Análise de cenários em um call center usando simulação

1.817 visualizações

Publicada em

adsd

0 comentários
0 gostaram
Estatísticas
Notas
  • Seja o primeiro a comentar

  • Seja a primeira pessoa a gostar disto

Sem downloads
Visualizações
Visualizações totais
1.817
No SlideShare
0
A partir de incorporações
0
Número de incorporações
6
Ações
Compartilhamentos
0
Downloads
21
Comentários
0
Gostaram
0
Incorporações 0
Nenhuma incorporação

Nenhuma nota no slide

Análise de cenários em um call center usando simulação

  1. 1. ANAIS ANÁLISE DE CENÁRIOS EM UM CALL CENTER USANDO SIMULAÇÃO MARCO AURÉLIO CARINO BOUZADA ( marco.bouzada@estacio.br , marcoaureliobouzada@yahoo.com.br ) UNIVERSIDADE ESTÁCIO DE SÁ / MADE RESUMO Este trabalho realiza e apresenta o resultado de diversas análises – de cenários e desensibilidade – ambientadas no problema de dimensionamento da capacidade de atendimentode um grande call center brasileiro e realizadas com o auxílio da ferramenta de Simulação. A bibliografia acerca da aplicação de tal ferramenta em centrais de atendimento érevista e a maneira como o problema em questão é tratado atualmente é descrita em detalhes. O estudo visa mensurar o potencial impacto de alguns parâmetros do sistema nodesempenho do mesmo e conclui que a Simulação é uma ferramenta bastante adequada paratal propósito. Palavras-chave: Call center, dimensionamento, Simulação.1. Introdução Call centers consistem em centros operacionais, instalados para utilizartelecomunicação e tecnologias computacionais, para automatizar uma quantidade volumosade diferentes atividades e serviços telefônicos, tanto recebidos quanto originados pelo centro.Os centros do tipo inbound, onde as chamadas são originadas pelos clientes, sãocaracterizados como um sistema constituído de várias pessoas (atendentes), que recebeligações telefônicas de outras pessoas, normalmente clientes – ainda que potenciais, quedesejam obter alguma informação, contratar algum serviço, comprar algum produto,responder a alguma pesquisa, atualizar dados, registrar ocorrências, ou fazer reclamações,entre outras demandas. (GROSSMAN et al., 2001; HAWKINS et al., 2001) Segundo Mehrotra, Profozich e Bapat (1997), os gerentes e planejadores dos callcenters têm um emprego muito mais difícil hoje do que no passado. Com muito mais produtose serviços sendo especialmente criados, disponibilizados no mercado, vendidos e assistidos,em relação a momentos anteriores, os call centers têm despendido muito esforço parafornecer diferentes níveis de serviço para diferentes tipos de clientes com diferentesnecessidades. Os sistemas de telefonia atuais permitem grande flexibilidade e podemdeterminar como as chamadas devem ser roteadas e enfileiradas; mas, ao mesmo tempo,tornam o planejamento e a análise ainda mais difíceis, pelo fato de tornarem possível o linkentre múltiplos call centers, a priorização de certas chamadas, a existência de diferenteshabilidades entre os operadores e a customização da lógica de roteamento das chamadas. Hoje, os gerentes precisam estar aptos a entender o que está havendo nos call centers,para saber como as chamadas, rotas, prioridades, operadores e suas habilidades, terceirização,períodos de pico e outros fatores influenciam o nível de serviço, as taxas de abandono e deutilização. (BOUZADA, 2006) 1/16
  2. 2. ANAIS O custo de pessoal representa aproximadamente 70% do total da indústria, justificandoa necessidade de um gerenciamento eficiente e a importância de uma abordagem quantitativapara o dimensionamento da capacidade de atendimento, que consiste no trade-off entre essecusto e a determinação do nível ótimo de serviço; ou seja, em ter o número certo de pessoasqualificadas e recursos de suporte no momento correto, para lidar com a carga de trabalhoprevista, mantendo os padrões de qualidade e o nível de serviço exigido. Por isso e à medidaque os call centers têm apresentado operações cada vez mais complexas, tem se tornado aindamais importante o uso de modelos acurados para o dimensionamento do tamanho da equipeem uma indústria que movimenta tanto volume financeiro. (HALL; ANTON, 1998; ALAM,2002; BOUZADA, 2006) De acordo com Mehrotra e Fama (2003) e Hall e Anton (1998), call centers sãointeressantes objetos de estudo da Simulação, pois: (i) lidam com mais de um tipo dechamada, onde cada tipo representa uma fila; (ii) as chamadas recebidas em cada fila chegamaleatoriamente ao longo do tempo; (iii) em alguns casos, agentes fazem ligaçõesproativamente (tipicamente em telemarketing ou ações de cobranças) ou como retorno de umachamada anterior; (iv) a duração de cada chamada é aleatória, assim como a do trabalho que oagente executa depois da chamada (entrada de dados, documentação, pesquisa); (v) o avançonos sistemas para rotear as chamadas para os agentes, grupos ou localizações torna a lógicapor trás do call center cada vez mais sofisticada; (vi) agentes podem ser treinados pararesponder a um tipo único de chamada, vários tipos de chamadas ou todos os tipos dechamadas, com diferentes prioridades e preferências especificadas nas lógicas de roteamento;e (vii) a grande quantidade de dinheiro investido em call centers, tanto na forma de capitalcomo na forma de trabalho, é capaz de justificar o uso dessa ferramenta tão poderosa. Segundo Hall e Anton (1998), os call centers podem usar a Simulação para testar (e,eventualmente, justificar a implantação) se determinadas mudanças serão capazes de melhoraro sistema, antes de implantá-las. Os melhores call centers usam essa ferramenta efetiva eeficientemente para projetar o sistema, gerenciar a operação e se planejar para o futuro, diantede possíveis cenários. Em vista disso, esse trabalho procura descrever o problema de dimensionamento dacapacidade de atendimento de uma grande empresa brasileira de call centers para, a seguir,propor diversas análises de cenários, variando alguns importantes parâmetros do sistema. Taisanálises são viabilizadas pelo uso da Simulação ao longo do trabalho, cujo objetivo émensurar a sensibilidade do desempenho do call center a potenciais modificações nasvariáveis críticas.2. Referencial teórico Chokshi (1999), Klungle e Maluchnik (1997), Hall e Anton (1998), Mehrotra e Fama(2003), Avramidis e LEcuyer (2005), Klungle (1999) e Bapat e Pruitte Jr. (1998) destacamalguns fatores recentes que contribuíram para o aumento da demanda pelo uso da ferramentade simulação no setor de call centers: (i) a crescente importância dos call centers para boaparte das corporações (devido ao rápido crescimento da era da informação e dascomunicações e do aparato tecnológico), aumentando a necessidade de utilização demetodologias científicas de tomada de decisão e ferramentas para a sua gerência estratégicaem substituição ao uso da intuição; (ii) a complexidade crescente do tráfico de chamadasunido a regras cada vez mais presentes de roteamento baseado em habilidades; (iii) a incertezacada vez mais predominante nos problemas de decisão normalmente encontrados nogerenciamento operacional das centrais; (iv) rápidas mudanças nas operações e incrementonas atividades de reengenharia resultantes do aumento de fusões e aquisições, volatilidade donegócio, opções de terceirização e utilização de diferentes canais para atingir o consumidor 2/16
