsito 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 genricas e sofisticadas no muito prtico para um gerente de call center. O Arena Contact Center permite a gerao do modelo inicial em poucas horas. Klungle (1999) acrescenta que, alm de ser mais flexvel em termos de modelagem, o software fornece uma riqueza de informaes sobre performance do sistema, incluindo nvel de servio, taxas de abandono e de utilizao dos operadores e capacidade do sistema, tornando-se extremamente til para gerentes, planejadores e analistas operacionais e financeiros de call centers e para consultores na rea. Algumas perguntas que o software pode responder, segundo (PARAGON, 2005), so: Quantos atendentes so necessrios para atingir o nvel de servio desejado? Como possvel atender a picos de demanda sem terceirizao? Como os novos roteamentos de chamadas vo impactar a operao?

60

Qual o impacto de transferir ligaes, em diversos centros? E com a adoo de uma nova URA?

Qual o impacto de adotar o conceito de "cliente preferencial"?

De acordo com a mesma fonte, a modelagem 100% grfica, em ambiente semelhante a um fluxograma, o que pode ser conferido na figura 4 a seguir. Ela facilitada pelo mdulo Input Analyzer, que analisa os dados de entrada fornecidos pela central telefnica e ajusta a melhor equao matemtica 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 tcnico) podem ser visualizados ao mesmo tempo em que alguns indicadores dinmicos (ligaes em espera, abandonadas, nvel de servio etc.) vo sendo atualizados. Ainda segundo a fonte, os seis passos bsicos para a construo de um modelo usando a ferramenta, de forma fcil e rpida, so: Definio dos grupos de troncos e dos parmetros de configurao do call center; Especificao do esquema de horrio dos operadores; Definio dos grupos de operadores;

61



Descrio do roteamento das chamadas; Entrada dos padres de chegada das chamadas; Descrio 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 mtodos distintos de programao em simulao: a linguagem C e o pacote Arena. Depois de salientarem os componentes proeminentes de cada mtodo no processo de modelagem do call center, os autores concluem o artigo com uma comparao entre os prs e contras do uso de cada abordagem de programao dentro do contexto em questo. Estas foram algumas atividades que o Arena Contact Center foi capaz de realizar, ao lidar com problemas reais (dentro de cenrios diferentes), de acordo com (PARAGON, 2005): mensurar o impacto nos nveis de servio de um aumento de 10% no volume de chamadas e o payback de um treinamento multifuncional para parte dos operadores; verificar como uma reduo de 20% no oramento do call center poderia afetar os nveis de servio (no caso de reduo de pessoal) e como o horrio de trabalho poderia ser diminudo para essa reduo no oramento ser atingida; discutir o quanto custaria para o call center a terceirizao de parte das chamadas e qual seria o ponto de equilbrio em termos de aumento do nmero de operadores. Segundo a mesma fonte, o software ainda pode ser integrado ao CallPeople, que consiste em uma ferramenta de otimizao e programao de escala de trabalhos de atendentes, desenvolvida especificamente para call centers pela PARAGON/SEED, levando em considerao todas as caractersticas da CLT, sendo um produto totalmente adaptado ao mercado brasileiro. Tal integrao objetiviza realizar o dimensionamento e o seqenciamento de escalas para centrais de atendimento. Os principais clientes do software pelo mundo, de acordo com a mesma fonte, so: Accenture; AT&T; Bank of Amrica; BankBoston; Barclays Bank; Bell Canad; Bell South; Delta Airlines; Ernst & Young; Federal Express; First USA Bank; ING Bank; Intuit; Lucent

62

Technologies; Microsoft; Oracle Corporation; Purdue University; Siemens; Southwestern Bell; UPS - United Parcel.
3.5.1.2. callLAB

O callLAB uma ferramenta de planejamento, que emprega a tecnologia de simulao chamada-a-chamada, desenvolvida pela BARD Technologies expressamente para abordar e determinar o impacto de diversas caractersticas dos call centers modernos roteamento de rede, mltiplas centrais, agentes com mltiplas habilidades, equipamentos sofisticados para melhorar a performance da central sendo capaz de simular as complexidades de virtualmente qualquer operao 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 nmero de troncos caractersticas da equipe tempo de atendimento regras de roteamento de chamadas; comportamento dos clientes quanto s chamadas.

63

Figura 5 Tela de entrada de variveis do callLab

Fonte:www.bardtech.com

Ele capaz de obter acuradamente resultados acerca do nvel de servio, ocupao dos agentes, utilizao dos troncos etc. (conforme pode ser observado na figura 6 a seguir). O callLAB tambm pode ajudar a determinar o impacto de idias como roteamento baseado em habilidades, roteamento de rede e mistura de chamadas antes da sua implementao (e, conseqentemente, antes dos equipamentos serem adquiridos, dos atendentes serem contratados ou demitidos e dos clientes ficarem insatisfeitos). (BARD TECHNOLOGIES INC, 2005)

64

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, possvel testar diferentes nmeros de agentes e filas de chegada antes da sua real implantao. Aps a entrada em uma tela como a ilustrada na figura 7 a seguir dos volumes esperados de chamadas, das caractersticas do tempo de atendimento, do nmero de agentes e filas planejados para cada perodo do dia de trabalho, do comportamento de abandono e de re-tentativa por parte dos clientes e de caractersticas de overflow da central, o software permite: que se assista a execuo da simulao minuto-a-minuto, chamada-a-chamada, para cada dia durante a semana;

65

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 grficos acerca das estatsticas de performance; re-rodar simulaes com diferentes nmeros de agentes e filas at achar um cenrio satisfatrio em termos de nveis de servio, carga de trabalho dos agentes e aspectos financeiros do call center.

Figura 7 Tela de parmetros do SimACD

Fonte: www.portagecommunications.com

De acordo com a fonte, o SimACD comprime um dia de trfego de chamadas em um curto perodo 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 so atendidas por agentes, enfileiradas, encontram sinal de ocupado, transbordam ou so abandonadas dependendo dos parmetros, volumes de chamadas e combinaes de agentes e troncos definidos para a central. Ele funciona como um call center experimental, que reage chegada randmica de chamadas modeladas a partir da central real. Ao final da simulao, possvel verificar quantas chamadas atingiram cada status (atendida, abandonada etc.), alm do comprimento das filas, velocidade mdia para atender uma chamada e nveis de servio 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 so: Help Desk Institute, IBM Global Services, AT&T Call Center Solutions, BASF Corporation, British Airways, MCI Call Center Management, Ticket Mster, Pizza Hut, entre outros.

66

Figura 8 Tela de resultados do SimACD

Fonte: www.portagecommunications.com

3.5.1.4.

ServiceModel

De acordo com (BELGE SIMULAO, 2005), o ServiceModel um simulador confeccionado pela PROMODEL e destinado ao setor de servios em geral, para solucionar questes como: Planejamento de capacidade; Programao de servios e equipes; Fluxos complexos de atendimento a clientes; Racionalizao mxima mantendo nveis de atendimento.

Segundo a fonte, o software usado em programas tanto de graduao quanto de psgraduao, notoriamente em cursos de administrao de empresas, os quais buscam enfatizar a melhoria no gerenciamento de servios, inclusive de call centers, que esto entre as suas principais aplicaes. Dentro deste setor, os principais clientes esto na rea financeira, destacando-se American Express (DECKER, 1999) e Chase Manhattan Bank. Na 1 Conferncia Internacional de Simulao e Usurios Promodel, realizada em So Paulo, em 1999 (Innovation-99), realizada pela Belge Simulao, William Carrier, da PROMODEL (EUA), ministrou uma palestra cujo ttulo era ServiceModel melhorando as centrais de atendimentos - 'call centers'.

67

3.5.1.5.

Simul8

O Simul8 o software de simulao que possui o maior nmero de usurios no mundo. Foi desenvolvido pela Simul8 Corporation, com o objetivo de atingir um custo no impeditivo (para pequenas empresas), mas contendo todas as funcionalidades dos melhores softwares do mercado. O software em questo no especfico para call centers, mas o setor consiste em uma das principais sugestes de aplicao dadas pelo fabricante; alm disso, o programa foi usado como motor para a aplicao ccProphet (que ser descrita na seo 3.5.1.6) e apresenta vrios projetos desenvolvidos na rea de call centers. (SIMULATE, 2005) O setor de call centers, segundo a mesma fonte, um segmento onde a simulao pode ser plenamente aplicada. A simulao em um call center pode determinar qual a melhor configurao de uma ilha de atendimento, qual o nmero ideal de PAs (posies de atendimento) necessrias em uma certa hora do dia para garantir um determinado nvel de servio, quais equipamentos de automao de call centers devem ser utilizados etc.. Alguns tipos de centrais j 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 so: 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 uma aplicao de software baseada em simulao projetada especificamente para anlise de call centers. Com ela, a altamente sofisticada tecnologia de simulao computacional fica acessvel indstria de call centers. Usando simulao de eventos discretos com uma interface amigvel, remove o passo na curva de aprendizagem tipicamente presente no uso de softwares de simulao e tambm a necessidade de contratar caros especialistas para obter todos os benefcios desta tecnologia. O ccProphet foi desenvolvido pela NovaSim e usa o Simul8 como motor de simulao. Com ele, possvel: gerenciar filas que chegam central; balancear mltiplos modos de entrada de chamadas;

68

planejar equipes com mltiplas habilidades; analisar indicadores referentes aos clientes e estabelecer nveis de servio; avaliar novas tecnologias.
3.5.1.7. ContactCenters

Buist e L'Ecuyer (2005) apresentam a arquitetura geral e os componentes principais (e suas interaes) de um modelo desenvolvido por eles em Java para a confeco de simuladores de contact center. ContactCenters suporta centrais com mltiplas habilidades e processos de chegada, roteamento e polticas de discagem arbitrrios e complexos. O programador pode alterar a lgica da simulao de vrias maneiras, sem modificar o cdigo bsico do modelo. ContactCenters tambm pode operar em conjunto com outros modelos para fins de, por exemplo, otimizao e anlise estatstica. Performance, flexibilidade e extensibilidade foram as principais metas do seu projeto e implementao.
3.5.1.8. Excel Plataform for Simulating Call Centers (EPSCC)

A performance operacional de call centers freqentemente medida atravs de tempos na fila e taxas de abandono de clientes e, por isso, os gerentes precisam realmente entender como as polticas de gerenciamento e os fatores estocsticos afetam estas estatsticas de performance. A simulao um excelente veculo para examinar essas relaes, mas uma carncia na habilidade de programao 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 amigvel no Excel para modelos de simulao (de eventos discretos) dinmica. O modelo consiste em um sistema de filas genrico para o qual esto sempre disponveis resultados analticos; e a interface no Excel permite aos gerentes especificar interativamente uma grande variedade de parmetros e analisar resultados, sem que eles fiquem expostos aos componentes do modelo de simulao. Baseados em informaes provenientes de gerentes operacionais de call centers, os autores foram capazes de utilizar esta estrutura para perguntar e responder algumas questes

69

empricas importantes quanto ao comportamento operacional do sistema quando submetido a diferentes condies.
3.5.1.9. IVR Simulator Model

O IVR Simulator Model um dos modelos de simulao desenvolvidos pela Database Systems Corporation para assistir seus clientes quando eles esto avaliando a compra de equipamentos para call center. Seu propsito funcionar como uma espcie de calculadora de recursos. Ele calcula as exigncias de recursos para uma campanha de chamadas, estimando o nmero de linhas requeridas para lidar com o processamento destas chamadas durante o horrio de pico. O modelo assume que as chamadas so uniformemente distribudas durante esse perodo. (DATABASE SYSTEMS CORP, 2005) Segundo a fonte, para rodar as simulaes, so necessrias certas informaes acuradas a respeito dos clientes: durao mdia das chamadas nmero de chamadas recebidas durante o perodo de pico durao do perodo de pico

A simulao retorna como pode ser observado na figura 9 a seguir o nmero de linhas requeridas para suportar o volume de pico informado e tambm em outros dois cenrios: um com um perodo de pico mais curto do que o previsto e outro com um perodo de pico mais longo do que o previsto. (DATABASE SYSTEMS CORP, 2005)
3.5.1.10. Quadros comparativos

Os quadros a serem apresentados tm por objetivo relacionar de forma sumarizada os atributos presentes em cada um dos softwares pesquisados e apresentados anteriormente nesta seo.

70

Figura 9 Relatrio de sada do IVR Simulator Model

Fonte: www.databasesystemscorp.com

O primeiro quadro que pode ser visualizado na tabela 2 a seguir apresenta as caractersticas gerais presentes (assinaladas com um X) em cada software.

71

Tabela 2 Caractersticas gerais dos softwares de simulao em call centers pesquisados

Software Caracterstica Simplicidade Foco em Call Centers Terminologia de Call Centers Preo acessvel Utilizao em massa Flexibilidade (customizao) Integrao com outras ferramentas Modelagem em ambiente de planilha Modelagem grfica X X X X X Arena Contact Center callLAB SimACD Service Model Simul8 ccProphet Contact Centers EPSCC IVR Simulator Model X

Anlise de inputs Indicadores de performance dinmicos Animao grfica

Anlise financeira

Fonte: Tabela elaborada pelo pesquisador

O segundo quadro apresentado na tabela 3 a seguir mostra os atributos da operao dos call centers que cada software capaz de contemplar (assinalados com um X).

72

Tabela 3 Atributos operacionais contemplados pelos softwares de simulao em call centers pesquisados
Software Atributo Nvel de servio Arena Contact Center X callLAB SimACD Service Model X Simul8 ccProphet Contact Centers X EPSCC IVR Simulator Model X

Abandono Nvel de utilizao do sistema Rotas (scripts )

Transferncia Tipos diferentes de chamadas Operao multi-site

Skill dos agentes

Skill-based routing

Roteamento de rede "Re-tentativa" de ligao por parte do cliente Limitao na capacidade da central (clientes bloqueados) Transbordo de ligaes Operao inbound e outbound Polticas de discagem Mensagem deixada pelo cliente Escolha da distribuio do tempo de atendimento Escolha da distribuio do tempo entre chegadas Conferncia (cliente e mais de um atendente)

Fonte: Tabela elaborada pelo pesquisador

73

3.6. Resumo A primeira seo deste referencial terico Mtodos de previso de demanda apresentou alguns mtodos genricos de previso de demanda existentes na literatura, incluindo sries temporais e sries causais. O incio da seo trouxe tambm um breve histrico do assunto, a sua tipologia e destaca a sua importncia, alm de fornecer algumas dicas para o seu gerenciamento. Foi possvel constatar a importncia de fazer previses sobre eventos futuros, para que as projees possam ser incorporadas ao processo de tomada de deciso. Dentre os principais mtodos quantitativos de previso, a regresso mltipla revelou-se bastante poderoso, sendo capaz de identificar os fatores que se relacionam com a varivel a ser prevista. Variveis dummy podem ser utilizadas para registrar a ocorrncia ou no de alguma caracterstica. Os principais indicadores de qualidade do mtodo so o F de significao, o Rquadrado e o valor p das variveis explicativas. Um indicador capaz de mensurar a magnitude do erro de previso incorrido pelo mtodo fundamental e um dos mais utilizados o MAPE. O objetivo da seo seguinte Previso de demanda de call centers foi aplicar o assunto trabalhado na seo anterior na indstria de call centers. A importncia desta aplicao vital, j que consiste em um dos principais problemas atacados nesta pesquisa. Desta forma, foi discutida a utilidade do processo de previso em call centers e, em seguida, foram apresentados os possveis horizontes de tempo com que as previses podem trabalhar, assim como as diferentes profundidades e nveis de sofisticao que os mtodos existentes podem assumir. O texto incluiu tambm dicas e alertas para algumas possveis armadilhas e sugeriu um roteiro a ser seguido durante o processo de previso. A seo ainda destacou a importncia dos erros de previso e algumas maneiras de mensur-los. E finalizou com algumas aplicaes reais, presentes na literatura, de mtodos de previso de demanda a call centers. A relevncia do processo de previso de demanda (assim como a sua criticidade) ficou clara, j que esta consiste um dos mais importantes inputs para o dimensionamento da capacidade de atendimento. As maiores dificuldades acontecem por causa das grandes flutuaes dos valores e da ocorrncia de picos de demanda.

74

Outra constatao importante diz respeito ao fato dos mtodos de sries temporais serem os mais usados nesta indstria, onde a demanda costuma ser prevista para cada bloco pequeno de tempo (15 ou 30 minutos). Um ltimo alerta apontou para a necessidade de prever no somente a quantidade de ligaes, mas tambm o tempo mdio de atendimento. A terceira seo Teoria de filas introduziu brevemente o histrico da abordagem e conceitualizou de forma genrica seus modelos analticos, indicando os parmetros envolvidos nos mesmos, assim como os seus inputs e outputs. A importncia de tal assunto justificada por se tratar de uma abordagem alternativa (em relao simulao) no tratamento de alguns problemas quantitativos, como o de dimensionamento de capacidade. Alguns modelos existentes na literatura foram citados, com variao dos seus parmetros. A parte final tratou de aplicaes reais da teoria de filas a problemas de gerenciamento de call centers e discutiu algumas questes envolvidas. Foi importante descobrir que as premissas adotadas nas anlises baseadas nos modelos analticos de teoria de filas so extremamente limitadas quando trabalhadas no contexto atual dos call centers porque a maior parte dos modelos assume que as chegadas seguem uma distribuio exponencial, so todas do mesmo tipo, nunca abandonam a fila e so atendidas sempre pela ordem de chegada por agentes que atendem todas as chamadas da mesma maneira. Ainda assim e no obstante a verificao de que as disciplinas das filas, quando bem gerenciadas, tornam-se fortes aliadas da rea de planejamento e controle da produo dos call centers muitas empresas continuam apoiando as complexas tomadas de deciso acerca da alocao de recursos atravs dos modelos analticos de teoria de filas, motivadas principalmente pela facilidade e rapidez da abordagem. A seo de nome Simulao apresentou resumidamente o histrico da ferramenta, alm da sua conceituao e tipologia. Algumas vantagens e desvantagens foram apontadas, bem como alguns exemplos de aplicao da ferramenta. O texto permitiu constatar que a simulao capaz de comprimir o tempo ao tentar cumprir o seu objetivo de melhorar o desempenho do sistema e de realizar anlises de sensibilidade acerca dos dados de entrada, sem a necessidade de modificar efetivamente o sistema estudado (ou at mesmo antes de ele existir, na prtica). Apesar de ser uma abordagem relativamente
75

cara e de difcil implementao, ela revelou-se mais adequada do que os mtodos analticos quando os processos a serem estudados so muito complexos e/ou apresentam altos nveis de incerteza. A ltima seo Simulao em call centers tratou especificamente da aplicao da ferramenta de simulao aos problemas de dimensionamento e gerenciamento dos call centers. Desta forma, um retrato da atual importncia da aplicao foi mostrado e as causas que levaram a esse importante status foram levantadas, assim como foram especuladas as tendncias futuras do tema. Foi tambm discutido o grande potencial que a ferramenta apresenta em relao ao gerenciamento dos problemas da indstria em questo, incluindo os principais aspectos dos call centers que a ferramenta capaz de levar em considerao. Uma comparao entre as possibilidades da ferramenta e as dos modelos analticos foi apresentada, dentro do escopo das centrais de atendimento. A ltima parte da seo resumiu uma extensa pesquisa acerca dos softwares de simulao para call centers existentes no mercado, destacando e comparando sua funcionalidade e adequabilidade aos problemas da indstria em questo, levando em conta tambm as caractersticas operacionais das centrais de atendimento que cada um capaz de contemplar. A seo permitiu perceber que a utilizao da simulao para auxiliar a tomada de decises no gerenciamento de call centers possibilita, entre outras: a avaliao da situao atual; a anlise de cenrios; a previso da necessidade agregada de recursos e a programao da fora de trabalho; e a mensurao de indicadores de performance. Tambm foi possvel verificar que um modelo de simulao pode contemplar alguns aspectos crticos dos call centers modernos, como: nvel de servio especfico; flexibilidade na distribuio dos tempos entre chegadas e de atendimento; tipos mltiplos de chamadas; padres de abandono de chamadas e de retorno de ligaes; e overflow da central. Por isso e por causa de outras tendncias recentes e, de uma forma geral, da sofisticao e complexidade cada vez mais presentes nos sistemas de call centers, os mtodos tradicionais mais usados no seu gerenciamento esto se tornando obsoletos e perdendo espao para a simulao, principalmente quando a operao detalhada, a demanda varia muito e

76

necessrio viabilizar um melhor entendimento acerca dos processos da central e gerar resultados mais acurados a respeito da sua performance. Em relao aos softwares, foi constatado que pacotes de simulao especificamente desenvolvidos para call centers esto disponveis no mercado, permitindo analistas pouco experientes construir modelos de centrais de atendimento, com relativa facilidade. A comparao entre as opes disponveis revelou, entre outras coisas, que a maioria delas empreende a terminologia prpria de call centers, mas no utilizada maciamente por usurios. Alm disso, quase nenhuma opo se mostrou flexvel e capaz de ser integrada a outras ferramentas de gerenciamento. A modelagem e a animao grficas esto disponveis em apenas algumas opes. Os indicadores de performance podem ser observados dinamicamente na maioria dos softwares, mas apenas alguns so capazes de realizar anlises financeiras (de custos) e quase nenhum possui alguma ferramenta para fazer um tratamento estatstico preliminar dos dados de entrada. Adicionalmente, a comparao permitiu observar que quase todos os softwares contemplam o comportamento de abandono por parte do cliente. A maioria tambm permite a escolha da distribuio dos tempos de atendimento e entre chegadas, assim como so capazes de limitar a capacidade da central e determinar que alguns clientes sejam bloqueados antes de entrar no sistema. Algumas das opes consideram diferentes tipos de centrais (inbound e outbound) e de chamadas e habilidades dos agentes, permitindo o roteamento das ligaes (inclusive o baseado em habilidades), que podem ser transbordadas. Poucos softwares, no entanto, lidam com centrais em diferentes locais fsicos e permitem que diferentes polticas de discagem sejam testadas (para os call centers do tipo outbound). Poucos tambm so aqueles capazes de contemplar algumas caractersticas das centrais, como: a re-tentativa de ligao por parte do cliente (depois de ser bloqueado ou desistir de esperar), mensagens deixadas pelos clientes, conferncia (entre o cliente e mais de 1 atendente) e transferncia de chamadas. Entre os softwares, o Arena Contact Center foi o que conseguiu reunir mais atributos presentes nas operaes das centrais de atendimento, mas deixou a desejar em alguns aspectos gerais, como simplicidade, flexibilidade e utilizao massificada.

77

4. Metodologia

4.1. Tipo de pesquisa Vergara (1997) sugere dois critrios segundo os quais as pesquisas na rea de administrao 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: exploratria, descritiva, explicativa, metodolgica, aplicada e/ou intervencionista. Segundo a autora, uma pesquisa ser explicativa quando tiver como objetivo justificar os motivos de algum fenmeno, esclarecendo quais fatores contribuem para a sua ocorrncia; ser metodolgica quando se referir a instrumentos de captao ou manipulao da realidade; e ser aplicada quando for motivada pela necessidade de resolver problemas concretos, prticos. Assim, o presente estudo pode ser caracterizado, do ponto de vista da sua finalidade, como: explicativo, porque busca justificar o uso de mtodos especficos de previso de demanda e da ferramenta de simulao no ambiente de call centers e entender que fatores e caractersticas da operao contribuem (ou no) para isso; aplicado, pois foi motivado pela necessidade de resolver problemas prticos na operao de call centers: a previso de demanda e o dimensionamento da capacidade de atendimento; e metodolgico, j que elabora e prope a implementao de duas ferramentas de previso e de simulao que consistem em instrumentos de captao (previso) e manipulao (simulao) da realidade. A primeira ferramenta busca reunir informaes quantitativas tratveis (atualmente consideradas apenas de forma subjetiva) acerca de uma das operaes da empresa e processlas metodicamente de forma a conseguir prever de forma mais acurada a demanda de ligaes para a central, conforme ser detalhado na seo 6.1 a seguir. A segunda objetiviza reproduzir o funcionamento de uma outra operao da empresa em alguns horrios e sob algumas condies e simular cenrios alternativos quanto oferta de capacidade de atendimento proporcionada, para verificar a performance do sistema perante os diferentes cenrios de forma a poder escolher o dimensionamento ideal para a central, conforme ser abordado na seo 6.2 a seguir.
78

De acordo com Vergara (1997), uma pesquisa pode ser classificada quanto aos meios de investigao como sendo: pesquisa de campo, pesquisa de laboratrio, pesquisa telematizada, investigao documental, pesquisa bibliogrfica, pesquisa experimental, investigao ex post facto, pesquisa participante, pesquisa-ao e/ou estudo de caso. Ainda segundo a autora, uma pesquisa ser de campo quando consistir em uma investigao emprica realizada no local onde ocorre um fenmeno, incluindo, por exemplo, entrevistas, questionrios, observao participante; e ser 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, ento, pode ser entendida no que diz respeito aos meios como sendo: de campo, j que baseada em entrevistas e em uma investigao emprica no local do fenmeno; e tambm como estudo de um caso nico, j que est restrito a apenas uma unidade (empresa), permitindo uma maior profundidade e um maior nvel de detalhes durante a anlise. Yin (1994) defende que o caminho ideal para identificar a ferramenta mais adequada para um estudo analisar trs critrios de pesquisa: o tipo de questo de pesquisa; o grau de controle que o pesquisador tem sobre o comportamento dos eventos; e o foco da pesquisa em eventos histricos ou contemporneos. O presente trabalho envolve perguntas do tipo como e por que, caracterizando-se como explicativo; tambm oferece baixo grau de controle sobre os eventos (decises gerenciais); e se prope a contemplar e analisar situaes restritas a um perodo especfico de tempo (eventos contemporneos). O estudo de caso explanatrio (ou explicativo) a ferramenta ideal para um trabalho com essas caractersticas, sendo considerado uma metodologia abrangente, que vai desde a pergunta de pesquisa at as concluses e a redao final, passando pela coleta e anlise de dados (YIN, 1994).

4.2. Seleo do caso e dos sujeitos Yin (1994) coloca que os estudos de casos podem limitar-se a uma ou a vrias unidades de anlise. Segundo o autor, o caso nico deve ser utilizado para fins explicativos, quando o estudo se enquadrar em pelo menos uma dentre trs opes: caso decisivo, caso extremo ou
79

caso revelador. O primeiro tipo ocorre quando h elementos especficos que capacitam a pesquisa como instrumento de validao ou contestao da teoria em questo. Um dos objetivos do presente estudo verificar a adequabilidade da ferramenta de simulao atividade de dimensionamento da capacidade operacional de uma central de atendimento telefnico. A idia consiste em utilizar o caso como instrumento de validao ou contestao dessa adequabilidade, de forma a verificar que aspectos operacionais do call center so determinantes para justificar o uso da simulao, o que o caracteriza como decisivo. Como a pesquisa tambm apresenta uma finalidade explicativa (conforme abordado anteriormente na seo 4.1), a escolha de apenas uma unidade de anlise parece a mais apropriada, at para que seja garantida uma profundidade necessria para os seus propsitos. A unidade de anlise abordada na presente pesquisa a matriz da Contax Contact Center (do grupo Telemar), a maior empresa fornecedora de servio de atendimento telefnico do Brasil. Alguns motivos guiaram a escolha da (nica) unidade de anlise: representatividade pela sua ampla abrangncia no mercado nacional, a Contax pde ser escolhida como unidade nica de anlise, mantendo mesmo assim um bom nvel de representatividade dentro da indstria; heterogeneidade operacional por causa da grande variedade da sua carteira de clientes, a Contax trabalha com diferentes operaes, com nveis de complexidade bem distintos entre si, fato que permitiu testar as ferramentas em cenrios com caractersticas diferentes; acessibilidade pelo fato de alguns ex-alunos do COPPEAD trabalharem atualmente na Contax, o acesso s pessoas responsveis pela previso de demanda e pelo dimensionamento e gerenciamento da capacidade de atendimento foi facilitado. Os principais sujeitos do caso so: o sr. Alberto Porto, Gerente de Planejamento de Trfego e responsvel pela previso de demanda e dimensionamento da capacidade de atendimento;

80

e alguns de seus coordenadores (tambm responsveis pela previso de demanda e planejamento de capacidade, mas cada qual com o seu horizonte de planejamento curto ou longo prazo abrangncia geogrfica e carteira de produtos) e analistas: o o sr. Alessandro Meira, Coordenador de Planejamento de Longo Prazo Telemar e OI; o a sra. Vnia 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 Loureno, 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 atravs de: observao (simples ou participante), questionrio, entrevista ou formulrio. Na modalidade de entrevista, a presena fsica simultnea do autor e do(s) entrevistado(s) obrigatria. Ela pode acontecer sob a forma informal, focalizada (em um assunto) ou por pautas (estruturada, seguindo uma agenda, e obtendo maior profundidade). Em relao coleta de dados para o estudo de caso em questo, foi escolhido o modelo de entrevista (pela possibilidade de presena fsica simultnea) focalizada (pela necessidade de uma certa profundidade nos assuntos de interesse da pesquisa). Os sujeitos mencionados na seo 4.2 foram entrevistados (com e sem gravao) em 4 oportunidades, entre o perodo de maio de 2005 e agosto de 2006. descrita a seguir a maneira como as informaes obtidas foram tratadas de forma a responder as questes levantadas. Aqui, essas questes tambm esto divididas em grupos, conforme foi feito na seo 1.1.2:
4.3.1. Previso

a) Que metodologia(s) (so) aplicada(s)?

81

Para responder a primeira questo, o gerente e os profissionais responsveis pela previso de demanda foram argidos a respeito. b) Essa(s) (so) a melhor forma de prever tais grandezas? c) Se no for(em), qual ? Em funo da resposta obtida na primeira questo, do conhecimento detalhado (atravs de observao do seu histrico) das caractersticas dessas grandezas e dos resultados de uma pesquisa relacionando as melhores tcnicas de previso de demanda de grandezas com as caractersticas levantadas, foi respondida a segunda questo, assim como a terceira, junto com a qual foi desenvolvido e sugerido um modelo de previso para a quantidade de chamadas demandadas (e tambm para o tempo mdio de atendimento) por unidade de tempo.
4.3.2. Dimensionamento

d) Qual metodologia aplicada para a resoluo desse problema? e) A simulao utilizada? f) Se no for, por que no ? Para responder as trs primeiras questes, o gerente e os profissionais responsveis pelo dimensionamento da capacidade de atendimento foram argidos a respeito. g) Quais so os trade-offs envolvidos na deciso de qual metodologia usar (simulao versus outras)? Para responder essa questo, foi realizada uma pesquisa relacionando as principais vantagens e desvantagens da simulao em comparao ao uso de abordagens analticas no contexto de call centers, contemplando as peculiaridades deste setor. h) Como a simulao pode dar apoio s decises referentes ao processo de dimensionamento do call center? Para responder essa questo, diversos modelos de simulao foram construdos contemplando diferentes caractersticas reais dos call centers e para diferentes possveis cenrios alternativos para auxiliar a tomada de deciso a respeito do dimensionamento do

82

efetivo. Eles foram usados para calcular indicadores de performance e sugerir solues para o problema em questo, em relao a situaes efetivamente vividas pela empresa no passado recente. i) Que aspectos operacionais do call center no podem ser bem tratados por outras metodologias, sendo determinantes para justificar o uso da simulao? j) A simulao fornece resultados mais acurados em algumas situaes do cotidiano operacional do call center? Em quais situaes? Para responder essas questes, os mesmos indicadores e resultados obtidos a partir das solues propostas pela abordagem analtica (utilizada atualmente pela empresa) foram comparados aos conseguidos atravs da simulao e aos resultados que, de fato, ocorreram posteriormente na operao da empresa, em cenrios bem parecidos com os usados nas anlises. Essa confrontao com os resultados reais foi possvel graas a uma incurso na base de dados da Contax, que permitiu o acesso s informaes relevantes. A acurcia das duas abordagens (analtica versus simulao) foi, ento, comparada em uma srie de cenrios (idealizados a partir da inspirao adquirida durante o desenvolvimento da pesquisa bibliogrfica apresentada na seo 3.5 anterior) envolvendo diferentes caractersticas reais e supostas da operao e situaes hipotticas de comportamento da demanda, para que fosse feito um mapeamento a respeito de quais caractersticas das operaes de call centers e quais possveis cenrios hipotticos estariam sendo responsveis por garantir mais acurcia para os resultados encontrados e por justificar o uso da abordagem experimental. k) Quais softwares esto disponveis para o uso da simulao aplicada a call centers? l) Quais so as suas caractersticas? m) Quais deles so utilizados no call center estudado? Para responder a ltima questo, os responsveis pelo setor de dimensionamento foram argidos a respeito. Uma pesquisa (apresentada na seo 3.5.1) a respeito dos softwares existentes ajudaram a responder as outras duas, sendo que a resposta questo l ficou mais evidenciada nos quadros apresentados nas tabelas 2 e 3 anteriores.

83

O software escolhido para modelar e simular as operaes de atendimento telefnico da Contax foi o Arena Contact Center. Tal escolha deveu-se tima adequao do produto s especificidades das operaes em questo, facilidade do seu manuseio, sua riqueza de recursos (conforme pode ser observado nas tabelas 2 e 3 anteriores), ao prvio conhecimento do pesquisador a respeito do software Arena (que serve de plataforma para o produto) e ao pronto fornecimento de uma cpia de estudante por parte da empresa fornecedora do software, o que efetivamente viabilizou a pesquisa.

4.4. Limitaes do mtodo Uma das crticas mais comuns ao mtodo do caso trata da impossibilidade de generalizao dos resultados da pesquisa. Adicionalmente, o estudo de um nico caso carrega a grave limitao 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, no ser totalmente representativa em termos de cenrio nacional da indstria 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 operao), a probabilidade de no representatividade, no entanto, diminui razoavelmente. Outras limitaes decorrentes do escopo restrito do estudo podem ser explicitadas. Em primeiro lugar, algumas das concluses obtidas a partir das entrevistas dependem em boa parte das opinies pessoais dos indivduos que foram argidos na ocasio da pesquisa, estando sujeitas a uma boa dose de subjetividade. Adicionalmente, algumas constataes podem carregar um carter um tanto quanto temporal, j que a mesma empresa pode vir a apresentar um cenrio completamente diferente em um outro momento de tempo em que esse texto venha a ser lido, que no aquele a partir do qual ele foi elaborado. A ferramenta de previso proposta pela pesquisa considera apenas informaes referentes s caractersticas intrnsecas das datas consideradas na anlise (como dia da semana, feriados e proximidade com os dias de chegada e vencimento das contas telefnicas). Outros eventos especiais relacionados a datas especficas, mas no com um carter intrnseco como campanhas na mdia, crescimento de base e outros aspectos potencialmente impactantes na

84

demanda ainda precisam ser considerados por fora pelos analistas e inseridos manualmente na ferramenta. A ferramenta em questo tratou os dias considerados na anlise de forma binria (sim ou no) no tocante a consistirem ou no de feriados; ou seja, no foi considerado um meio-termo para essa questo, impossibilitando a ocorrncia 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 relao s 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 vspera do vencimento para 100.000 contas de Minas Gerais pode ser diferente do impacto causado pelo fato do dia tratar-se da vspera do vencimento para 100.000 contas do Cear, j que o comportamento cultural dos mineiros em relao ao vencimento da conta pode ser diferente do comportamento dos cearenses; mas a ferramenta no reconhece essas potenciais diferenas e trata os impactos de forma homognea. Devido dificuldade de obteno junto Contax de dados mais recentes do histrico de demanda (volume de ligaes e TMA) do produto 103, no foi possvel verificar a qualidade do modelo de previso atravs de dados que no foram usados para a construo do mesmo. S foi possvel mensurar sua funcionalidade em relao ao passado (perodo dos dados usados como input), mas no se o modelo vai funcionar bem em relao ao futuro (o que teria sido conseguido se o modelo pudesse ter sido aplicado a um perodo de dados diferente dos que foram usados para a sua concepo). Em outras palavras, o modelo pode ter se adequado bem a um conjunto especfico de dados (datas), mas no foi possvel generalizar tal adequabilidade. Ainda a respeito da ferramenta de previso proposta, no razovel deixar de atentar para o fato que ela no considera uma possvel sazonalidade da demanda ao longo do ano. Pelo fato do histrico de demanda disponvel para a sua elaborao consistir de apenas alguns poucos meses, no foi possvel para a ferramenta tentar capturar esse efeito sazonal. Mas no sensato afirmar que ele no existe.

