ANAIS

ANLISE DE CENRIOS EM UM CALL CENTER USANDO SIMULAO

MARCO AURLIO CARINO BOUZADA ( marco.bouzada@estacio.br , marcoaureliobouzada@yahoo.com.br )

UNIVERSIDADE ESTCIO DE S / MADE

RESUMO
Este trabalho realiza e apresenta o resultado de diversas anlises de cenrios e de
sensibilidade ambientadas no problema de dimensionamento da capacidade de atendimento
de um grande call center brasileiro e realizadas com o auxlio da ferramenta de Simulao.
A bibliografia acerca da aplicao de tal ferramenta em centrais de atendimento
revista e a maneira como o problema em questo tratado atualmente descrita em detalhes.
O estudo visa mensurar o potencial impacto de alguns parmetros do sistema no
desempenho do mesmo e conclui que a Simulao uma ferramenta bastante adequada para
tal propsito.
Palavras-chave: Call center, dimensionamento, Simulao.
1.

Introduo
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.
Os centros do tipo inbound, onde as chamadas so originadas pelos clientes, so
caracterizados como um sistema constitudo de vrias pessoas (atendentes), que recebe
ligaes telefnicas de outras pessoas, normalmente clientes ainda que potenciais, que
desejam obter alguma informao, contratar algum servio, comprar algum produto,
responder a alguma pesquisa, atualizar dados, registrar ocorrncias, ou fazer reclamaes,
entre outras demandas. (GROSSMAN et al., 2001; HAWKINS et al., 2001)
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 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, terceirizao,
perodos de pico e outros fatores influenciam o nvel de servio, as taxas de abandono e de
utilizao. (BOUZADA, 2006)
1/16

ANAIS
O custo de pessoal representa aproximadamente 70% do total da indstria, justificando
a necessidade de um gerenciamento eficiente e a importncia de uma abordagem quantitativa
para o dimensionamento 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 a carga de trabalho
prevista, 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 o dimensionamento do tamanho da equipe
em uma indstria 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 so
interessantes objetos de estudo da Simulao, pois: (i) lidam com mais de um tipo de
chamada, onde cada tipo representa uma fila; (ii) as chamadas recebidas em cada fila chegam
aleatoriamente ao longo do tempo; (iii) em alguns casos, agentes fazem ligaes
proativamente (tipicamente em telemarketing ou aes de cobranas) ou como retorno de uma
chamada anterior; (iv) a durao de cada chamada aleatria, assim como a do trabalho que o
agente executa depois da chamada (entrada de dados, documentao, pesquisa); (v) 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; (vi) 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;
e (vii) 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.
Segundo Hall e Anton (1998), os call centers podem usar a Simulao para testar (e,
eventualmente, justificar a implantao) se determinadas mudanas sero capazes de melhorar
o sistema, antes de implant-las. Os melhores call centers usam essa ferramenta efetiva e
eficientemente para projetar o sistema, gerenciar a operao e se planejar para o futuro, diante
de possveis cenrios.
Em vista disso, esse trabalho procura descrever o problema de dimensionamento da
capacidade de atendimento de uma grande empresa brasileira de call centers para, a seguir,
propor diversas anlises de cenrios, variando alguns importantes parmetros do sistema. Tais
anlises so viabilizadas pelo uso da Simulao ao longo do trabalho, cujo objetivo
mensurar a sensibilidade do desempenho do call center a potenciais modificaes nas
variveis crticas.
2.

Referencial terico
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: (i) 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; (ii) a complexidade crescente do trfico de chamadas
unido a regras cada vez mais presentes de roteamento baseado em habilidades; (iii) a incerteza
cada vez mais predominante nos problemas de deciso normalmente encontrados no
gerenciamento operacional das centrais; (iv) 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
2/16