  3. 3. ANAIS(telefone, e-mail, chat); e (v) a disponibilidade e o preço acessível dos computadores, aliadosa uma gama de aplicações de simulação em call center disponíveis no mercado, cada vez maisintuitivas e fáceis de serem aprendidas e usadas. A simulação, de acordo com Mehrotra (1997), modela explicitamente a interação entrechamadas, rotas e agentes, assim como a aleatoriedade das chegadas de chamadas individuaise dos tempos de atendimento. Através do uso da simulação, gerentes e analistas traduzemdados brutos de call centers (previsão de chamadas, distribuições de tempos de atendimento,horários e habilidades de agentes, vetores de roteamento de chamadas etc.) em manuseávelinformação sobre níveis de serviço, abandono de clientes, utilização de agentes, custos eoutras importantes medidas de performance em um call center. Segundo Chokshi (1999) e Klungle e Maluchnik (1997), a utilização da simulaçãopara auxiliar a tomada de decisões no gerenciamento de call centers permite os seguintesbenefícios: (i) visualizar processos futuros e ser usada como uma ferramenta de comunicação;(ii) validar premissas de processos antes de sua implementação; (iii) analisar detalhadamenteo impacto de mudanças (análise de cenários); (iv) prever necessidades agregadas de recursos eprogramar a força de trabalho; (v) mensurar indicadores de performance; e (vi) estimarimpactos nos custos e economias. A primeira utilidade da simulação em um call center, segundo Hall e Anton (1998), éa de avaliação, quando se pode verificar “onde o call center está”. A pergunta-chave é “quãoeficiente e efetivo é a operação atualmente?”. O objetivo da avaliação é estabelecer uma linhade partida (e de referência) para a mudança. Mehrotra, Profozich e Bapat (1997) e Yonamine (2006) falam da segunda utilidade dasimulação em um call center: sem atrapalhar a operação da central e sem impactar no seuorçamento, a simulação permite o entendimento rápido e acurado de como será a performanceoperacional do call center diante de certos cenários (baseados em modificações causadas poriniciativa externa ou gerencial como, por exemplo, a adoção de uma nova tecnologia, umanova estratégia de negócio ou um aumento da carga de trabalho), antes que qualquer mudançaseja efetivamente feita. Desta forma, algumas questões podem ser respondidas, entre outras:(i) Qual o impacto de um overflow de ligações? (ii) Quais são os trade-offs envolvidos no atode priorizar as chamadas de clientes especiais? (iii) O serviço pode ser melhorado se foremcolocados despachantes para fornecer informações básicas aos clientes? (iv) Quais os ganhospotenciais associados à adoção de um discador preditivo? Segundo estes autores e Gulati e Malcolm (2001), Bapat e Pruitte Jr. (1998) ePARAGON (2005), um modelo de simulação pode (e tem sido cada vez mais usado para tal)– além de normalmente permitir gráficos e animações – contemplar alguns aspectos críticosdos call centers receptivos modernos de todos os tamanhos e tipos, entre outros: (i) nível deserviço específico; (ii) flexibilidade na distribuição dos tempos entre chegadas e deatendimento; (iii) consolidação de centrais; (iv) roteamento baseado em habilidades; (v) tiposmúltiplos de chamadas; (vi) filas simultâneas; (vii) padrões de abandono de chamadas; (viii)retorno de ligações; (ix) overflow e transbordo; (x) priorização de filas; (xi) transferência dechamadas e teleconferências; (xii) preferências, proficiência, tempo de aprendizado eesquema de horário dos operadores. Os outputs do modelo podem vir na forma de tempo deespera, taxa de abandono de chamadas (ambos com possibilidade de diferenciação por tiposde chamada) e nível de utilização dos operadores (com possibilidade de diferenciação portipos de operador). E devido à adequação desta abordagem às características reais ecomplexas dos call centers, a simulação pode tornar mais confiável o seu dimensionamento egerenciamento. Mehrotra e Fama (2003) e Klungle (1999) enxergam tendências futuras capazes deimpactar a simulação de call centers: (i) a complexidade operacional, que vai continuar a 3/16
  4. 4. ANAIScrescer – na forma de mais filas, maior variedade na escala dos operadores e diversidade decombinação de habilidades e regras de roteamento – obrigando os analistas a criarem modelosmais ricos; (ii) o surgimento de cada vez mais softwares de simulação especializados em callcenter, cuja importância tende a acompanhar o papel que a simulação assumirá no processo deredesenho das centrais, necessário para lidar com a sua nova complexidade; e (iii) oentendimento maior – por parte dos executivos – que os call centers são componentes centraisna cadeia de valor do cliente, disparando um desejo de entender os riscos inerentes dequalquer configuração operacional e a consequente melhoria na qualidade dos dadoscoletados e na acurácia dos parâmetros (como distribuição do tempo entre chegadas, tempo deatendimento, tempo de espera, taxa de abandono e outros), encerrando resultados maisrobustos.3. O caso 3.1. A empresa A Contax surgiu no final de 2000, como extensão natural dos negócios da Telemar, emum setor da economia que pouco investia em tecnologia e qualificação de atendimento, paraajudar seus clientes na gestão operacional do serviço de atendimento, agregando valor norelacionamento com os consumidores finais. (CONTAX, 2006) No Brasil, atualmente, é a empresa de maior crescimento nessa indústria, tendocrescido quase 60% em 2005, com um faturamento de R$ 1.129 milhões. Caracteriza-se comoa maior empresa do ramo em número de posições de atendimento, e a segunda maior emtermos de faturamento e número de funcionários, dentro do território nacional.(OUTSOURCING, 2005) A Contax é uma empresa de capital 100% nacional e hoje opera com mais de 22 milposições de atendimento, quase 50 mil funcionários e mais de 40 clientes, sendo o principal aprópria Telemar, que responde por aproximadamente 60% do faturamento. Os principaisprodutos relacionados a este cliente são: (i) Velox; (ii) 103; (iii) Suporte técnico e reparo dedefeitos; (iv) OI; e (v) 102, que recebe ligações dos clientes que buscam auxílio à listatelefônica. 3.2. Processo de dimensionamento da capacidade de atendimento O dimensionamento consiste no estudo para adequar as estruturas físicas, técnicas e depessoal do call center aos objetivos da operação de atendimento ao cliente e tem início apartir da previsão intradiária de demanda. O produto 102 foi o escolhido para ilustrar o problema do dimensionamento, visto quesua demanda é a mais previsível, de forma que seja possível mensurar isoladamente aqualidade do processo de dimensionamento (partindo da premissa que o input – previsão dedemanda – é de boa qualidade). Além disso, existem apenas dois tipos de clientes do produto102: plus (serviço pago) e básico (serviço não pago). O nível de serviço para este produto diz respeito ao tempo de espera do cliente final nalinha telefônica, desde o momento de entrada da ligação até ela ser atendida. Em outraspalavras, é o tempo que o cliente passa na fila, ouvindo a música de espera e aguardando ooperador. Mais precisamente, o nível de serviço consiste no percentual de chamadas atendidas– dentre as completadas, apenas – em até 10 segundos (ou melhor, que aguardam no máximo10 segundos para serem atendidas). Como apenas as ligações efetivamente atendidas entram no cálculo do nível deserviço, os abandonos não são contabilizados (nem punidos, portanto), para efeitos de nível deserviço. Mas eles são mensurados através de outro indicador (taxa de abandono) e a Contax émultada quando essa taxa ultrapassa os 2%, em algum mês. Em vista dessa possibilidade, 4/16