85

J em relao ao problema de dimensionamento, a cpia de estudante conseguida junto empresa fornecedora do software usado para a simulao das operaes (Arena Contact Center) permite apenas a modelagem de centrais de atendimento com, no mximo, 20 posies de atendimento (PAs). Esta limitao impediu a simulao da operao em horrios de muito movimento, que requereriam uma quantidade maior de operadores. Isto tambm impossibilitou a simulao de um dia contnuo de operao da central (que consistia na idia original), j que em alguns perodos do dia, seriam dimensionados muito mais do que 20 atendentes. Tal impedimento foi um pouco lamentvel, porque a simulao do dia, como um todo, permitiria a visualizao das transies de horrios, o que seria bastante interessante por causa das mudanas acentuadas nas curvas de demanda experimentadas durante as transies, que permitiriam enriquecer a anlise. Esta restrio, no entanto, no chegou a ser comprometedora, pois o interesse maior da pesquisa consiste na anlise de situaes com diferentes nveis de atendimento demanda (e conseqentes nveis de servio oferecidos); assim j que no era necessrio modelar, necessariamente, situaes com efetivos substancialmente diferentes a limitao no impediria o dimensionamento de, por exemplo, 20 agentes para um horrio que necessitava de 10 deles, novamente 20 para um horrio que necessitava de 20 deles e outra vez 20 para um horrio que necessitava de 40 deles. Durante a simulao dos modelos, no foi possvel descobrir a correta distribuio estatstica e a variabilidade do tempo entre chegadas de ligaes e do tempo de atendimento. Isso aconteceu porque a Contax no dispunha ao menos de forma acessvel do registro de cada ligao individual, contendo a informao do horrio de sua entrada no sistema e da quantidade de tempo transcorrida at o seu atendimento. Estas informaes estavam disponveis apenas por agrupamentos de 30 minutos (por exemplo: 792 ligaes chegaram ao sistema no perodo entre 10:00 e 10:30 de um determinado dia, levando, em mdia 28,7 segundos para serem atendidas), o que impossibilitou uma anlise de aderncia destes tempos aos formatos conhecidos de distribuies.

86

Para lidar com esta limitao, os modelos assumiram a premissa comumente utilizada de que o intervalo entre chamadas segue uma distribuio exponencial e o tempo de atendimento segue uma distribuio Erlang. No primeiro caso, a suposio bem razovel j que o processo de chegada das ligaes no apresenta nenhum controle e pode ser considerado aleatrio. Mas, no segundo caso, apesar de a distribuio Erlang representar bem o processo de atendimento, a suposio um pouco mais forte e ousada. Alm disso, tal distribuio requer um parmetro adicional (alm da mdia) a respeito da variabilidade dos dados, que teve que ser suposto, devido falta de registro das ligaes individuais, conforme mencionado anteriormente. O ideal seria que este registro pudesse ser utilizado para a correta investigao acerca do formato das distribuies destes tempos e dos seus respectivos parmetros, at porque conforme levantado durante a pesquisa bibliogrfica os resultados obtidos atravs da simulao podem ser sensveis a estes formatos e, portanto, a acurcia das concluses pode ter ficado um pouco prejudicada. Durante a mesma atividade, foi necessrio adotar premissas baseadas no julgamento subjetivo dos analistas (e, conseqentemente, um tanto arbitrrias) a respeito do comportamento de retorno da ligao por parte do cliente aps o abandono da chamada (depois de aguardar por muito tempo) e tambm aps a chamada ser bloqueada (antes mesmo de entrar no sistema) por causa da ausncia de linhas disponveis no tronco. O sistema da Contax no permite o rastreamento individual de cada chamada e, portanto, no foi possvel mapear objetivamente estes comportamentos. A sua correta considerao, no entanto, poderia gerar resultados mais acurados. O julgamento subjetivo dos analistas tambm precisou ser utilizado para estimar o impacto no tempo de atendimento ocorrido quando as chamadas no so atendidas pelo seu tipo de agente preferencial (bsico ou plus). O procedimento ideal seria uma coleta emprica destas informaes, dificultada, no entanto, pelo fato dos atendentes estarem situados em uma cidade diferente da onde se encontravam a equipe de dimensionamento e o pesquisador.

87

5. Descrio do Caso
Este captulo descreve de uma forma geral e enfocando os aspectos mais relevantes para os objetivos da pesquisa a empresa estudada, a partir da coleta de informaes realizada principalmente atravs de entrevistas e pesquisas na Internet, mas incluindo tambm algumas observaes realizadas pelo pesquisador.

5.1. A Gerncia de Planejamento de Trfego da Contax A rea da empresa enfocada e explorada neste estudo a de Planejamento de Trfego, j que responsvel pelo tratamento dos problemas aqui explorados, em especial o de previso de demanda de chamadas e o de planejamento da capacidade de atendimento. O principal software que o setor utiliza para auxiliar as decises gerenciais de planejamento operacional o TotalView, totalmente integrado infra-estrutura de telefonia. O produto consiste em uma ferramenta de fora de trabalho utilizada para dimensionar e controlar o atendimento, que auxilia os gerentes na previso de demanda (por horrio e dia da semana), no planejamento da capacidade e na anlise de cenrios (atravs de frmulas Erlang), no desenvolvimento do esquema de horrios dos atendentes, na integrao entre diferentes centrais e com a gerao de relatrios gerenciais. O software desenvolve seus clculos matemticos baseando-se em mtodos analticos (teoria de filas), no trabalhando com simulao. (IEX, 2005) A arquitetura do TotalView est esquematizada na figura 10 a seguir.

Figura 10 Arquitetura do TotalView

Dados de Pessoal (turno, pausas, Dados de frias, mo de etc.) obra Alocao

Previses

Gera Alocaes

Dados do DAC Histrico

Gera Previses

Fonte: Material coletado nas entrevistas 88

O software permite o acompanhamento da quantidade de chamadas, permitindo a comparao do que est efetivamente acontecendo com o que foi previsto e com o que foi acordado no nvel de servio, 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

Tambm possvel verificar a aderncia, que consiste na comparao entre a escala planejada para cada atendente e o seu cumprimento efetivo de horrios e tarefas, conforme pode ser observado na tela exemplificada na figura 12 a seguir.

89

Figura 12 Tela de verificao da aderncia do TotalView

Fonte: Material coletado nas entrevistas

Outro software utilizado pela rea de Planejamento de Trfego o CentreVu Supervisor, que monitora as operaes e a coleta de dados (que podem ser visualizados na figura 13 a seguir) da central.

90

Figura 13 Tela de monitoramento do CentreVu Supervisor

Fonte: Material coletado nas entrevistas

Estes dados so ento organizados em relatrios que ajudam os analistas no gerenciamento dos recursos e do pessoal das centrais de atendimento. Os relatrios podem ser exibidos em tempo real (conforme exemplificado na figura 14 a seguir), impressos imediatamente ou armazenados.

91

Figura 14 Relatrio do CentreVu Supervisor

Fonte: Material coletado nas entrevistas

O principal objetivo da Gerncia de Planejamento de Trfego ter a quantidade certa de pessoas, na hora certa e no lugar certo, dentro de uma previso precisa, para atingir as metas de atendimento estabelecidas. Em outras palavras, o call center deve ser otimizado em termos de reduo de custos e de atendimento dos clientes finais dentro do nvel de servio estipulado pelo contratante. Para atingir tais objetivos, as atividades do setor precisam ser encaradas internamente como parte de um processo de melhoramento contnuo, conforme ilustrado na figura 15 a seguir.

92

Figura 15 Atividades da Gerncia de Planejamento de Trfego

Preciso
Forecast
Previso precisa de volumes de contato, tempo mdio de atendimento, e requerimentos de equipe
Workforce Management Cycle

Reporting / Analysis
Transformando dados e resultados em conhecimento para a melhoria continua dos processos de workforce management

Schedulling
Escalando agentes eficientemente para atividades de acordo com os requerimentos volume de contatos previstos e trabalhos off-line

Change Management
Gerencie agentes e recurso de acordo com as demandas do dia-a-dia

Automao
Fonte: Material coletado nas entrevistas

A estrutura organizacional da rea pode ser visualizada na figura 16 a seguir:

Figura 16 Organograma da Gerncia de Planejamento da Contax

Fonte: Material coletado nas entrevistas 93

Conforme pode ser observado, a gerncia de planejamento central chefia vrias coordenaes que incluem, alm do coordenador, analistas e especialistas: as trs primeiras (da esquerda para a direita), de planejamento de longo prazo, responsveis cada qual por uma fatia da carteira de produtos da empresa: Telemar & OI; Orbital & Net; e TMK, RET & COB, respectivamente; as trs seguintes, de planejamento de curto prazo, responsveis cada qual por uma parcela geogrfica do mercado da empresa: So Paulo; Regio Sudeste; e Regio Nordeste, respectivamente; a ltima, responsvel por servios e projetos especiais da empresa.

As coordenaes de planejamento de longo prazo realizam toda a parte de macro-previso e macro-dimensionamento das operaes dos seus respectivos produtos. O olhar dos coordenadores e analistas estratgico, j que eles devem planejar o call center a mdio (60 dias de antecedncia) e longo prazo, e determinar antecipadamente quantas posies de atendimento, operadores, linhas e portas de URA a central ir demandar em um perodo futuro, tendo como base a captao de clientes e o crescimento natural da central. J as coordenaes de planejamento de curto prazo trabalham mais o dia-a-dia, tendo a incumbncia de aplicar o que foi planejado pelas coordenaes de longo prazo (em termos de quantidade de recursos) e de identificar possveis desvios em relao ao que foi planejado. Alm disso, devem gerenciar aspectos cotidianos da operao (como horas-extras, folgas etc.). O olhar dos coordenadores e analistas mais operacional, j que eles devem acompanhar a demanda de ligaes que o call center recebe a fim de adequar os recursos humanos e tecnolgicos a ela, sem sobras ou faltas. Esta estrutura organizacional foi implantada no incio de 2005. Anteriormente, no havia equipe de planejamento de longo prazo. As pessoas que faziam as previses 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 mdio e longo prazo perdia prioridade e o foco acabava sendo no curto prazo. O emergencial sempre substitua o importante, que era preterido. Dessa forma, as previses eram piores, os desvios eram maiores e o que era importante (mas havia sido
94

deixado de lado) virava emergencial 60 dias depois. Essa bola de neve ia aumentando e o emergencial acontecia com mais freqncia do que teria ocorrido se as previses de mdio e longo prazo no tivessem sido preteridas. Com a mudana, a quantidade de funcionrios da rea no aumentou; apenas houve uma realocao de parte dos integrantes das equipes locais (que eram maiores) para as equipes de longo prazo. Esta segmentao da estrutura (contando agora com uma equipe estratgica 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 ndice de acerto das previses. Alm disso, a diviso conseguiu melhorias operacionais significativas, j que as pessoas podem se especializar, focando a parte de anlise e esquecendo a parte do dia-dia ou viceversa, conforme o caso. Outro ponto importante o fato de as pessoas terem perfis diferentes. Assim, o planejamento de curto prazo aloca funcionrios dinmicos, pr-ativos, aptos a apagarem incndios; o planejamento de longo prazo demanda e utiliza funcionrios mais analticos, estrategistas, capazes de identificar oportunidades e de olhar a operao de fora.

5.2. Principais desafios operacionais A percepo do consumidor acerca do nvel de servio da empresa ainda muito influenciada pela memria de maus servios da poca anterior privatizao do setor de telecomunicaes. A empresa que nasceu da terceirizao do SAC de seu primeiro e ainda maior cliente, uma ex-estatal do setor carrega, por isso, um desafio ainda maior de reverter essa insatisfao, com todas as presses e limitaes inerentes ao setor (citadas em 2.1.1). De acordo com o gerente de Planejamento de Trfego da empresa, a principal dor-decabea consiste em conseguir melhorar as previses de demanda, tanto em termos da quantidade de ligaes quanto em termos do tempo mdio de atendimento. A acurcia das previses no boa para alguns produtos, e ele prprio sente que principalmente para o produto 103 a empresa dispe de todas as informaes que poderiam fornecer uma melhor previso, estando apenas carente de um mtodo mais adequado. Outro desafio consiste em, a partir do input fornecido pela previso de demanda, dimensionar corretamente a capacidade de atendimento em cada perodo ou, em outras
95

palavras, a quantidade necessria de atendentes por horrio, de forma contnua durante a operao, em face de mudanas em alguns inputs, premissas e/ou parmetros. Dentro desta questo do dimensionamento, o plano de horrios dos atendentes tambm consiste em um problema, pois eles no gostam quando seus horrios, pausas para lanches, folgas e frias mudam (e muitas vezes interessante para a Contax do ponto de vista da eficincia operacional fazer essas mudanas). Essa insatisfao pode causar pedidos de demisso, absentesmo 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 Trfego da empresa tem a impresso que economicamente vantajoso utilizar um mesmo operador para atender duas ou mais operaes diferentes ao mesmo tempo, de modo a tentar reduzir a sua ociosidade. Isso poderia acontecer no caso de operaes 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 ms).
5.2.1. Previso de demanda

Conforme descrito na seo 5.1, a elaborao da previso de demanda de longo prazo realizada para cada produto da empresa por parte da respectiva coordenao. De acordo com o que foi manifestado pelo gerente de Planejamento de Trfego (citado na seo 5.2), o produto 103 parece ser o que encerra o maior potencial de melhoria na sua previso de demanda, a ser alcanado atravs de um mtodo mais adequado para tal. Isso ocorre porque, em relao ao produto 103, a empresa dispe de uma boa quantidade de informao que poderia servir de subsdio para tornar a previso um pouco melhor do que realmente costuma ser. Essas informaes so basicamente as quantidades de contas enviadas para os clientes em cada data (normalmente 5-6 dias antes do vencimento) e as suas prprias datas de vencimento. O sentimento da gerncia e da coordenao do produto 103 que a demanda de ligaes para o produto influenciada pelos eventos de chegada da conta e do seu prprio vencimento, datas em que haveria maior acesso ao servio por parte dos clientes. O problema que o sistema utilizado para previso de demanda no leva em conta essas informaes, conforme ser visto ainda nesta seo.

96

Conforme organograma apresentado na figura 16 anterior, a rea que cuida da previso de demanda do produto 103 a Coordenao de Planejamento de Produto Telemar & OI, que responsvel, na verdade, por toda a atividade de previso de demanda e dimensionamento da capacidade de atendimento das operaes Telemar e OI, compreendendo os produtos 102, Suporte tcnico e reparo de defeitos da Telemar, Velox e OI, alm do prprio 103. Em termos de previso de demanda, quanto mais complexa e heterognea for a operao, e quanto mais freqente for a ocorrncia de eventos especiais, maior ser a dificuldade em realizar a previso. Os produtos Velox e OI se encaixam nesse quadro, enquanto que o 102 consiste no mais estvel deles, sem dvida, e conseqentemente, no de maior previsibilidade. O Velox ainda vive um momento instvel, com muitas ocorrncias, campanhas na televiso e uma base de clientes ainda em crescimento. A operao OI mais dinmica, em funo da concorrncia bem maior que na telefonia fixa, da ocorrncia de campanhas de marketing, do crescimento da base de clientes (mercado em grande expanso, ainda no consolidado). Enfim, pelo fato do mercado de telefonia celular ser bem mais dinmico do que o de telefonia fixa, sua previso ainda mais difcil do que a do prprio produto 103, acerca do qual a empresa tem um domnio maior. A magnitude dos erros cometidos no processo de previso capaz de dar uma boa idia da complexidade de cada operao. At o ano de 2004, a mensurao dos erros de previso ocorria de forma mensal; ou seja, as previses eram feitas para cada perodo de meia-hora, mas, no momento de calcular o seu erro, elas eram agregadas mensalmente, e ento o total era comparado com o total mensal efetivamente ocorrido no perodo. O problema que poderia estar havendo um erro de previso para mais em um determinado dia, que acabaria sendo compensando (na tica do erro mensal) por um erro de previso para menos em outro dia do mesmo ms, quando, na verdade, a empresa teria perdido dinheiro em um dia (devido ociosidade) e nvel de servio no outro (devido ao sub-dimensionamento da capacidade de atendimento). Assim, o indicador do erro no era verdadeiro. Desde o ano de 2005, ento, o horizonte de mensurao do erro de previso para esses produtos passo a ser dirio (ao invs de mensal), eliminando a possibilidade de ocorrncia de equvocos como os citados acima. No exemplo em questo, o mtodo de acompanhamento mensal do erro indicaria um acerto na previso consolidada do ms, enquanto que o

97

acompanhamento dirio acusaria erro de previso dos 2 dias (um para mais e outro para menos). A tabela 4 a seguir revela a magnitude do erro absoluto percentual mdio (segundo a tica diria) cometido durante o processo de previso de demanda para cada um dos produtos citados, em meados do ano de 2006.

Tabela 4 Magnitude do erro absoluto (%) mdio por produto, 2006

Produto/operao OI Velox 103 Suporte tcnico e reparos 102
Fonte: Material coletado nas entrevistas

Magnitude do erro mdio 8 a 10% 6% 5% 5% 3 a 4%

Na opinio dos responsveis pela previso de demanda, esses indicadores de erro durante o processo encontram-se em patamares baixos, sendo considerados mais do que aceitveis. 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 j havia sido colocado, a operao OI revela-se como sendo a de menor previsibilidade, devido s complexidades do mercado, enquanto que o produto 102 aparece como sendo o mais previsvel, por conta, principalmente, da estabilidade da sua operao e pelo fato de no apresentar muitos fatores capazes de impactar sua demanda, que bem mais linear. Por causa da estabilidade da operao e por no apresentar mudanas significativas ao longo do tempo, o produto 102 foi escolhido para participar de um estudo-piloto (iniciado no comeo do ano de 2006) cujo intuito mudar a metodologia de acompanhamento do erro de previso. A compensao de erros hipotetizada anteriormente em dois dias do mesmo ms
98

pode, na verdade, ser ainda mais drstica e acontecer ao longo de um dia, se um perodo de meia-hora tiver sua demanda superestimada enquanto outro perodo de meia-hora do mesmo dia for subestimado em termos de demanda. A nova metodologia mensura o erro de meia em meia-hora (que o bloco unitrio mnimo de tempo, perodo para o qual so realizadas as previses, consistindo na unidade ideal para o acompanhamento do erro). Os erros obtidos so maiores e, obviamente, mais realistas. Para o produto em questo, a meta para o erro de previso antes da mudana de metodologia era de 5%. Depois da migrao para a nova metodologia, a meta passou a ser de 12% de erro. Os desvios obtidos na previso de demanda do produto 102, sob este novo horizonte de acompanhamento, tm sido considerados bem satisfatrios, portanto: na faixa de 6%, em mdia. Em algumas situaes atpicas, esse erro chega a subir mas raramente ultrapassa para um patamar de 10% (que ainda bem aceitvel, face prpria meta): Copa do Mundo (devido ausncia de histrico), meses com muitos dias enforcados e feriados locais), frias, problemas com grandes empresas (como no caso da Varig), entre outras. O prazo previsto de migrao dos outros produtos para este novo horizonte de acompanhamento do erro de previso janeiro de 2007. A rotina para a elaborao da previso de demanda, empreendida pela equipe da Coordenao de Planejamento de Produto Telemar & OI, envolve as seguintes etapas: 1. Analisar e coletar dados do histrico da operao; 2. Determinar o padro de ligaes e com isto o volume de ligaes para cada ms, semana, dia e para cada meia-hora do dia, usando os dados histricos da operao; 3. Projetar a carga de trabalho, que servir de base para o clculo 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 est sendo feito: Planejamento Anual

99

Como as ligaes se comportam ao longo dos meses? Como o tempo de atendimento se comporta?

Planejamento Mensal Como as ligaes e o TMA se comportam ao longo das semanas do ms? Como as ligaes e o TMA se comportam ao longo dos dias da semana? Dias extraordinrios (promoes, feriados)

Planejamento Dirio Como as ligaes e o TMA se comportam ao longo do dia? Eventos (treinamentos, reunies) Aes extraordinrias (divulgao em mdia)

A maneira como realizada a projeo da carga de trabalho tambm depende do horizonte de planejamento. Para o planejamento anual, aplica-se a tendncia de crescimento (ou decrscimo) ocorrida nos ltimos anos para se determinar o montante de ligaes que ir ocorrer no ano em questo; os percentuais de sazonalidade so ento aplicados em cada ms, para que possa ser feita a distribuio do montante anual ao longo de cada perodo. Outra forma consiste em aplicar a contact rate (taxa de ligaes por cliente na base; que tambm sofre sazonalidade) ao total de clientes na base em cada ms. Para o planejamento mensal, divide-se o volume mensal de ligaes (projetado anteriormente) em semanas e depois em dias, utilizando os percentuais (semanais e dirios) histricos para a correta alocao a cada perodo. Esses percentuais de sazonalidades so aplicados no somente demanda de ligaes, mas tambm ao tempo mdio de atendimento que, da mesma forma, precisa ser previsto.

100

O clculo realizado para o planejamento dirio anlogo: multiplica-se o percentual histrico de ligaes de cada perodo de meia-hora pelo volume de chamadas previsto para o dia. Um clculo semelhante feito para o TMA. De uma forma geral, o processo completo de elaborao da previso do volume de ligaes e do TMA pode ser visualizado atravs do esquema apresentado na figura 17 a seguir.

Figura 17 Macro-processo de previso de ligaes e TMA

Fonte: Material coletado nas entrevistas

Por causa deste processo e do diferente grau de complexidade da operao de cada produto, os prazos de antecedncia necessrios para a previso da demanda dos mesmos varia de acordo com a durao do processo de validao junto ao cliente e, principalmente, com o tempo necessrio para selecionar, contratar e treinar os operadores (bastante varivel, devido as diferentes complexidades operacionais dos produtos). Esta necessidade de contratao est sempre presente na realidade da empresa, pois a rotatividade (devido demisso) dos atendentes situa-se na faixa de 4 a 5% ao ms; assim, mesmo se a operao for estvel em termos de crescimento de base, existe a necessidade mensal de contratao para repor os demissionrios. A contratao mensal s deixa de acontecer, naturalmente, nos casos em que a demanda de ligaes estiver caindo. Depois de gerada a informao de previso, os valores so validados com os clientes internos e com o cliente externo (contratante), a necessidade de pessoas identificada (dimensionamento) e as contrataes so decididas.

101

Sob uma tica menos global, o processo de previso de demanda pode ser visto de forma mais detalhada. O primeiro passo consiste na gerao de uma previso bsica, realizada pelo software de gerenciamento de fora de trabalho, o TotalView. Um dos seus mdulos o de forecast, que trabalha com o histrico de demanda e faz a previso de ligaes baseado nas 13 ltimas semanas, calculando uma mdia ponderada, com pesos diferenciados (maiores para as semanas mais recentes e menores para as mais remotas, tendo como sugesto padro para todos os produtos os valores que constam na tabela 5 a seguir, mas que podem ser customizados pelo analista). A previso gerada para cada intervalo de meia-hora, levando em considerao tambm a sazonalidade do dia da semana. Assim, por exemplo, para calcular a demanda de ligaes da prxima tera-feira, no perodo de 10:30-11:00, o TotalView considera o histrico de demanda desse mesmo intervalo de meia-hora e calcula a mdia ponderada da demanda das ltimas 13 teras-feiras. O software realiza a previso dessa maneira, no s para a quantidade de ligaes, mas tambm para o tempo mdio de atendimento (TMA).

Tabela 5 Pesos-padro do TotalView usados no clculo da mdia ponderada de demanda

Semana ltima (1) Penltima (2) Antepenltima (3) 4 5 6 7 8 9 10 11 12 13
Fonte: Material coletado nas entrevistas

Peso 11% 11% 11% 11% 9% 9% 7% 7% 7% 5% 4% 4% 4%

O segundo passo consiste em uma crtica por parte dos analistas da coordenao a esses nmeros gerados pelo TotalView. O software busca o histrico do dia em questo nas ltimas
102

13 semanas, mas se nesse histrico houver alguma informao poluda (por exemplo: queda no sistema, acarretando um TMA mais baixo durante o perodo; ou um jogo da Copa do Mundo, acarretando reduo na quantidade de ligaes), a limpeza deve ser feita pelo analista. Este deve fazer uso do seu bom senso e poder analtico para, se perceber que existe algum desvio grande no histrico, realizar o ajuste manualmente modificando ou expurgando do histrico o dado discrepante e gerar novamente a previso, de forma pontual. Este acompanhamento acontece diariamente. Depois da gerao da prvia da previso (nmero inicial do TotalView) e da crtica inicial da equipe, o terceiro passo consiste em incorporar aos valores previstos o possvel impacto causado por alguns eventos especiais (segunda-feira de carnaval ou uma ocorrncia diferente em algum sbado, por exemplo). A maneira de incorporar tais impactos depende da natureza do evento (se so novos ou desconhecidos) e do prvio conhecimento das suas conseqncias. Por exemplo, a Copa do Mundo impacta diretamente a demanda no perodo, j que a quantidade de ligaes durante os jogos do Brasil (e durante o prprio dia do jogo) apresenta queda significativa. Mas, em 2002, os jogos aconteceram de madrugada e no h histrico para a Copa de 1998; assim, para prever os impactos da Copa de 2006, foi necessrio buscar eventos similares, como a Copa das Confederaes e a Copa Amrica. Em relao ao produto Suporte tcnico e reparo de defeitos, a ocorrncia de chuvas caracteriza-se como um evento especial, j que impacta diretamente a quantidade de clientes com terminais telefnicos defeituosos e, conseqentemente, a demanda de ligaes para o call center. No entanto, este evento torna-se um pouco mais conhecido com o uso de previses meteorolgicas por perodo (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 questo, necessrio, no entanto, prever a ocorrncia de chuvas com uma antecedncia de 60 dias, que consiste no prazo que as previses de demanda devem ser realizadas, de forma a viabilizar a contratao e treinamento de eventuais novos operadores. Mesmo com toda essa antecedncia, o ndice de acerto costuma ser bom, de acordo com o coordenador do setor. A previso meteorolgica de curto prazo, ainda mais precisa e capaz de identificar dias e horrios com ocorrncia de chuvas, serve de input para as equipes locais de planejamento de curto prazo, que cuidam do ajuste fino no dia-a-dia.

103

Alguns dos eventos especiais podem ter seu impacto previsto de uma forma melhor, quando a equipe de analistas subsidiada por algumas premissas recebidas de outros setores, capazes de impactar cada um dos produtos. Estes eventos especiais incluem, entre outros: campanhas publicitrias na televiso aumentando a demanda do OI e do Velox, a quantidade de questionamentos e demanda por ligaes; previso de crescimento da base de clientes; implantao de novos servios; aes de manuteno e modernizao da rede que podem gerar uma quantidade grande de problemas e defeitos; mudanas no procedimento (roteiro de atendimento) que podem fazer com que o operador fale mais ou menos durante o atendimento, impactando o TMA; implantao do No-changes (um sistema diferenciado, encaixando o procedimento completo do operador em uma tela apenas, sem a necessidade de navegao) na operao que reduz o TMA; mudanas na URA, que podem impactar o TMA.

A relao dessas premissas que os analistas devem levar em conta no momento de incorporar possveis impactos previso de demanda encontra-se no checklist apresentado no Anexo I. O ideal que essas premissas possam ser conseguidas com a antecedncia necessria para que a previso seja acurada. E isto consiste no grande desafio, na grande dor-de-cabea do setor, em termos de previso: conseguir, dentro do prazo necessrio, todos os inputs importantes para a gerao da previso. Em suma, na opinio da equipe, o problema maior em relao previso de demanda no reside no processo em si, mas na obteno dos inputs. A dificuldade na obteno dessas informaes pode ser mais bem visualizada atravs de um exemplo. A Coordenao de Planejamento de Longo Prazo (Telemar & OI) precisa saber, em maro, qual ser o perodo de campanha publicitria da OI para o dia das mes, que tipo de cliente vai ser impactado (pr-pago ou ps-pago), qual ser a grade de mdia da campanha,
104

em quais dias sero veiculados anncios na televiso; tudo isto, para que possam ser previstos os impactos nos volumes de ligaes em cada dia. O que ocorre que estas informaes at esto disponveis, mas, em funo da estratgia de marketing da empresa, o setor no as recebe com suficiente antecedncia (para poder gerar, dentro do prazo correto, a quantidade necessria de operadores a serem contratados e treinados). Isto acontece porque a concorrncia pode contra-atacar com eficincia, se as campanhas forem divulgadas com antecedncia e a informao vazar. Este problema ainda mais crtico nos produtos que requerem uma durao maior de treinamento dos operadores, pois o setor de Recrutamento & Seleo precisa receber a informao com mais antecedncia ainda. Por tudo isso, o contato com cliente torna-se muito importante. Uma maior interao faz com que ele comece a se co-responsabilizar e passar mais premissas e informaes. Da a importncia do processo de validao da previso de demanda junto ao cliente. J que em funo do volume previsto que a Contax ser remunerada pelo servio, o cliente precisa validar o volume de forma a gerar garantias (o pagamento acontecer com base naquele volume mnimo e, se ocorrer uma demanda muito maior que a prevista, a Contax no tem obrigao formal de atend-la com perfeio). O objetivo disso tudo no consiste em apenas dividir as responsabilidades; mas tambm fazer o cliente entender a importncia de informar essas premissas (como informaes sobre campanhas na televiso ou em revistas, planos de minutos, troca de equipamentos do Velox reduzindo os problemas de conexo e fazendo o volume de ligaes despencar promoo do dia dos pais e pacote OI Total) para ajudar na construo da previso de demanda. No caso especfico do produto 102, a equipe de planejamento normalmente mostra os resultados do estudo de previso e o cliente valida facilmente, sem muitas alteraes. Isso ocorre porque existem poucos fatores previsveis capazes de impactar a demanda e o cliente acaba no tendo muita informao a fornecer. Mas, de uma forma geral, o contato com setores internos imprescindvel, devido aos inputs que estes devem fornecer, fundamentais para a elaborao da previso de demanda. o caso do setor de Faturamento da Telemar, cuja importncia no processo ficar clara no detalhamento da previso do produto 103, ainda nesta seo.

105

Depois da gerao da anlise crtica da equipe de longo prazo e da incluso das premissas impactantes, o quarto passo do processo de previso consiste na validao interna, junto ao planejamento local de curto prazo. Eles tm conhecimento do cotidiano e das pessoas do diaa-dia, podem envolver o gerente da operao, tm contato com a contratante, podem informar alguma estratgia que est sendo mudada no produto ou alguma modificao na URA. Tudo isto pode agregar valor previso e importante que o setor de longo prazo seja alimentado por estas informaes, de forma que a previso esteja mais madura (mais refinada do que o nmero fornecido pelo TotalView) no momento de fazer a validao com o cliente. Em relao especificamente ao produto 103 (servios e contas de telefonia fixa) produto identificado como aparentemente o de maior potencial de melhoria na sua previso de demanda, conforme mencionado anteriormente a previso elaborada mensalmente, sempre com 45 dias de antecedncia em relao necessidade de contratao de operadores. Este prazo se justifica, para este produto, por causa do processo de validao com o cliente, do tempo de seleo do novo funcionrio e dos 30 dias necessrios para o treinamento do operador nas suas futuras atividades. De acordo com o que foi descrito anteriormente nesta seo, algumas premissas capazes de impactar cada os produtos recebidas de outros setores da empresa, podem subsidiar a equipe de analistas no seu trabalho de previso de demanda. No caso do produto 103, o lanamento do plano de minutos na telefonia fixa (dentro do qual a cobrana deixa de acontecer no formato de pulso), por exemplo, tem potencial para impactar o volume de ligaes para o 103. A equipe de previso de posse da informao sobre o lanamento do plano realiza, ento, uma anlise para gerar um aumento ou decrscimo 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 intuio do analista); por exemplo, se a empresa acha que o plano de minutos vai trazer acrscimo na conta dos clientes, o analista deve buscar no histrico qual foi o impacto no volume de ligaes e no TMA de um reajuste de tarifas. Essas premissas tambm envolvem o comportamento dos ciclos das contas telefnicas dos clientes, uma informao oriunda do setor de faturamento da Telemar e que ajuda a previso de demanda do produto 103. Essa informao consiste, basicamente, nas quantidades de contas enviadas para os clientes em cada data (normalmente 5-6 dias antes do vencimento).
106

Ela til porque a demanda de ligaes para o produto influenciada segundo a equipe de previso pelos eventos de chegada da conta no destino e do seu prprio vencimento, datas em que haveria maior acesso ao servio por parte dos clientes, para fins de esclarecimento e/ou reclamao. Na verdade, durante todo o perodo durante o qual a conta est com o cliente (4-5 dias desde a chegada at o vencimento, sendo a vspera e a antevspera as datas mais crticas depois da chegada e do vencimento), ocorre um acrscimo no volume de ligaes, mas o maior impacto acontece mesmo no momento da chegada da conta na residncia do cliente, na opinio da coordenao responsvel pelo produto. A conta chega ao destino ao longo do dia, mas no incio da prpria tarde e na parte da manh do dia seguinte, quando mais clientes esto com a conta em mos, que a quantidade de ligaes aumenta significativamente. Segundo os analistas, o impacto ps-vencimento (quando o cliente que esqueceu de pagar a conta liga para saber como proceder) existe, mas pequeno, no sendo significativo em termos de aumento de demanda. O problema que o TotalView no leva em conta isso; a sazonalidade do dia da semana considerada, mas no a distncia do dia em relao chegada da conta ou ao seu vencimento. Por exemplo, a conta de um determinado cliente vence no dia 10 de cada ms, e no na segunda quarta-feira do mesmo; ento, no ms em que o dia 10 casse em uma tera-feira, esse dia da semana deveria ser mais impactado do que os outros, enquanto que no ms em que o dia 10 casse em uma quarta-feira, o impacto maior deveria ser includo neste dia. Mas o TotalView considera, em termos de sazonalidade, todas as teras-feiras da mesma forma, seguindo o mesmo raciocnio para os outros dias da semana. Alm disso, h meses em que as contas no so enviadas exatamente 5 dias antes do vencimento, e este outro evento especial (chegada da conta ao destino) tambm deve ser considerado. Essas informaes so levadas em conta no processo de previso, mas no de forma automtica. Toda a anlise feita pela equipe de previso e no pelo software! que: 1. recebe e avalia o cronograma da rea de faturamento (conforme exemplificado para o ms de maio de 2006 na tabela 6 a seguir); 2. verifica no histrico o impacto dos eventos de chegada e vencimento das contas, para o ciclo (grupamento de contas em cada filial) em questo;
107

3. acrescenta por fora do TotalView o impacto histrico 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 previso que havia sido gerada. Durante esse processo, os analistas no levam em conta um possvel impacto da vspera e da antevspera do vencimento da conta e nem do perodo ps-vencimento; apenas o efeito dos eventos chegada e vencimento. A interao da equipe de previso com o setor de faturamento, neste momento, acontece nos dois sentidos, recebendo input (exemplificados na tabela 6 a seguir), mas tambm fornecendo output, na forma de opinio a respeito da melhor data de postagem das contas, de acordo com o impacto operacional no call center, conforme ser explicado a seguir. A conta precisa ser enviada ao cliente com, no mnimo, 5 dias de antecedncia em relao data do vencimento (segundo regulamentao da ANATEL). De uma maneira geral, a chegada ocorre 1 dia aps a postagem.