ANAIS
(telefone, e-mail, chat); e (v) 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.
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: (i) visualizar processos futuros e ser usada como uma ferramenta de comunicao;
(ii) validar premissas de processos antes de sua implementao; (iii) analisar detalhadamente
o impacto de mudanas (anlise de cenrios); (iv) prever necessidades agregadas de recursos e
programar a fora de trabalho; (v) mensurar indicadores de performance; e (vi) 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.
Mehrotra, Profozich e Bapat (1997) e Yonamine (2006) 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, a adoo de uma nova tecnologia, uma
nova estratgia de negcio ou um aumento da carga de trabalho), antes que qualquer mudana
seja efetivamente feita. Desta forma, algumas questes podem ser respondidas, entre outras:
(i) Qual o impacto de um overflow de ligaes? (ii) Quais so os trade-offs envolvidos no ato
de priorizar as chamadas de clientes especiais? (iii) O servio pode ser melhorado se forem
colocados despachantes para fornecer informaes bsicas aos clientes? (iv) Quais os ganhos
potenciais associados adoo de um discador preditivo?
Segundo estes autores e 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: (i) nvel de
servio especfico; (ii) flexibilidade na distribuio dos tempos entre chegadas e de
atendimento; (iii) consolidao de centrais; (iv) roteamento baseado em habilidades; (v) tipos
mltiplos de chamadas; (vi) filas simultneas; (vii) padres de abandono de chamadas; (viii)
retorno de ligaes; (ix) overflow e transbordo; (x) priorizao de filas; (xi) transferncia de
chamadas e teleconferncias; (xii) preferncias, proficincia, tempo de aprendizado e
esquema de horrio dos operadores. 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.
Mehrotra e Fama (2003) e Klungle (1999) enxergam tendncias futuras capazes de
impactar a simulao de call centers: (i) a complexidade operacional, que vai continuar a
3/16

ANAIS
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; (ii) 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; e (iii) 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 consequente 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.
3.

O caso
3.1. A 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)
No Brasil, atualmente, a empresa de maior crescimento nessa indstria, tendo
crescido quase 60% em 2005, com um faturamento de R$ 1.129 milhes. Caracteriza-se como
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.
(OUTSOURCING, 2005)
A Contax uma empresa de capital 100% nacional e hoje opera com mais de 22 mil
posies de atendimento, quase 50 mil funcionrios e mais de 40 clientes, sendo o principal a
prpria Telemar, que responde por aproximadamente 60% do faturamento. Os principais
produtos relacionados a este cliente so: (i) Velox; (ii) 103; (iii) Suporte tcnico e reparo de
defeitos; (iv) OI; e (v) 102, que recebe ligaes dos clientes que buscam auxlio lista
telefnica.
3.2. Processo de 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 e tem incio a
partir da previso intradiria de demanda.
O produto 102 foi o escolhido para ilustrar 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). Alm disso, existem apenas dois tipos de clientes do produto
102: plus (servio pago) e bsico (servio no pago).
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, 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).
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. Em vista dessa possibilidade,
4/16

ANAIS
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.
A rotina de dimensionamento isolada para cada produto (bsico e plus por causa
da prioridade do ltimo sobre o primeiro) inicia com o clculo das necessidades dirias de
atendentes, a partir da previso da quantidade de ligaes, do tempo mdio de atendimento e
da taxa de ocupao dos atendentes em cada dia. Em seguida, essa necessidade de atendentes
(convertida para o padro de operadores de 6 horas) comparada com a disponibilidade atual
de recursos de atendimento, descontando as perdas referentes a frias e absentesmo. O
resultado dessa comparao um saldo ou um dficit de mo-de-obra para cada dia do ms
planejado. O output deste primeiro passo a quantidade de operadores que precisam ser
contratados ou demitidos no ms em questo 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 uma anlise mais pormenorizada
o dimensionamento intradirio. Este deve ser feito para um dia apenas e esse formato-padro
repetido para os demais dias do perodo, porque o horrio de cada funcionrio deve ser o
mesmo em todos os dias do ms. possvel, entretanto, conseguir um pouco mais de
flexibilidade em relao a isso atravs do uso de banco de horas.
Em vista disso, um volume de ligaes e um tempo mdio de atendimento (grandezas
necessrias para o dimensionamento) especficos precisam ser escolhidos para serem usados
como padro para o dimensionamento de todos os dias do ms. O dia escolhido para o padro
, normalmente, o quinto dia de maior movimento. Dessa forma, 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 contrato do produto 102 exige um especfico nvel de
servio mensal, e no dirio.
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 meiahora do dia. Essa curva obtida com base no histrico de ligaes recebidas a cada intervalo
de meia-hora, 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.
O resultado deste processo uma previso de demanda de ligaes (volume e tempo
mdio de atendimento) para cada meia-hora. Utilizando os conceitos da Teoria de Filas e com
o auxlio de frmulas Erlang do suplemento de Excel chamado Turbotab, calculada a
quantidade necessria de operadores para atender a demanda de cada perodo com um nvel
mnimo de servio pr-estabelecido (normalmente 85% das ligaes sendo atendidas em at
10 segundos, para os clientes plus, e 75% para os clientes bsicos).
O contingente atual (utilizado no ms anterior) de atendentes , ento, considerado.
Em funo da quantidade de operadores que esto iniciando a sua jornada a cada perodo do
dia e da carga diria de trabalho de cada um (4 ou 6 horas), uma planilha calcula quantos
atendentes estaro disponveis em cada intervalo de meia-hora. Essas informaes so, ento,
cruzadas com a necessidade de operadores para cada perodo de 30 minutos, levantada
anteriormente.