  5. 5. ANAISevitar o abandono costuma ser visto como prioridade, um pouco em detrimento do nível deserviço, desde que esse se mantenha acima de patamares mínimos. O nível de serviço nãoenvolve exigências formais no contrato (como a taxa de abandono), mas influencia a relação ea dignidade comerciais; ou seja, é interessante não priorizar apenas o abandono, deixando dese preocupar em manter o nível de serviço em valores decentes. A rotina de dimensionamento – isolada para cada produto (básico e plus – por causada prioridade do último sobre o primeiro) – inicia com o cálculo das necessidades diárias deatendentes, a partir da previsão da quantidade de ligações, do tempo médio de atendimento eda taxa de ocupação dos atendentes em cada dia. Em seguida, essa necessidade de atendentes(convertida para o padrão de operadores de 6 horas) é comparada com a disponibilidade atualde recursos de atendimento, descontando as perdas referentes a férias e absenteísmo. Oresultado dessa comparação é um saldo ou um déficit de mão-de-obra para cada dia do mêsplanejado. O output deste primeiro passo é a quantidade de operadores que precisam sercontratados ou demitidos no mês em questão para os números desejados serem atingidos. A partir do momento em que a decisão de contratação ou demissão foi tomada eimplementada, a equipe de planejamento pode partir para uma análise mais pormenorizada –o dimensionamento intradiário. Este deve ser feito para um dia apenas e esse formato-padrãorepetido para os demais dias do período, porque o horário de cada funcionário deve ser omesmo em todos os dias do mês. É possível, entretanto, conseguir um pouco mais deflexibilidade em relação a isso através do uso de banco de horas. Em vista disso, um volume de ligações e um tempo médio de atendimento (grandezasnecessárias para o dimensionamento) específicos precisam ser escolhidos para serem usadoscomo padrão para o dimensionamento de todos os dias do mês. O dia escolhido para o padrãoé, normalmente, o quinto dia de maior movimento. Dessa forma, o dimensionamento vaigarantir o nível de serviço desejado para esse dia e todos os dias menos movimentados, masnão para os 4 dias de maior demanda, quando haverá perda de nível de serviço. Isso nãorepresenta um problema porque o contrato do produto 102 exige um específico nível deserviço mensal, e não diário. Em cima do dia escolhido como padrão de dimensionamento para o mês, é aplicadauma curva que reflete o perfil intradiário da demanda, ou seja, que percentual do volumediário acontecerá na primeira meia-hora do dia, na segunda meia-hora, ..., e na última meia-hora do dia. Essa curva é obtida com base no histórico de ligações recebidas a cada intervalode meia-hora, para cada dia da semana. No caso do produto 102, as curvas de cada dia dasemana são muito parecidas (principalmente de segunda à quarta-feira, com pequeno aumentovespertino no volume da quinta e da sexta-feira), sendo as do sábado e do domingo um poucodiferentes. O resultado deste processo é uma previsão de demanda de ligações (volume e tempomédio de atendimento) para cada meia-hora. Utilizando os conceitos da Teoria de Filas e como auxílio de fórmulas Erlang do suplemento de Excel chamado Turbotab, é calculada aquantidade necessária de operadores para atender a demanda de cada período com um nívelmínimo de serviço pré-estabelecido (normalmente 85% das ligações sendo atendidas em até10 segundos, para os clientes plus, e 75% para os clientes básicos). O contingente atual (utilizado no mês anterior) de atendentes é, então, considerado.Em função da quantidade de operadores que estão iniciando a sua jornada a cada período dodia e da carga diária de trabalho de cada um (4 ou 6 horas), uma planilha calcula quantosatendentes estarão disponíveis em cada intervalo de meia-hora. Essas informações são, então,cruzadas com a necessidade de operadores para cada período de 30 minutos, levantadaanteriormente. 5/16
  6. 6. ANAIS Em cima do atual escalonamento é que a equipe de planejamento vai trabalhar paramodificar a disponibilidade de operadores em cada período do dia, de modo a atingir o nívelde serviço desejado. O objetivo é garantir que haja a quantidade certa de pessoas em cadahorário, através do processo de tentativa-e-erro, durante o qual é preciso analisar diversosfatores, tais como: carga horária diária, aspectos da legislação trabalhista, acordos sindicais,espaço físico disponível. No caso do produto 102, o escalonamento balanceado (alternandomomentos com contingente operacional abaixo/acima do necessário) pode ser usado, já que oimportante para efeitos comerciais é o nível de serviço médio do dia. Durante o processo de escalonamento, a equipe de planejamento faz tentativasmodificando a quantidade de operadores que iniciam a sua jornada a cada horário. Essasmudanças alteram, consequentemente, a quantidade disponível de atendentes em cadaintervalo de meia-hora. A planilha com as fórmulas Erlang utiliza, então, essa informaçãopara estimar o nível de serviço para cada período de meia-hora e para o dia, em função dademanda prevista. Neste processo iterativo, a principal motivação do analista é maximizar o nível deserviço médio do dia. O nível de serviço em cada faixa de horário, em si, não costuma seruma grande preocupação para o analista que, no entanto, procura evitar grandes déficits deatendentes escalados em relação aos demandados nas faixas de horários ao longo do dia. A preocupação com os déficits intradiários existe porque, nos horários com muitacarência de atendentes, pode haver grande incidência de abandonos. E isso pode ser muitoruim por dois motivos: a multa por excesso de ligações abandonadas e a possibilidade de ocliente desistente retornar posteriormente a ligação e aguardar até ser atendido, deteriorando onível de serviço. Esse esforço de dimensionamento e escalonamento objetiva um melhor ajuste entre acapacidade demandada e ofertada, ao longo do dia. Na última etapa do processo de dimensionamento e escalonamento, o analista procuraestimar como será o nível de serviço da operação (percentual de chamadas atendidas em até10 segundos), para todos os dias ao longo do mês (até o momento, os cálculos foram feitos emcima do quinto dia de maior movimento apenas). Para tal, a distribuição intradiária deatendentes elaborada durante os passos anteriores é replicada para todos os dias do mês e, emconjunto com a previsão diária de demanda de ligações e com o perfil de comportamentointradiário da demanda, é capaz de estimar – através da mesma metodologia Erlang – osníveis de serviço a serem obtidos para cada dia e horário, dentro do mês em questão. 3.3. Metodologia utilizada para a análise de cenários e de sensibilidade Para a realidade dos call centers, a Teoria de Filas pode ser a melhor metodologiaanalítica a ser utilizada, mas existem métodos experimentais – como a Simulação – quepodem ser mais adequados para uma indústria com o cotidiano operacional tão complexoquanto o de um call center moderno, conforme sugerido na seção 2 deste trabalho. O emprego da simulação permite contemplar as características destacadas na mesmaseção, incluindo o comportamento de abandono (podendo também considerar que umpercentual dos clientes que abandonam irá retornar a ligação, tentando um novo contatodentro de uma quantidade de tempo, que pode ser modelada por uma distribuição estatística) euma flexibilidade na definição do formato da distribuição do tempo de atendimento. A idéia consiste em simular computacionalmente – em poucos segundos – a operaçãodo call center durante períodos de 30 minutos. Dessa forma, não é necessário experimentar naprática algumas alternativas de dimensionamento para saber as suas consequências; aexperimentação é realizada no ambiente computacional. Mas é possível visualizar a operaçãoem si (com as chamadas chegando, sendo enfileiradas e depois atendidas) e o que estaria 6/16