108

Tabela 6 Cronograma de envio e vencimento de contas do faturamento, maio de 2006

Ano 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 Ms Mai Mai Mai Mai Mai Mai Mai Mai Mai Mai Mai Mai Mai Mai Mai Mai Mai Mai Mai Mai Mai Mai Mai Mai Mai Mai Mai Mai Mai Mai Mai Data de Postagem 17/04/06 24/04/06 25/04/06 27/04/06 02/05/06 08/05/06 08/05/06 09/05/06 17/04/06 24/04/06 25/04/06 27/04/06 02/05/06 08/05/06 08/05/06 09/05/06 17/04/06 24/04/06 25/04/06 27/04/06 02/05/06 08/05/06 08/05/06 08/05/06 09/05/06 17/04/06 24/04/06 25/04/06 27/04/06 02/05/06 09/05/06 Vencimento 23/04/06 01/05/06 04/05/06 07/05/06 11/05/06 13/05/06 15/05/06 17/05/06 23/04/06 01/05/06 04/05/06 07/05/06 11/05/06 15/05/06 13/05/06 17/05/06 23/04/06 01/05/06 04/05/06 07/05/06 11/05/06 15/05/06 13/05/06 15/05/06 17/05/06 23/04/06 01/05/06 04/05/06 07/05/06 11/05/06 17/05/06 Ciclo RJ - 5 RJ - 6 RJ - 7 RJ - 8 RJ - 9 RJ - 1 RJ - 2 RJ - 3 MG - 5 MG - 6 MG - 7 MG - 8 MG - 9 MG - 10 MG - 1 MG - 3 CE - 5 CE - 6 CE - 7 CE - 8 CE - 9 CE - 10 CE - 1 CE - 2 CE - 3 BA - 5 BA - 6 BA - 7 BA - 8 BA - 9 BA - 3 Contas 260.710 634.953 587.118 589.031 703.452 469.345 506.432 198.896 201.826 416.176 458.682 515.223 685.843 581.568 110.847 310.536 142.251 680.389 533.902 626.637 419.440 218.537 218.438 150.119 245.752 104.650 404.679 562.513 188.029 368.817 45.959

Fonte: Material coletado nas entrevistas

Em relao 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 ficar o fluxo de caixa da Telemar; por outro lado, se essa data for muito antecipada, o momento de corte na conta do cliente ter que acontecer muito cedo (at por que existe um prazo necessrio para a execuo das outras atividades pr-postagem, como o processamento da conta), e o faturamento do ms em questo acaba sendo prejudicado, pois incluir menos tempo de utilizao do servio por

109

parte do cliente. De uma maneira geral, esse segundo efeito mais forte e a empresa acaba preferindo deixar pra cortar a conta do cliente o mais prximo possvel do dia de vencimento sem, naturalmente, prejudicar o prazo de antecedncia regulamentado pela ANATEL (5 dias). Mas, dentro dessa janela criada pelo trade-off, o setor de faturamento convida a equipe de previso a participar da deciso, oferecendo duas opes de data de postagem (dois dias teis seguidos). Do ponto de vista do faturamento, sempre uma das datas melhor de acordo com os aspectos descritos anteriormente no trade-off mas a equipe de previso 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 previso bsica extrada do TotalView e a coordenao realizada toda essa anlise no Excel. A opinio geral que as informaes do faturamento poderiam ser usadas de uma forma mais sistemtica para poder ser construdo um mtodo de previso mais acurado, levando em conta todos esses aspectos e no apenas a sazonalidade do dia da semana, como faz o TotalView. A idia fugir mais dessa ps-anlise no-metdica no Excel que depende muito da intuio do analista e poder contar uma ferramenta que apie a equipe neste momento, de forma que se possa evitar o trabalho manual que aumenta a possibilidade de erro. A respeito do tempo mdio 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 coordenao da rea. A impresso geral que isso ocorre, principalmente, pela maior concentrao de operadores novos na parte da manh que vem ocorrendo recentemente. Durante a noite, o TMA ainda mais alto, principalmente na opinio da equipe de previso por causa do menor nvel de servio oferecido neste perodo, o que pode fazer com que o cliente aguarde mais tempo na fila e reclame a respeito com o atendente antes de comear 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 Cear. Mas, em termos organizacionais, tudo funciona como se houvesse uma central nica de atendimento, abrangendo potencialmente os clientes de todos os estados. Na verdade, o
110

cliente de Belo Horizonte disca o mesmo nmero (103) do que o de Salvador, por exemplo, e direcionado para a central responsvel (Minas Gerais, no caso); mas, se no houver disponibilidade na central em questo, a ligao transferida para o local onde ser mais rapidamente atendida, com o menor tempo de espera. mais interessante para a empresa (ganhos de escala) e para o cliente (atendimento mais rpido) trabalhar com o atendimento consolidado, onde o mesmo operador capaz de atender todos os clientes da rede. Para prever a demanda, j que esta se superpe para todas as centrais, torna-se necessrio apenas elaborar uma previso consolidada (para todo o Brasil), como se houvesse uma central nica de atendimento.
5.2.2. Dimensionamento da capacidade de atendimento

O dimensionamento consiste no estudo para adequar as estruturas fsicas, tcnicas e de pessoal do call center aos objetivos da operao de atendimento ao cliente. A partir do momento em que foi gerada a previso diria de demanda e esse volume em conjunto com o TMA foi validado junto ao cliente, comea o processo de dimensionamento da capacidade de atendimento para cada produto. Somente durante tal etapa que a previso de volume ser detalhada em um nvel intradirio, com a aplicao das curvas (construdas a partir de dados histricos) 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 ligaes e o tempo mdio de atendimento previstos para cada dia. Em funo disso e na opinio da Gerncia de Planejamento de Trfego, o produto 102 o ideal para atacar o problema do dimensionamento, visto que sua demanda a mais previsvel, de forma que seja possvel mensurar isoladamente a qualidade do processo de dimensionamento (partindo da premissa que o input previso de demanda de boa qualidade). Em termos de previso de volume de ligaes e do TMA, o nvel de acurcia do produto 102 muito bom comparado com outros produtos, conforme foi mencionado na seo 5.2.1. Mas existem outras caractersticas do produto que simplificam a sua operao e acabam potencializando a sua escolha para o alvo a ser atacado durante o estudo acerca do dimensionamento da capacidade de atendimento.
111

O perodo de treinamento para os atendentes do produto 102 o mais curto de todos: uma semana. O operador precisa aprender apenas a informar o telefone procurado pelo cliente, que envolve a digitao do local e a tentativa de localizao do nmero. Alm disso, existem apenas dois tipos de clientes do produto 102: plus (servio pago) e bsico (servio no pago), que so identificados automaticamente pela prpria URA no momento da ligao. Quando est atendendo um cliente plus, o operador pode precisar realizar uma pesquisa um pouco mais aprofundada, incluindo o ramo de atividade do servio procurado pelo cliente, por exemplo, e envolvendo at 2 ou 3 tentativas (consultas), podendo tornar o atendimento um pouco mais demorado. Mas, de uma forma geral, o treinamento bem elementar, consistindo basicamente no aprendizado do uso do sistema e de que atitude tomar, caso a informao no seja encontrada. No final do mesmo, os funcionrios avaliados como mais capazes so direcionados para atender os clientes plus, mas podem atender os clientes bsicos, em caso de necessidade; os operadores bsicos at esto aptos a atenderem os clientes plus, mas tal procedimento no o ideal, s ocorrendo em casos de emergncia. O atendente do Velox, por exemplo, um contraponto, j que tem resolver problemas, auxiliar o cliente, configurar mquinas etc.. Seu tempo de treinamento gira em torno de 20 dias. O treinamento do atendente do 102 tambm bem mais simples, por exemplo, do que o ao qual so submetidos atualmente os operadores de Suporte tcnico e reparo de defeitos da Telemar. At meados de 2005, este atendente apenas fazia a abertura de um bilhete de defeito, quando de alguma ocorrncia, e mandava um tcnico para a residncia do cliente. Isso era muito ruim em termos de: custos (j que o processo consistia em mandar um tcnico para todos os clientes que acreditavam ter um problema com a sua linha telefnica); insatisfao do cliente (por no conseguir resolver logo o seu problema); e dos indicadores da ANATEL (que registravam tais ocorrncias como defeitos). Nessa poca, no havia sido estruturada a tela de suporte tcnico atual, que permite o atendente fazer uma triagem junto ao cliente, ainda durante a chamada (questionando, entre outras coisas, se o telefone sem fio, se o aparelho est ligado; acessando a central telefnica do cliente pra ver a possibilidade de fazer um reparo na central; e retornando a ligao posteriormente para checar com o cliente se o problema foi resolvido).

112

Essa mudana reduziu a quantidade de tcnicos indo at a residncia, j que passou a ser possvel identificar a no ocorrncia de um defeito ou at mesmo consert-lo, com o cliente ainda na linha. Dessa forma, os custos tcnicos diminuram (menos visitas), assim como melhoraram a satisfao do cliente (resoluo mais rpida do problema) e os indicadores da ANATEL (j que consertos ainda na linha no entram na estatstica de defeitos). Naturalmente, aumentou o custo de atendimento e a complexidade do treinamento do operador do produto em questo; mas o trade-off foi vantajoso, na opinio da Gerncia de Planejamento de Trfego. O curto prazo exigido para o treinamento dos operadores do servio de auxlio lista (102) reduz a antecedncia com que a previso de demanda precisa ser elaborada, tornando-a mais acurada na maioria das vezes. Alm disso, esta caracterstica do produto acaba possibilitando uma gil reposio (dentro do prprio ms) de mo-de-obra, se ocorrer algum problema: existe um banco de operadores pr-selecionados, que no caso de um aumento inesperado e repentino de volume podem ser chamados, treinados em 1 semana e estar atendendo aps poucos dias. Isso impossvel de acontecer em outros produtos por causa da complexidade do atendimento e do conseqente maior tempo de treinamento. Por outro lado, o nvel do operador do 102 inferior; recebe menor remunerao e apresenta maior rotatividade, at porque o servio montono e repetitivo, gerando um desgaste maior. A qualificao dos profissionais menor que em outros produtos, mas se determinado atendente apresentar bom perfil, pode participar do programa de rotao de cargos, de forma que no se acomode e seja capaz de manter a motivao ao vislumbrar um possvel crescimento profissional na empresa (sabendo que no vai, necessariamente, atender o cliente de auxlio lista eternamente). No caso, como o funcionrio j tem o conhecimento da operao, das funcionalidades do computador e j percebeu se aceita passar o dia inteiro atendendo ligaes, fica mais fcil e rpida a sua assimilao em relao a outros produtos, causando menos problemas. Essa migrao interna pode acontecer para qualquer outro produto da empresa, oferecido nas mesmas centrais que o 102: Bahia e Pernambuco. Na Contax, o perodo mensal considerado como indo do dia 16 do ms anterior at o dia 15 do prprio ms, sendo que a primeira metade corresponde ao perodo de baixa, com volume fraco. Assim, de uma maneira geral, a meta para o setor de planejamento consiste em
113

implantar o dimensionamento antes do momento de alta (segunda metade) ou seja, at o dia 1 de cada ms de forma que possa lidar com eventuais aumentos da demanda. Mas o curto perodo de treinamento dos operadores do produto 102 permite uma agilidade tambm na implantao deste dimensionamento, que costuma ocorrer tranqilamente antes do perodo comear (dia 16), superando a meta geral da empresa de conseguir essa implantao no meio do perodo (dia 1). Em funo de tudo isso, o produto 102 foi identificado pela Gerncia de Planejamento de Trfego 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 seo vai estar focando na descrio do processo de dimensionamento do produto 102, explicando como a equipe de planejamento consegue transformar a previso de demanda na quantidade necessria de funcionrios em cada dia e horrio e que ferramentas so usadas neste processo. Antes de iniciar a descrio do processo de dimensionamento do produto 102, no entanto, importante apontar os termos contratuais que fazem parte do Service Level Agreement (SLA ou acordo de nvel de servio) entre a fornecedora (Contax) e a cliente (Telemar). O nvel de servio para este produto diz respeito ao tempo de espera do cliente final na linha telefnica, desde o momento de entrada da ligao at ela ser atendida. Em outras palavras, o tempo que o cliente passa na fila, ouvindo a msica de espera e aguardando o operador. Mais precisamente, no caso do 102, o nvel de servio consiste no percentual de chamadas atendidas dentre as completadas, apenas em at 10 segundos (ou melhor, que aguardam no mximo 10 segundos para serem atendidas). Para efeitos comparativos, outros produtos da Contax lidam com outros valores: no caso do atendimento de cartes de crdito, por exemplo, o nvel de servio consiste no percentual de chamadas atendidas em at 20 segundos. Como apenas as ligaes efetivamente atendidas entram no clculo do nvel de servio, os abandonos no so contabilizados (nem punidos, portanto), para efeitos de nvel de servio. Mas eles so mensurados atravs de outro indicador (taxa de abandono) e a Contax multada quando essa taxa ultrapassa os 2%, em algum ms. Assim, o fornecedor estaria sendo punido duas vezes se as ligaes abandonadas entrassem no total das chamadas a serem atendidas em at 10 segundos.

114

Em vista da possibilidade de multa, evitar o abandono costuma ser visto como prioridade, um pouco em detrimento do nvel de servio, desde que esse se mantenha acima de patamares mnimos. O nvel de servio no envolve exigncias formais no contrato (como a taxa de abandono), mas influencia a relao e a dignidade comerciais; ou seja, interessante no priorizar apenas o abandono, deixando de se preocupar em manter o nvel de servio em valores decentes. Iniciando a descrio da rotina de dimensionamento, este processo consiste de duas grandes etapas, no caso do produto 102: uma anlise macro, onde os volumes dirios de previso de demanda so analisados e o clculo da base de atendentes (a quantidade certa de pessoas no lugar certo) realizado; uma anlise intradiria, onde o nvel de detalhe aumenta para perodos de meia-hora, o nmero de atendentes necessrios para cada um desses perodos calculado (levando em conta detalhes como: pausas, faltas, frias, folgas) e as escalas de horrios so organizadas. Para cada uma das etapas, uma planilha do Excel funciona como mola-mestra para o processo, utilizando como metodologia de clculo as frmulas Erlang de teoria de filas. O processo razoavelmente manual, visto que no ocorre via sistema. A primeira anlise consiste, basicamente, no clculo de necessidades, conforme evidenciado na tabela 7 a seguir. Quatro planilhas precisam ser desenvolvidas duas para cada produto (plus e bsico), em cada uma das centrais de atendimento (Bahia e Pernambuco) e depois consolidadas em uma nica tabela de necessidades. O clculo da necessidade de operadores em cada dia operacionalizado multiplicando a demanda de ligaes pelo TMA do dia e dividindo este total (demanda de minutos) pelo produto do total de minutos dirios pelo qual o operador contratado (340, j que o funcionrio de 6 horas tomado como padro) por sua taxa de ocupao (perodo estimado durante o qual o atendente vai estar efetivamente falando). Essa taxa de ocupao estimada de forma diferenciada a cada dia da semana, conforme pode ser observado na tabela 8 a seguir.

115

Tabela 7 Clculo de necessidade de recursos dirios para o produto 102, central BA, cliente plus, outubro-novembro de 2006
Dia
16-seg 17-ter 18-qua 19-qui 20-sex 21-sb 22-dom 23-seg 24-ter 25-qua 26-qui 27-sex 28-sb 29-dom 30-seg 31-ter 01-qua 02-qui 03-sex 04-sb 05-dom 06-seg 07-ter 08-qua 09-qui 10-sex 11-sb 12-dom 13-seg 14-ter 15-qua

Volume de ligaes
8.456.710 361.538 348.243 339.242 322.718 307.903 188.494 107.984 359.605 346.477 286.022 272.157 259.721 159.030 91.121 303.496 292.453 301.535 286.937 273.836 167.674 96.071 319.967 308.298 346.008 329.211 314.127 192.308 110.162 366.810 353.344 344.218

TMA (seg)
32,24 32,00 32,00 32,00 32,00 32,00 30,00 29,00 32,00 32,00 32,00 32,00 32,00 31,00 30,00 32,00 33,00 33,00 33,00 33,00 31,00 30,00 33,00 33,00 33,00 33,00 33,00 31,00 30,00 33,00 33,00 33,00

Necessidade de recursos
610 594 585 562 537 326 181 607 591 493 474 453 284 158 512 514 536 516 492 300 166 557 542 615 592 565 344 191 638 621 612

Fonte: Material coletado nas entrevistas

Tabela 8 Premissas para a taxa de ocupao do atendente do produto 102, por dia da semana Dia da semana
Segunda-feira Tera-feira Quarta-feira Quinta-feira Sexta-feira Fim-de-semana
Fonte: Material coletado nas entrevistas 116

Taxa de ocupao estimada

93% 92% 91% 90% 90% 85%

A tendncia 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 ocasies. Em seguida, essa necessidade (em termos de operadores de 6 horas) 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 (sbado 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-desemana (sbado ou domingo). Por isso, necessrio colocar tudo em uma s base e essa padronizao (ilustrada na tabela 9 a seguir) 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 comparao, no entanto, preciso levar em conta que alguns FTEs disponveis estaro em frias e que haver uma perda natural implementada na frmula da coluna Diferena da tabela 9 a seguir por absentesmo (falta, licena mdica ou qualquer motivo que faa com que o operador no esteja apto a atender uma chamada como, por exemplo, um treinamento ou uma conversa com o supervisor objetivizando um feedback). O absentesmo estimado uma premissa passada pela prpria operao que precisa controlar e efetivamente controla essas ocorrncias para o setor de planejamento. A acurcia dessa premissa muito importante e por isso a operao precisa assumir esse compromisso e estar sempre alinhando essa estimativa em conjunto com o planejamento; caso contrrio, o dimensionamento pode ficar muito prejudicado. O absentesmo orado pela gerncia de 3%, mas, normalmente o valor 4% utilizado como premissa de tal grandeza, para os dias teis e sbados. Nos domingos e feriados, essa estimativa sobe para a faixa dos 7%. Em alguns feriados regionais (como So Joo no Nordeste, por exemplo), uma estimativa diferenciada utilizada: de 15 a 20%! O perodo das eleies tambm normalmente representa um problema, j que muitos funcionrios so convocados para trabalhar como mesrios, no comunicam a superviso da Contax e acabam faltando. Faltas no planejadas consistem em absentesmo; se a falta fosse comunicada com

117

antecedncia, o planejamento no escalaria os funcionrios ausentes e o absentesmo seria bem menor.

Tabela 9 Clculo de necessidade de recursos dirios para o produto 102, central BA, cliente plus, outubro-novembro de 2006
Dia
16-seg 17-ter 18-qua 19-qui 20-sex 21-sb 22-dom 23-seg 24-ter 25-qua 26-qui 27-sex 28-sb 29-dom 30-seg 31-ter 01-qua 02-qui 03-sex 04-sb 05-dom 06-seg 07-ter 08-qua 09-qui 10-sex 11-sb 12-dom 13-seg 14-ter 15-qua

Necessidade de recursos
610 594 585 562 537 326 181 607 591 493 474 453 284 158 512 514 536 516 492 300 166 557 542 615 592 565 344 191 638 621 612

4h/6d 6h/5d 6h/6d FTE

52 52 52 52 52 31 21 52 52 52 52 52 31 21 52 52 52 52 52 31 21 52 52 52 52 52 31 21 52 52 52 106 106 106 106 106 106 106 106 106 106 106 106 106 106 106 106 106 106 106 106 106 106 106 498 498 498 498 498 299 199 498 498 498 498 498 299 199 498 498 498 498 498 299 199 498 498 498 498 498 299 199 498 498 498 639 639 639 639 639 320 213 639 639 639 639 639 320 213 639 639 639 639 639 320 213 639 639 639 639 639 320 213 639 639 639

Frias FTE - Frias Diferena

42 40 40 40 38 27 18 35 35 35 35 35 25 17 39 39 39 41 41 26 18 41 41 45 45 45 26 19 45 47 47 597 599 599 599 601 293 195 604 604 604 604 604 295 196 600 600 600 598 598 294 195 598 598 594 594 594 294 194 594 592 592 -37 -19 -10 12 40 -45 1 -27 -11 86 105 127 -1 25 64 61 40 40 82 -18 15 17 32 -45 -22 5 -62 -10 -68 -53 -62

Fonte: Material coletado nas entrevistas

O resultado da comparao da necessidade de recursos com a disponibilidade de capacidade um saldo ou um dficit de mo-de-obra para cada dia do ms planejado (coluna Diferena da tabela 9 anterior). Se houver dficit em alguns dias e sobra em outros, o planejamento pode fazer uso da escala mvel, que consiste em dar folga para funcionrios nos dias com sobra (normalmente sextas-feiras) e pedir para eles cumprirem 2 horas adicionais nas segundas, teras e quartas-feiras (dias de maior movimento), totalizando as 6 horas folgadas nas sextas-

118

feiras. Existe uma adeso de at normalmente 80% para a escala mvel; ou seja, at 80% dos atendentes aceitam folgar na sexta-feira e trabalhar 2 horas a mais de segunda a quarta-feira). Se a escala mvel neutralizar o eventual dficit, pode ser at necessrio demitir alguns funcionrios, por causa do excesso de capacidade. Isso no necessariamente precisa se concretizar, pois j existe uma rotatividade mensal natural da equipe. Dependendo do tamanho do excesso de capacidade, pode ser necessrio apenas no repor as pessoas que pediram demisso. Caso a escala mvel no seja capaz de suprir o dficit, a contratao a nica sada. Toda essa anlise feita de forma consolidada, j que no h 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 deciso a respeito de contratao ou demisso, a produtividade dos funcionrios (minutagem por agente) precisa tambm ser levada em conta. Com o volume de ligaes e o TMA previstos para o ms, possvel determinar a minutagem por agente em diferentes cenrios (com diferentes nmeros de atendentes contratados ou demitidos), conforme ilustrado na figura 18 a seguir.

Figura 18 Minutagem por agente para cenrios com diferentes efetivos de atendentes, produto 102, consolidado Brasil, abril de 2006
8000 7000 6000 Minutagem por agente 5000 4000 3000 2000 1000 0

Orado: 6.700
6.219 6.278 6.339 6.402 6.465 6.530 6.596 6.663 6.732 6.802 6.874

50

40

30

20

10

-10

-20

-30

-40

-50

Funcionrios contratados/demitidos

Fonte: Material coletado nas entrevistas

119

A linha cinza representa a meta orada pela gerncia para esse indicador desempenho e o analista de planejamento deve procurar super-la, migrando no exemplo ilustrado na figura 18 anterior do contingente atual (barra cinza) para um cenrio com 30 funcionrios a menos (barra amarela). Finalmente essa primeira macro-anlise termina com o envio por parte do planejamento e com destino operao de um resumo da tomada de deciso envolvendo a forma de trabalho para o ms subseqente, juntamente com as premissas consideradas em relao aos atendentes e feriados (pois, s vezes, o absentesmo ou a taxa de ocupao podem estar, por exemplo, sendo subestimados para aquele ms ou um feriado local pode estar sendo esquecido e tais informaes podem ser corrigidas pelo pessoal da operao). Esse resumo do planejamento de trabalho para o ms seguinte nada mais do que a planilha apresentada na tabela 9 anterior, s que desta vez preenchida com as quantidades sugeridas de funcionrios para o perodo subseqente, ao invs do efetivo atual de atendentes. Ele apresentado para a operao, mostrando o cenrio por central (Bahia e Pernambuco), por produto (plus e bsico) e tambm o consolidado, antes do ajuste da escala mvel. Outro resumo similar apresentado em seguida, considerando a possibilidade de usar a escala mvel e assinalando os seus impactos. O output da primeira anlise macro a quantidade de operadores que precisam ser contratados ou demitidos para os nmeros desejados serem atingidos. A partir do momento em que a deciso de contratao ou demisso foi tomada e implementada, a equipe de planejamento pode partir para a anlise micro o dimensionamento intradirio. Nesse momento, importante ficar claro que o dimensionamento deve ser feito para um dia apenas e esse formato-padro repetido para os demais dias do ms. Essa exigncia existe porque o horrio de cada funcionrio deve ser o mesmo em todos os dias do ms; ele no pode ser escalado para trabalhar de manh em um dia e de tarde em outro dia, por exemplo. Antes de o ms comear (mas no no seu decorrer), algumas mudanas podem ser feitas nos horrios dos funcionrios, mas elas ficaro valendo para o ms inteiro e, de preferncia, por um perodo at mais longo. possvel, entretanto, conseguir um pouco mais de flexibilidade em relao a isso atravs do uso da escala mvel, conforme explicado anteriormente.
120

Em vista disso, um volume de ligaes e um TMA (grandezas necessrias para o dimensionamento) especficos precisam ser escolhidos para serem usados como padro para o dimensionamento de todos os dias do ms. Normalmente, se a diferena entre o quinto DMM (quinto dia de maior movimento, dentro do ms) e o primeiro DMM no for muito grande (poucas dezenas de milhares de chamadas), o dia escolhido para o padro o quinto DMM, juntamente com o seu respectivo TMA. Nessa situao, o dimensionamento vai garantir o nvel de servio desejado para esse dia e todos os dias menos movimentados, mas no para os 4 dias de maior demanda, quando haver perda de nvel de servio. Isso no representa um problema porque o SLA que consta no contrato do produto 102 exige um especfico nvel de servio mensal, e no dirio. Se a exigncia fosse a respeito do nvel de servio dirio (como em outros produtos), o dimensionamento teria que ser feito com base no primeiro DMM, resultando em ociosidade em boa parte do ms. Mas se a variao entre o primeiro e o quinto DMMs for muito grande, preciso ter cuidado, j que tal dimensionamento pode acarretar um nvel de servio muito baixo nos dias mais movimentados. Em tais situaes, normalmente o padro considerado para o dimensionamento consiste em uma mdia entre os 5 primeiros DMMs para o volume de chamadas e em uma mdia dos TMAs dos 5 primeiros DMMs, para o tempo mdio de atendimento. Em cima do dia escolhido como padro de dimensionamento para o ms, aplicada uma curva que reflete o perfil intradirio da demanda, ou seja, que percentual do volume dirio acontecer na primeira meia-hora do dia, na segunda meia-hora, ..., e na ltima meia-hora do dia. Essa curva obtida com base no histrico de ligaes recebidas a cada intervalo de meiahora, para cada dia da semana. No caso do produto 102, as curvas de cada dia da semana so muito parecidas (principalmente de segunda quarta-feira, com pequeno aumento vespertino no volume da quinta e da sexta-feira), sendo as do sbado e do domingo um pouco diferentes. A figura 19 a seguir ilustra a curva histrica da tera-feira. O dimensionamento de alguns produtos com demanda mais instvel considera apenas uma curva para os dias de semana, outra para sbado e outra para domingo. Devido maior previsibilidade do 102, possvel descer ao nvel de detalhe de trabalhar com uma curva diferente para cada dia da semana. Assim, se o dia escolhido como padro de
121

dimensionamento for uma tera-feira, por exemplo, aplica-se a curva de tera-feira ao volume de ligaes do dia em questo.

Figura 19 Perfil histrico do comportamento intra-dirio da demanda do produto 102, tera-feira

6,00% % do volume em relao ao total dirio

5,00%

4,00%

3,00%

2,00%

1,00%

0,00%
00 :0 01 0 :0 0 02 :0 0 03 :0 0 04 :0 0 05 :0 06 0 :0 07 0 :0 0 08 :0 09 0 :0 0 10 :0 0 11 :0 0 12 :0 13 0 :0 0 14 :0 15 0 :0 16 0 :0 0 17 :0 0 18 :0 0 19 :0 0 20 :0 21 0 :0 22 0 :0 0 23 :0 0

Horrio

Fonte: Material coletado nas entrevistas

O resultado deste processo uma previso de demanda de ligaes (volume e TMA) para cada meia-hora. Com o auxlio de frmulas Erlang do suplemento de Excel chamado Turbotab (conforme ser explicado ainda nesta seo), a planilha apresentada na tabela 10 a seguir calcula a quantidade necessria de operadores (desconsiderando e considerando o absentesmo) para atender a demanda de cada perodo com um nvel mnimo de servio prestabelecido (normalmente 85% das ligaes sendo atendidas em at 10 segundos).

122

Tabela 10 Clculo da necessidade de operadores para cada perodo de 30 minutos, produto 102 (plus), consolidado Brasil, agosto de 2006
Horrio
00:00 00:30 01:00 01:30 02:00 02:30 03:00 03:30 04:00 04:30 05:00 05:30 06:00 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 13:30 14:00 14:30 15:00 15:30 16:00 16:30 17:00 17:30 18:00 18:30 19:00 19:30 20:00 20:30 21:00 21:30 22:00 22:30 23:00 23:30

Volume
586 430 308 243 196 156 127 106 108 106 145 253 576 1.245 2.572 4.833 9.446 13.610 17.059 19.016 20.483 20.738 19.999 18.067 15.320 14.619 14.904 15.704 16.293 16.185 16.157 16.073 15.903 14.907 12.551 9.961 7.647 6.859 6.243 5.645 5.095 5.073 4.171 3.371 2.456 1.751 1.200 851

T.M.A.
29 29 29 29 28 28 27 30 28 29 29 31 29 31 32 32 32 32 32 32 32 32 32 32 32 32 33 33 33 33 33 33 33 33 32 32 31 31 32 31 32 32 32 32 33 31 31 27

Erlangs
9,54 7,00 5,01 3,96 3,07 2,46 1,92 1,78 1,69 1,72 2,36 4,40 9,31 21,32 45,79 86,00 168,04 241,96 303,29 341,52 364,06 368,83 351,77 318,14 272,52 260,15 270,54 290,84 296,05 299,75 293,85 297,68 294,53 270,98 222,69 175,02 133,04 118,30 110,27 96,52 89,82 90,92 74,99 60,71 45,49 30,47 20,89 12,89

Oper. Nec. S/ ABS

13 10 8 6 5 5 4 4 4 4 5 7 12 25 50 91 173 247 310 349 371 376 357 324 278 265 276 296 303 307 301 305 300 276 228 180 138 123 115 101 96 97 81 66 50 34 25 16

Oper. Nec. C/ abs

14 10 8 6 5 5 4 4 4 4 5 7 13 26 52 95 180 257 323 364 386 392 372 338 290 276 288 308 316 320 314 318 313 288 238 188 144 128 120 105 100 101 84 69 52 35 26 17

Fonte: Material coletado nas entrevistas

Essas informaes so, ento, cruzadas com o contingente atual (utilizado no ms anterior) de atendentes, que apresentado em uma planilha enviada pela operao (e ilustrada na tabela 11 a seguir) contendo a quantidade de operadores que esto iniciando a sua jornada a cada perodo do dia (resumo das escalas), tanto para os funcionrios que trabalham 4 horas por dia, como para aqueles que trabalham 6. Em funo do horrio de incio de cada agente, a planilha calcula quantos atendentes estaro disponveis em cada intervalo de meia-hora.
123

Tabela 11 Necessidade (total) e disponibilidade (4 horas) de agentes por perodo, produto 102 (plus), consolidado Brasil, agosto de 2006
Horrio 00:00 00:30 01:00 01:30 02:00 02:30 03:00 03:30 04:00 04:30 05:00 05:30 06:00 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 13:30 14:00 14:30 15:00 15:30 16:00 16:30 Nec.c/ abs 14 10 8 6 5 5 4 4 4 4 5 7 13 26 52 95 180 257 323 364 386 392 372 338 290 276 288 308 316 320 314 318 313 288 4 Horas 0 0 0 0 0 0 0 0 0 0 0 0 0 0 7 39 47 86 102 102 102 102 95 63 55 16 12 43 93 103 103 103 103 103 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

0 0 0 0 0 0 0

7 7 7 7 7 7 7 7

32 32 32 32 32 32 32 32

8 8 8 8 8 8 8 8

39 39 39 39 39 39 39 39

16 16 16 16 16 16 16 16

0 0 0 0 0 0 0

0 0 0 0 0 0 0

0 0 0 0 0 0 0

0 0 0 0 0 0 0

0 0 0 0 0 0 0

0 0 0 0 0 0 0

0 0 0 0 0 0 0

12 12 12 12 12 12 12 12

Fonte: Material coletado nas entrevistas

Depois de consolidar as disponibilidades dos agentes de 4 horas e dos agentes de 6 horas, um grfico como o exemplificado na figura 20 a seguir sumariza a relao entre as quantidades disponvel e necessria de operadores para cada perodo de 30 minutos. Em cima do atual escalonamento que a equipe de planejamento vai trabalhar para modificar a disponibilidade de operadores em cada perodo do dia, de modo a atingir o nvel de servio desejado. Assim, esta etapa de organizao de escalas tem a funo de garantir que haja a quantidade certa de pessoas em cada horrio. Ela feita atravs do processo de tentativa-e-erro, durante o qual preciso analisar diversos fatores, tais como: carga horria diria, aspectos da legislao trabalhista, acordos sindicais, espao fsico disponvel (PAs). Normalmente, o desejado que a escala esteja adequada demanda para atingir uma determinada meta. De uma forma geral, a escala pode ser feita de duas formas: Cobertura Total onde no permitido que haja menos agentes do que o necessrio em momento algum, garantindo que a curva de demanda seja completamente coberta.
124

Este tipo de escala tende a aumentar a quantidade de atendentes contratados e a gerar ociosidade em determinados perodos, gerando, no entanto, melhores resultados no tocante ao nvel de servio; Balanceada onde assumido que, em determinados perodos do dia, a quantidade de atendentes escalados ser menor que a necessria (understaffing), enquanto que em outros esta quantidade ser maior (overstaffing), garantindo assim que a meta seja atingida, no de forma pontual, mas ao longo do dia.

Figura 20 Necessidade e disponibilidade consolidada (4 e 6 horas) de agentes por perodo, produto 102 (plus), Brasil, agosto de 2006

Necessrios x Dimensionados - TOTAL

450 400

Oper. Nec. C/ abs Oper. Dimens.

Quantidade de operadores

350 300 250 200 150 100 50 0

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

Horrio

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 comparao com a demanda de recursos.

125

Figura 21 Agentes escalonados e requeridos ao longo do dia, exemplo de escalonamento com cobertura total
Cobertura Total
60 60

50

50

40

40

30

30

20

20

10

10

Agentes escalados

Agentes requeridos

Fonte: Material coletado nas entrevistas

Figura 22 Agentes escalonados e requeridos ao longo do dia, exemplo de escalonamento balanceado

Balanceado
60

Overstaffing

60

50

50

40

Understaffing
30 20

40

30

20

10

10

Agentes escalados

Agentes requeridos

Fonte: Material coletado nas entrevistas

Para o produto 102, o escalonamento balanceado pode ser usado, j que o importante para efeitos comerciais o nvel de servio mdio do dia, e no detalhado de forma intradiria. Durante o processo de escalonamento, a equipe de planejamento faz tentativas com o objetivo de buscar o melhor cenrio de distribuio dos recursos por horrio capaz de atender o volume de chamadas previsto e validado anteriormente modificando a quantidade de
126

operadores que iniciam a sua jornada a cada horrio (clulas amarelas dispostas diagonalmente na tabela 11 anterior) e tambm os horrios de lanche (para funcionrios com jornada diria de 6 horas, respeitando os limites legais que exigem que nenhum funcionrio seja escalado para lanchar menos de 1,5 hora depois do incio da jornada e nem menos de 1 hora antes do fim da mesma). importante ressaltar que no possvel, neste momento, alterar a quantidade de operadores que vo trabalhar no ms e, conseqentemente, em cada dia (grandeza validada anteriormente); existe liberdade apenas para alteraes na alocao dos mesmos durante o dia. Essas mudanas alteram, conseqentemente, a quantidade disponvel de atendentes em cada intervalo de meia-hora e permitem o analista lidar com flexibilidade na questo de ociosidade versus sub-dimensionamento. A planilha cruza, ento, essa informao de forma consolidada (operadores de 4 e 6 horas) com a demanda de ligaes anteriormente prevista e com a quantidade necessria de atendentes previamente calculada para cada um desses intervalos e estima o nvel de servio para cada perodo de meia-hora e o conseqente nvel de servio mdio estimado para o dia, conforme ilustrado na tabela 12 a seguir. O clculo deste nvel de servio estimado realizado por intermdio de um suplemento do Excel chamado Turbotab. Quando instalado, ele implementa funes que so usadas na planilha para efetuar o clculo em questo, a partir da incluso das premissas (previso de volume e de TMA, absentesmo e critrios para clculo do nvel de servio no caso, chamadas atendidas em at 10 segundos). O suplemento consiste em uma planilha de dimensionamento baseada nos princpios de Erlang. Como pode ser observado, a teoria de filas utilizada para o dimensionamento de agentes. Os clientes que chegam e no encontram atendentes disponveis, aguardam indefinidamente em uma fila at serem atendidos (no existe abandono ou sinal de ocupado), segundo a teoria. Os tempos de espera so previstos partindo da premissa que o intervalo entre chegadas e o tempo de atendimento seguem distribuies exponenciais, e levando em considerao trs fatores: o nmero de agentes; o nmero de clientes em espera na fila; e o tempo mdio de atendimento.