5/16

ANAIS
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. O objetivo garantir que haja a quantidade certa de pessoas em cada
horrio, 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. No caso do produto 102, o escalonamento balanceado (alternando
momentos com contingente operacional abaixo/acima do necessrio) pode ser usado, j que o
importante para efeitos comerciais o nvel de servio mdio do dia.
Durante o processo de escalonamento, a equipe de planejamento faz tentativas
modificando a quantidade de operadores que iniciam a sua jornada a cada horrio. Essas
mudanas alteram, consequentemente, a quantidade disponvel de atendentes em cada
intervalo de meia-hora. A planilha com as frmulas Erlang utiliza, ento, essa informao
para estimar o nvel de servio para cada perodo de meia-hora e para o dia, em funo da
demanda prevista.
Neste processo iterativo, a principal motivao do analista maximizar o nvel de
servio mdio do dia. O nvel de servio em cada faixa de horrio, em si, no costuma ser
uma grande preocupao para o analista que, no entanto, procura evitar grandes dficits de
atendentes escalados em relao aos demandados nas faixas de horrios ao longo do dia.
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: a multa por excesso de ligaes abandonadas e a possibilidade de o
cliente desistente retornar posteriormente a ligao e aguardar at ser atendido, deteriorando o
nvel de servio.
Esse esforo de dimensionamento e escalonamento objetiva um melhor ajuste entre a
capacidade demandada e ofertada, ao longo do dia.
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 dia de maior movimento apenas). Para tal, a distribuio intradiria de
atendentes elaborada durante os passos anteriores replicada para todos os dias do ms e, em
conjunto com a previso diria de demanda de ligaes e com o perfil de comportamento
intradirio da demanda, capaz de estimar atravs da mesma metodologia Erlang os
nveis de servio a serem obtidos para cada dia e horrio, dentro do ms em questo.
3.3. Metodologia utilizada para a anlise de cenrios e de sensibilidade
Para a realidade dos call centers, a Teoria de Filas pode ser a melhor metodologia
analtica a ser utilizada, mas existem mtodos experimentais como a Simulao que
podem ser mais adequados para uma indstria com o cotidiano operacional to complexo
quanto o de um call center moderno, conforme sugerido na seo 2 deste trabalho.
O emprego da simulao permite contemplar as caractersticas destacadas na mesma
seo, incluindo o comportamento de abandono (podendo tambm considerar que um
percentual dos clientes que abandonam ir 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.
A idia consiste em simular computacionalmente em poucos segundos a operao
do call center durante perodos de 30 minutos. Dessa forma, no necessrio experimentar na
prtica algumas alternativas de dimensionamento para saber as suas consequncias; 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
6/16