  7. 7. ANAISacontecendo, de forma detalhada (praticamente como se fosse in loco), para poder entenderporque determinado período do dia apresentou um nível de serviço tão baixo, por exemplo (aoinvés de apenas aceitar o número frio fornecido pelas fórmulas analíticas). Para o dimensionamento e escalonamento dos operadores para atender os clientes plusdo produto 102 durante o mês de agosto de 2006, foi usada a premissa (oriunda da previsão dedemanda) de que chegariam à central 586 chamadas, com um tempo médio de atendimento de29 segundos, na primeira meia-hora do dia (00:00 às 00:30). A equipe de dimensionamentoalocou, então, 12 atendentes para esse período. Foi construído – no software Arena Contact Center – um modelo para simular como secomportaria o sistema nesse horário, com as mesmas premissas de demanda (volume e tempomédio de atendimento) e com a mesma capacidade operacional (12 agentes). Como as chamadas vão chegando à central sem nenhuma espécie de controle, esteprocesso pode ser considerado aleatório, caso em que a base conceitual sugere que a taxa dechegada de ligações seja modelada através de um processo de Poisson. O modelo desimulação construído implementou este processo com média de, aproximadamente, 0,33ligações chegando por segundo (ou 586 em um intervalo de 30 minutos). Em relação ao tempo de atendimento, a distribuição Erlang costuma modelar bem esseprocesso e, portanto, foi utilizada, com média de 29 segundos. Ela requer, no entanto, umparâmetro adicional (k) que diz respeito à variabilidade dos dados em torno da média. Odesvio-padrão da distribuição é igual à sua média dividida pela raiz quadrada de k. Para,então, considerar uma variabilidade moderada dos dados em torno da média, o modelo utilizaa distribuição Erlang com k = 4, fazendo com que o coeficiente de variação seja de 50%. Para que o modelo contemplasse corretamente o comportamento de abandono dosclientes, foi necessário realizar uma pesquisa junto à base de dados da Contax, contendo asligações abandonadas, para o produto 102. Ela mostrou que o tempo de espera das ligaçõesabandonadas apresenta, historicamente, uma média em torno de 2,5 minutos, seguindo umadistribuição não muito distante de uma exponencial. Também foi preciso modelar ocomportamento de retorno das ligações abandonadas. Para tal, foi utilizada a premissa de que80% das ligações abandonadas são refeitas posteriormente, entre 1 e 9 minutos após oabandono (distribuição uniforme). A simulação dos 30 minutos de operação do call center foi replicada 100 vezes nosoftware em 142 segundos e o primeiro resultado indica que, em média, 595 chamadas foramgeradas em cada replicação. Este número é um pouco maior do que a premissa de demanda(586 chamadas) porque, na simulação, algumas das chamadas abandonadas voltaram a sergeradas e entraram novamente na fila. Das chamadas geradas, 579 – em média – foramefetivamente atendidas pelos agentes em cada replicação, gerando um tempo médio deatendimento de 29,35 segundos. Destas chamadas, 541 foram atendidas em até 10 segundos, encerrando um nível deserviço de 93,31%. Das 595 chamadas geradas em cada replicação, 14,5 – em média – foramabandonadas pelos clientes, ocasionando uma taxa de abandono igual a 2,44%. Dentre as 14,5chamadas abandonadas, 11,5 (79,41%) retornaram para a fila alguns minutos após oabandono. A taxa média de ocupação dos atendentes foi de 78,75% para o período. Em cima deste cenário básico, diversas análises – de cenários e de sensibilidade –foram promovidas para um melhor entendimento do comportamento operacional do sistemaem face de potenciais mudanças nos seus principais parâmetros. 3.4. Análise de cenários, de sensibilidade e dos resultados Todos os resultados anteriores partiram do pressuposto que o tempo de atendimentosegue uma distribuição Erlang (com coeficiente de variação = 50%). No entanto, é bem 7/16
  8. 8. ANAISpossível que o tempo de atendimento apresente uma variabilidade diferente e que esteparâmetro seja capaz de impactar os resultados mais importantes. A análise de sensibilidade acerca da variabilidade do tempo de atendimento buscamensurar esse impacto. A mesma simulação foi repetida algumas vezes no software, semprecom a mesma média para o tempo de atendimento (29 segundos), mas com diferentes valoresde k (e, consequentemente, do coeficiente de variação), de onde os outputs relevantes foramcoletados, a partir dos quais os principais indicadores de desempenho (nível de serviço e taxade abandono) puderam ser obtidos, estando apresentados na tabela 1 a seguir. Tabela 1 – Nível de serviço e taxa de abandono para diferentes valores do parâmetro k da distribuição Erlang, horário das 00:00 às 00:30, ago/06, 12 atendentes Coeficiente Ligações Nível de Taxa de k de variação geradas atendidas em até 10 seg abandonadas serviço abandono 1 100% 597 580 528 16,17 91,03% 2,71% 2 71% 602 585 539 16,09 92,12% 2,67% 3 58% 598 584 539 13,27 92,31% 2,22% 4 50% 595 579 541 14,52 93,31% 2,44% 6 41% 599 583 545 15,46 93,44% 2,58% 9 33% 597 583 546 13,92 93,77% 2,33% Fonte: Tabela elaborada a partir de resultados obtidos pelo software À medida que o valor de k aumenta, a variabilidade dos tempos de atendimentodiminui. Devido à homogeneidade destes tempos, o sistema fica mais estável, apresentandocomo consequência mais notável o aumento do nível de serviço. Já a taxa de abandono nãoapresenta a mesma clareza na sua tendência, embora pareça cair à medida que a variabilidadedo tempo de atendimento diminui (k aumenta). As variações nestes outputs não são imensas,mas estão longe de serem desprezíveis, revelando um significativo impacto potencial desteparâmetro nos resultados mais importantes. A correta consideração, portanto, da variabilidadedo tempo de atendimento – e não só a da sua média – revela-se extremamente necessária paraa obtenção de resultados acurados. O pior desempenho (nível de serviço = 91,03% e taxa de abandono = 2,71%) ocorreuna situação em que a variabilidade é a maior possível (k = 1; coeficiente de variação = 100%).Este é um caso particular da distribuição Erlang em que ela coincide com a distribuiçãoexponencial, justamente o formato utilizado para modelar o tempo de atendimento nametodologia analítica empreendida pela Contax para estimar os indicadores. Essa constatação faz despertar a curiosidade a respeito da verificação dos resultados deuma simulação considerando um outro tipo de distribuição – já que, de acordo com o que foilevantado na seção 2, o comportamento do tempo de atendimento em call centers podeapresentar diferentes formatos – também comumente utilizado para modelar esta variável: alognormal. Fazendo uso do mesmo modelo de simulação original, mas modificando adistribuição desta variável para o formato em questão (com a mesma média – 29 segundos etambém mantendo o coeficiente de variação em 50%), 100 replicações foram realizadas nosoftware Arena Contact Center. Em média, 597 ligações foram geradas, 583 atendidas (sendo 544 em até 10 segundos)e 13,95 abandonadas. O nível de serviço e a taxa de abandono resultantes foram 93,40% e2,34%, respectivamente. Estes indicadores são muito próximos dos que foram obtidos com adistribuição Erlang com k = 4 (93,31% e 2,44%, respectivamente), conferindo certaconfiabilidade a estes últimos e sugerindo que qualquer dos dois formatos comumenteutilizados para modelar o tempo de atendimento possa ser utilizado indistintamente. A simulação também permite a análise de cenários (What-if?). No exemplo que estásendo estudado, já que o emprego de 12 atendentes no horário em questão gerou um nível de 8/16