127

Tabela 12 Necessidade e disponibilidade de agentes e nvel de servio estimado por perodo, produto 102 (plus), Brasil, agosto de 2006
Horrio 08:00 08:30 09:00 09:30 10:00 10:30 11:00 11:30 12:00 12:30 13:00 13:30 14:00 14:30 15:00 15:30 16:00 16:30 17:00 17:30 18:00 18:30 19:00 19:30 20:00 20:30 21:00 21:30 22:00 22:30 23:00 23:30 PAs Nec.c/ abs 180 257 323 364 386 392 372 338 290 276 288 308 316 320 314 318 313 288 238 188 144 128 120 105 100 101 84 69 52 35 26 17 392 4 Horas 47 86 102 102 102 102 95 63 55 16 12 43 93 103 103 103 103 103 91 60 10 5 8 12 25 25 25 25 25 20 17 13 6 Horas 139 175 218 250 268 278 283 286 246 288 291 274 232 218 204 195 193 184 149 133 147 138 125 111 91 66 50 36 18 16 12 11 Total 186 261 320 352 370 380 378 349 301 304 303 317 325 321 307 298 296 287 240 193 157 143 133 123 116 91 75 61 43 36 29 24 380 Saldo de agentes 6 4 (3) (12) (16) (12) 6 12 11 28 16 9 9 1 (7) (20) (17) (1) 3 6 13 15 13 18 16 (10) (9) (8) (9) 1 3 7 Nvel de servio 98,8% 96,8% 77,9% 0,0% 0,0% 0,0% 98,7% 99,9% 99,9% 100,0% 100,0% 99,4% 99,8% 95,8% 28,1% 0,0% 0,0% 82,5% 95,5% 98,7% 100,0% 100,0% 100,0% 100,0% 100,0% 0,0% 0,0% 0,0% 0,0% 89,2% 98,6% 100,0%

66,19%

Fonte: Material coletado nas entrevistas

bom deixar claro que, at esse momento, ainda no esto sendo levadas em conta as possibilidades de uso de recursos capazes de melhor o nvel de servio em cada horrio, como horas-extras e o banco de horas proveniente da escala mvel. Ou seja, os nveis de servio ainda podem aumentar e os patamares desejados no precisam ser necessariamente atingidos j neste estgio do processo de dimensionamento, que ainda no reflete o uso de tais recursos. Tendo a conscincia, ento, deste provvel aporte de mo-de-obra adicional, interessante distribuir as lacunas de recursos em trs momentos do dia (manh, tarde e noite), para que depois possam ser preenchidas uniformemente pelos recursos adicionais. Talvez fosse
128

intuitivo deixar um dficit maior para a parte da noite, na esperana de haver uma maior adeso de horas-extras e compensao de banco de horas nesse perodo, mas no isso que acontece na Contax, conforme ser detalhado ainda nesta seo. Voltando etapa de organizao das escalas, vale dizer que consiste em um processo iterativo, onde a principal motivao do analista no momento de decidir quantos atendentes devem iniciar sua jornada em cada horrio maximizar o nvel de servio mdio do dia. Esse objetivo em relao ao nvel de servio pode ser mais ou menos agressivo dependendo de alguns fatores, como, por exemplo, o produto em si (bsico menos agressivo ou plus mais agressivo) e se no dia em questo est programada uma medio da ANATEL (mais agressivo). O nvel de servio em cada faixa de horrio, em si, no costuma ser uma preocupao para o analista, j que o importante elevar o nvel de servio mdio do dia. Em cada faixa de horrio, entretanto, existe uma preocupao para no deixar um dficit muito grande de atendentes escalados, em relao capacidade demandada. Conforme foi dito anteriormente, o ideal distribuir uniformemente esse dficit ao longo de trs perodos do dia (manh, tarde e noite) a fim de que possa ser reduzido (e at eliminado) pelo aporte dos recursos provenientes das horas-extras e do banco de horas e de que no haja impacto muito forte em nenhum momento. A preocupao com os dficits intradirios existe porque, nos horrios com muita carncia de atendentes, pode haver grande incidncia 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 ligaes 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 ligao, e mais uma ou duas. Na maioria das vezes, no entanto, ele vai insistir at ser atendido j que, no caso do 102, ele provavelmente est precisando daquela informao (ou seja, talvez ele espere por muito tempo na linha durante a sua terceira ou quarta chamada). Essa reincidncia (3 ou 4 tentativas) aumenta a taxa de abandono e ainda degrada o nvel de servio, j que, na sua ltima tentativa, ele provavelmente vai aguardar mais do que 10 segundos para ser atendido. E, como se isso no bastasse, essas tentativas ainda aumentam o
129

volume de ligaes (aparentemente sem explicao, quando, na verdade, trata-se do mesmo cliente ligando vrias vezes), mascarando a causa e prejudicando as futuras previses de demanda. Todo este processo de dimensionamento e escalonamento dos agentes realizado inicialmente de forma separada para cada um dos produtos (bsico e plus), mas no para cada uma das centrais (Bahia e Pernambuco) para depois ser consolidado. Uma espcie de curva mdia das duas centrais utilizada para o dimensionamento de cada produto. imprescindvel fazer esse processo de forma isolada para cada produto porque necessrio priorizar o cliente plus, que precisa ser atendido com um nvel de servio um pouco (mas no muito) melhor (ou seja, mais rapidamente) do que o do cliente bsico, j que a Contax negocia um preo diferenciado para a prestao do servio para aquele tipo de cliente. Durante o processo, o ideal tentar manter o nvel de servio do cliente bsico na faixa de 75% e o do cliente na plus na faixa de 85%. Ento, natural tentar melhorar um pouco o escalonamento dos agentes plus em detrimento da escala dos bsicos, sem, no entanto, comprometer a taxa de abandono acordada no SLA (2%) para o cliente bsico. Assim, depois de fazer toda a distribuio de recursos para o produto bsico, espalhar o excesso de atendentes ao longo do dia e analisar a coerncia do resultado, hora do analista verificar o outro produto o plus e, no caso de haver um dficit de agentes, eventualmente programar uma transferncia de recursos oriundos do produto bsico. J em relao s centrais, importante realizar o dimensionamento de forma consolidada por causa da possibilidade de fazer transbordo de uma central para a outra. Este transbordo vantajoso porque existem mais operadores na Bahia, central cuja curva de comportamento intradirio da demanda sofre uma queda mais acentuada na parte da tarde (quando comparada queda vespertina da central de Pernambuco). Dessa forma, possvel 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 perodo. Com o transbordo, possvel manter a quantidade de atendentes de Pernambuco em um nvel mais baixo e pedir ajuda mo-de-obra da Bahia no perodo vespertino.
130

O ltimo passo da anlise intradiria consiste na programao de horas-extras e na utilizao do banco de horas. Depois de realizada a distribuio de operadores sem a utilizao destes recursos, possvel verificar em quais horrios do dia mo-de-obra adicional est sendo necessria. Se houver disponibilidade de banco de horas, ele pode ser usado; caso contrrio, preciso utilizar horas-extras. Se no houver dficit de atendentes, o banco de horas (quando disponvel) pode ser guardado para uma ocasio posterior. A maior parte dos funcionrios prefere realizar horas-extras e/ou compensar as horas do banco na parte da manh, antes de iniciar a sua jornada. A adeso maior neste perodo do dia do que noite (depois da jornada) mesmo havendo menos operadores entrando no fim da manh e incio da tarde do que saindo no final da tarde e incio da noite. Com a aplicao destes recursos da melhor forma possvel, os nveis de servio desejados para cada produto podem ser agora atingidos. E, ento, passa a ser possvel observar o resultado do esforo de dimensionamento e escalonamento. As figuras 20 (anterior) e 23 (a seguir) ilustram a relao entre a capacidade demandada e a disponvel, ao longo do dia, em dois momentos distintos: antes do dimensionamento (com a configurao de atendentes do ms anterior, recebida da operao) e aps a otimizao dos recursos, respectivamente.

Figura 23 Necessidade e disponibilidade (aps o escalonamento) de agentes por perodo, produto 102 (plus), Brasil, agosto de 2006

Necessrios x Dimensionados - TOTAL

450 400

Oper. Nec. C/ abs Oper. Dimens.

Quantidade de operadores

350 300 250 200 150 100 50 0

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

Horrio

Fonte: Material coletado nas entrevistas 131

Depois de tantas modificaes na busca do melhor dimensionamento, interessante fazer o registro de todas elas em um resumo a ser enviado para a operao, juntamente com as planilhas contendo o escalonamento sugerido para o ms subseqente. A visualizao das mudanas realizadas fica mais fcil atravs da indicao via setas na prpria planilha, conforme ilustrado na figura 24 a seguir das movimentaes que foram feitas: de onde foram retirados e para onde foram os atendentes realocados, mudanas de horrio, alterao do lanche, migrao de bsico para plus, etc..

Figura 24 Mudanas realizadas durante o escalonamento dos atendentes (6 horas), produto 102 (plus), Brasil, agosto de 2006
Horrio 02:30 03:00 03:30 04:00 04:30 05:00 05:30 06:00 06:30 07:00 07:30 08:00 08:30 09:00 09:30 10:00 10:30 06:00 06:30 07:00 07:30 08:00 08:30 09:00 09:30 10:00 10:30

05 Recursos de Bsico 08 Recursos

20 20 20 20 15 17 18 20 20 20

08 Recursos 1 1 1 1 0 1 1 1 1 05 Recursos 21 21 21 15 20 21 21 21

25 25 25 21 24 24 25

72 72 72 72 72 72

40 40 40 40 40

40 40 40 40

26 26 26

18 18

Fonte: Material coletado nas entrevistas

As quantidades de atendentes disponveis destacadas em azul so menores do que as de operadores que iniciam a jornada em cada perodo por causa da ocorrncia do horrio de lanche para parte dos funcionrios nestes momentos. Ao receber o resumo do efetivo (ilustrado na figura 25 a seguir) e a planilha informando as modificaes sugeridas pela equipe de planejamento, a operao pode eventualmente ajudar at porque o setor que melhor conhece o dia-a-dia criticando algo (atravs do argumento de que, por exemplo, naquele ms, provavelmente, no haver adeso para horas-extras no fim do expediente) e sugerindo melhorias (atravs da citao de que, por exemplo, prefervel, para aquele ms, haver um dficit de agentes ainda maior na parte da manh do

132

que um pequeno dficit no incio da noite, por ser mais provvel conseguir a adeso matutina).

Figura 25 Resumo do efetivo sugerido pelo dimensionamento para o ms subseqente, produto 102 (plus), Brasil, agosto de 2006
Carga Horria: 06:00h Horrio Quantidades 0:00 - 6:00 5 5:00 - 11:00 1 5:30 - 11:30 5 6:00 - 12:00 20 6:30 - 12:30 1 7:00 - 13:00 21 7:30 - 13:30 25 8:00 - 14:00 72 8:30 - 14:30 40 9:00 - 15:00 40 9:30 - 15:30 26 10:00 - 16:00 18 10:30 - 16:30 9 11:00 - 17:00 29 11:30 - 17:30 5 12:00 - 18:00 4 12:30 - 18:30 15 13:00 - 19:00 13 13:30 - 19:30 14 14:00 - 20:00 31 14:30 - 20:30 25 15:00 - 21:00 18 15:30 - 21:30 14 16:00 - 22:00 18 16:30 - 22:30 1 17:00 - 23:00 4 17:30 - 23:30 18:00 - 0:00 5 18:30 - 0:30 19:00 - 1:00 19:30 - 1:30 - 212 20:00 - 2:00 8 275 Total: 487 Premissas: Carga Horria: 04:00h Horrio Quantidades 0:00 - 4:00 5:30 - 11:30 6:00 - 10:00 6:30 - 10:30 7:00 - 11:00 7 7:30 - 11:30 32 8:00 - 12:00 8 8:30 - 12:30 39 9:00 - 13:00 16 9:30 - 13:30 10:00 - 14:00 10:30 - 14:30 11:00 - 15:00 11:30 - 15:30 12:00 - 16:00 12:30 - 16:30 13:00 - 17:00 12 13:30 - 17:30 31 14:00 - 18:00 50 14:30 - 18:30 10 15:00 - 19:00 15:30 - 19:30 16:00 - 20:00 16:30 - 20:30 17:00 - 21:00 17:30 - 21:30 18:00 - 22:00 18:30 - 22:30 5 19:00 - 23:00 3 19:30 - 23:30 4 20:00 - 0:00 13 20:30 - 0:30 21:00 - 1:00 Total: 230

Fonte: Material coletado nas entrevistas

Em situaes como essa, a equipe de planejamento deve refazer o escalonamento e trocar as lacunas, conforme sugerido pela operao. Em outras palavras, existe uma interao entre estes setores e o material enviado anteriormente no consiste, necessariamente, na verso final do plano de trabalho para o prximo ms. A rigor, possvel haver uma imposio por parte da equipe de planejamento, mas o processo no funciona assim, na prtica. O que no pode acontecer o pessoal da operao executar um plano diferente do que foi sugerido, sem dar feedback, criticar nem propor modificaes. A equipe de planejamento realizou todos os estudos necessrios para gerar o plano proposto e est contando com ele; se no for seguido, sem aviso, pode dar tudo errado na operao.

133

Enquanto a insubordinao deve ser evitada ao mximo, a crtica construtiva bem recebida e at incentivada pelos analistas de planejamento, que podem us-la at para gerar e mudar conceitos acerca do dimensionamento da operao. Na ltima etapa do processo de dimensionamento e escalonamento, o analista procura estimar como ser o nvel de servio da operao (percentual de chamadas atendidas em at 10 segundos), para todos os dias ao longo do ms (at o momento, os clculos foram feitos em cima do quinto DMM apenas). Para tal, a distribuio intradiria de atendentes elaborada durante os passos anteriores (incluindo o uso de horas-extras e banco de horas) replicada em uma planilha (ilustrada na tabela 13 a seguir) para todos os dias do ms, exceto para os sbados e domingos; nesses dias, a programao de agentes multiplicada por 60% e 40%, respectivamente, j que essa a proporo de funcionrios (dos que trabalham 6 dias por semana) disponveis em cada um desses dias. A planilha tambm recebe como input a demanda de ligaes prevista para cada um dos dias do ms, assim como os respectivos TMAs. Em cima dessas demandas, so aplicadas as curvas de comportamento intradirio, de acordo com o respectivo dia da semana. Assim, obtida uma previso de volume (conforme ilustrado na tabela 13 a seguir) e TMA para cada meiahora de cada dia do ms em estudo.

134

Tabela 13 Escala de atendentes e volume previsto de ligaes para cada perodo de 30 minutos, produto 102 (plus), Brasil, novembro de 2005
VOLUME
0 0 0 0 0 0 0 0 0 0 0 0 10 20 36 78 160 230 290 345 362 362 340 340 276 269 324 313 274 245 241 170 225 215 205 196 195 151 98 97 85 85 45 45 0 0 0 0 527,3 00:00 00:30 01:00 01:30 02:00 02:30 03:00 03:30 04:00 04:30 05:00 05:30 06:00 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 13:30 14:00 14:30 15:00 15:30 16:00 16:30 17:00 17:30 18:00 18:30 19:00 19:30 20:00 20:30 21:00 21:30 22:00 22:30 23:00 23:30 ter qua 01-nov 02-nov 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 323 319 776 766 1817 1792 3671 3622 7599 7498 11398 11245 14530 14336 16446 16226 17727 17489 18452 18205 17461 17227 16230 16013 13920 13733 13275 13097 13451 13271 13738 13554 13057 12882 12754 12583 12344 12179 12014 11853 12196 12032 11260 11109 9749 9619 7935 7829 6427 6341 6125 6043 5233 5163 4638 4575 3389 3343 3265 3221 2480 2447 2005 1978 0 0 0 0 0 0 0 0 305.685 301.589 qui 03-nov 0 0 0 0 0 0 0 0 0 0 0 0 306 735 1721 3478 7198 10797 13764 15578 16791 17478 16539 15374 13185 12575 12742 13013 12368 12081 11693 11380 11552 10666 9235 7517 6088 5802 4957 4393 3210 3093 2349 1899 0 0 0 0 289.557 sex sb 04-nov 05-nov 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 286 178 687 428 1608 1001 3249 2023 6726 4188 10088 6282 12860 8008 14556 9064 15689 9769 16331 10169 15454 9623 14365 8945 12319 7671 11749 7316 11905 7413 12159 7571 11556 7196 11288 7029 10925 6803 10633 6621 10794 6721 9966 6206 8629 5373 7023 4373 5688 3542 5421 3376 4631 2884 4104 2556 2999 1868 2889 1799 2195 1367 1775 1105 0 0 0 0 0 0 0 0 270.545 168.469 dom seg ter qua qui 06-nov 07-nov 08-nov 09-nov 10-nov 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 103 345 328 320 300 248 828 787 768 721 580 1939 1841 1797 1687 1171 3918 3721 3632 3410 2424 8109 7701 7518 7058 3636 12162 11551 11277 10586 4635 15504 14726 14375 13495 5246 17549 16667 16271 15275 5655 18915 17965 17538 16464 5886 19689 18700 18255 17138 5570 18631 17695 17275 16217 5177 17318 16448 16057 15074 4440 14853 14107 13771 12928 4235 14165 13454 13134 12330 4291 14353 13632 13308 12493 4382 14659 13923 13592 12760 4165 13932 13232 12917 12127 4068 13609 12925 12618 11845 3938 13172 12510 12213 11465 3832 12819 12175 11886 11158 3890 13013 12360 12066 11327 3592 12015 11411 11140 10458 3110 10403 9880 9645 9055 2531 8467 8042 7851 7370 2050 6858 6513 6358 5969 1954 6536 6207 6060 5689 1669 5583 5303 5177 4860 1479 4949 4700 4588 4307 1081 3616 3434 3353 3147 1041 3484 3309 3230 3032 791 2647 2514 2454 2304 640 2140 2032 1984 1862 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 97.513 326.178 309.792 302.428 283.913

Fonte: Material coletado nas entrevistas

A partir do cruzamento das informaes de oferta de capacidade e de previso de demanda (volume e TMA) para cada dia e horrio, a planilha estima de acordo com a mesma metodologia Erlang usada anteriormente os nveis de servio que sero obtidos em cada um dos intervalos de tempo, levando em conta as mesmas premissas de absentesmo e taxa de ocupao aplicadas anteriormente, conforme ilustrado na tabela 14 a seguir.

ESCALA

135

Tabela 14 Nvel de servio estimado para cada perodo de 30 minutos, produto 102 (plus), Brasil, novembro de 2005
NVEL SERVIO
00:00 00:30 01:00 01:30 02:00 02:30 03:00 03:30 04:00 04:30 05:00 05:30 06:00 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 13:30 14:00 14:30 15:00 15:30 16:00 16:30 17:00 17:30 18:00 18:30 19:00 19:30 20:00 20:30 21:00 21:30 22:00 22:30 23:00 23:30 ter 01-nov 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 99% 99% 88% 99% 100% 100% 100% 100% 100% 100% 98% 100% 100% 100% 100% 100% 100% 94% 99% 0% 25% 95% 100% 100% 100% 100% 40% 99% 100% 100% 0% 100% 0% 0% 0% 0% 91% qua 02-nov 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 99% 100% 91% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 99% 100% 0% 83% 99% 100% 100% 100% 100% 70% 100% 100% 100% 5% 100% 0% 0% 0% 0% 94% qui 03-nov 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 99% 100% 96% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 0% 100% 100% 100% 100% 100% 100% 96% 100% 100% 100% 64% 100% 0% 0% 0% 0% 96% sex 04-nov 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 100% 100% 99% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 0% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 92% 100% 0% 0% 0% 0% 96% sb 05-nov 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 97% 99% 96% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 0% 100% 100% 100% 100% 100% 100% 99% 100% 100% 100% 85% 100% 0% 0% 0% 0% 96% dom 06-nov 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 93% 99% 98% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 86% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 95% 100% 0% 0% 0% 0% 99% seg 07-nov 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 99% 99% 75% 97% 99% 96% 72% 100% 99% 23% 0% 100% 95% 98% 100% 100% 100% 0% 67% 0% 0% 0% 100% 100% 100% 100% 0% 96% 100% 100% 0% 99% 0% 0% 0% 0% 68% ter 08-nov 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 99% 99% 89% 99% 100% 100% 100% 100% 100% 100% 99% 100% 100% 100% 100% 100% 100% 96% 100% 0% 47% 96% 100% 100% 100% 100% 50% 99% 100% 100% 0% 100% 0% 0% 0% 0% 92% qua 09-nov 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 99% 100% 93% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 0% 92% 99% 100% 100% 100% 100% 80% 100% 100% 100% 22% 100% 0% 0% 0% 0% 95% qui 10-nov 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 99% 100% 98% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 0% 100% 100% 100% 100% 100% 100% 99% 100% 100% 100% 79% 100% 0% 0% 0% 0% 96%

Fonte: Material coletado nas entrevistas

Finalmente, elaborado um resumo (exemplificado na tabela 15 a seguir) relacionando o volume, o TMA e o nvel de servio estimados para cada um dos dias do ms em anlise, onde estes so hierarquizados de acordo com os seus volumes (DMM1, DMM2, ... , DMM30). Assim, possvel identificar os dias em que o nvel de servio se situar abaixo da meta (os dias de maior movimento).

136

Tabela 15 Volume, TMA e nvel de servio estimados para os dias (hierarquizados) de novembro de 2005, produto 102 (plus), Brasil
Dia
1-nov 2-nov 3-nov 4-nov 5-nov 6-nov 7-nov 8-nov 9-nov 10-nov 11-nov 12-nov 13-nov 14-nov 15-nov 16-nov 17-nov 18-nov 19-nov 20-nov 21-nov 22-nov 23-nov 24-nov 25-nov 26-nov 27-nov 28-nov 29-nov 30-nov

Volume
305.685 301.589 289.557 270.545 168.469 97.513 326.178 309.792 302.428 283.913 266.151 161.464 101.564 319.115 285.593 304.277 304.941 266.208 160.696 101.019 325.122 315.182 331.284 293.243 274.557 167.871 104.273 344.253 201.680 319.043

TMA
31 31 31 31 29 28 30 30 30 30 30 29 28 30 26 25 25 29 29 28 30 30 30 31 31 29 28 30 30 30

NS
91% 94% 96% 96% 96% 99% 68% 92% 95% 96% 96% 96% 99% 85% 95% 96% 96% 96% 96% 98% 75% 89% 55% 95% 96% 96% 96% 38% 100% 86%

DMM
DMM 8 DMM 10 DMM 13 DMM 16 DMM 24 DMM 30 DMM 3 DMM 9 DMM 11 DMM 14 DMM 17 DMM 26 DMM 29 DMM 5 DMM 21 DMM 19 DMM 20 DMM 18 DMM 25 DMM 28 DMM 4 DMM 7 DMM 2 DMM 12 DMM 15 DMM 23 DMM 27 DMM 1 DMM 22 DMM 6

7.685.492
Fonte: Material coletado nas entrevistas

30

88,1%

Depois de validada, esta planilha que estima o nvel de servio ao longo de todo o ms tambm enviada para a operao. Ela servir de base para o acompanhamento do cotidiano operacional e para pequenos ajustes dirios, depois que a operao implementar na prtica o seu contedo. Infelizmente, a equipe de planejamento no consegue mensurar com um nvel de detalhe muito grande se o nvel de servio efetivamente ocorrido foi similar ao planejado. Para tal

137

mensurao poder ser bem feita, as premissas estimadas (da demanda e do prprio dimensionamento) teriam que acontecer com bastante acurcia, na realidade. Mas o volume de demanda real no necessariamente bate com o que foi previsto. Alm disso, nem sempre o escalonamento elaborado de agentes (quantidades certas em cada horrio) cumprido, j que, entre outros motivos, o banco de horas nem sempre pode ser utilizado da forma planejado e o absentesmo, s vezes, acontece com maior ou menor intensidade do que consta na premissa. A demanda real at que coincide com alguma freqncia com a que foi prevista, mas a correta execuo do escalonamento planejado no to comum assim de acontecer. Para uma correta mensurao acerca da acurcia da previso do nvel de servio, teria que ser feita uma grande pesquisa para ser estudado um dia em que a demanda real foi muito prxima da prevista e as escalas ocorreram exatamente como foram dimensionadas, o que difcil de acontecer. Por isso, o setor no trabalha com nenhuma planilha que sumarize essa comparao. O nvel de servio acompanhado mesmo diariamente, mais atravs do sentimento e da percepo da equipe de planejamento do que propriamente de um procedimento formal. Em outras palavras, uma anlise macro realizada a esse respeito. Por exemplo, se em um determinado dia, o nvel de servio previsto era de 90% (nmero fechado para o dia, e no aberto por horrio) e o obtido foi 89% (ou 88% ou 91% ou 92%), isso considerado um acerto, j que a previso tem margem de erro para cima e para baixo. Agora, se nesse dia o nvel de servio obtido for 60%, necessrio checar se o volume e TMA reais fugiram muito dos previstos (nesse caso, a culpa da previso de demanda); caso contrrio, o absentesmo efetivo precisa ser comparado com o que foi utilizado nas premissas. Caso no seja detectado nenhum grande desvio, preciso fazer uma anlise micro para detectar em qual(is) horrio(s) houve problema e perda de nvel de servio. Nesse caso, preciso entender o motivo de ter ocorrido um desvio exagerado no final do dia. Uma possvel explicao a chamada inverso da curva, que ocorre quando a maior demanda for prevista para a manh (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 nvel de servio
138

(100%, com ociosidade, provavelmente) pela manh, mas uma grande deteriorao no mesmo na parte da tarde. Em uma situao como essas, a anlise macro no suficiente, pois o volume dirio de demanda pode ter se comportado conforme previsto, variando apenas a sua oscilao intradiria. Mas, se a curva intradiria tiver se comportado conforme foi planejado, pode ter havido um erro srio no processo de dimensionamento. No entanto, raramente a anlise chega a esse nvel de detalhe; muito pouco comum acontecer de o volume, o TMA e a quantidade de pessoas estarem coerentes e o nvel de servio fugir muito do estimado. Na opinio da equipe de planejamento, a frmula Erlang utilizada para o clculo do nvel de servio no totalmente precisa, mas no radicalmente imprecisa a ponto de chamar a ateno e gerar situaes onde as premissas sejam respeitadas e o nvel de servio se distancie muito do calculado. Na verdade, a equipe questiona um pouco a frmula de clculo do nvel de servio em funo da distribuio de operadores, atravs das frmulas Erlang. Esse questionamento nasceu de algumas observaes empricas, como em uma situao em que o nvel de servio calculado para um horrio com dficit de 3 agentes era 77% e passava para 0% quando o dficit subia para 12 agentes. O sentimento geral de que essa forma de clculo no 100% precisa, mas gera resultados prximos da realidade, j que entram fatores como tempo de espera, entre outros. No existe concordncia de que essa a maneira ideal de calcular o nvel de servio, mas o setor no encontrou nenhuma outra abordagem mais precisa, em pesquisas coletando informaes e planilhas verificadas.

139

6. Anlise do Caso
Com o intuito de responder as questes propostas na seo 1.1.2 de forma a atingir os objetivos estipulados na seo 1.1.1, este captulo procura atacar atravs de metodologias estudadas e sugeridas pelo pesquisador os problemas levantados na seo 5.2: a previso de demanda e o dimensionamento da capacidade de atendimento.

6.1. Previso de demanda Hoje em dia, conforme descrito na seo 5.2.1, a previso bsica do produto 103 extrada do TotalView e a equipe de previso realiza manualmente no Excel a insero das informaes a respeito da postagem e vencimento das contas dos clientes, dentro de cada ciclo. Essas informaes so fornecidas pelo setor de faturamento e so capazes de impactar a demanda de ligaes em cada dia, assim como o tempo mdio de atendimento (TMA). A reivindicao geral consiste na criao de uma forma atravs da qual as informaes do faturamento pudessem ser usadas de uma maneira mais sistemtica no processo de elaborao das previses. A idia evitar o trabalho manual e o uso apenas da intuio no analista, reduzindo a possibilidade de erro. O objetivo torna-se, ento, construir uma ferramenta de previso capaz de capturar de forma metdica as informaes relevantes dos ciclos de contas fugindo do sentimento, da intuio e do trabalho manual dos analistas e de conseguir gerar resultados mais acurados. A idia a ferramenta no substituir a intuio e experincia da equipe de previso, mas servir de apoio sua tomada de deciso. A equipe responsvel pela previso de demanda (em especial o Gerente de Planejamento de Trfego) deu bastante apoio idia de implantao de uma nova ferramenta capaz de facilitar e melhorar a qualidade do processo e a atividade de cada membro da equipe. At por isso, a coleta de informaes necessrias para o desenvolvimento da ferramenta fluiu com relativa facilidade e sem grande resistncia, a menos de atrasos (at de algumas semanas) ocorridos durante o envio do material que, inclusive, inviabilizaram a mensurao da funcionalidade do modelo em relao ao futuro, conforme foi explicado na seo 4.4. Acredita-se, no entanto, que estes atrasos tenham sido motivados apenas por problemas de

140

sade e de excesso de trabalho do responsvel, e no por uma eventual resistncia do mesmo utilizao de uma nova abordagem para a atividade de previso de demanda. Vale relatar que a real magnitude dos valores informados foi camuflada (atravs do uso de uma constante de proporcionalidade) pela necessidade de sigilo da informao (e no motivada por algum outro fator), conforme ser detalhado na seo 6.1.1 a seguir. Adicionalmente talvez em parte motivada pela necessidade de valorizao do prprio trabalho, mas certamente apresentando coerncia uma ressalva generalizada foi levantada pela equipe, alertando para a necessidade de a nova ferramenta no impedir nem engessar as contribuies razoavelmente subjetivas (e baseadas na experincia) que os responsveis pela previso costumam agregar de forma positiva s predies preliminares sugeridas pelo sistema.
6.1.1. A escolha do mtodo de previso e do produto-cobaia

Operacionalmente, a equipe de previso coletaria, com a antecedncia usual, os inputs necessrios (oriundos do setor de faturamento) e alimentaria a ferramenta de previso ambientada em uma planilha de Excel com eles. O output da ferramenta consistiria na quantidade de ligaes demandada e o tempo mdio de atendimento para cada data futura. O 103 o produto ideal para a construo de tal ferramenta, principalmente por dois motivos: o produto que parece encerrar o maior potencial de melhoria na sua previso de demanda, j que a empresa dispe de informaes (quantidades de contas enviadas para os clientes em cada data, assim como suas datas de vencimento) que poderiam fornecer uma melhor acurcia, estando apenas carente de um mtodo mais adequado; a demanda do produto, segundo a Coordenao de Planejamento de Trfego, apresenta pouca sazonalidade ao longo do ano e, como o histrico de dados fornecido pela empresa para a construo da ferramenta abrange um perodo de cerca de 1 ano, a sazonalidade mensal no poderia ser capturada e isolada, o que acabaria por poluir o processo de previso de um produto cuja demanda fosse sazonal. O mtodo escolhido foi o da Regresso Mltipla, pois capaz de capturar o impacto especfico de cada evento e informao na demanda e no TMA de cada dia. Por exemplo, qual o impacto na demanda de ligaes do fato do dia em questo cair em uma quinta-feira?
141

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 questo? E qual o impacto de vencerem 300 mil contas neste dia? E do dia ser a vspera do vencimento de 500 mil contas? A idia verificar a distncia do dia especfico em relao aos eventos especiais (chegada e vencimento das contas) e calcular para quantas contas esse dia o C (dia de chegada), o V (dia do vencimento), o V 1 (vspera do vencimento), o V 2 (antevspera 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 previso, para o perodo de julho de 2005 a julho de 2006), apresentado parcialmente na tabela 6, na seo 5.2.1, foi possvel prever a data de chegada para cada um dos ciclos de contas: de uma forma geral, a chegada ocorre um dia aps a postagem, exceto para a Baixada Fluminense e o interior do Estado do RJ (ciclo RJ-7), cuja chegada das contas acontece dois dias aps a postagem. Depois disso, os ciclos de contas foram consolidados a um nvel nacional at porque, conforme descrito na seo 5.2.1, tudo funciona, em termos organizacionais, como se houvesse uma central nica 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.

142

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 Fonte: Planilha elaborada pelo pesquisador 133.108.943

143

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 Fonte: Planilha elaborada pelo pesquisador 133.108.943

Para poder ser desenvolvido o modelo de regresso mltipla para prever a quantidade de ligaes e o TMA em cada data, foi preciso ter acesso ao histrico destas duas grandezas. Por motivo de sigilo estratgico, esses valores no puderam ser revelados, em sua plena magnitude; no entanto, a eles foi aplicada uma constante de proporcionalidade, e os resultados, de julho de 2005 at maro de 2006, foram fornecidos pela empresa e esto apresentados parcialmente na tabela 18 a seguir.
144

Tabela 18 Histrico da quantidade de ligaes e do TMA (multiplicados por uma constante) para o produto 103, novembro de 2005
Data 01/11/2005 02/11/2005 03/11/2005 04/11/2005 05/11/2005 06/11/2005 07/11/2005 08/11/2005 09/11/2005 10/11/2005 11/11/2005 12/11/2005 13/11/2005 14/11/2005 15/11/2005 16/11/2005 17/11/2005 18/11/2005 19/11/2005 20/11/2005 21/11/2005 22/11/2005 23/11/2005 24/11/2005 25/11/2005 26/11/2005 27/11/2005 28/11/2005 29/11/2005 30/11/2005 Fonte: Material coletado nas entrevistas Ligaes 193.977 106.587 195.434 183.938 114.623 60.267 210.236 211.949 202.792 182.913 169.596 101.658 54.152 167.911 83.714 181.821 163.432 150.299 95.204 59.552 173.555 156.347 156.896 151.793 149.621 100.965 55.197 165.545 165.424 179.283 TMA (seg) 145 117 146 149 135 121 150 153 154 152 146 134 115 140 113 143 146 138 123 92 146 143 143 144 137 124 110 138 138 139

O comportamento das duas grandezas em funo do tempo pode ser mais bem observado atravs dos grficos apresentados a seguir, nas figuras 26 e 27, respectivamente.

145

Figura 26 Quantidade de ligaes por dia (multiplicada por uma constante), para o produto 103, julho de 2005 a maro de 2006
Quantidade de ligaes por dia (produto 103)
250.000

200.000

Quantidade de ligaes

150.000

100.000

50.000

0 17/07/2005 16/08/2005 15/09/2005 15/10/2005 14/11/2005 Dia 14/12/2005 13/01/2006 12/02/2006 14/03/2006

Fonte: Grfico elaborado pelo pesquisador

Figura 27 TMA por dia (multiplicado por uma constante), para o produto 103, julho de 2005 a maro de 2006
TMA por dia (produto 103)
180

150

120 TMA (em segundos)

90

60

30

0 17/07/2005 16/08/2005 15/09/2005 15/10/2005 14/11/2005 Dia 14/12/2005 13/01/2006 12/02/2006 14/03/2006

Fonte: Grfico elaborado pelo pesquisador 146

A srie da quantidade de ligaes no apresenta nenhuma tendncia de crescimento ou decrescimento (apenas um comportamento errtico), dispensando, assim, a necessidade de incluso de uma varivel explicativa para registrar a passagem do tempo (o que seria obrigatrio caso a grandeza mostrasse um crescimento ou decrescimento sistemtico). Assim como a quantidade de ligaes, o tempo mdio de atendimento no apresenta tendncia alguma, necessitando do mesmo tratamento; no entanto, observa-se uma diferena significativa em relao grandeza anterior: o TMA razoavelmente mais homogneo que a quantidade de ligaes, o que torna a sua magnitude um pouco mais previsvel.
6.1.2. O modelo de previso para a demanda de ligaes

De posse de todas essas informaes foi possvel montar a planilha de Excel com os dados necessrios para a construo do modelo de regresso mltipla dentro do qual o comportamento da varivel dependente quantidade de ligaes em um dia especfico inicialmente poderia estar sendo explicado por 10 variveis independentes: dia da semana; feriado se o dia especfico consiste em um feriado ou no; chegada (C) quantas contas esto previstas para chegarem ao cliente no dia especfico; vencimento (V) quantas contas vencem no dia especfico; V - 3 para quantas contas aquele dia especfico corresponde a 3 dias antes do vencimento, ou, em outras palavras, quantas contas iro vencer 3 dias depois da data especfica; V - 2 para quantas contas aquele dia especfico corresponde antevspera do vencimento; V - 1 para quantas contas aquele dia especfico corresponde vspera do vencimento;

147

V + 1 para quantas contas aquele dia especfico corresponde a 1 dia depois do vencimento, ou, em outras palavras, quantas contas tero vencido na vspera daquela data especfica;

V + 2 para quantas contas aquele dia especfico corresponde a 2 dias depois do vencimento;

V + 3 para quantas contas aquele dia especfico corresponde a 3 dias depois do vencimento.

A tabela 19 a seguir apresenta parcialmente a organizao da planilha de dados em questo.

Tabela 19 Planilha de dados do modelo de regresso mltipla para prever a quantidade de ligaes, produto 103, fevereiro de 2006
Dia 01/02/2006 02/02/2006 03/02/2006 04/02/2006 05/02/2006 06/02/2006 07/02/2006 08/02/2006 09/02/2006 10/02/2006 11/02/2006 12/02/2006 13/02/2006 14/02/2006 15/02/2006 16/02/2006 17/02/2006 18/02/2006 19/02/2006 20/02/2006 21/02/2006 22/02/2006 23/02/2006 24/02/2006 25/02/2006 26/02/2006 27/02/2006 28/02/2006 Dia da Feriado ? semana 4a. feira No 5a. feira No 6a. feira No Sbado No Domingo No 2a. feira No 3a. feira No 4a. feira No 5a. feira No 6a. feira No Sbado No Domingo No 2a. feira No 3a. feira No 4a. feira No 5a. feira No 6a. feira No Sbado No Domingo No 2a. feira No 3a. feira No 4a. feira No 5a. feira No 6a. feira No Sbado No Domingo No 2a. feira No 3a. feira Sim Chegada (C) 2.506.038 1.122.892 587.354 1.484.473 1.238.119 801.143 432.670 709.437 2.136.197 1.555.097 2.506.038 V- 3 2.142.215 1.918.920 2.177.552 798.630 1.456.656 801.143 432.670 709.437 2.136.197 V- 2 2.142.215 1.918.920 2.177.552 798.630 1.456.656 801.143 432.670 709.437 2.136.197 V- 1 2.142.215 1.918.920 2.177.552 798.630 1.456.656 801.143 432.670 709.437 2.136.197 Vencimento (V) 2.136.197 2.142.215 1.918.920 2.177.552 798.630 1.456.656 801.143 432.670 709.437 V+1 2.136.197 2.142.215 1.918.920 2.177.552 798.630 1.456.656 801.143 432.670 709.437 V+2 2.136.197 2.142.215 1.918.920 2.177.552 798.630 1.456.656 801.143 432.670 709.437 V+3 2.136.197 2.142.215 1.918.920 2.177.552 798.630 1.456.656 801.143 432.670 709.437 Ligaes 199.908 195.497 185.542 116.657 65.558 216.104 221.831 213.584 200.359 185.882 122.764 72.033 197.231 181.092 188.990 174.253 156.317 105.306 63.827 171.921 155.035 152.537 140.621 139.056 86.746 49.520 85.790 75.801

Fonte: Planilha elaborada pelo pesquisador

Cabe salientar que as variveis independentes dia da semana e feriado foram trabalhadas como sendo do tipo dummy (ou simblicas ou binrias). Assim, e de acordo com a reviso bibliogrfica apresentada na seo 3.1.2.1, foram criadas 6 variveis dummy para o dia da

148

semana (domingo, segunda-feira, tera-feira, quarta-feira, quinta-feira e sexta-feira) e 1 varivel dummy para a ocorrncia do feriado (feriado). Dessa forma, para o dia 28/02/2006, por exemplo, a sua varivel dummy feriado assumiu o valor 1 (0 = No; 1 = Sim), por se tratar da tera-feira de Carnaval; e as suas variveis dummy domingo, segunda-feira, quarta-feira, quinta-feira e sexta-feira assumiram o valor 0 enquanto que a sua varivel dummy tera-feira assumiu o valor 1. Seguindo o mesmo raciocnio, para o dia 04/02/2006, por exemplo, a sua varivel dummy feriado assumiu o valor 0; e as suas variveis dummy domingo, segunda-feira, tera-feira, quarta-feira, quinta-feira e sexta-feira assumiram o valor 0, caracterizando, portanto e por excluso, o dia em questo como sendo um sbado (seria redundante a existncia de uma varivel dummy sbado, pois este dia j estar sendo caracterizado quando todas as variveis dummy relativas ao dia da semana assumirem o valor 0). Isto posto, foi utilizada a ferramenta de Regresso do suplemento de Anlise de Dados do Excel para gerar o modelo de regresso mltipla proposto. As tabelas 20, 21 e 22 a seguir foram extradas do relatrio fornecido pela ferramenta em questo.