  9. 9. ANAISserviço (93,31%) razoavelmente superior à meta mínima (85%), o que aconteceria com esseindicador após a redução de 1 atendente? Será que ele ainda se manteria acima da meta? Dentro deste cenário, 576 chamadas foram atendidas, em média; das quais, 491 – emmédia – em até 10 segundos. O nível de serviço obtido no cenário com 11 atendentes foi,então, de 85,23%. Esse valor ainda está um pouco acima da meta de 85% estabelecida para osclientes plus. Em outras palavras, o 12º agente não fez falta (em termos da obtenção da metade nível de serviço), apesar da sua ausência ter derrubado o nível de serviço em mais de 8pontos percentuais. Mas, pode ser interessante também querer saber o impacto desta ausência na taxa deabandono. E, das 604 chamadas geradas em cada replicação, 26,2 – em média – foramabandonadas pelos clientes, ocasionando uma taxa de abandono igual a 4,34%, revelando umimpacto grande neste indicador de performance. Se este indicador não fosse tão importante,no entanto, o uso da simulação poderia ter proporcionado a economia de 1 agente para estehorário, o que pode efetivamente acontecer em algum cenário no qual a taxa de abandonoencontre-se em um patamar mais baixo. O impacto da redução de atendentes pode ser também visualizado no caso de maioresdéficits de oferta de atendimento através de uma análise de sensibilidade mais completa. Amesma simulação foi repetida algumas vezes no software, sempre com os mesmosparâmetros, mas variando a quantidade de atendentes. Os outputs relevantes foram coletados,a partir dos quais os principais indicadores de desempenho (nível de serviço e taxa deabandono) puderam ser obtidos, estando apresentados na tabela 2 a seguir. Tabela 2 – Nível de serviço e taxa de abandono para diferentes quantidades de atendentes, horário das 00:00 às 00:30, ago/06 Ligações Nível de Taxa de Atendentes geradas atendidas em até 10 seg abandonadas serviço abandono 9 719 540 160 168,02 29,64% 23,38% 10 639 567 354 67,68 62,46% 10,60% 11 604 576 491 26,21 85,23% 4,34% 12 595 579 541 14,52 93,31% 2,44% Fonte: Tabela elaborada a partir de resultados obtidos pelo software Como era totalmente previsível, à medida que a oferta de atendimento diminui, oserviço piora, assim como os seus indicadores de desempenho, principalmente a taxa deabandono, que quadruplica com a redução de 2 agentes. O nível de serviço está bem abaixo dameta com este contingente, mas ainda não pode ser considerado inaceitável, o que ocorre nocenário com 9 atendentes, quando ele fica 3 vezes menor que o valor original. Com esta ofertade atendimento, o número de ligações abandonadas chega a superar as atendidas em até 10segundos, tornando a taxa de abandono quase tão alta quanto o nível de serviço! Isso tudo revela um impacto muito grande da redução da quantidade de atendentes nodesempenho do sistema (indicando a necessidade de a atividade de dimensionamento serdesenvolvida com muito cuidado); e sugere que alocar 10 agentes para este horário seria omínimo indispensável, cenário para o qual os indicadores de desempenho seriam ruins, masnão catastróficos. A decisão mais refinada de quantos agentes efetivamente alocar para este horáriopassaria pela consideração dos potenciais custos envolvidos na inclusão/exclusão de 1 oumais atendentes no plano de horários. Dessa forma, a Contax poderia questionar se estariadisposta a gastar mensalmente um determinado montante adicional com mão-de-obra parapoder melhorar o nível de serviço e a taxa de abandono no horário em questão nos montantesindicados na análise. 9/16
  10. 10. ANAIS Conforme foi descrito na seção 3.2, o dimensionamento da capacidade operacional éfeito de forma isolada para cada produto – básico e plus. Mas a simulação permite visualizar oque aconteceria com a operação em um cenário em que os diferentes clientes – do tipo básicoe plus – fossem atendidos de forma agregada (tanto por agentes básicos como por agentesplus), mas mantendo a prioridade para os últimos (descaracterizando, assim, a disciplina defila comumente utilizada nos modelos analíticos – FIFO). Para o dimensionamento e escalonamento dos operadores para atender os clientesbásicos do produto 102 durante o mês de agosto de 2006, foi usada a premissa de quechegariam à central 399 chamadas destes clientes, com um tempo médio de atendimento de34 segundos, na primeira meia-hora do dia (00:00 às 00:30), para quando foramdimensionados 7 atendentes. A idéia agora consiste em simular – com o objetivo de observar o comportamento dosistema – o cenário onde essas chamadas se agregariam às chamadas dos clientes plus dessemesmo horário (cujas premissas foram mencionadas anteriormente nesta seção), formandouma única fila. Os 12 atendentes plus e os 7 básicos estariam aptos a atender ambos os tiposde chamadas, mas com diferentes proficiências e prioridades, caracterizando o roteamentobaseado em habilidades, mecanismo viabilizado apenas em abordagens experimentais,conforme explicado anteriormente na seção 2. Mas o cliente básico não se comporta da mesma forma que o cliente plus e suasdiferentes características precisam ser contempladas pelo modelo. O seu tempo deatendimento, por exemplo, é, em média, um pouco maior. Para efeitos do modelo, a mesmadistribuição Erlang foi utilizada para este tempo, com coeficiente de variação igual a 50%. De uma forma geral, ele é mais paciente antes de abandonar a chamada e o tempo deespera antes do abandono também foi modelado como uma distribuição exponencial, mascom média de 3,5 minutos (ao invés de 2,5). Foi considerado também que uma parcela menor(70% ao invés de 80%) dos clientes que abandonam a ligação tenta refazê-la posteriormente,após um intervalo de tempo também menor: entre 1 e 6 minutos (distribuição uniforme). Em termos de prioridades, as ligações plus têm preferência sobre as básicas (“furandoa fila”) e devem ser atendidas, sempre que possível, por atendentes plus, teoricamente maiscapacitados; elas só seriam atendidas por agentes básicos no caso de todos os outros estaremocupados. As ligações básicas, por sua vez, seriam atendidas preferencialmente por agentesbásicos, teoricamente menos capacitados, de forma a deixar os melhores atendentes livrespara as chamadas mais importantes. Quando as chamadas não são atendidas pelo seu tipo de agente preferencial, seu tempode atendimento é modificado. O modelo considera que uma chamada plus sendo atendida porum agente básico (menos capacitado que o normal) demora 10% a mais para ser concluída; eque uma chamada básica sendo atendida por um agente plus (mais capacitado que o normal)demora 5% a menos para ser concluída. A simulação foi replicada 100 vezes no software Arena Contact Center. Em média,413 chamadas básicas e 591 chamadas plus foram geradas em cada replicação, tendo sidoabandonadas 19,8 e 9,5, respectivamente. As taxas de abandono resultantes foram 4,80% paraos clientes básicos e 1,60% para os clientes plus. Dentre as ligações básicas abandonadas,14,2 (71,46%) retornaram para a fila alguns minutos após o abandono; dentre as plus, 7,6(80,44%) fizeram o mesmo. 393 chamadas básicas e 581 plus – em média – foramefetivamente atendidas pelos agentes em cada replicação. Destas, 303 básicas (77,25%) e 575plus (98,96%) foram atendidas em até 10 segundos (nível de serviço). Comparando os indicadores de desempenho dos clientes plus com os anteriormenteobtidos no cenário de atendimento segmentado (taxa de abandono = 2,44% e nível de serviço= 93,31%), é fácil concluir que o atendimento agregado melhorou razoavelmente a operação, 10/16