Tabela 20 Estatstica de regresso do modelo de regresso mltipla para prever a quantidade de ligaes, produto 103
Estatstica de regresso R mltiplo 0,92 R-Quadrado 0,85 R-quadrado ajustado 0,84 Erro padro 20.320 Observaes 234
Fonte: Relatrio de regresso do Excel, elaborado pelo pesquisador

A primeira anlise aponta para um modelo com um potencial muito bom, j que 84% (Rquadrado ajustado) da variao dos dados pode ser explicada por ele. Mas fundamental verificar tambm o F de significao, destacado na tabela 21 a seguir.

149

Tabela 21 Anlise de Varincia do modelo de regresso mltipla para prever a quantidade de ligaes, produto 103
ANOVA gl Regresso Resduo Total 15,00 218,00 233,00 F 85,64 F de significao 0,0000

Fonte: Relatrio de regresso do Excel, elaborado pelo pesquisador

O F de significao resultante foi 0,0000 (zero). Neste caso, pode-se acreditar na real influncia das variveis explicativas na quantidade de ligaes e aceitar o modelo com bastante certeza. Para analisar a contribuio e a representatividade de cada varivel independente, necessrio 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 confiana dos coeficientes das variveis independentes do modelo de regresso mltipla para prever a quantidade de ligaes, produto 103
Interseo Domingo 2a. Feira 3a. Feira 4a. Feira 5a. Feira 6a. Feira Feriado Chegada (C) V-3 V-2 V-1 Vencimento (V) V+1 V+2 V+3 Coeficientes valor-P 0,00% 92.545 (41.228) 0,00% 79.882 0,00% 75.694 0,00% 73.812 0,00% 73.068 0,00% 61.763 0,00% (71.088) 0,00% 0,0035 13,57% 0,0052 2,21% 0,0042 7,81% 0,0068 0,47% 0,0074 0,19% 0,0071 0,30% 0,0064 0,75% 0,0009 68,36% 95% inferiores 84.600 (51.225) 69.994 65.044 62.846 63.079 51.766 (87.237) (0,0011) 0,0007 (0,0005) 0,0021 0,0027 0,0024 0,0017 (0,0035) 95% superiores 100.490 (31.232) 89.769 86.343 84.779 83.056 71.760 (54.938) 0,0081 0,0096 0,0089 0,0115 0,0120 0,0117 0,0110 0,0053

Fonte: Relatrio de regresso do Excel, elaborado pelo pesquisador

150

Ao analisar a tabela 22 anterior, possvel perceber um altssimo valor p para a varivel V + 3, indicando que a quantidade de contas para as quais aquele dia especfico corresponde a 3 dias depois do vencimento no est funcionando como um bom explicador linear para a quantidade de ligaes. O efeito ps-vencimento parece, ento, acabar no segundo dia aps o vencimento da conta (j que os valores p de V + 1 e V + 2 so bem baixos); em outras palavras, os clientes ainda ligam para o 103 um ou dois dias aps o vencimento da conta, mas esse impacto cai bastante a partir do terceiro dia, deixando de ser significativo. Esta varivel (V + 3) pode estar poluindo o modelo e convm retir-la da anlise. A ferramenta de Regresso do Excel foi novamente usada para gerar o modelo de regresso mltipla. As tabelas 23, 24 e 25 a seguir foram extradas do relatrio fornecido pela ferramenta.

Tabela 23 Estatstica de regresso do modelo modificado (sem V+3) de regresso mltipla para prever a quantidade de ligaes, produto 103
Estatstica de regresso R mltiplo 0,92 R-Quadrado 0,85 R-quadrado ajustado 0,85 Erro padro 20.282 Observaes 234
Fonte: Relatrio de regresso do Excel, elaborado pelo pesquisador

O modelo continuou com um potencial muito bom (at ligeiramente melhor), j que 85% (Rquadrado ajustado) da variao dos dados pode ser explicada por ele. O F de significao pode ser observado na tabela 24 a seguir. O F de significao resultante foi novamente 0,0000 (zero), acarretando na aceitao do modelo com bastante certeza.

151

Tabela 24 Anlise de Varincia do modelo modificado (sem V+3) de regresso mltipla para prever a quantidade de ligaes, produto 103
ANOVA gl Regresso Resduo Total 14,00 219,00 233,00 F 92,09 F de significao 0,0000

Fonte: Relatrio de regresso do Excel, elaborado pelo pesquisador

Os coeficientes linear e angulares, juntamente com os respectivos valores p, esto apresentados na tabela 25 a seguir.

Tabela 25 Valor, representatividade e intervalo de confiana dos coeficientes das variveis independentes do modelo modificado (sem V+3) de regresso mltipla para prever a quantidade de ligaes, produto 103
Interseo Domingo 2a. Feira 3a. Feira 4a. Feira 5a. Feira 6a. Feira Feriado Chegada (C) V-3 V-2 V-1 Vencimento (V) V+1 V+2 Coeficientes valor-P 0,00% 92.693 (41.103) 0,00% 79.874 0,00% 75.900 0,00% 73.908 0,00% 73.082 0,00% 61.898 0,00% (71.345) 0,00% 0,0034 14,30% 0,0052 2,11% 0,0042 7,86% 0,0072 0,13% 0,0077 0,06% 0,0071 0,30% 0,0060 0,71% 95% inferiores 84.795 (51.062) 70.005 65.318 62.972 63.113 51.941 (87.416) (0,0012) 0,0008 (0,0005) 0,0028 0,0034 0,0024 0,0017 95% superiores 100.591 (31.144) 89.742 86.483 84.844 83.051 71.855 (55.275) 0,0080 0,0096 0,0089 0,0115 0,0120 0,0117 0,0104

Fonte: Relatrio de regresso do Excel, elaborado pelo pesquisador

Como pode ser observado, os valores p das outras variveis mudaram muito pouco e, para este modelo modificado, apenas duas variveis apresentam coeficientes angulares com valores p superiores a 5% (nvel de significncia mais comumente utilizado nos testes de hipteses): Chegada (C) e V 2.

152

Em relao a esta ltima, ela ser mantida no modelo, porque o valor p do seu coeficiente angular est abaixo de 10% (um valor tambm bastante utilizado como nvel de significncia nos testes de hipteses) e pelo fato das variveis V 3 e V 1 apresentarem-se como bons explicadores lineares (no 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 trs dias antes do vencimento e na vspera do mesmo, mas no na antevspera!). J a varivel Chegada (C) tambm ser mantida no modelo (apesar de apresentar valor p maior do que 10%) pelo fato de ter sido identificada, pela equipe de planejamento, como crtica e muito impactante na demanda de ligaes; alm disso, seu valor p (14,30%) no ficou to acima de um nvel de significncia considerado razovel (10%). Desta forma, a retirada da varivel V + 3 foi benfica para o modelo (tornando-o, inclusive, mais parcimonioso, isto , com menos variveis) e os seus coeficientes podem ser, ento, interpretados. O primeiro coeficiente rotulado de Interseco corresponde ao coeficiente linear da regresso, que consiste no valor da varivel dependente (no caso, a quantidade de ligaes) quando todas as variveis independentes (inclusive as dummy) assumirem o valor zero; ou seja, quando domingo, segunda-feira, tera-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 sbado, no-feriado e no consistir da data de chegada, nem de nenhuma data dentro do intervalo de 6 dias em torno do vencimento de alguma conta, a previso que a quantidade de ligaes demandadas seja 92.693. Esse nmero pode ser encarado como uma quantidade bsica, qual devem ser adicionados os efeitos da ocorrncia das variveis independentes, expressados atravs dos seus respectivos coeficientes angulares, destacados na tabela 25 anterior. Assim, o fato do dia ser domingo contribui com uma diminuio de 41.103 ligaes previstas em relao ao nmero bsico (92.693); a segunda-feira espera, segundo o modelo, 79.874 ligaes a mais do que o dia bsico (sbado); a tera-feira espera 75.900 ligaes a mais do que o sbado; a quarta-feira espera 73.908 ligaes a mais; a quinta-feira, 73.082 a mais; e a sexta-feira, 61.898 ligaes a mais do que o dia bsico. Com essas informaes, possvel elaborar um grfico apresentado na figura 28 a seguir que permita a melhor visualizao da sazonalidade do dia da semana.
153

Figura 28 Comportamento sazonal do dia da semana modelo modificado (sem V+3) para prever a quantidade de ligaes, produto 103
Sazonalidade do dia semana - produto 103
200.000 180.000 160.000 140.000 120.000 100.000 80.000 60.000 40.000 20.000 Domingo 2a. Feira 3a. Feira 4a. Feira Dia da semana 5a. Feira 6a. Feira Sbado

Fonte: Grfico elaborado pelo pesquisador, a partir do relatrio de regresso do Excel.

A evoluo da demanda de ligaes ao longo da semana (considerando dias comuns, ou seja, sem a ocorrncia de feriados ou proximidade com chegada ou vencimento de contas) comea 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 sbado, antes de cair um pouco menos para voltar ao patamar de domingo. De forma anloga aos dias da semana, o fato de um dia ser feriado reduz em 71.345 a quantidade prevista de ligaes; e cada conta telefnica prevista para chegar casa do cliente naquele dia aumenta em 0,0034 a previso da quantidade de ligaes demandadas para o dia em questo (assim e se, por exemplo, 100.000 contas estiverem chegando em um dia especfico, de se esperar que isso implique em um aumento de 100.000 x 0,0034 = 340 ligaes no contingente dirio). Se esse nmero for examinado de forma percentual, possvel concluir que, em mdia, 0,34% (= 0,0034) dos clientes ligam para o Telemar no dia em que recebem a sua conta telefnica.
154

Quantidade de ligaes em um dia padro

Em relao aos dias que circundam a data do vencimento, anlogo o raciocnio que explica as conseqncias: cada conta vencendo 3 dias depois (ou seja, para as quais a data em questo representa V 3) aumenta em 0,0052 a quantidade de ligaes; cada conta vencendo 2 dias depois aumenta em 0,0042 a quantidade de ligaes; cada conta vencendo no dia seguinte aumenta em 0,0072 essa quantidade; cada conta vencendo no dia em questo aumenta em 0,0077 a mesma quantidade; cada conta vencendo na vspera aumenta em 0,0071 a quantidade; e cada conta vencendo na antevspera aumenta em 0,0060 a quantidade prevista de ligaes. Com essas informaes, possvel elaborar um grfico apresentado na figura 29 a seguir que permita a melhor visualizao do comportamento da demanda de ligaes 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 ligaes, produto 103
Impacto dos dias em torno do vencimento (V) na demanda de ligaes, produto 103
0,0090

0,0080

0,0070 Impacto na quantidade de ligaes

0,0060

0,0050

0,0040

0,0030

0,0020

0,0010

V-3 V-2 V-1 Dia V V+1 V+2

Fonte: Grfico elaborado pelo pesquisador, a partir do relatrio de regresso do Excel.

possvel perceber que o maior impacto ocorre no dia do vencimento. Com exceo de V 2 (varivel cujo coeficiente angular teve valor p acima de 5%), o impacto do dia em questo vai

155

diminuindo na medida em que a data se afasta do vencimento, para ambos os lados, revelando uma queda mais acentuado para os dias anteriores data crtica. Naturalmente, os coeficientes no tm apenas significado isolado, mas tambm podem e devem ser analisados em conjunto: se as conseqncias de todos os efeitos (dia da semana, ocorrncia de feriado, data crtica em relao chegada ou vencimento da conta) forem incorporadas ao valor previsto para um dia bsico, ser possvel estabelecer uma equao para prever a quantidade demanda de ligaes em um determinado dia em funo das caractersticas da data em questo. Dessa maneira, e nesse caso, a equao pode ser escrita conforme apresentada na figura 30 a seguir.

Figura 30 Equao do modelo modificado (sem V+3) para prever a quantidade de ligaes, produto 103
Quantidade de ligaes = 92.693 41.103 x domingo + 79.874 x segunda-feira + 75.900 x tera-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: Equao elaborada pelo pesquisador, a partir do relatrio de regresso do Excel.

onde: as 7 primeiras variveis so do tipo dummy, podendo assumir o valor 0 (no) ou 1 (sim); as 7 ltimas representam, respectivamente: a quantidade de contas chegando no dia; vencendo 3 dias depois; 2 dias depois; 1 dia depois; no prprio dia; 1 dia antes; e 2 dias antes. De posse dessa equao, ento, possvel calcular quanto o modelo de regresso teria previsto para a quantidade de ligaes em cada um dos dias acerca dos quais o histrico 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 previso possa ser mensurado. Essa comparao pode ser visualizada na figura 31 a seguir.

156

Figura 31 Valores reais (multiplicados por uma constante) e previstos (pelo modelo) da quantidade de ligaes por dia, para o produto 103, julho de 2005 a maro de 2006
Quantidade de ligaes (reais x previstas) por dia (produto 103)
250.000 Reais Previstas

200.000

Quantidade de ligaes

150.000

100.000

50.000

0 17/07/2005 16/08/2005 15/09/2005 15/10/2005 14/11/2005 Dia 14/12/2005 13/01/2006 12/02/2006 14/03/2006

Fonte: Grfico elaborado pelo pesquisador

A menos de alguns pontos especficos, pode ser percebida uma boa aderncia visual do modelo em relao aos dados reais. Mas necessrio formalizar e quantificar essa aderncia. A medida de erro escolhida para tal propsito foi o MAPE (erro mdio percentual absoluto), anteriormente descrito na seo 3.1. Para cada dia dentro do perodo de julho de 2005 a maro de 2006, foi organizada uma tabela apresentando a quantidade real de ligaes, os valores que o modelo de regresso teria previsto para esta grandeza, assim como os erros percentuais absolutos oriundos desta previso (em conjunto com a sua mdia). A tabela 26 a seguir apresenta parte destes dados. Em mdia, o modelo est cometendo um erro de previso da ordem de 10,98%. Esse valor no muito alto, mas substancialmente maior que os 5% que a Coordenao de Planejamento costuma cometer na previso de demanda do produto 103. No entanto, algumas observaes so pertinentes, neste momento.

157

Tabela 26 Valores reais, previstos e erros do modelo modificado (sem V+3) de regresso mltipla para prever a quantidade de ligaes, produto 103, dezembro de 2005
Dia 01/12/2005 02/12/2005 03/12/2005 04/12/2005 05/12/2005 06/12/2005 07/12/2005 08/12/2005 09/12/2005 10/12/2005 11/12/2005 12/12/2005 13/12/2005 14/12/2005 15/12/2005 16/12/2005 17/12/2005 18/12/2005 19/12/2005 20/12/2005 21/12/2005 22/12/2005 23/12/2005 24/12/2005 25/12/2005 26/12/2005 27/12/2005 28/12/2005 29/12/2005 30/12/2005 31/12/2005 Dia da Feriado ? semana 5a. feira No 6a. feira No Sbado No Domingo No 2a. feira No 3a. feira No 4a. feira No 5a. feira No 6a. feira No Sbado No Domingo No 2a. feira No 3a. feira No 4a. feira No 5a. feira No 6a. feira No Sbado No Domingo No 2a. feira No 3a. feira No 4a. feira No 5a. feira No 6a. feira No Sbado No Domingo Sim 2a. feira No 3a. feira No 4a. feira No 5a. feira No 6a. feira No Sbado No Ligaes 189.179 179.607 119.738 63.118 209.398 203.525 201.497 163.731 165.708 108.033 65.321 204.689 202.289 187.186 168.579 155.912 102.895 58.292 170.636 155.824 145.547 127.727 116.546 69.839 39.038 152.909 158.507 164.109 154.690 124.406 67.541 Ligaes (previstas Erro de previso pelo modelo) 193.288 2,2% 178.716 0,5% 121.003 1,1% 77.992 23,6% 203.208 3,0% 197.677 2,9% 186.681 7,4% 190.634 16,4% 175.358 5,8% 112.476 4,1% 71.680 9,7% 201.258 1,7% 196.754 2,7% 188.341 0,6% 185.651 10,1% 170.652 9,5% 109.900 6,8% 59.078 1,3% 180.520 5,8% 172.655 10,8% 170.260 17,0% 169.413 32,6% 155.684 33,6% 93.699 34,2% (18.895) 148,4% 172.567 12,9% 168.593 6,4% 166.601 1,5% 165.775 7,2% 154.591 24,3% 92.693 37,2%

Fonte: Planilha elaborada pelo pesquisador

vlido lembrar, por exemplo, que, durante o processo-padro de previso, os analistas recebem os valores previstos pelo TotalView e acrescentam a eles os impactos esperados por eventos e premissas, como o prprio comportamento do ciclo de contas e a ocorrncia de feriados, mas tambm como outros eventos especiais relacionados ao produto (plano de minutos, campanhas na mdia, crescimento de base e outros potenciais aspectos impactantes,

158

relacionados no Anexo I). Os 5% de erro de previso s so conseguidos aps a considerao de todas essas subjetividades. Ora, o modelo de regresso proposto visa substituir apenas os valores sugeridos pelo TotalView, acrescidos da influncia dos feriados e do comportamento dos ciclos de contas; a idia, em nenhuma hiptese, substituir o papel do analista encarregado da previso dotado de toda a sua insubstituvel experincia e subjetividade mas de fornecer-lhe subsdio complementar para a tomada de deciso. Assim, e j que o analista vai poder ser capaz de acrescentar aos valores sugeridos pelo modelo de regresso os impactos que julgar relevantes, mais justo comparar os erros de previso do modelo aqui proposto com os erros oriundos do mdulo de previso do TotalView, com o intuito de verificar a ocorrncia ou no de melhorias no processo de previso do produto 103. Tal comparao est apresentada na tabela 27 a seguir. Com a apresentao dos dados apenas referentes ao perodo de 1 ms, no possvel visualizar adequadamente os ganhos de acurcia do modelo proposto em relao ao mdulo de previso do TotalView. Entretanto, ao se agrupar os dados referentes a todo o perodo utilizado para a previso, possvel calcular que o TotalView cometeu em mdia um erro da ordem de 13,54%, razoavelmente superior aos 10,98% de erro cometidos pelo modelo de regresso, o que confirma a expectativa de ganho de acurcia proporcionado por este ltimo. Uma anlise mais detalhada dos erros de previso revela que alguns dos dias mais difceis de prever (maiores erros) consistem em feriados ou quase-feriados. Por exemplo, os dias 24/12/2005 e 31/12/2005 no foram classificados como feriados, mas, certamente no consistem em dias comuns e devem gerar uma demanda de ligaes inferior ao de um diapadro. O problema que o modelo de regresso no levou em conta isso, j que era possvel classificar um dia apenas como sendo feriado ou no; e j que esses dias no eram efetivamente feriados, foram tratados pelo modelo como dias comuns. Muito provavelmente por causa disso, suas demandas foram superestimadas e seus erros de previso foram bem acima da mdia: 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 no nacionais. Como o modelo prope uma previso consolidada (nacional) da demanda, s foi possvel considerar os feriados nacionais; mas o dia 20/01/2006 (feriado local na cidade do Rio de Janeiro), por exemplo, teve uma reduo na
159

demanda nacional provocada pela imensa reduo 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 feriades, em que a demanda foge do padro.

Tabela 27 Valores reais, previstos pelo modelo e pelo TotalView e erros de previso dos mesmos para a quantidade de ligaes, produto 103, dezembro de 2005
Dia 01/12/2005 02/12/2005 03/12/2005 04/12/2005 05/12/2005 06/12/2005 07/12/2005 08/12/2005 09/12/2005 10/12/2005 11/12/2005 12/12/2005 13/12/2005 14/12/2005 15/12/2005 16/12/2005 17/12/2005 18/12/2005 19/12/2005 20/12/2005 21/12/2005 22/12/2005 23/12/2005 24/12/2005 25/12/2005 26/12/2005 27/12/2005 28/12/2005 29/12/2005 30/12/2005 31/12/2005 Ligaes 189.179 179.607 119.738 63.118 209.398 203.525 201.497 163.731 165.708 108.033 65.321 204.689 202.289 187.186 168.579 155.912 102.895 58.292 170.636 155.824 145.547 127.727 116.546 69.839 39.038 152.909 158.507 164.109 154.690 124.406 67.541 Ligaes (previstas Erro de previso Ligaes (previstas Erro de previso pelo modelo) pelo Total View) do modelo do Total View 193.288 192.523 2,2% 1,8% 178.716 178.987 0,5% 0,3% 121.003 109.541 1,1% 8,5% 77.992 61.445 23,6% 2,7% 203.208 195.859 3,0% 6,5% 197.677 191.408 2,9% 6,0% 186.681 191.744 7,4% 4,8% 190.634 185.830 16,4% 13,5% 175.358 172.731 5,8% 4,2% 112.476 105.630 4,1% 2,2% 71.680 59.255 9,7% 9,3% 201.258 189.071 1,7% 7,6% 196.754 184.898 2,7% 8,6% 188.341 185.240 0,6% 1,0% 185.651 176.388 10,1% 4,6% 170.652 154.769 9,5% 0,7% 109.900 115.442 6,8% 12,2% 59.078 81.185 1,3% 39,3% 180.520 165.469 5,8% 3,0% 172.655 153.659 10,8% 1,4% 170.260 126.463 17,0% 13,1% 169.413 127.815 32,6% 0,1% 155.684 150.233 33,6% 28,9% 93.699 113.170 34,2% 62,0% (18.895) 81.365 148,4% 108,4% 172.567 173.213 12,9% 13,3% 168.593 161.179 6,4% 1,7% 166.601 134.644 1,5% 18,0% 138.972 165.775 10,2% 7,2% 154.591 158.410 24,3% 27,3% 92.693 117.105 37,2% 73,4%

Fonte: Planilha elaborada pelo pesquisador

Um problema ainda mais grave ocorreu com o dia 25/12/2005. Seu erro de previso foi de quase 150%, j que a sua demanda prevista foi de -18.895 ligaes (um valor negativo!). Isso aconteceu porque o dia em questo apresentava dois efeitos negativos (redutores de demanda), que foram somados pelo modelo: ser domingo e ser feriado. Mas, na prtica, o
160

efeito de um dia ser feriado certamente reduzido se ele cair em um domingo (ou sbado); e o modelo no levou isso em conta, at porque s possvel considerar um dia como sendo feriado ou no, e no como um feriado moderado. Na verdade, esses problemas fizeram com que os erros de previso aumentassem, mas isso no quer dizer que o processo futuro de previso ter que incorrer nesses erros de grande magnitude quando ocorrerem dias problemticos. dummy feriado para os dias problemticos. Assim, por exemplo, o dia 24/12 pode receber manualmente o valor 0,7 para a sua varivel feriado, ao invs 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 varivel feriado reduzido de 1 para 0,6. Depois desta manipulao, basta considerar os inputs do setor de faturamento da Telemar (informaes sobre os ciclos de contas) e usar a equao apresentada anteriormente na figura 30 para prever a quantidade de ligaes para o produto 103, a cada dia. Em cima do output da equao, ento, os analistas devem incorporar os impactos esperados pelos eventos especiais (campanhas de mdias, novos servios etc.) e, dessa forma, os erros de previso tendero a diminuir substancialmente.
6.1.3. O modelo de previso para o tempo mdio de atendimento (TMA)

Quando os analistas de previso

estiverem utilizando o modelo aqui proposto, eles podero manipular os valores da varivel

Alm da demanda de ligaes, tambm foi necessrio tentar explicar o comportamento do tempo mdio de atendimento (TMA) do produto 103, j que esta varivel um input fundamental para a atividade de dimensionamento da capacidade e a sua previso consiste em uma tarefa muito importante da Coordenao de Planejamento de Trfego. Assim, de uma forma anloga, foi montada uma planilha de Excel com os dados necessrios para a construo do modelo de regresso mltipla dentro do qual o comportamento da varivel dependente tempo mdio de atendimento em um dia especfico poderia estar sendo explicado pelas mesmas 9 variveis independentes do modelo modificado (j desconsiderando V + 3) anterior: dia da semana; feriado; chegada (C); vencimento (V); V - 3; V - 2; V - 1; V + 1; e V + 2.
161

A tabela 28 a seguir apresenta parcialmente a organizao da planilha de dados em questo.

Tabela 28 Planilha de dados do modelo de regresso mltipla para prever o TMA, produto 103, agosto de 2005
Dia 01/08/2005 02/08/2005 03/08/2005 04/08/2005 05/08/2005 06/08/2005 07/08/2005 08/08/2005 09/08/2005 10/08/2005 11/08/2005 12/08/2005 13/08/2005 14/08/2005 15/08/2005 16/08/2005 17/08/2005 18/08/2005 19/08/2005 20/08/2005 21/08/2005 22/08/2005 23/08/2005 24/08/2005 25/08/2005 26/08/2005 27/08/2005 28/08/2005 29/08/2005 30/08/2005 31/08/2005 Dia da Feriado ? semana 2a. feira No 3a. feira No 4a. feira No 5a. feira No 6a. feira No Sbado No Domingo No 2a. feira No 3a. feira No 4a. feira No 5a. feira No 6a. feira No Sbado No Domingo No 2a. feira No 3a. feira No 4a. feira No 5a. feira No 6a. feira No Sbado No Domingo No 2a. feira No 3a. feira No 4a. feira No 5a. feira No 6a. feira No Sbado No Domingo No 2a. feira No 3a. feira No 4a. feira No Chegada (C) 1.918.920 2.177.552 218.438 2.036.848 801.143 296.642 246.901 2.136.197 2.181.734 1.879.401 V-3 2.142.215 1.918.920 2.177.552 798.630 1.456.656 801.143 296.642 246.901 2.136.197 V-2 2.142.215 1.918.920 2.177.552 798.630 1.456.656 801.143 296.642 246.901 2.136.197 V-1 2.142.215 1.918.920 2.177.552 798.630 1.456.656 801.143 296.642 246.901 2.136.197 Vencimento (V) 2.136.197 2.142.215 1.918.920 2.177.552 798.630 1.456.656 801.143 296.642 246.901 V+1 2.136.197 2.142.215 1.918.920 2.177.552 798.630 1.456.656 801.143 296.642 246.901 V+2 2.136.197 2.142.215 1.918.920 2.177.552 798.630 1.456.656 801.143 296.642 246.901 TMA (seg) 145,50 144,00 144,00 147,00 144,75 129,00 113,25 146,25 148,50 149,25 147,00 141,75 125,25 110,25 138,75 142,50 143,25 142,50 142,50 123,75 109,50 139,50 139,50 139,50 139,50 133,50 118,50 100,50 139,50 139,50 145,50

Fonte: Planilha elaborada pelo pesquisador

Tambm neste caso, as variveis independentes dia da semana e feriado foram trabalhadas como sendo do tipo dummy; e, novamente atravs da ferramenta de Regresso do suplemento de Anlise de Dados do Excel, foi gerado o modelo de regresso mltipla proposto. O relatrio est apresentado nas tabelas 29, 30 e 31 a seguir.

162

Tabela 29 Estatstica de regresso do modelo de regresso mltipla para prever o TMA, produto 103
Estatstica de regresso R mltiplo 0,89 R-Quadrado 0,80 R-quadrado ajustado 0,79 Erro padro 6,7110 Observaes 234
Fonte: Relatrio de regresso do Excel, elaborado pelo pesquisador

A primeira anlise aponta para um modelo com um potencial muito bom, j que 79% (Rquadrado ajustado) da variao dos dados pode ser explicada por ele. Para analisar o F de significao, preciso examin-lo a partir da tabela 30 a seguir.

Tabela 30 Anlise de Varincia do modelo de regresso mltipla para prever a o TMA, produto 103
ANOVA gl Regresso Resduo Total 14,00 219,00 233,00 F 62,76 F de significao 0,0000

Fonte: Relatrio de regresso do Excel, elaborado pelo pesquisador

O F de significao resultante foi 0,0000 (zero). Assim, tende-se a acreditar na real influncia das variveis explicativas no tempo mdio de atendimento e aceitar o modelo com bastante certeza. Para analisar a contribuio de cada varivel independente, necessrio examinar seus coeficientes, juntamente com os respectivos valores p, apresentados na tabela 31 a seguir. Ao analis-la, possvel perceber um altssimo valor p para a varivel Chegada (C), indicando que a quantidade de contas chegando ao cliente naquele dia especfico no est funcionando como um bom explicador linear para o TMA.

163

Apesar de ser uma varivel crtica, ela deve ser retirada da anlise, pois seu valor p est muito acima do razovel (10%) e porque o sinal do seu coeficiente angular (negativo) estaria indicando que o tempo mdio de atendimento em um determinado dia diminuiria para cada conta que chegasse ao cliente no dia em questo, constituindo um efeito contrrio ao esperado. As variveis V 3 e a V 2 tambm apresentam valores p altos, indicando que a quantidade de contas para as quais aquele dia especfico corresponde a 2 ou 3 dias antes do vencimento no est funcionando como um bom explicador linear para o TMA. O efeito prvencimento para o TMA parece, ento, comear apenas na vspera (V 1) .

Tabela 31 Valor, representatividade e intervalo de confiana dos coeficientes das variveis independentes do modelo de regresso mltipla para prever o TMA, produto 103
Interseo Domingo 2a. Feira 3a. Feira 4a. Feira 5a. Feira 6a. Feira Feriado Chegada (C) V-3 V-2 V-1 Vencimento (V) V+1 V+2 Coeficientes valor-P 0,00% 122,27 (15,17) 0,00% 15,37 0,00% 15,20 0,00% 17,70 0,00% 17,86 0,00% 15,11 0,00% (29,20) 0,00% (0,0000003) 68,35% 0,0000008 29,97% 0,0000011 16,89% 0,0000016 3,44% 0,0000029 0,01% 0,0000026 0,12% 0,0000022 0,36% 95% inferiores 120 (18) 12 12 14 15 12 (34) (0,0000) (0,0000) (0,0000) 0,0000 0,0000 0,0000 0,0000 95% superiores 125 (12) 19 19 21 21 18 (24) 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000

Fonte: Relatrio de regresso do Excel, elaborado pelo pesquisador

Assim como a varivel Chegada (C), as variveis V 3 e V 2 podem estar poluindo o modelo e convm retir-las da anlise. A ferramenta de Regresso do Excel foi novamente usada para gerar o modelo de regresso mltipla. As tabelas 32, 33 e 34 a seguir foram extradas do relatrio fornecido pela ferramenta.

164

Tabela 32 Estatstica de regresso do modelo modificado (sem C; V 3; V 2) de Regresso mltipla para prever o TMA, produto 103
Estatstica de regresso R mltiplo 0,89 R-Quadrado 0,80 R-quadrado ajustado 0,79 Erro padro 6,7012 Observaes 234
Fonte: Relatrio de regresso do Excel, elaborado pelo pesquisador

O modelo continuou com o mesmo potencial: 79% da variao dos dados pode ser explicada por ele. O F de significao pode ser observado na tabela 33 a seguir.

Tabela 33 Anlise de Varincia do modelo modificado (sem C; V 3; V 2) de regresso mltipla para prever o TMA, produto 103
ANOVA gl Regresso Resduo Total 11,00 222,00 233,00 F 79,89 F de significao 0,0000

Fonte: Relatrio de regresso do Excel, elaborado pelo pesquisador

O F de significao resultante novamente foi 0,0000 (zero). Tambm neste caso, pode-se acreditar na real influncia das variveis explicativas no tempo mdio de atendimento e, portanto, aceitar o modelo com bastante certeza. Os coeficientes linear e angulares, juntamente com os respectivos valores p, esto apresentados na tabela 34 a seguir.

165

Tabela 34 Valor, representatividade e intervalo de confiana dos coeficientes das variveis independentes do modelo modificado (sem C; V 3; V 2) de regresso mltipla para prever o TMA, produto 103
Interseo Domingo 2a. Feira 3a. Feira 4a. Feira 5a. Feira 6a. Feira Feriado V-1 Vencimento (V) V+1 V+2 Coeficientes valor-P 0,00% 122,64 (15,15) 0,00% 15,36 0,00% 14,96 0,00% 17,33 0,00% 17,84 0,00% 15,03 0,00% (28,89) 0,00% 0,0000012 6,96% 0,0000031 0,00% 0,0000032 0,00% 0,0000024 0,04% 95% inferiores 120 (18) 12 12 14 15 12 (34) (0,0000) 0,0000 0,0000 0,0000 95% superiores 125 (12) 19 18 21 21 18 (24) 0,0000 0,0000 0,0000 0,0000

Fonte: Relatrio de regresso do Excel, elaborado pelo pesquisador

Como pode ser observado, os valores p das outras variveis no mudaram muito e, para este modelo modificado, apenas uma varivel apresenta coeficiente angular com valor p superior (mas no muito) a 5%: V 1; ela, no entanto, ser mantida no modelo, porque o valor p do seu coeficiente angular est abaixo de 10%. Desta forma, a retirada das variveis C, V 3 e V 2 foi benfica para o modelo (tornando-o, inclusive, mais enxuto) e os seus coeficientes podem ser, ento, interpretados. O coeficiente linear da regresso apresentou o valor 122,64. Dessa forma e de acordo com o que foi explicado anteriormente, nesta seo, para o modelo da quantidade de ligaes quando o dia for sbado, no-feriado e no consistir de nenhuma data dentro do intervalo de 4 dias em torno do vencimento, a previso que o tempo mdio de atendimento (TMA) seja 122,64 segundos. Esse nmero pode ser encarado como uma quantidade bsica, qual devem ser adicionados os efeitos da ocorrncia das variveis independentes, expressados atravs dos seus respectivos coeficientes angulares, destacados na tabela 34 anterior. Assim, o fato do dia ser domingo contribui com uma diminuio de 15,15 segundos no TMA previsto em relao ao nmero bsico (122,64); o fato de o dia ser segunda-feira, com um
166

aumento esperado de 15,36 segundos no TMA; do dia ser tera-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 previso do tempo mdio de atendimento, em relao ao dia bsico. Com essas informaes, possvel elaborar um grfico apresentado na figura 32 a seguir que permita a melhor visualizao 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
160

Tempo mdio de atendimento (em seg) em um dia padro

140

120

100

80

60

40

20

Domingo 2a. Feira 3a. Feira 4a. Feira Dia da semana 5a. Feira 6a. Feira Sbado

Fonte: Grfico elaborado pelo pesquisador, a partir do relatrio de regresso do Excel.

A evoluo da demanda de ligaes ao longo da semana (considerando dias comuns) comea com um valor bem baixo no domingo e apresenta um salto bem grande na segunda-feira, revelando, a partir da, uma estabilidade muito grande ao longo dos outros dias teis, tendo uma queda relativamente intensa no sbado, antes de cair um pouco menos para voltar ao patamar de domingo. De forma anloga aos dias da semana, o fato de um dia ser feriado reduz em 28,89 segundos o tempo mdio de atendimento previsto. Essa grande reduo (de at 30 segundos) no tempo mdio de atendimento tanto para feriados como para finais de semana quando comparados
167

aos dias teis um tanto quanto estranha. Em princpio, no foi possvel especular os motivos que levariam a tal variao. A equipe de previso foi indagada a respeito e tambm no foi capaz de justificar o fato. A investigao acerca de tais motivos pode constituir-se em um interessante objeto de pesquisa futura. Em relao 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 questo representa V 1) aumenta em 0,0000012 segundos o tempo mdio de atendimento; cada conta vencendo no dia em questo aumenta em 0,0000031 segundos o TMA; cada conta vencendo na vspera aumenta em 0,0000032 segundos essa grandeza; e cada conta vencendo na antevspera aumenta em 0,0000024 segundos o tempo mdio de atendimento. Com essas ltimas informaes, possvel elaborar um grfico apresentado na figura 33 a seguir que permita a melhor visualizao 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
0,0000035

Impacto no tempo mdio de atendimento (em seg)

0,0000030

0,0000025

0,0000020

0,0000015

0,0000010

0,0000005

V-1 V Dia V+1 V+2

Fonte: Grfico elaborado pelo pesquisador, a partir do relatrio de regresso do Excel.