  11. 11. ANAISdo ponto de vista destes clientes. Tal resultado era de se esperar, pois 7 agentes básicospassaram a atender as chamadas plus. É bem verdade que os 19 agentes também atenderam aschamadas básicas, mas somente quando não havia uma chamada plus aguardando. Esta preferência possibilitou a sensível melhoria no atendimento dos clientes plus e,certamente, reduziu um pouco a qualidade do serviço junto aos clientes básicos. Mas ointeressante é notar que, neste cenário, o nível de serviço para os clientes preteridos (77,25%)manteve-se ainda acima da meta (75%). A taxa de abandono (4,80%) ficou um pouco alta,mas não chega a ser inaceitável para clientes básicos. Em suma, o formato agregado do atendimento melhorou o desempenho do sistemapara os clientes plus sem, no entanto, comprometer demais a qualidade do serviço para osclientes básicos. Isso aconteceu porque os agentes podiam atender as suas chamadas nãopreferenciais enquanto estavam ociosos, permitindo o incremento na qualidade da operaçãocomo um todo. Análises e conclusões deste tipo não poderiam ser conduzidas nem obtidasatravés de metodologias analíticas, só sendo viáveis por meio de uma abordagemexperimental, como a simulação. O tempo médio de atendimento dos clientes básicos foi de 32,65 segundos, um poucoinferior ao valor de 34 segundos, utilizado para a premissa do tempo médio de atendimento,porque alguns deles foram atendidos por agentes mais rápidos (os plus). Para os clientes plus,o tempo médio de atendimento foi de 30,37 segundos, um pouco superior à premissa de 29segundos pelo fato de alguns deles terem sido atendidos por agentes mais lentos. As chamadasbásicas aguardaram, em média, 6,24 segundos para serem atendidas, enquanto as chamadasplus apenas 1,34 segundos. Tal disparate deveu-se à preferência de atendimento desfrutadapor estas últimas. A taxa média de ocupação dos atendentes básicos foi de 89,59%, muito parecida coma dos atendentes plus, que foi de 88,84%, principalmente pelo fato de ambos os tipos deagentes estarem aptos a atender ambos os tipos de chamadas. Ambos os tipos de agentesestiveram a maior parte do tempo (51-52%) atendendo os clientes plus (preferenciais e maisnumerosos) e o restante da jornada atendendo os clientes básicos (37-38%) ou ociosos. A decisão a respeito de quantos atendentes serão designados e de que forma eles serãosegmentados ou agregados em cada horário cabe totalmente à gerência de planejamento daContax. Mas, pode ser que a empresa tenha interesse em estudar o impacto de outras variáveisque não estão sob seu controle (parâmetros) no nível de serviço e na taxa de abandono dacentral, o que é possível através da simulação, conforme indica a seção 2. A análise de cenários pode ser utilizada para descobrir o que aconteceria com essesindicadores de performance se, por exemplo, o volume de chamadas em determinado horáriofosse 10% maior do que o previsto. Na simulação deste cenário (mas com o mesmo efetivo de atendimento), 637chamadas foram atendidas, em média; das quais, 540 – em média – em até 10 segundos. Onível de serviço para este cenário foi de 84,68%, consequentemente. Esse valor é ligeiramentemenor que a meta de 85% estabelecida para os clientes plus e razoavelmente menor que os93,31%, que teriam sido obtidos se a demanda se comportasse conforme o previsto. Das 672 chamadas geradas em cada replicação, 32,2 foram abandonadas, em média,pelos clientes, implicando em uma taxa de abandono igual a 4,80%, o que revela um grandeimpacto do acréscimo de demanda neste indicador de performance. Assim, a simulação deste cenário mostrou que o efetivo original de atendentes (12) –em face de um imprevisto aumento de 10% na demanda – seria capaz de praticamente garantira meta de nível de serviço (85%), mas comprometeria demais a taxa de abandono. 11/16
  12. 12. ANAIS E o que aconteceria com o nível de serviço e a taxa de abandono se a demanda tivessesido subestimada (também em 10%), mas não em relação ao seu volume, e sim em relação aotempo médio de atendimento? No cenário em questão, 575 chamadas foram, em média, atendidas; destas, 482 (emmédia) em até 10 segundos. O nível de serviço resultante foi de 83,85%, um valor um poucomenor que a meta (85%) e razoavelmente menor que os 93,31%, que teriam sido obtidos se ademanda se comportasse conforme o previsto. Das 606 chamadas geradas em cada replicação, 29,8 foram abandonadas pelosclientes, em média. A consequência é uma taxa de abandono igual a 4,92%, revelando umgrande impacto do aumento do tempo médio de atendimento nesta grandeza. Como no cenário de aumento da quantidade de ligações, a simulação desta situaçãomostrou que o efetivo original de atendentes (12) – em face de um repentino aumento de 10%no tempo médio de atendimento – seria capaz de assegurar um nível de serviço quase igual àmeta de 85% (neste caso, um pouco mais distante), mas também incrementando (até umpouco mais) a taxa de abandono. A partir da análise dos cenários com demanda mais intensa que a prevista, então, épossível concluir que variações não muito grandes (10%) em relação aos valores previstospodem impactar diretamente os indicadores de performance, especialmente a taxa deabandono. Esta conclusão faz exigir muito cuidado no momento de prever a quantidade dechamadas e o tempo médio de atendimento. Outra revelação importante diz respeito ao fato –talvez surpreendente – do impacto ser ainda maior no caso de aumento do tempo médio deatendimento, quando comparado ao impacto proporcionado por uma diferença de mesmamagnitude no volume de chamadas. Isso leva a crer que a acurácia na previsão do tempomédio de atendimento é ainda mais importante do que a acurácia na previsão de volume. Dessa forma, talvez seja interessante investigar o impacto de variações maiores dotempo médio de atendimento (seja para mais ou para menos) no desempenho do sistema,através de uma análise de sensibilidade mais completa. A simulação do modelo básico foi repetida no software algumas vezes, mas comdiferentes valores para a média do tempo de atendimento (desde montantes 30% menores atémontantes 30% maiores), de onde os resultados relevantes foram coletados. Eles foram, então,organizados na tabela 3 a seguir, que também calcula e apresenta os principais indicadores dedesempenho (nível de serviço – percentual de ligações atendidas em até 10 segundos – e taxade abandono) de cada cenário.Tabela 3 – Nível de serviço e taxa de abandono para diferentes valores do tempo médio de atendimento (TMA), horário das 00:00 às 00:30, ago/06, 12 atendentes TMA Ligações Nível de Taxa de Variação (seg) geradas atendidas em até 10 seg abandonadas serviço abandono 20,5 -30% 583 582 582 0,84 99,92% 0,14% 23,4 -20% 586 583 580 2,68 99,50% 0,46% 26,4 -10% 589 582 571 6,34 98,13% 1,08% 29,3 - 595 579 541 14,52 93,31% 2,44% 32,2 +10% 606 575 482 29,82 83,85% 4,92% 35,2 +20% 640 567 356 68,39 62,80% 10,69% 38,1 +30% 683 548 223 128,01 40,77% 18,74% Fonte: Tabela elaborada a partir de resultados obtidos pelo software À medida que o tempo médio de atendimento aumenta, os clientes demoram mais (emmédia) sendo atendidos, as filas vão crescendo e o nível de serviço vai despencando,atingindo um patamar inaceitável quando o tempo médio de atendimento é 30% maior do queo valor básico. Pelo mesmo motivo, mais clientes resolvem não mais esperar na fila, fazendo 12/16
  13. 13. ANAISa taxa de abandono subir rapidamente, chegando a ponto de praticamente 1 a cada 5 clientesabandonarem a fila antes de serem atendidos, quando o valor do tempo médio de atendimentoestá 30% acima do seu montante básico. Portanto, valores do tempo médio de atendimento mais altos que o previsto deterioramrapidamente o desempenho do sistema em termos do nível de serviço e da taxa de abandono(esta última, principalmente) revelando um enorme impacto potencial do aumento daquelavariável nos resultados mais importantes. Dessa maneira, a Contax deve se esforçar paraevitar ao máximo que o tempo médio de atendimento cresça, conscientizando seus atendentesacerca das destrutivas consequências do aumento do valor desta grandeza. Analisando a parte superior da tabela 3 anterior, é possível concluir que os indicadoresde desempenho melhoram sensivelmente com uma redução de apenas 10% no tempo médiode atendimento: o nível de serviço aumenta em quase 5 pontos percentuais, ultrapassando os98% e a taxa de abandono cai para menos do que a metade (1,08%). Isso sugere que podevaler a pena investir em treinamento para os agentes, de forma a tentar reduzir um pouco otempo de atendimento. Infelizmente, também é verdadeiro que reduções ainda maiores nestetempo não encerram vantagens tão marcantes (especialmente para o nível de serviço, que já seencontraria em um nível próximo do ótimo) para o sistema. Em outras palavras, é possívelque o custo envolvido para diminuir o tempo médio de atendimento em 10% sejacompensando pelos benefícios resultantes desta redução, mas é difícil crer que o mesmoocorra para reduções mais drásticas desta grandeza. De forma semelhante, cabem outras indagações do mesmo tipo: (i) o que aconteceriacom a taxa de abandono se o cliente ficasse mais impaciente e passasse a abandonar aschamadas caso demorasse mais de, por exemplo, 1,5 minutos (ao invés de 2,5), em média,para ser atendido? (ii) qual o impacto desta mudança no nível de serviço? Neste novo cenário proposto e simulado, 580 chamadas foram atendidas, em média;das quais, 551 – em média – em até 10 segundos. O nível de serviço para este cenário foi de95,09%, consequentemente. Esse valor é um pouco maior que os 93,31% (que teriam sidoobtidos com o comportamento anterior de abandono por parte dos clientes), e tambémrazoavelmente superior à meta de 85%. Mesmo aumentando em 40% “a impaciência docliente” – ou seja, diminuindo o tempo médio de espera antes do abandono de 2,5 minutospara 1,5 minutos – o impacto no nível de serviço foi pequeno. Talvez fosse esperado umaumento maior nesta grandeza, visto que, com mais clientes abandonando a fila, seria naturalque os remanescentes fossem atendidos de forma mais rápida. O que sucede é que, de acordo com o modelo, 80% das ligações abandonadasretornam à fila alguns minutos depois, congestionando novamente o sistema e não deixando onível de serviço aumentar tanto. Esse tipo de análise e conclusão seriam praticamenteimpossíveis através de abordagens analíticas, que ignoram o comportamento de abandono. Se o interesse da gerência residir apenas no nível de serviço, deixa até de serinteressante empreender um esforço muito grande para prever com perfeita exatidão o tempoque os clientes costumam esperar, em média, antes de abandonar a chamada. Isto porque foiverificado que uma mudança nada pequena (40%) nesse tempo médio é incapaz de impactarintensamente o nível de serviço. Se, no entanto, houver interesse também em monitorar a taxade abandono, é fundamental estudar o impacto do novo cenário nesta grandeza. Das 600 chamadas geradas em cada replicação, 19,3 foram abandonadas, em média,gerando em uma taxa de abandono de 3,21%, um pouco maior do que os 2,85% anteriores. Para verificar a sensibilidade dos indicadores de performance em relação à variáveltempo médio de espera antes do abandono de forma mais completa, a mesma simulação foirepetida algumas vezes no software, com diferentes valores para esta variável. Foramcoletados os outputs necessários para o cálculo dos principais indicadores de desempenho 13/16
  14. 14. ANAIS(nível de serviço – percentual de ligações atendidas em até 10 segundos – e taxa deabandono), que estão apresentados na tabela 4 a seguir.Tabela 4 – Nível de serviço e taxa de abandono para diferentes valores do tempo médio de espera (antes do abandono), horário das 00:00 às 00:30, ago/06, 12 atendentes Tempo médio de Ligações Nível de Taxa de espera (minutos) geradas atendidas em até 10 seg abandonadas serviço abandono 0,5 624 578 562 46,65 97,26% 7,47% 1,5 600 580 551 19,25 95,09% 3,21% 2,5 595 579 541 14,52 93,31% 2,44% 3,5 593 582 540 10,02 92,75% 1,69% 4,5 591 582 534 9,10 91,91% 1,54% Fonte: Tabela elaborada a partir de resultados obtidos pelo software Como pode ser observado, a taxa de abandono é razoavelmente sensível em relação aotempo médio de espera, principalmente nos patamares mais baixos desta variável. Sendoassim, a sua correta consideração mostra-se importante para a obtenção de resultadosacurados, não obstante o fato do nível de serviço revelar pouca sensibilidade a mudanças namesma variável (fato ocorrido provavelmente pelo motivo cogitado anteriormente). O gerente de planejamento também pode estar interessado em saber o que aconteceriase a empresa contratante ficasse mais exigente em relação ao nível de serviço e redefinisse seuconceito, passando este a corresponder ao percentual de clientes atendidos em até 5 segundos(ao invés de 10 segundos). Na simulação deste cenário, 579 chamadas foram atendidas, em média; das quais, 489– em média – em até 5 segundos. O nível de serviço para este cenário foi de 84,44%, porconseguinte. Esse valor é razoavelmente menor que os 93,31% obtidos com a definiçãooriginal de nível de serviço e, o que é mais importante, um pouco menor que a meta de 85%estabelecida para os clientes plus. Essa comparação revela que uma redefinição no conceito de nível de serviço podeimpactar de forma não muito branda esse indicador de desempenho, o que era razoavelmenteprevisível. É possível até que – exatamente como aconteceu no exemplo ilustrado – a atualconfiguração de atendentes não seja mais suficiente para proporcionar um nível de serviçocondizente com a meta pré-estabelecida. Neste caso, pode ser importante descobrir quantosagentes adicionais serão necessários para que este indicador de performance retorne apatamares acima da meta. Para tal, primeiro é necessário verificar se a adição de 1 agente será suficiente para oobjetivo ser atingido. Na simulação deste cenário com 13 atendentes, foram atendidas 580chamadas – em média – sendo que 534 (em média) delas em até 5 segundos. O nível deserviço resultante foi de 91,99%, um valor acima da meta (85%) e dos 84,44% obtidos com12 agentes, mas um pouco menor que os 93,31% originais. Isso mostra que a alocação de um agente adicional é capaz de fazer o nível de serviçovoltar a atingir a meta, mas seus benefícios não chegam a compensar o impacto negativo paraeste indicador de desempenho causado pela reformulação do seu conceito. 14/16