168

 possvel perceber que o maior impacto ocorre no dia do vencimento e no dia seguinte; e que a vspera do vencimento impacta substancialmente menos (at em comparao ao V + 2) o tempo mdio de atendimento. Se as conseqncias de todos os efeitos (dia da semana, ocorrncia de feriado, data crtica em relao ao vencimento da conta) forem incorporadas ao valor previsto para um dia bsico, ser possvel estabelecer uma equao para prever o tempo mdio de atendimento (TMA) em um determinado dia em funo das caractersticas da data em questo. Dessa maneira, e nesse caso, a equao pode ser escrita conforme consta na figura 34 a seguir.

Figura 34 Equao 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 terafeira + 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: Equao elaborada pelo pesquisador, a partir do relatrio de regresso do Excel.

onde: as 7 primeiras variveis so do tipo dummy, podendo assumir o valor 0 (no) ou 1 (sim); as 4 ltimas representam, respectivamente: a quantidade de contas vencendo 1 dia depois; no prprio dia; 1 dia antes; e 2 dias antes. Com a equao gerada, pode-se calcular quanto o modelo de regresso teria previsto para o tempo mdio de atendimento em cada um dos dias em questo. Assim, possvel comparar os valores que teriam sido previstos com os que efetivamente ocorreram, de forma que um erro de previso possa ser obtido. Essa comparao pode ser visualizada na figura 35 a seguir. Pode ser percebida uma aderncia visual muito boa do modelo em relao aos dados reais. A medida de erro escolhida tambm nesse caso para quantificar a aderncia foi o MAPE (erro mdio percentual absoluto).

169

Figura 35 Valores reais (multiplicados por uma constante) e previstos do TMA por dia, para o produto 103, julho de 2005 a maro de 2006
TMA (real x previsto) por dia (produto 103)
180

150

120 TMA (em segundos)

90

60 Real 30 Previsto

0 17/07/2005

16/08/2005

15/09/2005

15/10/2005

14/11/2005 Dia

14/12/2005

13/01/2006

12/02/2006

14/03/2006

Fonte: Grfico elaborado pelo pesquisador

Para cada dia dentro do perodo de julho de 2005 a maro de 2006, foi organizada uma tabela apresentando o tempo mdio de atendimento real, os valores que o modelo de regresso teria previsto para esta grandeza, assim como os erros percentuais absolutos incorridos esta previso, juntamente com a sua mdia. A tabela 35 a seguir apresenta parcialmente estes dados. Em mdia, o modelo est cometendo um erro de previso da ordem de 3,61%. Esse valor satisfatoriamente baixo e bem inferior ao erro mdio cometido pelo modelo para prever a quantidade de ligaes (quase 11%). Isso revela que o tempo mdio de atendimento uma grandeza mais estvel e, portanto, de maior previsibilidade, quando comparada demanda de ligaes.

170

Tabela 35 Valores reais, previstos e erros do modelo (sem C; V 3; V 2) de regresso mltipla para prever o TMA, produto 103, janeiro de 2006
Dia 01/01/2006 02/01/2006 03/01/2006 04/01/2006 05/01/2006 06/01/2006 07/01/2006 08/01/2006 09/01/2006 10/01/2006 11/01/2006 12/01/2006 13/01/2006 14/01/2006 15/01/2006 16/01/2006 17/01/2006 18/01/2006 19/01/2006 20/01/2006 21/01/2006 22/01/2006 23/01/2006 24/01/2006 25/01/2006 26/01/2006 27/01/2006 28/01/2006 29/01/2006 30/01/2006 31/01/2006 Dia da Feriado ? semana Domingo Sim 2a. feira No 3a. feira No 4a. feira No 5a. feira No 6a. feira No Sbado No Domingo No 2a. feira No 3a. feira No 4a. feira No 5a. feira No 6a. feira No Sbado No Domingo No 2a. feira No 3a. feira No 4a. feira No 5a. feira No 6a. feira No Sbado No Domingo No 2a. feira No 3a. feira No 4a. feira No 5a. feira No 6a. feira No Sbado No Domingo No 2a. feira No 3a. feira No TMA TMA (seg) (previsto Erro de (seg) pelo modelo) previso 93,00 78,60 15,5% 138,75 137,99 0,5% 141,75 137,60 2,9% 146,25 139,97 4,3% 145,50 140,48 3,5% 145,50 137,67 5,4% 134,25 122,64 8,6% 116,25 107,49 7,5% 150,00 137,99 8,0% 149,25 137,60 7,8% 149,25 139,97 6,2% 144,00 140,48 2,4% 141,75 137,67 2,9% 126,75 122,64 3,2% 108,00 107,49 0,5% 140,53 137,99 1,8% 138,33 137,60 0,5% 137,94 139,97 1,5% 137,13 140,48 2,4% 129,92 137,67 6,0% 119,52 122,64 2,6% 103,92 108,36 4,3% 135,62 140,21 3,4% 134,42 139,84 4,0% 134,69 141,70 5,2% 137,07 140,48 2,5% 135,58 137,67 1,5% 122,99 122,64 0,3% 107,68 107,49 0,2% 133,53 137,99 3,3% 127,10 140,22 10,3%

Fonte: Planilha elaborada pelo pesquisador

Da mesma forma (e pelos mesmos motivos) que no caso da previso da quantidade de ligaes, mais justo comparar os erros de previso do modelo aqui proposto com os erros oriundos do mdulo de previso do TotalView, com o intuito de verificar a ocorrncia ou no de melhorias no processo de previso do produto 103. Tal comparao est apresentada na tabela 36 a seguir.

171

Tabela 36 Valores reais, previstos pelo modelo e pelo TotalView e erros de previso dos mesmos para o TMA, produto 103, janeiro de 2006
Dia 01/01/2006 02/01/2006 03/01/2006 04/01/2006 05/01/2006 06/01/2006 07/01/2006 08/01/2006 09/01/2006 10/01/2006 11/01/2006 12/01/2006 13/01/2006 14/01/2006 15/01/2006 16/01/2006 17/01/2006 18/01/2006 19/01/2006 20/01/2006 21/01/2006 22/01/2006 23/01/2006 24/01/2006 25/01/2006 26/01/2006 27/01/2006 28/01/2006 29/01/2006 30/01/2006 31/01/2006 TMA TMA (seg) (previsto Erro de previso TMA (seg) (previsto Erro de previso (seg) pelo modelo) pelo Total View) do modelo do Total View 93,00 78,60 126,82 15,5% 36,4% 138,75 137,99 144,47 0,5% 4,1% 141,75 137,60 143,83 2,9% 1,5% 146,25 139,97 141,45 4,3% 3,3% 145,50 140,48 143,99 3,5% 1,0% 145,50 137,67 142,50 5,4% 2,1% 134,25 122,64 131,51 8,6% 2,0% 116,25 107,49 122,64 7,5% 5,5% 150,00 137,99 140,17 8,0% 6,6% 149,25 137,60 139,59 7,8% 6,5% 149,25 139,97 137,64 6,2% 7,8% 144,00 140,48 140,02 2,4% 2,8% 141,75 137,67 139,11 2,9% 1,9% 126,75 122,64 128,18 3,2% 1,1% 107,49 120,09 108,00 0,5% 11,2% 140,53 137,99 135,02 1,8% 3,9% 138,33 137,60 134,88 0,5% 2,5% 137,94 139,97 135,61 1,5% 1,7% 137,13 140,48 137,13 2,4% 0,0% 129,92 137,67 134,07 6,0% 3,2% 119,52 122,64 119,62 2,6% 0,1% 103,92 108,36 103,45 4,3% 0,5% 135,62 140,21 134,50 3,4% 0,8% 134,42 139,84 134,34 4,0% 0,1% 134,69 141,70 136,60 5,2% 1,4% 137,07 140,48 138,24 2,5% 0,9% 135,58 137,67 135,01 1,5% 0,4% 122,99 122,64 120,58 0,3% 2,0% 104,62 107,68 107,49 2,8% 0,2% 133,53 137,99 135,65 3,3% 1,6% 127,10 140,22 135,65 10,3% 6,7%

Fonte: Planilha elaborada pelo pesquisador

Com o mesmo formato de apresentao dos dados da comparao entre os erros de previso para a quantidade de ligaes, tambm no possvel visualizar adequadamente os ganhos de acurcia do modelo proposto em relao ao mdulo de previso do TotalView, para o caso do TMA. Mas, e da mesma forma que anteriormente, possvel calcular que o TotalView cometeu em mdia um erro da ordem de 5,58%, razoavelmente superiores aos 3,61% de erro cometidos pelo modelo de regresso, o que confirma a expectativa de ganho de acurcia proporcionado por este ltimo, tambm para o tempo mdio de atendimento. As mesmas observaes a respeito da ocorrncia de quase-feriados e de feriados moderados, realizadas quando da anlise dos erros de previso da demanda de ligaes, so tambm, agora, pertinentes.
172

Assim como no modelo anterior para prever a quantidade de chamadas para o produto 103, os analistas de previso: 1. podero manipular os valores da varivel dummy feriado para os dias problemticos; 2. devero considerar as informaes sobre os ciclos de contas e usar a equao apresentada anteriormente na figura 34 para prever o TMA a cada dia; 3. e podero, finalmente, incorporar os impactos esperados pelos eventos especiais (campanhas de mdias, novos servios etc.).

6.2. Dimensionamento da capacidade de atendimento Conforme descrito na seo 5.2.2, as planilhas Excel usadas para o dimensionamento e escalonamento dos atendentes para o produto 102 utilizam frmulas Erlang para calcular o nvel de servio (percentual de ligaes atendidas em at 10 segundos) em um determinado horrio em funo do nmero de operadores dimensionados para o mesmo (levando em conta tambm a previso de demanda para tal horrio). A prpria equipe de planejamento, no entanto, questiona essa metodologia de clculo (atravs de frmulas Erlang). Para a realidade dos call centers, a teoria de filas pode ser a melhor metodologia analtica, mas existem mtodos experimentais como a simulao que podem ser mais adequados para uma indstria com o cotidiano operacional to complexo. A ferramenta de simulao era desconhecida para a equipe que quando foi brevemente apresentada a esta abordagem alternativa para lidar com o problema de dimensionamento ficou com a impresso de se tratar de algo muito complexo (nem tanto em termos de saber como utiliz-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 impresso que a ferramenta exige inputs com um nvel de detalhes muito difcil de ser conseguido. Em vista disso, os responsveis pelo dimensionamento no se mostraram to receptivos possibilidade de utilizar esta nova abordagem para lidar com o problema e nem to dispostos a comprar esta idia. Sua principal motivao provavelmente no consistiu no medo de uma

173

possvel desvalorizao 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 benefcios potenciais da abordagem experimental venha a ser contornado, a empresa admite a possibilidade de adquirir o software necessrio para a implementao da mesma, mesmo estando ciente do seu custo elevado. O fato deste ceticismo ainda existir, no entanto, certamente contribuiu para a ocorrncia de uma morosidade e de uma certa resistncia no envio das informaes necessrias para o desenvolvimento da anlise do problema de dimensionamento. Com alguma dificuldade, as informaes mais relevantes foram, entretanto, obtidas e puderam ser trabalhadas. O nico problema consistiu no fato de no ter sido possvel resgatar as informaes referentes a cada ligao individual, conforme mencionado na seo 4.4. Mas isso no foi motivado por nenhum outro fator, que no a ausncia por parte dos responsveis pelo dimensionamento do conhecimento tcnico e do privilgio necessrios para acessar a base de dados da Contax. No obstante esse ceticismo, a pesquisa empreendida pelo autor e apresentada ao longo das sees 3.3. 3.4 e 3.5 corrobora o argumento da maior adequao dos mtodos experimentais a sistemas complexos, como o de um call center moderno. Em especial, e conforme descrito na seo 5.2.2, a metodologia utilizada (Erlang) para o clculo do nvel de servio no considera a hiptese de abandono por parte do cliente ou sinal de ocupado; ou seja, os clientes que chegam e no encontram agentes disponveis, aguardam indefinidamente em uma fila at serem atendidos. Isso cria uma tendncia de subestimar o nvel de servio (e, conseqentemente, superestimar o nmero de agentes necessrios para atingir a meta) porque as frmulas consideram que o cliente vai esperar indefinidamente. Mas, na operao real, alguns clientes vo abandonar as ligaes (se esperarem muito), diminuindo a fila e fazendo com que sejam atendidas em menos tempo as chamadas programadas para serem respondidas aps aquela que abandonou a fila, aumentando o nvel de servio. Adicionalmente, as planilhas usadas para o clculo do nvel de servio consideram que o tempo de atendimento segue uma distribuio exponencial. No entanto, isso raramente ocorre na prtica, caracterizando uma premissa relativamente forada.
174

O emprego da simulao permite contemplar as caractersticas destacadas nas sees 3.4 e 3.5, incluindo o comportamento de abandono (podendo tambm considerar que um percentual dos clientes que abandonam iro retornar a ligao, tentando um novo contato dentro de uma quantidade de tempo, que pode ser modelada por uma distribuio estatstica) e uma flexibilidade na definio do formato da distribuio do tempo de atendimento. Para ratificar essa melhor adequao, a idia consiste em simular computacionalmente em poucos segundos a operao do call center durante perodos de 30 minutos, contemplando de forma mais realista as suas caractersticas para obter resultados mais acurados do que com as metodologias analticas. Dessa forma, no necessrio experimentar na prtica algumas alternativas de dimensionamento para saber mais acuradamente as suas conseqncias; a experimentao realizada no ambiente computacional. Mas possvel visualizar a operao 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 perodo do dia apresentou um nvel de servio to baixo, por exemplo (ao invs de apenas aceitar o nmero frio fornecido pelas frmulas analticas). Com o uso da simulao, possvel calcular empiricamente (ao invs de estimar analiticamente) atravs do uso de algumas premissas histricas (de previso de demanda e comportamento dos clientes e do sistema) e da quantidade dimensionada de atendentes como inputs alguns indicadores de performance importantes, como: nvel de servio, taxa de abandono, tempo mdio de espera, utilizao e ociosidade dos agentes. Para o dimensionamento e escalonamento dos operadores para atender os clientes plus do produto 102 durante o ms de agosto de 2006, foi usada a premissa (oriunda da previso de demanda) de que chegariam central 586 chamadas, com um tempo mdio de atendimento de 29 segundos, na primeira meia-hora do dia (00:00 s 00:30), conforme pode ser observado na tabela 10 anterior. De acordo com a mesma tabela, seria necessrio (segundo as frmulas analticas), para lidar com esse intervalo de 30 minutos, alocar 14 atendentes (j considerando uma reduo esperada, por conta do absentesmo), de forma a atingir 85% de nvel de servio (clientes sendo atendidos em at 10 segundos).
175

A equipe de dimensionamento alocou 13 atendentes para este horrio e as mesmas frmulas analticas previram 88,04% de nvel de servio para este perodo, j 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 nmeros, foi construdo no software Arena Contact Center um modelo para simular como se comportaria o sistema nesse horrio, com as mesmas premissas de demanda (volume e TMA) e com a mesma capacidade efetiva dimensionada (12 agentes). Como as chamadas vo chegando central sem nenhuma espcie de controle, este processo pode ser considerado aleatrio, caso em que a base conceitual sugere que a taxa de chegada de ligaes seja modelada atravs de um processo de Poisson. O modelo de simulao construdo implementou este processo com mdia de 0,33 (= 586 / (30 minutos x 60 segundos)) ligaes chegando por segundo (ou seja, com uma chamada chegando a cada 3 segundos, aproximadamente). Em relao ao tempo de atendimento, a distribuio Erlang costuma modelar bem esse processo e, portanto, foi utilizada, com mdia de 29 segundos. Ela requer, no entanto, um parmetro adicional (k) que diz respeito variabilidade dos dados em torno da mdia. O desvio-padro da distribuio igual sua mdia dividida pela raiz quadrada de k. Para, ento, considerar uma variabilidade moderada dos dados em torno da mdia, o modelo utiliza a distribuio Erlang com k = 4, fazendo com que o coeficiente de variao (desvio-padro dividido pela mdia) seja de 50%. Para que o modelo contemplasse corretamente o comportamento de abandono dos clientes, foi necessrio realizar uma pesquisa junto base de dados da Contax, contendo as ligaes abandonadas, para o produto 102. Ela mostrou que o tempo de espera das ligaes abandonadas apresenta, historicamente, uma mdia em torno de 2,5 minutos, seguindo uma distribuio no muito distante de uma exponencial. Tambm foi preciso modelar o comportamento de retorno das ligaes abandonadas. Para tal, foi utilizada a premissa de que 80% das ligaes abandonadas so refeitas posteriormente, entre 1 e 9 minutos aps o abandono (distribuio uniforme).

176

De forma esquemtica, o modelo de simulao pode ser descrito e visualizado atravs da figura 36 a seguir.

Figura 36 Diagrama de processos do modelo bsico de simulao, das 00:00 s 00:30, agosto de 2006, produto 102 (plus), 12 atendentes
As chamadas aguardam na "fila", para serem atendidas de acordo com a disciplina FIFO

586 chamadas plus chegam central do nmero 102, entre 00:00 e 00:30, de acordo com o processo de Poisson (distribuio exponencial com mdia = 3 segundos)

80% das chamadas abandonadas retornam fila aps um intervalo de 1 a 9 minutos (distribuio uniforme)

As chamadas abandonam a fila aps uma tolerncia de espera (distribuio exponencial com mdia = 2,5 minutos)

12 agentes atendem as chamadas que esto aguardando na fila, com o tempo de atendimento seguindo uma distribuio Erlang com mdia = 29 segundos e DP = 14,5 segundos

Fonte: Diagrama elaborado pelo pesquisador

A simulao dos 30 minutos de operao do call center foi replicada 100 vezes no software, em 142 segundos. O primeiro resultado aparece na figura 37 a seguir. Em mdia, 595 chamadas foram geradas (created) em cada replicao. Este nmero um pouco maior do que a premissa de demanda (586 chamadas) porque, na simulao, algumas das chamadas abandonadas voltaram a ser geradas e entraram novamente na fila. Das chamadas geradas, 579 em mdia foram efetivamente atendidas (handled) pelos agentes em cada replicao.

177

Figura 37 Chamadas geradas e atendidas, das 00:00 s 00:30, agosto de 2006, produto 102 (plus), 12 atendentes, 100 replicaes

Fonte: Relatrio desenvolvido pelo software Arena Contact Center

O percentual destas chamadas que foi atendido em at 10 segundos (nvel de servio) pode ser calculado atravs de uma informao extrada da figura 38 a seguir. Em mdia, 541 chamadas foram atendidas em at 10 segundos (in target). O nvel de servio obtido da diviso desse valor pelo total de chamadas atendidas (579) foi 93,31%. Esse valor razoavelmente maior do que os 88,04% previstos de nvel de servio segundo a abordagem analtica. Esse fato confirma, em princpio, a expectativa de subestimao desta grandeza por parte da teoria de filas. Depois de realizada uma consulta junto base de dados da Contax, foi possvel recuperar a informao de que, no dia 22 de agosto de 2006, estiveram presentes 12 operadores durante o

178

perodo das 00:00 s 00:30. Dentro deste intervalo, 592 ligaes foram atendidas, em 29,4 segundos cada, em mdia.

Figura 38 Chamadas atendidas em at 10 segundos, das 00:00 s 00:30, agosto de 2006, produto 102 (plus), 12 atendentes, 100 replicaes

Fonte: Relatrio desenvolvido pelo software Arena Contact Center

Estes nmeros superam por muito pouco as premissas de demanda (volume = 586; TMA = 29 segundos) utilizadas no dimensionamento via frmulas analticas e tambm no modelo de simulao aqui apresentado. Por isso, esse dia e horrio foram escolhidos para servirem de base de comparao entre os resultados obtidos pelas duas abordagens. Durante estes 30 minutos, 549 das 592 chamadas foram atendidas em at 10 segundos; ou seja, o nvel de servio real ocorrido neste intervalo foi de 92,74%, bem mais prximo do valor calculado empiricamente pela simulao (93,31%) do que do valor estimado analiticamente pelas frmulas Erlang (88,04%).

179

Conforme foi dito, a subestimao do nvel de servio promovida pela teoria de filas deve-se, sobretudo, no contemplao do abandono da ligao, empreendido na prtica por uma parcela dos clientes, mas desconsiderado na teoria pelos modelos analticos. O comportamento do abandono durante a simulao pode ser visualizado na figura 39 a seguir.

Figura 39 Chamadas abandonadas e retornadas, das 00:00 s 00:30, agosto de 2006, produto 102 (plus), 12 atendentes, 100 replicaes

Fonte: Relatrio desenvolvido pelo software Arena Contact Center

Das 595 chamadas geradas em cada replicao, 14,5 em mdia 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 aps o abandono. Como deve estar sendo observado, a simulao permite que muitos outros indicadores de performance alm do nvel de servio a respeito das chamadas possam ser observados e

180

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 s 00:30, agosto de 2006, produto 102 (plus), 12 atendentes, 100 replicaes

Fonte: Relatrio desenvolvido pelo software Arena Contact Center

O tempo mdio de atendimento (handle time) foi de 0,49 minutos (ou 29,35 segundos; bem prximo da premissa de 29 segundos usada para o TMA). Mas houve uma grande variabilidade nesse tempo, j que um cliente chegou a ser atendido em 0,0783 minutos (minimum value) e outro em 2,46 minutos (maximum value), aproximadamente. J em relao ao tempo de espera (speed of answer), as chamadas aguardaram, em mdia, 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.

181

Conforme alertado na seo 3.5, esse tipo de anlise envolvendo a variabilidade e os valores mximos e mnimos dos indicadores de desempenho no pode ser realizado por meio de mtodos analticos (capazes de apresentar apenas os valores mdios), tornando-se vivel apenas atravs de abordagens experimentais. Naturalmente, a simulao tambm gera indicadores a respeito dos agentes, conforme ilustrado na figura 41 a seguir.

Figura 41 Agentes disponveis e ocupados, das 00:00 s 00:30, agosto de 2006, produto 102 (plus), 12 atendentes, 100 replicaes

Fonte: Relatrio desenvolvido pelo software Arena Contact Center

Dos 12 atendentes presentes no horrio (13 teriam sido designados, mas o absentesmo teria reduzido esse efetivo), 2,65 ficaram disponveis (available), em mdia, ao longo dos 30 minutos; e 9,45 estiveram ocupados (busy), em mdia, durante o mesmo perodo. Esses nmeros podem ser convertidos na taxa mdia de ocupao dos agentes, durante esse intervalo de tempo: 78,75% (= 9,45 / 12). Este indicador pode orientar a gerncia no sentido
182

de um aumento ou reduo de efetivo, de acordo com as metas de ocupao traadas a priori, conforme ser ilustrado ainda nesta seo. Todos estes resultados partiram do pressuposto que o tempo de atendimento segue uma distribuio Erlang (com k = 4 e, conseqentemente, coeficiente de variao = 50%). No entanto, bem possvel que o tempo de atendimento apresente uma variabilidade (desviopadro) diferente (maior ou menor do que metade da mdia), e que este parmetro seja capaz de impactar os resultados mais importantes. A anlise de sensibilidade acerca da variabilidade do tempo de atendimento cujos resultados esto apresentados na tabela 37 a seguir busca mensurar esse impacto. A mesma simulao foi repetida algumas vezes no software, sempre com a mesma mdia para o tempo de atendimento (29 segundos), mas com diferentes valores de k (e, conseqentemente, do coeficiente de variao e, em ltima anlise, do desvio-padro), de onde os outputs relevantes foram coletados, a partir dos quais os principais indicadores de desempenho (nvel de servio percentual de ligaes atendidas em at 10 segundos e taxa de abandono) puderam ser obtidos, estando apresentados na tabela 37 a seguir.

Tabela 37 Nvel de servio e taxa de abandono para diferentes valores do parmetro k da distribuio Erlang, horrio das 00:00 s 00:30, agosto de 2006, produto 102 (plus), 12 atendentes, 100 replicaes

k
1 2 3 4 6 9

Coeficiente de variao 100% 71% 58% 50% 41% 33%

geradas 597 602 598 595 599 597

Ligaes atendidas em at 10 seg abandonadas 580 528 16,17 585 539 16,09 584 539 13,27 579 541 14,52 583 545 15,46 583 546 13,92

Nvel de Taxa de servio abandono 91,03% 2,71% 92,12% 2,67% 92,31% 2,22% 93,31% 2,44% 93,44% 2,58% 93,77% 2,33%

Fonte: Tabela elaborada pelo pesquisador a partir de resultados obtidos pelo software Arena Contact Center

medida que o valor de k aumenta, a variabilidade dos tempos de atendimento diminui. Devido homogeneidade destes tempos, o sistema fica mais estvel, apresentando como conseqncia mais notvel o aumento do nvel de servio. Essa tendncia evidenciada na tabela 37 anterior pode ser mais bem visualizada atravs do grfico apresentado na figura 42 a seguir.

183

Figura 42 Nvel de servio para diferentes valores do parmetro k da distribuio Erlang, horrio das 00:00 s 00:30, agosto de 2006, produto 102 (plus), 12 atendentes, 100 replicaes
Nvel de servio X parmetro k da distribuio Erlang
95%

NS (ligaes atendidas em at 10 segundos)

94%

93%

92%

91%

90% 0 1 2 3 4 5 6 7 8 9 10

Fonte: Grfico elaborado pelo pesquisador

J a taxa de abandono no apresenta a mesma clareza na sua tendncia, embora parea cair medida que a variabilidade do tempo de atendimento diminui (k aumenta), conforme pode ser observado no grfico apresentado na figura 43 a seguir. Em suma, medida que a variabilidade do tempo de atendimento aumenta (k diminui), o sistema fica mais instvel e, de uma maneira geral, seus indicadores de desempenho pioram: o nvel de servio (principalmente) diminui e a taxa de abandono aumenta. As variaes nestes outputs no so imensas, mas esto longe de serem desprezveis, revelando um significativo impacto potencial deste parmetro nos resultados mais importantes. A correta considerao, portanto, da variabilidade do tempo de atendimento e no s a da sua mdia revela-se extremamente necessria para a obteno de resultados acurados.

184

Figura 43 Taxa de abandono para diferentes valores do parmetro k da distribuio Erlang, horrio das 00:00 s 00:30, agosto de 2006, produto 102 (plus), 12 atendentes, 100 replicaes
Taxa de abandono X parmetro k da distribuio Erlang
3,0%

2,5%

2,0% Taxa de abandono

1,5%

1,0%

0,5%

0,0% 0 1 2 3 4 5 6 7 8 9 10

Fonte: Grfico elaborado pelo pesquisador

O pior desempenho (nvel de servio = 91,03% e taxa de abandono = 2,71%) ocorreu na situao em que a variabilidade a maior possvel (k = 1; coeficiente de variao = 100%). Este um caso particular da distribuio Erlang em que ela coincide com a distribuio exponencial, justamente o formato utilizado para modelar o tempo de atendimento na metodologia analtica empreendida pela Contax para estimar os indicadores. Ou seja, a utilizao de um formato de distribuio (exponencial) para o tempo de atendimento menos condizente com a realidade e no s a desconsiderao 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 desnecessria. Essa constatao faz despertar a curiosidade a respeito da verificao dos resultados de uma simulao considerando um outro tipo de distribuio j que, de acordo com o que foi levantado na seo 3.5, o comportamento do tempo de atendimento em call centers pode
185

apresentar diferentes formatos tambm comumente utilizado para modelar esta varivel: a lognormal. Fazendo uso do mesmo modelo de simulao original, mas modificando a distribuio desta varivel para o formato em questo (com a mesma mdia 29 segundos e tambm mantendo o desvio-padro em metade desse valor), 100 replicaes foram realizadas no software Arena Contact Center. Em mdia, 597 ligaes foram geradas, 583 atendidas (sendo 544 em at 10 segundos) e 13, 95 abandonadas. O nvel de servio e a taxa de abandono resultantes foram 93,40% e 2,34%, respectivamente. Estes indicadores so muito prximos dos que foram obtidos com a distribuio Erlang com k = 4 (93,31% e 2,44%, respectivamente), conferindo uma certa confiabilidade a estes ltimos e sugerindo que qualquer dos dois formatos comumente utilizados para modelar o tempo de atendimento possa ser utilizado indistintamente. A simulao tambm permite a anlise de cenrios (What-if?). No exemplo que est sendo estudado, j que o emprego de 12 atendentes efetivos (descontado o absentesmo) no horrio em questo gerou um nvel de servio (93,31%) razoavelmente superior meta mnima (85%), o que aconteceria com esse indicador aps a reduo de 1 atendente (para 11 efetivos)? Ser que ele ainda se manteria acima da meta? As figuras 44 e 45 a seguir apresentam os indicadores para o clculo do nvel de servio em um cenrio com 1 atendente a menos.

186

Figura 44 Chamadas geradas e atendidas, das 00:00 s 00:30, agosto de 2006, produto 102 (plus), cenrio com 11 atendentes, 100 replicaes

Fonte: Relatrio desenvolvido pelo software Arena Contact Center

Dentro deste cenrio, 576 chamadas foram atendidas, em mdia; das quais, 491 em mdia em at 10 segundos. O nvel de servio obtido no cenrio com 11 atendentes foi, ento, de 85,23%. Esse valor ainda est um pouco acima da meta de 85% estabelecida para os clientes plus.

187

Figura 45 Chamadas atendidas em at 10 segundos, das 00:00 s 00:30, agosto de 2006, produto 102 (plus), cenrio com 11 atendentes, 100 replicaes

Fonte: Relatrio desenvolvido pelo software Arena Contact Center

Em outras palavras, o 12 agente no fez falta (em termos da obteno da meta de nvel de servio), apesar da sua ausncia ter derrubado o nvel de servio em mais de 8 pontos percentuais. Mas, pode ser interessante tambm querer saber o impacto desta ausncia na taxa de abandono, que pode ser observado na figura 46 a seguir. Das 604 chamadas geradas em cada replicao, 26,2 em mdia foram abandonadas pelos clientes, ocasionando uma taxa de abandono igual a 4,34%, revelando um impacto grande neste indicador de performance.

188

Figura 46 Chamadas abandonadas, das 00:00 s 00:30, agosto de 2006, produto 102 (plus), cenrio com 11 atendentes, 100 replicaes

Fonte: Relatrio desenvolvido pelo software Arena Contact Center

Em suma, o uso da simulao neste caso permitiu verificar que a presena do 12 agente no era necessria para que a meta de 85% de nvel de servio fosse atingida, contradizendo o que afirmava a abordagem analtica neste caso. Isso aconteceu conforme a seo 3.5 sugere principalmente devido considerao do abandono por parte da abordagem experimental, mas pode tambm ter sido influenciado pela utilizao de um formato de distribuio para o tempo de atendimento mais condizente com a realidade: Erlang (pela simulao) ao invs de exponencial (pelas frmulas analticas). Mas, a ausncia do 12 agente teria ocasionado um grande aumento na taxa de abandono, o que poderia comprometer esta poltica de recursos mais enxuta. Caso este indicador no fosse to importante, no entanto, o uso da simulao poderia ter proporcionado a economia de 1

189

agente para este horrio, o que pode efetivamente acontecer em algum cenrio no qual a taxa de abandono encontre-se em um patamar mais baixo. O impacto da reduo de atendentes pode ser tambm visualizado no caso de maiores dficits de oferta de atendimento atravs de uma anlise de sensibilidade mais completa. A mesma simulao foi repetida algumas vezes no software, sempre com os mesmos parmetros, mas variando a quantidade de atendentes. Os outputs relevantes foram coletados, a partir dos quais os principais indicadores de desempenho (nvel de servio percentual de ligaes atendidas em at 10 segundos e taxa de abandono) puderam ser obtidos, estando apresentados na tabela 38 a seguir.

Tabela 38 Nvel de servio e taxa de abandono para diferentes quantidades de atendentes, horrio das 00:00 s 00:30, agosto de 2006, produto 102 (plus), 100 replicaes
Atendentes 9 10 11 12 Ligaes atendidas em at 10 seg abandonadas 540 160 168,02 567 354 67,68 576 491 26,21 579 541 14,52 Nvel de Taxa de servio abandono 29,64% 23,38% 62,46% 10,60% 85,23% 4,34% 93,31% 2,44%

geradas 719 639 604 595

Fonte: Tabela elaborada pelo pesquisador a partir de resultados obtidos pelo software Arena Contact Center

Como era totalmente previsvel, medida que a oferta de atendimento diminui, o servio piora, assim como os seus indicadores de desempenho, principalmente a taxa de abandono, que quadruplica com a reduo de 2 agentes. O nvel de servio est bem abaixo da meta com este contingente, mas ainda no pode ser considerado inaceitvel, o que ocorre no cenrio com 9 atendentes, quando ele fica 3 vezes menor que o valor original. Com esta oferta de atendimento, o nmero de ligaes abandonadas chega a superar as atendidas em at 10 segundos, tornando a taxa de abandono quase to alta quanto o nvel de servio! Isso tudo revela um impacto muito grande da reduo 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 horrio seria o mnimo indispensvel, cenrio para o qual os indicadores de desempenho seriam ruins, mas no catastrficos.

190

Infelizmente, uma anlise de sensibilidade mais completa acerca do aumento da quantidade de atendentes no seria muito pertinente neste caso, j que o nvel de servio j se encontra em um patamar bem alto (93%), deixando pouco espao para melhorias potenciais. Tal anlise ser realizada ainda neste seo, em um horrio apresentando o nvel de servio em um patamar mais baixo. Conforme foi descrito na seo 5.2.2, o dimensionamento da capacidade de atendimento para a operao 102 feito de forma isolada para cada produto bsico e plus por causa da prioridade do ltimo sobre o primeiro. Mas a simulao permite visualizar o que aconteceria com a operao em um cenrio em que os diferentes clientes do tipo bsico e plus fossem atendidos de forma agregada (tanto por agentes bsicos como por agentes plus), mas mantendo a prioridade para os ltimos (descaracterizando, assim, a disciplina de fila comumente utilizada nos modelos analticos FIFO). Para o dimensionamento e escalonamento dos operadores para atender os clientes bsicos do produto 102 durante o ms de agosto de 2006, foi usada a premissa de que chegariam central 399 chamadas destes clientes, com um tempo mdio de atendimento de 34 segundos, na primeira meia-hora do dia (00:00 s 00:30), para quando foram dimensionados 7 atendentes. A idia agora consiste em simular com o objetivo de observar o comportamento do sistema o cenrio onde essas chamadas se agregariam s chamadas dos clientes plus desse mesmo horrio (cujas premissas foram mencionadas anteriormente nesta seo), formando uma nica fila. Os 12 atendentes plus e os 7 bsicos estariam aptos a atender ambos os tipos de chamadas, mas com diferentes proficincias e prioridades, caracterizando o roteamento baseado em habilidades, mecanismo viabilizado apenas em abordagens experimentais, conforme explicado anteriormente na seo 3.5. Mas o cliente bsico no se comporta da mesma forma que o cliente plus e suas diferentes caractersticas precisam ser contempladas pelo modelo. J foi mencionado que o seu tempo de atendimento , em mdia, um pouco maior. Para efeitos do modelo, a mesma distribuio Erlang foi utilizada para este tempo, com coeficiente de variao igual a 50% (k = 4).

191

De uma forma geral, ele mais paciente antes de abandonar a chamada e o tempo de espera antes do abandono tambm foi modelado como uma distribuio exponencial, mas com mdia de 3,5 minutos (ao invs de 2,5). Foi considerado tambm que uma parcela menor (70% ao invs de 80%) dos clientes que abandonam a ligao tentam refaz-la posteriormente, aps um intervalo de tempo tambm menor: entre 1 e 6 minutos (distribuio uniforme). Em termos de prioridades, as ligaes plus tm preferncia sobre as bsicas (furando a fila) e devem ser atendidas, sempre que possvel, por atendentes plus, teoricamente mais capacitados; elas s seriam atendidas por agentes bsicos no caso de todos os outros estarem ocupados. As ligaes bsicas, por sua vez, seriam atendidas preferencialmente por agentes bsicos, teoricamente menos capacitados, de forma a deixar os melhores atendentes livres para as chamadas mais importantes. Quando as chamadas no so atendidas pelo seu tipo de agente preferencial, seu tempo de atendimento modificado. O modelo considera que uma chamada plus sendo atendida por um agente bsico (menos capacitado que o normal) demora 10% a mais para ser concluda; e que uma chamada bsica sendo atendida por um agente plus (mais capacitado que o normal) demora 5% a menos para ser concluda. De forma esquemtica, o modelo de simulao pode ser descrito e visualizado atravs da figura 47 a seguir.