  15. 15. ANAIS4. Conclusões Ao longo dessa pesquisa, diversos modelos de simulação foram construídos –contemplando diferentes características reais dos call centers e para diferentes possíveiscenários alternativos – para calcular indicadores de performance e sugerir soluções para odimensionamento da operação. De uma forma geral, ficou claro que a Simulação permiteavaliar, com facilidade, o impacto – nos indicadores de performance – de modificações nascaracterísticas originais da operação e realizar análises de sensibilidade completas acerca dealguns parâmetros operacionais. Especificamente, as análises de cenários e de sensibilidade desenvolvidas durante otrabalho permitiram visualizar como a simulação pode dar apoio às decisões referentes aoprocesso de dimensionamento da central, uma vez que os resultados revelaram,principalmente, que: (i) pode ser possível diminuir o efetivo de atendentes em alguns horáriosdo dia, sem comprometer a meta de nível de serviço; (ii) variações não muito grandes novolume de ligações recebidas e na média e variabilidade do tempo de atendimento podemimpactar bastante os indicadores de desempenho, especialmente a taxa de abandono,apontando para a necessidade de se prever tais grandezas com bastante acurácia; (iii) épossível melhorar consideravelmente a performance de atendimento para os clientespreferenciais, sem comprometer demasiadamente a qualidade do serviço para os clientescomuns, se for adotado um formato agregado – com prioridades – de atendimento; (iv) nahipótese dos clientes se tornarem mais impacientes e abandonarem as ligações maisrapidamente, o impacto no nível de serviço seria pequeno, mas bem significativo no caso dataxa de abandono. 4.1. Sugestões e recomendações Para modelar de forma mais acurada as situações a serem simuladas, seria interessanteque pesquisas futuras empreendessem um esforço para descobrir (baseadas no histórico deligações) a correta distribuição estatística e variabilidade do tempo entre chegadas de ligaçõese do tempo de atendimento. Parte dos estudos de simulação assume a premissa básica queestes tempos seguem uma distribuição exponencial e realizam pesquisas apenas a respeito damédia que estas variáveis apresentam em cada bloco unitário de tempo. Mas os resultadosobtidos podem ser sensíveis ao formato da distribuição e à variabilidade destes tempos. Ainda dentro dessa linha, uma pesquisa empírica poderia coletar informações arespeito do impacto no tempo de atendimento ocorrido quando as chamadas não são atendidaspelo tipo de operador habituado a atendê-las, em um sistema de atendimento consolidado parachamadas de diferentes tipos. A consideração correta deste impacto tende a gerar resultadosmais acurados para os indicadores em centrais com atendimento agregado de ligações. Um outro ponto que revela um grande potencial de melhoria operacional a serestudado em pesquisas futuras diz respeito ao operador multi-produto. (CAUDURO et al.,2002) Existe a impressão de ser economicamente vantajoso utilizar um mesmo operador paraatender duas ou mais operações diferentes ao mesmo tempo, de modo a tentar reduzir a suaociosidade. Isso poderia acontecer no caso de operações relativamente similares em que omesmo operador pudesse trabalhar e que apresentassem comportamentos complementares dedemanda ao longo do dia (ou da semana ou do mês). A ocorrência dessa suposta vantagemeconômica em termos de custo-benefício poderia ser verificada através de um bem detalhadomodelo de simulação, conforme sugere Bouzada (2006, p. 244-245). 15/16
  16. 16. ANAIS Referências BibliográficasALAM, M. Using Call Centers to Deliver Public Services. House of Commons Paper. London: The Stationery Office Books, 2002ARAÚJO, M.; ARAÚJO, F.; ADISSI, P. Modelo para segmentação da demanda de um call center em múltiplas prioridades: estudo da implantação em um call center de telecomunicações. Revista Produção On Line, volume 4(3), Agosto 2004AVRAMIDIS, A.; LECUYER, P. Modeling and Simulation of Call Centers. Winter Simulation Conference, 2005BAPAT, V.; PRUITTE Jr, E. Using simulation in call centers. Winter Simulation Conference, p. 1395-1399, 1998BOUZADA, M. O uso de ferramentas quantitativas em call centers: o caso Contax. Orientador: Eduardo Saliby. Rio de Janeiro: UFRJ/COPPEAD, 2006. Tese. (Doutorado em Administração de Empresas)BROWN, L.; GANS, N.; MANDELBAUM, A.; SAKOV, A.; SHEN, H.; ZELTYIN, S.; ZHAO, L. Statistical analysis of a telephone call center: a queueing-science perspective. Wharton Financial Institutions Center, Working Paper, 03 – 12, Nov 9, 2002CAUDURO, F.; GRAMKOW, F.; CARVALHO, M.; RUAS, R. O Processo de Mudança e Aprendizagem no Call Center de uma Empresa de Telecomunicações. EnANPAD, 2002CHASSIOTI, E.; WORTHINGTON, D. A new model for call centre queue management. Journal of the Operational Research Society, vol. 55, p. 1352-1357, 2004CHOKSHI, R. Decision support for call center management using simulation. Winter Simulation Conference, p. 1634-1639, 1999CONTAX. Contax Contact Center. Disponível em: www.contax.net.br. Acesso em: 19 jul. 2006GROSSMAN, T.; SAMUELSON, D.; OH, S.; ROHLEDER, T. Call Centers. Encyclopedia of Operations Research and Management Science, Boston: Kluwer Academic Publishers, p. 73-76, 2001GULATI, S.; MALCOLM, S. Call center scheduling technology evaluation using simulation. Winter Simulation Conference, 2001HALL, B.; ANTON, J. Optimizing your call center through simulation. Call Center Solutions Magazine, Oct. 1998HAWKINS, L.; MEIER, T.; NAINIS, W.; JAMES, H. Planning Guidance Document For US Call Centers. Information Technology Support Center. Maryland, 2001KLUNGLE, R. Simulation of a claims call center: a success and a failure. Winter Simulation Conference, p. 1648-1653, 1999KLUNGLE, R.; MALUCHNIK, J. The role of simulation in call center management. MSUG Conference, 1997MEHROTRA, V. Ringing Up Big Business. OR/MS Today, 24(4), p.18-24, Aug 1997MEHROTRA, V.; FAMA, J. Call Center Simulation Modeling: Methods, Challenges and Opportunities. Winter Simulation Conference, p. 135-143, 2003MEHROTRA, V.; PROFOZICH, D.; BAPAT, V. Simulation: the best way to design your call center. Telemarketing & Call Center Solutions, Nov 1997OUTSOURCING. Ranking. Disponível em: www.callcenter.inf.br. Acesso em: 20 set. 2005PARAGON. Simulação de Call Center com Arena Contact Center. Disponível em: www.paragon.com.br. Acesso em: 20 set. 2005YONAMINE, J. O Setor de Call Centers e Métodos Quantitativos: uma Aplicação da Simulação. Orientador: Eduardo Saliby. Rio de Janeiro: UFRJ/COPPEAD, 2006. Dissertação. (Mestrado em Administração de Empresas) 16/16

×