192

Figura 47 Diagrama de processos do modelo de simulao com atendimento agregado (produto 102, bsico e plus), das 00:00 s 00:30, agosto de 2006
586 chamadas plus chegam central do nmero 102, entre 00:00 e 00:30, de acordo com o processo de Poisson (distribuio exponencial com mdia = 3 s) 399 chamadas bsicas chegam central do nmero 102, entre 00:00 e 00:30, de acordo com o processo de Poisson (distribuio exponencial com mdia = 4,5 s) 70% (80%) das chamadas bsicas (plus ) abandonadas retornam fila aps um intervalo de 1 a 6 (9) minutos (distribuio uniforme) As chamadas bsicas (plus ) abandonam a fila aps uma tolerncia de espera: distribuio exponencial com mdia = 3,5 (2,5) minutos As chamadas aguardam na "fila" para serem atendidas, com preferncia para as plus As chamadas plus so atendidas preferencialmente pelos 12 agentes "plus", com o tempo de atendimento seguindo uma distribuio Erlang com mdia = 29 s e DP = 14,5 s Se no houver atendente "plus" disponvel, as chamadas plus so atendidas pelos 7 agentes "bsicos", com o tempo de atendimento seguindo uma distribuio Erlang com mdia = 32 s e DP = 16 s Se no houver chamada plus na fila, as chamadas bsicas so atendidas preferencialmente pelos 7 agentes "bsicos", com o tempo de atendimento seguindo uma distribuio Erlang com mdia = 34 s e DP = 17 s Se no houver chamada plus na fila nem atendente "bsico" disponvel, as chamadas bsicas so atendidas pelos 12 agentes "plus", com o tempo de atendimento seguindo uma distribuio Erlang com mdia = 32 s e DP = 16 s

Fonte: Diagrama elaborado pelo pesquisador

A simulao 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 mdia, 413 chamadas bsicas e 591 chamadas plus foram geradas em cada replicao, tendo sido abandonadas 19,8 e 9,5, respectivamente. As taxas de abandono resultantes foram 4,80% para os clientes bsicos e 1,60% para os clientes plus. Dentre as ligaes bsicas abandonadas, 14,2 (71,46%) retornaram para a fila alguns minutos aps o abandono; dentre as plus, 7,6 (80,44%) fizeram o mesmo.

193

Figura 48 Chamadas geradas das 00:00 s 00:30, agosto de 2006, produto 102 (bsico e plus), 100 replicaes

Fonte: Relatrio desenvolvido pelo software Arena Contact Center

194

Figura 49 Chamadas abandonadas e retornadas das 00:00 s 00:30, agosto de 2006, produto 102 (bsico e plus), 100 replicaes

Fonte: Relatrio desenvolvido pelo software Arena Contact Center

As figuras 50 e 51 a seguir contm os insumos para a anlise do nvel de servio. 393 chamadas bsicas e 581 plus em mdia foram efetivamente atendidas pelos agentes em cada replicao. Destas, 303 bsicas (77,25%) e 575 plus (98,96%) foram atendidas em at 10 segundos (nvel de servio). Comparando os indicadores de desempenho dos clientes plus com os anteriormente obtidos no cenrio de atendimento segmentado (taxa de abandono = 2,44% e nvel de servio = 93,31%), fcil concluir que o atendimento agregado melhorou razoavelmente a operao, do ponto de vista destes clientes. Tal resultado era de se esperar, pois 7 agentes bsicos passaram a atender as chamadas plus. bem verdade que os 19 agentes (12 plus e 7

195

bsicos) tambm atenderam as chamadas bsicas, mas somente quando no havia uma chamada plus aguardando.

Figura 50 Chamadas atendidas das 00:00 s 00:30, agosto de 2006, produto 102 (bsico e plus), 100 replicaes

Fonte: Relatrio desenvolvido pelo software Arena Contact Center

Esta preferncia possibilitou a sensvel melhoria no atendimento dos clientes plus e, certamente, reduziu um pouco a qualidade do servio junto aos clientes bsicos. Mas o interessante notar que, neste cenrio, o nvel de servio para os clientes preteridos (77,25%) manteve-se ainda acima da meta (75%). A taxa de abandono (4,80%) ficou um pouco alta, mas no chega a ser inaceitvel para clientes bsicos. Em suma, o formato agregado do atendimento melhorou o desempenho do sistema para os clientes plus sem, no entanto, comprometer demais a qualidade do servio para os clientes bsicos. Isso aconteceu porque os agentes podiam atender as suas chamadas no preferenciais enquanto estavam ociosos, permitindo o incremento na qualidade da operao como um todo.
196

Anlises e concluses deste tipo no poderiam ser conduzidas nem obtidas atravs de metodologias analticas, s sendo viveis por meio de uma abordagem experimental, como a simulao.

Figura 51 Chamadas atendidas em at 10 segundos, das 00:00 s 00:30, agosto de 2006, produto 102 (bsico e plus), 100 replicaes

Fonte: Relatrio desenvolvido pelo software Arena Contact Center

A figura 52 a seguir apresenta outros indicadores interessantes de serem observados para este cenrio. O tempo mdio de atendimento dos clientes bsicos 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 rpidos (os plus). Para os clientes plus, o tempo mdio de atendimento foi de 0,51 minutos (ou 30,37 segundos), um pouco superior premissa de 29 segundos pelo fato de alguns deles terem sido atendidos por agentes mais lentos (os bsicos).
197

Figura 52 Tempos de atendimento e tempos de espera, das 00:00 s 00:30, agosto de 2006, produto 102 (bsico e plus), 100 replicaes

Fonte: Relatrio desenvolvido pelo software Arena Contact Center

As chamadas bsicas aguardaram, em mdia, 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 preferncia de atendimento desfrutada por estas ltimas. A utilizao dos agentes pode ser observada na figura 53 a seguir.

198

Figura 53 Utilizao dos agentes bsicos e plus, das 00:00 s 00:30, agosto de 2006, produto 102 (bsico e plus), 100 replicaes

Fonte: Relatrio desenvolvido pelo software Arena Contact Center

A taxa mdia de ocupao dos atendentes bsicos (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 atravs dos resultados apresentados na figura 54 a seguir. possvel perceber que ambos os tipos de agentes estiveram a maior parte do tempo (5152%) atendendo os clientes plus (preferenciais e mais numerosos) e o restante da jornada atendendo os clientes bsicos (37-38%) ou ociosos.

199

Figura 54 Utilizao dos agentes bsicos e plus por tipo de chamada, das 00:00 s 00:30, agosto de 2006, produto 102 (bsico e plus), 100 replicaes

Fonte: Relatrio desenvolvido pelo software Arena Contact Center

A deciso a respeito de quantos atendentes sero designados e de que forma eles sero segmentados ou agregados em cada horrio cabe totalmente gerncia de planejamento da Contax. Mas, pode ser que a empresa tenha interesse em estudar o impacto de outras variveis que no esto sob seu controle (parmetros) no nvel de servio e na taxa de abandono da central, o que possvel atravs da simulao, conforme indica a seo 3.5. A anlise de cenrios pode ser utilizada para descobrir o que aconteceria com esses indicadores de performance se, por exemplo, o volume de chamadas em determinado horrio fosse 10% maior do que o previsto.

200

As figuras 55 e 56 a seguir apresentam os indicadores para o clculo do nvel de servio em um cenrio com acrscimo no volume de ligaes, mantendo o mesmo efetivo de atendimento.

Figura 55 Chamadas geradas e atendidas, das 00:00 s 00:30, agosto de 2006, produto 102 (plus), 12 atendentes, cenrio com acrscimo de 10% de demanda, 100 replicaes

Fonte: Relatrio desenvolvido pelo software Arena Contact Center

Neste cenrio, 637 chamadas foram atendidas, em mdia; das quais, 540 em mdia em at 10 segundos. O nvel de servio para este cenrio foi de 84,68%, conseqentemente. Esse valor 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.

201

Figura 56 Chamadas atendidas em at 10 segundos, das 00:00 s 00:30, agosto de 2006, produto 102 (plus), 12 atendentes, cenrio com acrscimo de 10% de demanda, 100 replicaes

Fonte: Relatrio desenvolvido pelo software Arena Contact Center

O impacto deste acrscimo de demanda na taxa de abandono pode ser entendido a partir de uma informao extrada da figura 57 a seguir. Das 672 chamadas geradas em cada replicao, 32,2 foram abandonadas, em mdia, pelos clientes, implicando em uma taxa de abandono igual a 4,80%, o que revela um grande impacto neste indicador de performance. Assim, a simulao deste cenrio mostrou que o efetivo original de atendentes (12) em face de um imprevisvel aumento de 10% na demanda seria capaz de praticamente garantir a meta de nvel de servio (85%), mas comprometeria demais a taxa de abandono.

202

Figura 57 Chamadas abandonadas, das 00:00 s 00:30, agosto de 2006, produto 102 (plus), 12 atendentes, cenrio com acrscimo de 10% de demanda, 100 replicaes

Fonte: Relatrio desenvolvido pelo software Arena Contact Center

E o que aconteceria com o nvel de servio e a taxa de abandono se a demanda tivesse sido subestimada (tambm em 10%), mas no em relao ao seu volume, e sim em relao ao TMA? As figuras 58 e 59 a seguir mostram os valores necessrios para a realizao do clculo do nvel de servio neste cenrio sugerido.

203

Figura 58 Chamadas geradas e atendidas, das 00:00 s 00:30, agosto de 2006, produto 102 (plus), 12 atendentes, cenrio com acrscimo de 10% no TMA, 100 replicaes

Fonte: Relatrio desenvolvido pelo software Arena Contact Center

No cenrio em questo, 575 chamadas foram, em mdia, atendidas; destas, 482 (em mdia) em at 10 segundos. O nvel de servio 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.

204

Figura 59 Chamadas atendidas em at 10 segundos, das 00:00 s 00:30, agosto de 2006, produto 102 (plus), 12 atendentes, cenrio com acrscimo de 10% no TMA, 100 replicaes

Fonte: Relatrio desenvolvido pelo software Arena Contact Center

Para medir o impacto do aumento do TMA na taxa de abandono, preciso recuperar uma informao exibida na figura 60 a seguir. Das 606 chamadas geradas em cada replicao, 29,8 foram abandonadas pelos clientes, em mdia. A conseqncia uma taxa de abandono igual a 4,92%, revelando um grande impacto nesta grandeza. Como no cenrio de aumento da quantidade de ligaes, a simulao desta situao mostrou que o efetivo original de atendentes (12) em face de um repentino aumento de 10% no tempo mdio de atendimento seria capaz de assegurar um nvel de servio quase igual

205

meta de 85% (neste caso, um pouco mais distante), mas tambm incrementando (at um pouco mais) a taxa de abandono.

Figura 60 Chamadas abandonadas, das 00:00 s 00:30, agosto de 2006, produto 102 (plus), 12 atendentes, cenrio com acrscimo de 10% no TMA, 100 replicaes

Fonte: Relatrio desenvolvido pelo software Arena Contact Center

A partir da anlise dos cenrios com demanda mais intensa que a prevista, ento, possvel concluir que variaes no muito grandes (10%) em relao aos valores previstos podem impactar diretamente os indicadores de performance, especialmente a taxa de abandono. Esta concluso faz exigir muito cuidado no momento de prever a quantidade de chamadas e o tempo mdio de atendimento. Outra revelao 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

206

diferena de mesma magnitude no volume de chamadas. Isso leva a crer que a acurcia na previso do TMA ainda mais importante do que a acurcia na previso de volume. Dessa forma, talvez seja interessante investigar o impacto de variaes maiores do TMA (seja para mais ou para menos) no desempenho do sistema, atravs de uma anlise de sensibilidade mais completa. A simulao do modelo bsico foi repetida no software algumas vezes, mas com diferentes valores para a mdia do tempo de atendimento (desde montantes 30% menores at montantes 30% maiores), de onde os resultados relevantes foram coletados. Eles foram, ento, organizados na tabela 39 a seguir, que tambm calcula e apresenta os principais indicadores de desempenho (nvel de servio percentual de ligaes atendidas em at 10 segundos e taxa de abandono) de cada cenrio.

Tabela 39 Nvel de servio e taxa de abandono para diferentes valores do tempo mdio de atendimento (TMA), horrio das 00:00 s 00:30, agosto de 2006, produto 102 (plus), 12 atendentes, 100 replicaes
TMA Variao (seg) 20,5 -30% 23,4 -20% 26,4 -10% 29,3 32,2 +10% 35,2 +20% 38,1 +30% geradas 583 586 589 595 606 640 683 Ligaes atendidas em at 10 seg abandonadas 582 582 0,84 583 580 2,68 582 571 6,34 579 541 14,52 575 482 29,82 567 356 68,39 548 223 128,01 Nvel de Taxa de servio abandono 99,92% 0,14% 99,50% 0,46% 98,13% 1,08% 93,31% 2,44% 83,85% 4,92% 62,80% 10,69% 40,77% 18,74%

Fonte: Tabela elaborada pelo pesquisador a partir de resultados obtidos pelo software Arena Contact Center

medida que o TMA aumenta, os clientes demoram mais (em mdia) sendo atendidos, as filas vo crescendo e o nvel de servio vai despencando, atingindo um patamar inaceitvel quando o TMA 30% maior do que o valor bsico. Essa tendncia evidenciada na tabela 39 anterior pode ser mais bem visualizada atravs do grfico apresentado na figura 61 a seguir.

207

Figura 61 Nvel de servio para diferentes valores do tempo mdio de atendimento (TMA), horrio das 00:00 s 00:30, agosto de 2006, produto 102 (plus), 12 atendentes, 100 replicaes
Nvel de servio X tempo mdio de atendimento
100% 90% NS (ligaes atendidas em at 10 segundos) 80% 70% 60% 50% 40% 30% 20% 10% 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)

Fonte: Grfico elaborado pelo pesquisador

Pelo mesmo motivo, mais clientes resolvem no 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 est 30% acima do seu montante bsico. Essa tendncia pode ser observada no grfico apresentado na figura 62 a seguir. Portanto, valores do TMA mais altos que o previsto deterioram rapidamente o desempenho do sistema em termos do nvel de servio e da taxa de abandono (esta ltima, principalmente) revelando um enorme impacto potencial do aumento do TMA nos resultados mais importantes. Dessa maneira, a Contax deve se esforar para evitar ao mximo que o tempo mdio de atendimento cresa, conscientizando seus atendentes acerca das destrutivas conseqncias do aumento do valor desta grandeza.

208

Figura 62 Taxa de abandono para diferentes valores do tempo mdio de atendimento (TMA), horrio das 00:00 s 00:30, agosto de 2006, produto 102 (plus), 12 atendentes, 100 replicaes
Taxa de abandono X tempo mdio de atendimento
20,0% 18,0% 16,0% 14,0% Taxa de abandono 12,0% 10,0% 8,0% 6,0% 4,0% 2,0% 0,0% 20,0 22,0 24,0 26,0 28,0 30,0 32,0 34,0 36,0 38,0 40,0

TMA (segundos)

Fonte: Grfico elaborado pelo pesquisador

Analisando a parte superior da tabela 39 anterior, possvel concluir que os indicadores de desempenho melhoram sensivelmente com uma reduo de apenas 10% no TMA: o nvel de servio 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, tambm verdadeiro que redues ainda maiores no TMA no encerram vantagens to marcantes (especialmente para o nvel de servio, que j se encontraria em um nvel prximo do timo) para o sistema. Em outras palavras, possvel que o custo envolvido para diminuir o TMA em 10% seja compensando pelos benefcios resultantes desta reduo, mas difcil crer que o mesmo ocorra para redues mais drsticas desta grandeza.

209

De forma semelhante, cabem outras indagaes 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 invs de 2,5), em mdia, para ser atendido? qual o impacto desta mudana no nvel de servio?

As figuras 63 e 64 a seguir mostram os nmeros necessrios para o clculo do nvel de servio neste novo cenrio proposto.

Figura 63 Chamadas geradas e atendidas, das 00:00 s 00:30, agosto de 2006, produto 102 (plus), 12 atendentes, cenrio com tempo mdio de espera antes do abandono = 1,5 minutos, 100 replicaes

Fonte: Relatrio desenvolvido pelo software Arena Contact Center

210

Nele, 580 chamadas foram atendidas, em mdia; das quais, 551 em mdia em at 10 segundos. O nvel de servio para este cenrio foi de 95,09%, conseqentemente. Esse valor um pouco maior que os 93,31% (que teriam sido obtidos com o comportamento anterior de abandono por parte dos clientes), e tambm razoavelmente superior meta de 85%.

Figura 64 Chamadas atendidas em at 10 segundos, das 00:00 s 00:30, agosto de 2006, produto 102 (plus), 12 atendentes, cenrio com tempo mdio de espera antes do abandono = 1,5 minutos, 100 replicaes

Fonte: Relatrio desenvolvido pelo software Arena Contact Center

Mesmo aumentando em 40% a impacincia do cliente ou seja, diminuindo o tempo mdio de espera antes do abandono de 2,5 minutos para 1,5 minutos o impacto no nvel de servio 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 rpida.

211

O que sucede que, de acordo com o modelo, 80% das ligaes abandonadas retornam fila alguns minutos depois, congestionando novamente o sistema e no deixando o nvel de servio aumentar tanto. Esse tipo de anlise e concluso seriam praticamente impossveis atravs de abordagens analticas, que ignoram o comportamento de abandono (de acordo com o que foi mencionado na seo 3.5), s sendo viveis atravs de mtodos experimentais, como a simulao. Se o interesse da gerncia residir apenas no nvel de servio, deixa at de ser interessante empreender um esforo muito grande para prever com perfeita exatido o tempo que os clientes costumam esperar, em mdia, antes de abandonar a chamada. Isto porque foi verificado que uma mudana nada pequena (40%) nesse tempo mdio incapaz de impactar intensamente o nvel de servio. Se, no entanto, houver interesse tambm em monitorar a taxa de abandono, fundamental estudar o impacto do novo cenrio nesta grandeza, a partir da anlise de uma informao a ser extrada da figura 65 a seguir. Das 600 chamadas geradas em cada replicao, 19,3 foram abandonadas, em mdia, pelos clientes, implicando em uma taxa de abandono igual a 3,21%, um pouco maior do que os 2,85% obtidos anteriormente.

212

Figura 65 Chamadas abandonadas, das 00:00 s 00:30, agosto de 2006, produto 102 (plus), 12 atendentes, cenrio com tempo mdio de espera antes do abandono = 1,5 minutos, 100 replicaes

Fonte: Relatrio desenvolvido pelo software Arena Contact Center

Para verificar a sensibilidade dos indicadores de performance em relao varivel tempo mdio de espera antes do abandono de forma mais completa, a mesma simulao foi repetida algumas vezes no software, com diferentes valores para esta varivel. Foram coletados os outputs necessrios para o clculo dos principais indicadores de desempenho (nvel de servio percentual de ligaes atendidas em at 10 segundos e taxa de abandono), que esto apresentados na tabela 40 a seguir. Como pode ser observado, a taxa de abandono razoavelmente sensvel em relao ao tempo mdio de espera, principalmente nos patamares mais baixos desta varivel. Sendo assim, a sua correta considerao mostra-se importante para a obteno de resultados acurados, no

213

obstante o fato do nvel de servio revelar pouca sensibilidade a mudanas na mesma varivel (fato ocorrido provavelmente pelo motivo cogitado anteriormente).

Tabela 40 Nvel de servio e taxa de abandono para diferentes valores do tempo mdio de espera (antes do abandono), horrio das 00:00 s 00:30, agosto de 2006, produto 102 (plus), 12 atendentes, 100 replicaes
Tempo mdio de espera (minutos) 0,5 1,5 2,5 3,5 4,5 geradas 624 600 595 593 591 Ligaes atendidas em at 10 seg abandonadas 578 562 46,65 580 551 19,25 579 541 14,52 582 540 10,02 582 534 9,10 Nvel de Taxa de servio abandono 97,26% 7,47% 95,09% 3,21% 93,31% 2,44% 92,75% 1,69% 91,91% 1,54%

Fonte: Tabela elaborada pelo pesquisador a partir de resultados obtidos pelo software Arena Contact Center

O gerente de planejamento tambm pode estar interessado em saber o que aconteceria se a empresa contratante ficasse mais exigente em relao ao nvel de servio e redefinisse seu conceito, passando este a corresponder ao percentual de clientes atendidos em at 5 segundos (ao invs de 10 segundos). As figuras 66 e 67 a seguir revelam os valores para o clculo do novo nvel de servio, aps essa redefinio no seu conceito. Neste cenrio, 579 chamadas foram atendidas, em mdia; das quais, 489 em mdia em at 5 segundos. O nvel de servio para este cenrio foi de 84,44%, por conseguinte. Esse valor razoavelmente menor que os 93,31% obtidos com a definio original de nvel de servio e, o que mais importante, um pouco menor que a meta de 85% estabelecida para os clientes plus.

214

Figura 66 Chamadas geradas e atendidas, das 00:00 s 00:30, agosto de 2006, produto 102 (plus), 12 atendentes, cenrio com NS = % de clientes atendidos em at 5 segundos, 100 replicaes

Fonte: Relatrio desenvolvido pelo software Arena Contact Center

Essa comparao revela que uma redefinio no conceito de nvel de servio pode impactar de forma no muito branda esse indicador de desempenho, o que era razoavelmente previsvel. possvel at que exatamente como aconteceu no exemplo ilustrado a atual configurao de atendentes no seja mais suficiente para proporcionar um nvel de servio condizente com a meta pr-estabelecida. Neste caso, pode ser importante descobrir quantos agentes adicionais sero necessrios para que este indicador de performance retorne a patamares acima da meta.

215

Figura 67 Chamadas atendidas em at 5 segundos, das 00:00 s 00:30, agosto de 2006, produto 102 (plus), 12 atendentes, cenrio com NS = % de clientes atendidos em at 5 segundos, 100 replicaes

Fonte: Relatrio desenvolvido pelo software Arena Contact Center

Para tal, primeiro necessrio verificar se a adio de 1 agente ser suficiente para o objetivo ser atingido. As figuras 68 e 69 a seguir apresentam os indicadores que entram no clculo do nvel de servio (segundo o seu novo conceito), mas em um cenrio com 13 atendentes efetivos. Foram atendidas 580 chamadas em mdia neste cenrio, sendo que 534 (em mdia) delas em at 5 segundos. O nvel de servio 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.

216

Figura 68 Chamadas geradas e atendidas, das 00:00 s 00:30, agosto de 2006, produto 102 (plus), cenrio com 13 atendentes e NS = % de clientes atendidos em at 5 segundos, 100 replicaes

Fonte: Relatrio desenvolvido pelo software Arena Contact Center

Isso mostra que a alocao de um agente adicional capaz de fazer o nvel de servio voltar a atingir a meta, mas seus benefcios no chegam a compensar o impacto negativo para este indicador de desempenho causado pela reformulao do seu conceito.

217

Figura 69 Chamadas atendidas em at 5 segundos, das 00:00 s 00:30, agosto de 2006, produto 102 (plus), cenrio com 13 atendentes e NS = % de clientes atendidos em at 5 segundos, 100 replicaes

Fonte: Relatrio desenvolvido pelo software Arena Contact Center

E o que aconteceria se a central dispusesse de uma quantidade limitada de linhas disponveis no seu tronco? Na verdade, isso sempre ocorre, mas muitas vezes essa quantidade to grande, que acaba no se constituindo em uma restrio. 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 disponveis, no existindo espao no sistema, portanto, para mais clientes (sendo atendidos ou aguardando na fila) do que essa quantidade?

218

Certamente alguns clientes seriam bloqueados antes de entrar no sistema, isto , impedidos at mesmo de aguardar na fila (receberiam um sinal de ocupado ou teriam sua ligao interrompida). Mas quantos? E se uma parcela destes clientes retornasse a ligao poucos instantes aps este bloqueio? E qual o impacto dessa limitao nos indicadores de performance? As respostas a essas perguntas muito dificilmente poderiam ser obtidas atravs de modelos analticos, mas podem ser conseguidas com certa facilidade atravs da simulao. O modelo para simular este cenrio levou em conta uma quantidade limitada (20) de linhas disponveis, assumindo a premissa de que 85% dos clientes bloqueados voltariam a tentar entrar em contato pouco tempo depois (este tempo foi modelado atravs de uma distribuio exponencial com mdia de 1 minuto). Ele est esquematizado na figura 70 a seguir.

Figura 70 Diagrama de processos do modelo de simulao com quantidade limitada (20) de linhas disponveis, das 00:00 s 00:30, agosto de 2006, produto 102 (plus), 12 atendentes
As chamadas que conseguem entrar na "fila" (com 20 vagas disponveis) aguardam para serem atendidas de acordo com a disciplina FIFO

586 chamadas plus chegam central do nmero 102, entre 00:00 e 00:30, de acordo com o processo de Poisson (distribuio exponencial com mdia = 3 segundos)

12 agentes atendem as chamadas que esto aguardando na fila, com o tempo de atendimento seguindo uma distribuio Erlang com mdia = 29 segundos e DP = 14,5 segundos

85% das chamadas bloqueadas retornam central aps um intervalo (distribuio exponencial com mdia = 1 minuto)

As chamadas que no conseguem entrar na "fila" so bloqueadas

As chamadas abandonam a fila aps uma tolerncia de espera (distribuio exponencial com mdia = 2,5 minutos)

80% das chamadas abandonadas retornam central aps um intervalo de 1 a 9 minutos (distribuio uniforme)

Fonte: Diagrama elaborado pelo pesquisador

Este cenrio mais completo (possibilitando diferentes status para as chamadas: atendidas, atendidas dentro do limite, aguardando, bloqueadas e abandonadas) foi escolhido para ilustrar a apresentao dinmica dos indicadores de desempenho que o software de simulao capaz de oferecer, conforme pode ser observado na figura 71 a seguir.

219

Figura 71 Indicadores dinmicos do modelo de simulao com quantidade limitada (20) de linhas disponveis, das 00:00 s 00:30, agosto de 2006, produto 102 (plus), 12 atendentes

Fonte: Tela capturada durante a simulao do modelo pelo software Arena Contact Center

Como pode ser visto, diversos indicadores podem ser acompanhados medida que vo variando dinamicamente enquanto a simulao vai sendo executada para este cenrio: a quantidade de clientes atendidos, atendidos em at 10 segundos, o conseqente nvel de servio (seu valor no momento, na forma numrica e grfica a barra de nvel, alm do seu comportamento ao longo da replicao), o nmero de clientes esperando na fila (na forma numrica e grfica), de clientes bloqueados e que abandonaram a fila, os tempos mdios de espera e de atendimento (na forma numrica e grfica), e a quantidade de agentes ocupados (seu valor no momento, na forma numrica e grfica, alm de um histograma registrando seu comportamento ao longo da replicao).

220

No final das replicaes, os relatrios sumarizam os resultados consolidados, estando os primeiros apresentados na figura 72 a seguir.

Figura 72 Chamadas geradas e atendidas, das 00:00 s 00:30, agosto de 2006, produto 102 (plus), 12 atendentes, cenrio com quantidade limitada (20) de linhas disponveis, 100 replicaes

Fonte: Relatrio desenvolvido pelo software Arena Contact Center

Em mdia, 598 chamadas foram geradas em cada replicao; dessas, 580 em mdia foram efetivamente atendidas pelos agentes em cada replicao. Dentre o total de chamadas geradas, as quantidades que foram bloqueadas e abandonadas podem ser visualizadas na figura 73 a seguir.

221

Figura 73 Chamadas bloqueadas, abandonadas e retornadas, das 00:00 s 00:30, agosto de 2006, produto 102 (plus), 12 atendentes, cenrio com quantidade limitada (20) de linhas disponveis, 100 replicaes

Fonte: Relatrio desenvolvido pelo software Arena Contact Center

2,8 (0,46%) ligaes foram bloqueadas (blocked) antes de entrar no sistema, dentre as quais 2,3 tentaram retornar posteriormente (contact back blocked), em mdia; ou seja, houve um retorno de 81,29% das ligaes bloqueadas, percentual prximo do valor estabelecido na premissa (85%). As ligaes abandonadas perfizeram 14,03, em mdia, o que representa 2,35% do total das ligaes geradas, cifra muito parecida com a taxa de abandono original (2,44%), o que revela um impacto insignificante da limitao de linhas neste indicador de performance. Para o clculo do outro indicador de performance (nvel de servio), necessrio resgatar uma informao a partir da figura 74 a seguir.
222

Figura 74 Chamadas completadas e atendidas em at 10 segundos, das 00:00 s 00:30, agosto de 2006, produto 102 (plus), 12 atendentes, cenrio com quantidade limitada (20) de linhas disponveis, 100 replicaes

Fonte: Relatrio desenvolvido pelo software Arena Contact Center

Em mdia, 546 chamadas foram atendidas em at 10 segundos, ocasionando um nvel de servio de 94,05%. Esse valor assim como aconteceu com a taxa de abandono tambm prximo dos 93,31% originais. Fica a impresso de que a limitao na quantidade de linhas no gera impactos significativos nos indicadores de performance. No entanto, um novo nmero comprometedor da qualidade de servio (taxa de ligaes 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) taxa de abandono (embora o elemento causador da deteriorao da qualidade do servio nesse caso seja diferente do que o que ocorre quando do abandono das chamadas, funcionando como uma espcie de abandono instantneo e compulsrio).
223

Na figura 74 anterior, foi possvel observar uma grandeza que adquiriu relevncia com a restrio na quantidade de linhas: a quantidade de chamadas completadas (ou que conseguiram entrar no sistema). No exemplo anterior, 595 chamadas, em mdia, atingiram esse status (offered). A diferena entre esse valor e a quantidade mdia de chamadas geradas consiste justamente no nmero mdio de ligaes que no conseguiram entrar no sistema as bloqueadas. A introduo da limitao na quantidade de linhas disponveis pode criar interesse para o acompanhamento do nvel de utilizao do tronco de linhas. A figura 75 a seguir apresenta os subsdios para tal.

Figura 75 Disponibilidade, ocupao e utilizao de linhas, das 00:00 s 00:30, agosto de 2006, produto 102 (plus), 12 atendentes, cenrio com quantidade limitada (20) de linhas disponveis, 100 replicaes

Fonte: Relatrio desenvolvido pelo software Arena Contact Center

224

Como pode ser observado, 19,78 das 20 linhas ficaram disponveis (trunk available), em mdia, ao longo do perodo, ficando, por conseguinte, apenas 0,22 linhas ocupadas (trunk busy) durante o mesmo, em mdia. O valor baixo (1,11%) da conseqente taxa de utilizao (trunk utilization) mdia revela uma grande ociosidade do tronco, como um todo, fenmeno bastante comum, no entanto, nas centrais de atendimento mais modernas. Alm do impacto da modificao de certos parmetros do modelo no desempenho do sistema em determinado horrio, pode ser interessante j que uma melhor acurcia no clculo do nvel de servio foi obtida pela simulao querer indagar se o mesmo ocorreria em horrios com saldos de agentes dimensionados substancialmente diferentes; ou seja, em momentos com grande dficit ou com grande supervit de oferta de capacidade em relao demanda. Para o dimensionamento dos atendentes no intervalo entre 05:30 e 06:00 do mesmo ms, foi considerado que chegariam central 253 chamadas, com um TMA de 31 segundos, conforme pode ser visto na tabela 10 anterior. De acordo com as frmulas analticas implementadas na mesma tabela, seria necessrio designar 7 atendentes (j considerando o absentesmo) para este perodo, com o intuito de alcanar a meta de nvel de servio para os clientes plus. Foram dimensionados 11 agentes (saldo positivo de 4) para este horrio e as frmulas Erlang previram 99,78% de nvel de servio para este horrio, j considerando o absentesmo, que tambm no influiu neste caso, j que 11 * (1 4%) = 11 agentes, aproximadamente. Com o objetivo de questionar esse nvel de servio estimado, foi construdo 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 horrio. A chegada das ligaes e o tempo de atendimento foram modelados de acordo com estas premissas mdias e seguindo as distribuies exponencial e Erlang (k = 4), respectivamente; e o abandono foi tratado de forma idntica anterior. A simulao da operao durante este intervalo foi replicada 100 vezes e o output pode ser visualizado na figura 76 a seguir.

225

Figura 76 Chamadas geradas, atendidas e atendidas em at 10 segundos, das 05:30 s 06:00, agosto de 2006, produto 102 (plus), 11 atendentes, 100 replicaes

Fonte: Relatrio desenvolvido pelo software Arena Contact Center

Em mdia, 253,31 chamadas foram geradas (created), 253,27 atendidas (handled) e 253,22 em at 10 segundos (in target) em cada replicao. Quase no houve abandono, o que no surpreendente em vista do super-dimensionamento empreendido para este cenrio. O nvel de servio resultante foi 99,98%, um valor altssimo (inclusive quando comparado com a meta de 85%), e bem parecido com os 99,78% previstos pelas frmulas Erlang para este cenrio. A base de dados da Contax revela que, no dia 15 de agosto de 2006, 11 agentes estiveram atendendo durante o perodo das 05:30 s 06:00, quando 249 chamadas foram atendidas, com TMA de 31,5 segundos. Estes nmeros esto muito prximos das premissas de demanda usadas nos modelos analtico e de simulao.

226

Dentro de tal perodo, foram atendidas 248 chamadas em at 10 segundos (do total de 249), implicando em um nvel de servio real de 99,60%. Desta vez, os valores previstos por ambas as abordagens (analtica e experimental) ficaram muito parecidos com o valor real, at porque no havia muito espao para grandes variaes, visto que este cenrio envolve um patamar de nvel de servio j muito prximo de 100%. A concluso aponta para a inexistncia de ganho de acurcia na previso do nvel de servio em cenrios com patamares muito altos para essa grandeza promovido pelo uso da abordagem experimental. Resta saber o comportamento desta acurcia em situaes com nveis de servio muito baixos (dficit de agentes dimensionados em relao necessidade). Para o dimensionamento dos operadores (tambm para agosto de 2006) no perodo entre 02:00 e 02:30, foi usada a premissa de que chegariam central 196 chamadas, com um TMA de 28 segundos, como pode ser visto na tabela 10 anterior. De acordo com a mesma, seria necessrio (segundo as frmulas analticas) alocar 5 agentes (j considerando o absentesmo) para este horrio, de forma a atingir 85% de nvel de servio. Foram dimensionados 4 atendentes para este perodo e as frmulas analticas previram 44,05% de nvel de servio para este horrio, j levando em conta o absentesmo, que acabou no influindo neste caso: 4 * (1 4%) = 4 atendentes, aproximadamente. O dficit absoluto de agentes (-1), nesse caso, foi o mesmo do ocorrido no horrio entre 00:00 e 00:30; mas, proporcionalmente, ter 1 atendente a menos quando eram necessrios 5 muito mais impactante do que ter 1 a menos quando eram necessrios 13. O baixo nvel de servio estimado para este segundo caso (44,05%) ratifica essa afirmao. Novamente foi construdo um modelo, desta vez para simular o comportamento do sistema neste terceiro horrio, com as mesmas premissas de demanda (volume e TMA) e com a mesma capacidade efetiva dimensionada (4 agentes). A chegada das ligaes e o tempo de atendimento foram modelados de acordo com estas premissas mdias e seguindo as distribuies exponencial e Erlang (k = 4), respectivamente; e o comportamento de abandono modelado da mesma forma que anteriormente. A simulao destes 30 minutos de operao do call center foi replicada 100 vezes e o resultado pode ser observado na figura 77 a seguir.
227

Figura 77 Chamadas geradas, atendidas e atendidas em at 10 segundos, das 02:00 s 02:30, agosto de 2006, produto 102 (plus), 4 atendentes, 100 replicaes

Fonte: Relatrio desenvolvido pelo software Arena Contact Center

Em mdia, 209 chamadas foram geradas (created) em cada replicao; destas, 193 em mdia foram de fato atendidas (handled) pelos operadores em cada replicao, das quais 144 em at 10 segundos (in target). O nvel de servio obtido foi 74,44%, um valor mais baixo que a meta de 85%, mas muito acima dos 44,05% previstos pelas frmulas analticas 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 ligaes, entre 02:00 e 02:30, com TMA de 27,6 segundos. Estes nmeros so bem prximos das premissas de demanda utilizadas no dimensionamento atravs de frmulas Erlang e neste modelo de simulao. Nesse intervalo, 136 ligaes foram atendidas em at 10 segundos (dentre as 192), gerando um nvel de servio real de 70,83%.
228

Assim como quando aconteceu no cenrio original (horrio das 00:00 s 00:30), este valor ficou mais prximo (desta vez ainda mais) do nvel de servio calculado pela simulao. Isso tudo revela um ganho ainda maior de acurcia na previso do nvel de servio, em cenrios com baixos patamares para essa grandeza. O comportamento do ganho de acurcia empreendido pelo uso da abordagem de simulao em funo do patamar onde se encontra o nvel de servio (que foi investigado ao longo desta seo) pode ser resumido na tabela 41 a seguir.

Tabela 41 NS real e estimado por frmulas Erlang e simulao, erros de estimao e ganho de acurcia em diferentes patamares de nvel de servio
Horrio Saldo/dficit de agentes Nvel de servio real Frmula Erlang Erro Simulao Erro Diferena entre os erros (ganho de acurcia) 02:00 s 02:30 1 a menos em 5 -20% 70,83% 44,05% 26,78% 74,44% 3,61% 23,17% 00:00 s 00:30 1 a menos em 13 -8% 92,74% 88,04% 4,70% 93,31% 0,57% 4,13% 05:30 s 06:00 4 a mais em 7 +57% 99,60% 99,78% 0,18% 99,98% 0,38% -0,20%

Fonte: Tabela elaborado pelo pesquisador

Este ltimo horrio simulado apresenta o nvel de servio em um patamar relativamente baixo, possibilitando uma anlise de sensibilidade mais completa do impacto de uma oferta maior de atendentes, conforme mencionado anteriormente nesta seo. A mesma simulao foi repetida algumas vezes no software, sempre para este horrio e com os mesmos parmetros, mas aumentando a quantidade de atendentes. Os resultados mais importantes foram coletados, a partir dos quais os principais indicadores de desempenho (nvel de servio percentual de ligaes atendidas em at 10 segundos e taxa de abandono) puderam ser obtidos, estando apresentados na tabela 42 a seguir.

229

Tabela 42 Nvel de servio e taxa de abandono para diferentes quantidades de atendentes, horrio das 02:00 s 02:30, agosto de 2006, produto 102 (plus), 100 replicaes
Atendentes 4 5 6 7 Ligaes atendidas em at 10 seg abandonadas 193 144 15,35 195 180 5,47 194 190 0,95 195 194 0,62 Nvel de Taxa de servio abandono 74,44% 7,33% 92,10% 2,73% 98,17% 0,49% 99,47% 0,32%

geradas 209 201 195 196

Fonte: Tabela elaborada pelo pesquisador a partir de resultados obtidos pelo software Arena Contact Center

Como pode ser observado, a alocao de um quinto atendente melhora sensivelmente os indicadores de desempenho, deixando-os com valores bem aceitveis (principalmente o nvel de servio). A incluso do sexto agente pode ser considerada interessante, pois encerra uma melhora significativa para a taxa de abandono, mas nem tanto para o nvel de servio, que j era mais do que suficiente. O stimo atendente parece ser totalmente dispensvel, j que as melhorias proporcionadas por ele seriam apenas marginais. A deciso mais refinada de quantos agentes efetivamente alocar para este horrio passaria pela considerao dos potenciais custos envolvidos na incluso de 1 ou mais atendentes no plano de horrios. Dessa forma, a Contax poderia questionar se estaria disposta a gastar mensalmente um determinado montante adicional com mo-de-obra (passando de 4 para 5 agentes) para poder melhorar o nvel de servio e a taxa de abandono no horrio em questo 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 incluso do sexto e do stimo agentes, s que cada vez com melhorias menores nos indicadores de desempenho. Essa anlise ratifica a grandeza do impacto da modificao da quantidade de atendentes no desempenho do sistema e a conseqente importncia de um correto dimensionamento da capacidade de atendimento, ambas verificadas anteriormente nesta seo.

230

7. Concluses
A indstria de call centers tem crescido demasiadamente nas ltimas dcadas no mundo e de forma bem intensa no Brasil, durante os ltimos anos. O mercado domstico j vem movimentando cifras financeiras bem acentuadas, assim como em outros pases. Boa parte dos custos envolvidos na administrao das centrais de atendimento oriunda dos recursos humanos. Por isso, vital do ponto de vista da competitividade do negcio gerenci-los eficientemente. Paralelo a esse crescimento, o mercado em questo vem experimentando um aumento muito grande na complexidade das suas operaes, dificultando a sua administrao atravs de posturas amadoras e exigindo, portanto, tomadores de deciso e ferramentas cada vez mais profissionais. Mas, principalmente no Brasil, muito pouco material acadmico foi produzido a respeito de tcnicas e ferramentas capazes de apoiar a tomada de deciso gerencial, no tocante administrao dos recursos, no contexto dos call centers. Torna-se clara, ento, a necessidade de descobrir entre outras inmeras facetas deste problema, a serem atacadas por outros pesquisadores quais so as melhores metodologias para abordar e resolver alguns dos principais desafios e problemas quantitativos relacionados administrao de call centers. Antes, naturalmente, foi preciso levantar quais so estes desafios, quando as questes de previso de demanda e de dimensionamento da capacidade de atendimento apareceram como as principais respostas. Em relao ao problema de previso da demanda de ligaes, foi necessrio pesquisar algumas metodologias que costumam ser utilizadas, assim como investigar a sua adequao s caractersticas da indstria e propor solues melhores para lidar com este desafio. J no que diz respeito ao problema de dimensionamento da capacidade de atendimento, formou-se uma dicotomia, opondo mtodos analticos (como a teoria de filas) a mtodos experimentais (como a simulao). E j que a simulao, geralmente, uma ferramenta mais cara e de implementao mais difcil e custosa, foi preciso investigar no cenrio de call centers quais so os trade-offs

231

envolvidos na deciso 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 questes envolvidas e as caractersticas do estudo. Em seguida, o setor e a empresa estudados foram caracterizados e foi feita uma reviso de literatura acerca dos principais temas abordados. O trabalho prosseguiu apresentando seus aspectos metodolgicos, incluindo a descrio de como os dados foram coletados e tratados, de forma a atingir os objetivos propostos. Na seqncia, esta pesquisa objetivou descrever o caso desenvolvido para dar resposta s questes propostas, apresentando o setor da empresa envolvido, alm de seus principais desafios operacionais, que foram explorados na ltima parte deste texto, quando foram apresentadas solues concretas para os mesmos atravs de novas (do ponto de vista da empresa) metodologias, que foram desenvolvidas e ajustadas para atacar os problemas em questo. A seguir, as respostas s questes propostas so apresentadas, tambm separadas em grupos, conforme foi feito na seo 1.1.2.

7.1. Respostas s questes propostas

7.1.1. Previso

a) Que metodologia(s) (so) aplicada(s)? Foi possvel constatar, no decorrer do trabalho, que o problema de previso de demanda costuma ser tratado pela Contax, de uma forma geral, atravs da ferramenta de previso que o pacote computacional utilizado na empresa (TotalView) fornece uma espcie de amortecimento exponencial com a incluso da sazonalidade intra-semanal alm de alguns ajustes subjetivos promovidos pela equipe de planejamento. b) Essa(s) (so) a melhor forma de prever tais grandezas? O problema que esta ferramenta de previso no leva em conta algumas informaes facilmente acessveis e que poderiam subsidiar melhor as predies. Assim, estas informaes

232

no so includas de forma sistemtica no processo de previso, ficando essa incluso um pouco por conta da subjetividade (carregada de uma eventual arbitrariedade) dos analistas. Definitivamente, ao menos no caso do produto 103 (servios de telefonia fixa e problemas com a conta telefnica), no incluir de forma sistemtica informaes referentes ocorrncia de feriados e s datas de vencimento e chegada das contas na residncia dos clientes consiste em desperdcio de informao muito til e de fcil acesso. c) Se no for(em), qual ? Foi desenvolvido um modelo de regresso mltipla (com variveis dummy) para prever o volume dirio de ligaes, assim como o seu tempo mdio de atendimento (TMA), levando em considerao de forma sistemtica as informaes acima citadas, alm da sazonalidade intra-semanal (j levada em conta pelo TotalView). As previses elaboradas pelo modelo de regresso foram comparadas aos dados reais de demanda e revelaram uma acurcia um tanto superior obtida pela ferramenta de previso do TotalView.
7.1.2. Dimensionamento

d) Qual metodologia aplicada para a resoluo desse problema? Em relao a este problema, a Contax utiliza uma metodologia analtica (frmulas Erlang) para calcular o nvel de servio e monitorar indiretamente o abandono de ligaes (principais indicadores de performance da operao) em cada cenrio de dimensionamento de efetivo proposto pela equipe de planejamento. e) A simulao utilizada? A simulao praticamente desconhecida enquanto ferramenta de apoio ao dimensionamento para os analistas e, at por isso, no utilizada para este fim. f) Se no for, por que no ? Alm do pequeno conhecimento por parte dos analistas de dimensionamento acerca da abordagem, as aparentes complexidade e grande exigncia de inputs da metodologia tambm constituem obstculos para a sua utilizao, na opinio da equipe de planejamento.
233

g) Quais so os trade-offs envolvidos na deciso de qual metodologia usar (simulao versus outras)? Foi possvel constatar, ao longo dessa pesquisa e atravs do uso de modelos de simulao para lidar com o problema de dimensionamento da capacidade de atendimento do call center, diversas vantagens da abordagem experimental em comparao s analticas, especialmente em operaes mais complexas: possvel incluir mais detalhes da operao (conforme ser especificado na resposta questo i), utilizar distribuies estatsticas mais condizentes com os dados de entrada e deixar o modelo mais prximo da realidade, garantindo a obteno de resultados mais acurados; o nvel de servio calculado pelas frmulas Erlang normalmente subestimado, principalmente pelo fato destas ignorarem o abandono de chamadas e utilizarem o formato exponencial para a distribuio do tempo de atendimento; outros indicadores de desempenho (no disponveis nas abordagens analticas, como a taxa de abandono e o percentual de clientes bloqueados) podem ser avaliados, apresentados e estudados; valores mnimo e mximo de cada indicador importante podem ser obtidos, no ficando o analista restrito media dos valores, como no caso da teoria de filas; um entendimento melhor da operao atingido com a adoo 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 esto se formando e o motivo dos tempos de espera estarem altos, por exemplo, ao passo que, atravs da metodologia Erlang, possvel enxergar apenas os outputs gerados (indicadores numricos) em funo dos inputs fornecidos, dificultando o entendimento completo da operao; a comunicao pode tornar-se mais fcil, atravs de animaes grficas.

234

No entanto, uma eventual implementao desta metodologia experimental demanda, sem dvida, um intenso esforo, alem de acarretar custos elevados (de aquisio do software e de treinamento) e uma necessidade de conhecimento tcnico. h) Como a simulao pode dar apoio s decises referentes ao processo de dimensionamento do call center? Ao longo do estudo de caso realizado a respeito da operao de atendimento dos clientes do produto 102 (auxlio lista), diversos modelos de simulao foram construdos contemplando diferentes caractersticas reais dos call centers e para diferentes possveis cenrios alternativos para calcular indicadores de performance e sugerir solues para o dimensionamento da operao. O clculo de um indicador em especial a taxa de abandono pode ser extremamente til, no caso da Contax. Isso ocorre porque, conforme descrito na seo 5.2.2, os analistas de dimensionamento baseiam muito suas decises no dficit resultante de atendentes em cada intervalo de meia-hora. Eles procuram manter essa grandeza em patamares baixos para evitar que haja uma alta incidncia 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 analtica por eles utilizada desconsidera o abandono, no permitindo a quantificao da sua ocorrncia, s lhes resta a sua avaliao indireta atravs mesmo do dficit de agentes, estando essa sujeita, obviamente, a altas doses de subjetividade e intuio. A simulao acaba com esse problema, j que a sua utilizao permite a estimao direta e acurada da taxa de abandono para cada sugesto de escalonamento, balizando as concluses e tornando-as livres da dependncia exclusiva da intuio e da subjetividade. De uma forma geral, ficou claro que a ferramenta em questo permite avaliar, com facilidade, o impacto nos indicadores de performance de modificaes nas caractersticas originais da operao (como, por exemplo, uma reduo ou um aumento de oferta de capacidade de atendimento ou uma redefinio do conceito interno de nvel de servio) e realizar anlises de sensibilidade completas acerca de alguns parmetros operacionais. Especificamente, as anlises de cenrios e de sensibilidade desenvolvidas durante o estudo de caso permitiram visualizar como a simulao pode dar apoio s decises referentes ao
235

processo de dimensionamento da central, uma vez que os resultados revelaram que, entre outras: pode ser possvel diminuir o efetivo de atendentes em alguns horrios do dia, sem comprometer a meta de nvel de servio, j que o clculo desta grandeza empreendido pelas frmulas Erlang normalmente a subestima; mas redues deste efetivo para valores abaixo do mnimo indispensvel (evidenciado para um horrio especfico na anlise de sensibilidade conduzida) podem trazer conseqncias catastrficas para a operao do sistema, especialmente em termos da taxa de abandono; por outro lado, a utilizao de um efetivo de atendimento maior pode melhorar sensivelmente a performance do sistema (principalmente em termos de nvel de servio), mas apenas at um certo limite (tambm evidenciado para um horrio especfico na anlise de sensibilidade conduzida), acima do qual alocaes adicionais de operadores seriam capaz de proporcionar apenas melhorias marginais na qualidade do atendimento; variaes no muito grandes no volume de ligaes recebidas podem impactar bastante os indicadores de desempenho, especialmente a taxa de abandono, apontando para a necessidade de se prever tal grandeza com bastante acurcia; esses impactos so ainda maiores no caso de variaes no tempo mdio de atendimento, tornando a previso desta varivel ainda mais crtica e j que o comportamento desta grandeza no pode ser considerado totalmente alheio vontade da gerncia indicando que pode ser interessante para a empresa investir at um certo limite em treinamento e conscientizao para a reduo desse tempo; a variabilidade do tempo de atendimento tambm capaz de impactar de forma significativa os indicadores de desempenho, especialmente o nvel de servio, mostrando que importante tentar mensurar tambm o desvio-padro daquela grandeza (e no apenas a sua mdia) e mant-la homognea (estvel) atravs de treinamento e conscientizao;

236

possvel melhorar consideravelmente a performance de atendimento para os clientes preferenciais, sem comprometer demasiadamente a qualidade do servio para os clientes comuns, se for adotado um formato agregado com prioridades de atendimento;

na hiptese dos clientes se tornarem mais impacientes e abandonarem as ligaes mais rapidamente, o impacto no nvel de servio seria pequeno, mas bem significativo no caso da taxa de abandono revelando que a importncia de determinadas mudanas de cenrio pode depender dos indicadores de desempenho utilizados e tidos como importantes pela empresa;

na hiptese da central dispor de uma quantidade limitada (e pequena) de linhas disponveis no tronco, o impacto nos indicadores de performance tradicionais (nvel de servio e taxa de abandono) seriam pequenos, mas seria necessria a criao de um outro indicador (percentual de clientes bloqueados) capaz de capturar essa deteriorao no nvel de atendimento da demanda.

i) Que aspectos operacionais do call center no podem ser bem tratados por outras metodologias, sendo determinantes para justificar o uso da simulao? O call center revelou-se uma operao bastante complexa, ficando claro que alguns de seus aspectos e caractersticas no podem ser adequadamente explorados por abordagens analticas (justificando o uso de uma ferramenta experimental elaborada como a simulao para lidar com o problema de dimensionamento das centrais): comportamento de abandono por parte dos clientes; disponibilidade limitada de linhas telefnicas no tronco; variedade de clientes, com diferentes comportamentos e prioridades de atendimento; agentes com diferentes nveis de habilidade e preferncias nas atividades de atendimento; diferentes disciplinas de fila; desvios e transferncia de chamadas;
237

conferncias envolvendo o cliente e mltiplos atendentes.

j) A simulao fornece resultados mais acurados em algumas situaes do cotidiano operacional do call center? Em quais situaes? A maior acurcia dos resultados obtida nas centrais mais complexas operacionalmente, especialmente em situaes envolvendo grandes incertezas quanto demanda e aos tempos de atendimento. O estudo em questo permitiu concluir que o ganho de acurcia para o nvel de servio promovido pela simulao maior nos horrios onde essa grandeza se encontra em patamares mais baixos, conforme a tabela 41 anterior. k) Quais softwares esto disponveis para o uso da simulao aplicada a call centers? A pesquisa revelou uma srie de softwares disponveis para a aplicao da simulao 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 so as suas caractersticas? Os quadros comparativos apresentados nas tabelas 2 e 3 anteriores procuraram sumarizar e comparar as caractersticas gerais de cada software e os atributos das operaes de call centers que cada um capaz de contemplar. O primeiro quadro revelou, entre outras coisas, que a maioria das opes empreende a terminologia prpria de call centers e permite a observao dinmica dos indicadores de performance, mas quase nenhuma possui alguma ferramenta para fazer um tratamento estatstico 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 tambm permite a escolha da distribuio dos tempos de atendimento e entre chegadas. Poucos softwares, no entanto, so capazes de considerar algumas caractersticas das centrais, como: a re-tentativa de ligao por parte do cliente, tele-conferncia e transferncia de chamadas.

238

Entre as opes, o Arena Contact Center revelou-se como o mais completo dos softwares, no apresentando, no entanto, algumas caractersticas gerais importantes, como simplicidade e flexibilidade. m) Quais deles so utilizados no call center estudado? J que, na Contax, a simulao no utilizada como metodologia para lidar com o problema de dimensionamento, nenhum destes softwares utilizado na empresa.

7.2. Sumrio das contribuies da pesquisa A partir das respostas s questes propostas, possvel notar que as principais contribuies desta pesquisa originaram-se do desenvolvimento e da aplicao de novas metodologias aos problemas da empresa estudada, podendo ser destacadas, de forma bem sucinta, como: a considerao de forma sistemtica das informaes referentes s datas de vencimento e chegada das contas na residncia dos clientes no processo de previso de demanda de ligaes para o produto 103; a revelao de que resultados a simulao 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 relao s abordagens analticas e enfatizando quais peculiaridades das operaes da indstria em questo so responsveis por corroborar a sua adequao.

7.3. Sugestes e recomendaes Infelizmente, foi invivel do ponto de vista operacional explorar todos os assuntos pertinentes. Esta pesquisa no teve a pretenso, ento, de atacar mais do que apenas uma amostra das questes que poderiam ter sido trabalhadas dentro do tema principal. A seguir, esto relacionados alguns tpicos correlatos que ficaram de fora dessa amostra, consistindo em potenciais objetos de estudo para futuras pesquisas.

239

7.3.1. Ferramentas de previso de demanda

A considerao de regionalidades por parte dos clientes seria um aspecto interessante a ser tratado em pesquisas futuras sobre previso de demanda em call centers. Por exemplo, o impacto na demanda causado pelo fato de uma data especfica consistir do dia seguinte chegada da conta telefnica para 200.000 clientes do Rio de Janeiro pode ser diferente do impacto proporcionado pelo fato da data consistir do dia seguinte chegada da conta para 200.000 clientes da Bahia. Seria interessante a elaborao de um modelo capaz de levar em conta uma eventual diferena entre o comportamento cultural dos cariocas e baianos em relao chegada da conta; e que no tratasse a demanda de forma consolidada nacionalmente e nem considerasse os impactos de forma homognea. Outra sugesto acerca de uma ferramenta de previso de demanda consiste na elaborao de um modelo capaz de capturar, entender e prever os efeitos de uma possvel sazonalidade ao longo do ano. Ainda a respeito de tal ferramenta, pesquisadores interessados poderiam tentar desenvolver um modelo para fazer a previso intradiria da demanda de ligaes, j que a maioria dos call centers utiliza os blocos de 30 minutos como unidade bsica de anlise (para previso e dimensionamento), tornando a predio em curto prazo da quantidade de chamadas muito importante. A atual pesquisa revelou um comportamento inesperado do tempo mdio de atendimento (TMA) em funo da chegada das contas telefnicas residncia dos clientes: na verdade, uma ausncia de dependncia, o que surpreende pelo fato da quantidade de ligaes ter sido identificada como dependente de tal fator. Como esta grandeza (o TMA) fundamental para o correto dimensionamento das equipes de atendentes nas centrais, faz-se necessria uma pesquisa quantitativa exploratria para tentar explicar esse comportamento inusitado. O entendimento de tais motivos poderiam acarretar uma melhoria na qualidade de futuras ferramentas de previso. Um assunto semelhante pode, da mesma forma, instigar pesquisadores futuros: os motivos que reduzem o tempo mdio de atendimento nos feriados e finais de semana (em at 30 segundos, quando comparados aos dias teis) no foram descobertos e merecem ser investigados por meio de uma pesquisa mais profunda e qualitativa.

240

Uma ltima sugesto a respeito de ferramentas de previso de demanda aponta para a necessidade de extrapolar o uso dos modelos de regresso como o aqui apresentado para prever a quantidade de chamadas e o tempo mdio de atendimento de outros produtos da prpria Contax, como Velox, OI, 102 ou suporte tcnico. Em relao a este ltimo, por exemplo, o modelo de regresso poderia usar como variveis explicativas assim como o aqui apresentado utilizou o dia da semana, a ocorrncia de feriados e a proximidade com dias crticos em relao s contas telefnicas fatores razoavelmente previsveis e impactantes na demanda de ligaes acessando o servio, como a ocorrncia 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, h ainda muito espao para serem respondidas mais e de forma mais acurada questes relativas otimizao de centrais de atendimento, atravs de mais discusses e novos estudos, e da melhoria em um aspecto fundamental nos sistemas de modelagem: a proximidade com a realidade. Uma sugesto para pesquisadores que queiram realizar trabalhos na rea de simulao de call centers consiste na simulao contnua da operao da central ao longo de, por exemplo, um dia inteiro (mesmo que sejam necessrias diferentes quantidades de agentes em cada horrio), com vistas ao completo dimensionamento do efetivo de atendimento em tal horizonte de tempo. A continuidade pode trazer mais acurcia e outros benefcios para os resultados, alm de facilitar o processo, j que no seria necessrio simular a operao em diversos intervalos pequenos de tempo. A maioria dos softwares de simulao de call centers est capacitada a reproduzir a operao por longos perodos, continuamente, bastando que seja utilizada a sua verso completa, que permite o uso de uma quantidade grande de PAs. Para modelar de forma mais acurada as situaes a serem simuladas, seria interessante que pesquisas futuras empreendessem um esforo para descobrir (baseadas no histrico de ligaes) a correta distribuio estatstica e variabilidade do tempo entre chegadas de ligaes e do tempo de atendimento. Parte dos estudos de simulao assume a premissa bsica que estes tempos seguem uma distribuio exponencial e realizam pesquisas apenas a respeito da mdia que estas variveis apresentam em cada bloco unitrio de tempo. Mas os resultados

241

obtidos podem ser sensveis ao formato da distribuio e variabilidade destes tempos, de acordo com o que foi pesquisado durante a reviso bibliogrfica. Um outro objeto de pesquisa interessante seria o mapeamento e a incluso no modelo do comportamento ps-abandono dos clientes: a parcela percentual que tenta ligar novamente e o formato da distribuio do tempo transcorrido at a prxima tentativa. Esforo semelhante tambm pode ser vlido no sentido de tentar entender o comportamento de retorno da ligao aps a chamada ser bloqueada (antes de entrar no sistema) por falta de linhas disponveis no tronco. A correta considerao desses comportamentos de retorno pode gerar impactos nos resultados obtidos pelos modelos. Adicionalmente, poderia tambm ser levado em considerao o fato de que, aps abandonar a ligao 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 emprica poderia coletar informaes a respeito do impacto no tempo de atendimento ocorrido quando as chamadas no so atendidas pelo tipo de operador habituado a atend-las, em um sistema de atendimento consolidado para chamadas de diferentes tipos. A considerao correta deste impacto tende a gerar resultados mais acurados para os indicadores de performance em centrais com atendimento agregado de ligaes. Estudos futuros de simulao em call centers poderiam considerar o processo de transferncia da chamada durante o atendimento a um cliente, at que este seja servido pelo funcionrio correto. Normalmente, este processo piora a satisfao do cliente, tornando ideal a segmentao a priori na URA. No costuma ser interessante deixar o atendente ou mesmo o cliente tomar a deciso de para que local a chamada deve ser direcionada; o direcionamento automtico costuma ser a melhor soluo. Como boa parte dos softwares de simulao contempla a possibilidade de transferncia nos seus roteiros, este processo poderia ser explorado em modelos computacionais.

242

Da mesma forma, trabalhos futuros de simulao na indstria de call centers poderiam explorar outras peculiaridades deste tipo de operao, que no costumam ser bem abordadas atravs das metodologias analticas, como, entre outras: conferncias 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.

J que a maioria dos softwares de simulao contempla tais atributos operacionais, no seria complicado para um pesquisador interessado nestas sugestes e disposto a se aprofundar nos detalhes funcionais da ferramenta por ele utilizada modelar estas peculiaridades e alcanar concluses interessantes para a indstria em questo. Uma pesquisa futura poderia tentar descobrir qual para fins de dimensionamento o ponto de equilbrio em termos de complexidade em operaes de call center ou, em outras palavras, quo complexa uma operao tem que ser para passar a justificar o uso de uma abordagem relativamente cara e com grande exigncia de conhecimento tcnico. Isto porque talvez nem todos os tipos de operao em call centers sejam suficientemente complexos para justificar o uso da simulao no processo de dimensionamento da capacidade de atendimento. Nesse caso, seria interessante tentar identificar que caractersticas operacionais so determinantes para tornar a modelagem suficientemente complexa a ponto de justificar o uso da simulao. E tambm verificar a adequabilidade de diferentes metodologias (analticas versus experimentais) a operaes com diferentes nveis de complexidade. Para buscar essas respostas, algumas operaes de call centers teriam que ser divididas em diferentes nveis de complexidade (definidos junto com os responsveis operacionais) e modeladas em um ambiente de simulao. Solues timas para o dimensionamento seriam sugeridas pela simulao e tambm por metodologias alternativas (analticas). As solues sugeridas pelas diferentes metodologias seriam efetivamente implementadas no sistema real por um curto perodo de tempo e os resultados em termos de desempenho do sistema seriam usados como base de comparao. Estes resultados consistiriam na base para a determinao dos benefcios de cada metodologia.

243

Os custos de cada alternativa seriam compostos no apenas pelos custos financeiros, mas tambm por outros custos de implementao (tempo, mudana, treinamento etc). Dessa forma, poderia ser montado um quadro comparativo de custo-benefcio entre as ferramentas, revelando a sua adequabilidade aos diferentes nveis de complexidade da operao. Com a adequabilidade avaliada para cada nvel de complexidade, seria possvel verificar a partir de qual nvel de complexidade (ponto de equilbrio) o uso da abordagem experimental j seria justificvel. Finalmente, seriam procuradas entre as operaes avaliadas como adequadas ao uso da simulao caractersticas comuns para que pudesse ser feito um mapeamento a respeito de quais caractersticas das operaes de call centers so responsveis 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 Trfego da Contax tem a impresso que economicamente vantajoso utilizar um mesmo operador para atender duas ou mais operaes diferentes ao mesmo tempo, de modo a tentar reduzir a sua ociosidade. Isso poderia acontecer no caso de operaes 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 ms). O trabalho de Cauduro et al (2002) apresenta o processo de aprendizagem organizacional no setor de call center de uma empresa multinacional de telecomunicaes durante a mudana de cultura organizacional ocasionada por um processo de fuso e aquisio. Para acompanhar a dinmica e as peculiaridades especficas do setor, a empresa adotou em seu call center o modelo de atendente universal, no qual os funcionrios esto habilitados a atender todos os clientes independentemente dos tipos de servios (pr-pago, ps-pago, cobrana, habilitao). Essa mudana foi desencadeada pela necessidade de melhorar a competitividade da empresa diante do mercado, visto que seus ndices em volume de atendimento apresentavam-se aqum dos padres mundiais, gerando um servio insatisfatrio para o cliente no que tange a tempo de espera e custos para a empresa. O trabalho dos autores fala justamente de uma espcie de operador multi-produto (batizado por eles de atendente universal) e inclui as motivaes para a sua implantao. Mas a sua

244

anlise aconteceu sob o ponto de vista de comportamento organizacional e de recursos humanos. Para abordar essa questo do ponto de vista operacional se o uso de um operador para diferentes operaes vantajoso em termos de custo-benefcio, em vista da reduo da sua ociosidade necessrio o uso da simulao, pois a situao complexa demais para ser resolvida atravs de algum mtodo analtico. Inicialmente, recomendvel identificar dentro de uma empresa fornecedora de servios de call center terceirizados operaes relativamente similares em que o mesmo operador pudesse trabalhar, para ento model-las e simul-las. Durante a modelagem, necessrio levar em conta uma eventual reduo na eficincia do operador oriunda da desespecializao. Os impactos esperados no desempenho do sistema causados pela reduo da ociosidade do operador precisam ser coletados. Conseqncias negativas intangveis desse processo (insatisfao do cliente final por causa de um operador menos eficiente, insatisfao da empresa-cliente por no ter mais um operador exclusivo, dificuldades no treinamento de um mesmo operador em duas ou mais operaes to distintas em termos de complexidade que podem necessitar de treinamento por perodos que variam de 1 semana a 1 ms, entre outras) tambm tm que ser includas juntamente com o impacto no desempenho do sistema em um quadro de vantagens e desvantagens da situao testada, para ajudar na resposta acerca da viabilidade do formato. O carter claramente intangvel e de difcil mensurao destas conseqncias negativas, no entanto, pode conferir um certo grau de arbitrariedade anlise custo-benefcio e limitar portanto um pouco a qualidade dos resultados a serem obtidos.

245

8.

Referncias bibliogrficas

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 ARAJO, M., ARAJO, F., ADISSI, P. Modelo para segmentao da demanda de um call center em mltiplas prioridades: estudo da implantao em um call center de telecomunicaes. Revista Produo 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 sculo 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. Disponvel em: www.bardtech.com. Acesso em: 20 set. 2005

246

BARBOZA, A., CARNIERI, C., STEINER, M., SIQUEIRA, P. A Pesquisa Operacional na Otimizao de Atendentes em Centrais Telefnicas. Gesto & Produo, 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 SIMULAO. ServiceModel. Disponvel 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 est entre os 10 pases mais atraentes para call centers. Estatsticas. Disponvel em: www.callcenter.inf.br. Acesso em: 20 set. 2005 BRASIL fecha 2003 com mais de 68 mil PAs. Estatsticas. Disponvel 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

247

CAPES (Coordenao de Aperfeioamento de Pessoal de Nvel Superior). Servios. Banco de Teses. Disponvel em: www.capes.gov.br. Acesso em: 29 jan. 2006 CAUDURO, F., GRAMKOW, F., CARVALHO, M., RUAS, R. O Processo de Mudana e Aprendizagem no Call Center de uma Empresa de Telecomunicaes. 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. Disponvel em: www.contax.net.br. Acesso em: 19 jul. 2006 CORRAR, L., THEPHILO, C. Pesquisa Operacional para Deciso em Contabilidade e Administrao. So Paulo: Atlas, 2004 CRESCE faturamento do setor de telemarketing. Estatsticas. Disponvel em:

www.callcenter.inf.br. Acesso em: 20 set. 2005 DATABASE SYSTEMS CORP. Products. Call Center Simulation Models. Disponvel em: www.databasesystemscorp.com. Acesso em: 20 set. 2005 DECKER, D. Call centers 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. So Paulo: Perspectiva, 1995 ELANGO, A. Call Center Quality Analysis Using Simulation. Asian Simulation Conference, 2006

248

EMERALD. Advanced Search. Disponvel em: www.emeraldinsight.com. Acesso em: 16 out. 2006 EMPREGO em contact center est em alta. Estatsticas. Disponvel 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. Mtodos e tcnicas de pesquisa social. So Paulo: Atlas, 1987 GOMES, L. O dilema entre qualidade e produtividade no servio de atendimento ao cliente (SAC): um estudo de caso brasileiro. Orientador: Kleber Fossati Figueiredo. Rio de Janeiro: UFRJ/COPPEAD, 2004. Dissertao. (Mestrado em Administrao 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

249

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. Anlise de risco em investimentos de capital. Biblioteca Harvard de Administrao de Empresas, 8(3), p. 1-14, 1980 HILLIER, F., LIEBERMAN, G. Introduction to Operations Research. New York: McGrawHill, 1995 HILLIER, F., YU, O. Queueing Tables and Graphs. New York: North-Holland, 1981 IEX. TotalView Central. Disponvel 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. Simulao em processos. CAUSA & EFEITO Boletim da Siqueira Campos (Aprendizado instantneo), ano VII(12), 2003

250

LAM, K., LAU, R. A simulation approach to restructuring call centers. Business Process Managament Journal, vol. 10, issue 4, Research paper, 2004 LAPPONI, J. Estatstica usando Excel. Rio de Janeiro: Elsevier Editora, 2005 LEVINE, D., BERENSON, M., STEPHAN, D. Estatstica: Teoria e Aplicaes. Rio de Janeiro: LTC Editora, 2000 LIMA, L. Telemarketing em expanso. O Dia. Rio de Janeiro, 12 de maro de 2006, p. 1. Caderno Empregos MANCINI, L. Call Center: estratgia para vencer. So 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

251

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 mltiplos em empresas de telefonia do estado do Rio Grande do Sul. Orientador: Lus Felipe Schilling. So Leopoldo: Universidade do Vale do Rio dos Sinos, 2002. Monografia (Bacharelado em Informtica) MOURA, M. Anlise e comparao de sistemas de atendimento (Call Center) em diferentes topologias. Orientador: Wagner Luiz Zucchi. So Paulo: INSTITUTO DE PESQUISAS TECNOLGICAS DO ESTADO DE SO PAULO, 2004. Dissertao. (Mestrado profissionalizante em Engenharia de Computao) NAUMES, W., NAUMES, M. The Art & Craft of Case Writing. Thousand Oaks: Sage, 1999 NOVASIM. ccProphet. Disponvel em: www.novasim.com. Acesso em: 20 set. 2005 OUTSOURCING. Ranking. Disponvel em: www.callcenter.inf.br. Acesso em: 20 set. 2005 PARAGON Tecnologia. Introduo Simulao com ARENA, 2002. PARAGON Tecnologia. Tcnicas Avanadas de Simulao com ARENA, 2002 PARAGON. Simulao de Call Center com Arena Contact Center. Disponvel 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. Florianpolis: UFSC, 2000. Dissertao. (Mestrado em Cincias da Computao) PEREIRA Jr., P. Avaliao de polticas de estoque e movimentao de contineres vazios utilizados no transporte martimo. Orientador: Eduardo Saliby. Rio de Janeiro: UFRJ/COPPEAD, 1999. Dissertao. (Mestrado em Administrao de Empresas) PICHITLAMKEN, J., DESLAURIERS, A., LECUYER, P., AVRAMIDIS, A., Modelling and Simulation of a Telephone Call Center. Winter Simulation Conference, p. 18051812, 2003

252

PIDD, M. Computer Simulation in Management Science. New York: Willey, 1998 PORTAGE COMMUNICATIONS INC. SimACD - Computer Simulation Software for Inbound Call Centers. Disponvel 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. So Paulo: Happy Few, 2001 SALIBY, E. Repensando a Simulao: a Amostragem Descritiva. So 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

253

SHEN, H., HUANG, J. Analysis of call centre arrival data using singular value decomposition. Applied Stochastic Models in Business and Industry, vol. 21, p. 251263, 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., GONALVES, V., MUROLO, A. Pesquisa Operacional. So Paulo: Atlas, 1998 SILVA Jr., L. Uma Anlise para Utilizao de Sistemas Workflow em Centrais de Atendimento. Orientador: Maria Beatriz Felgar de Toledo. Campinas: UNICAMP, 2004. Dissertao. (Mestrado profissionalizante em Cincia da Computao) SILVER, M. Estatstica para Administrao. So Paulo: Atlas, 2000 SIMULATE. A Simulate trabalha com o Simul8. Disponvel em: www.simulate.com.br. Acesso em: 20 set. 2005 SMAILES, J., McGRANE, A. Estatstica Aplicada Administrao com Excel. So 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 Relatrios de Pesquisa em Administrao So Paulo: Atlas, 1997

254

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. Anlise de custos na formao de preos em uma empresa de Call Centers: um estudo de caso. Orientador: Marcos Gonalves Avila. Rio de Janeiro: UFRJ/COPPEAD, 2004. Dissertao. (Mestrado em Administrao 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

255

ANEXO I: Checklist da equipe de planejamento para auxiliar a elaborao da previso de demanda

Este um documento genrico, ou seja, pode ser utilizado para diferentes tipos de atendimento. Com isso, algumas premissas podem ser includas em relao aos questionamentos abaixo visando deix-lo mais adequado s caractersticas de cada produto. 1. Campanhas de Mdia: Qual a descrio da Campanha, que caractersticas possui, qual o Pblico Alvo? Qual a data de Lanamento? Haver inseres de Mdia? Se sim qual a grade Mdia? Qual o impacto esperado (Aumento de Chamadas)? Haver impacto no TMA? 2. Introduo de Novos Servios: Qual a descrio do NOVO SERVIO (Plano), que caractersticas possui, qual o Pblico Alvo? Qual a data de Lanamento? Haver inseres de Mdia? Se sim qual a grade de Mdia? Qual o impacto esperado (Aumento de Chamadas)? Haver impacto no TMA? 3. Previso de Base de Assinantes Ativos: Qual a previso de crescimento? Se sim, qual o fator motivador? Qual a base prevista? 4. Aes de manuteno ou modernizao da rede (exemplo: Obras de Expanso): Qual o cronograma de manuteno/modernizao? Qual a quantidade de clientes ser afetada? Haver instabilidade dos servios? Haver impacto no TMA? 5. Interpretao dos impactos externos na previso de chamadas: Qual a descrio do Impacto? Qual calltype/Pblico-Alvo afetado pelo Impacto? Haver impacto no TMA? Se sim, qual o aumento/reduo no volume dos calltypes afetados? 6. Outros eventos que possam influenciar o TMA: Quais suas caractersticas, previso de incio, Calltypes atingidos, e impacto no TMA. 7. Outros eventos que possam influenciar o volume de chamadas: Quais os eventos, com suas caractersticas, previso de incio, Base de Clientes atingida.

Fonte: Material coletado nas entrevistas

256