ANAIS
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).
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). A equipe de dimensionamento
alocou, ento, 12 atendentes para esse perodo.
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 tempo
mdio de atendimento) e com a mesma capacidade operacional (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, aproximadamente, 0,33
ligaes chegando por segundo (ou 586 em um intervalo de 30 minutos).
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 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).
A simulao dos 30 minutos de operao do call center foi replicada 100 vezes no
software em 142 segundos e o primeiro resultado indica que, em mdia, 595 chamadas foram
geradas 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 pelos agentes em cada replicao, gerando um tempo mdio de
atendimento de 29,35 segundos.
Destas chamadas, 541 foram atendidas em at 10 segundos, encerrando um nvel de
servio de 93,31%. Das 595 chamadas geradas em cada replicao, 14,5 em mdia foram
abandonadas 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 alguns minutos aps o
abandono. A taxa mdia de ocupao dos atendentes foi de 78,75% para o perodo.
Em cima deste cenrio bsico, diversas anlises de cenrios e de sensibilidade
foram promovidas para um melhor entendimento do comportamento operacional do sistema
em face de potenciais mudanas nos seus principais parmetros.
3.4. Anlise de cenrios, de sensibilidade e dos resultados
Todos os resultados anteriores partiram do pressuposto que o tempo de atendimento
segue uma distribuio Erlang (com coeficiente de variao = 50%). No entanto, bem
7/16

ANAIS
possvel que o tempo de atendimento apresente uma variabilidade diferente e que este
parmetro seja capaz de impactar os resultados mais importantes.
A anlise de sensibilidade acerca da variabilidade do tempo de atendimento 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, consequentemente, do coeficiente de variao), de onde os outputs relevantes foram
coletados, a partir dos quais os principais indicadores de desempenho (nvel de servio e taxa
de abandono) puderam ser obtidos, estando apresentados na tabela 1 a seguir.
Tabela 1 Nvel de servio e taxa de abandono para diferentes valores do parmetro k
da distribuio Erlang, horrio das 00:00 s 00:30, ago/06, 12 atendentes
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 a partir de resultados obtidos pelo software

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 consequncia mais notvel o aumento do nvel de servio. 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). 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.
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.
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 2, o comportamento do tempo de atendimento em call centers pode
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 coeficiente de variao em 50%), 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 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 no horrio em questo gerou um nvel de
8/16

ANAIS
servio (93,31%) razoavelmente superior meta mnima (85%), o que aconteceria com esse
indicador aps a reduo de 1 atendente? Ser que ele ainda se manteria acima da meta?
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. 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. E, 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. Se este indicador no fosse to importante,
no entanto, o uso da simulao poderia ter proporcionado a economia de 1 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 e taxa de
abandono) puderam ser obtidos, estando apresentados na tabela 2 a seguir.
Tabela 2 Nvel de servio e taxa de abandono para diferentes quantidades de
atendentes, horrio das 00:00 s 00:30, ago/06
Atendentes
9
10
11
12

geradas
719
639
604
595

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%

Fonte: Tabela elaborada a partir de resultados obtidos pelo software

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.
A deciso mais refinada de quantos agentes efetivamente alocar para este horrio
passaria pela considerao dos potenciais custos envolvidos na incluso/excluso 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 para
poder melhorar o nvel de servio e a taxa de abandono no horrio em questo nos montantes
indicados na anlise.
9/16

ANAIS
Conforme foi descrito na seo 3.2, o dimensionamento da capacidade operacional
feito de forma isolada para cada produto bsico e plus. 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 2.
Mas o cliente bsico no se comporta da mesma forma que o cliente plus e suas
diferentes caractersticas precisam ser contempladas pelo modelo. O seu tempo de
atendimento, por exemplo, , 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%.
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 tenta 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.
A simulao foi replicada 100 vezes no software Arena Contact Center. 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. 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,
10/16

ANAIS
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 tambm atenderam as
chamadas bsicas, mas somente quando no havia uma chamada plus aguardando.
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. 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.
O tempo mdio de atendimento dos clientes bsicos foi de 32,65 segundos, um pouco
inferior ao valor de 34 segundos, utilizado para a premissa do tempo mdio de atendimento,
porque alguns deles foram atendidos por agentes mais rpidos (os plus). Para os clientes plus,
o tempo mdio de atendimento foi de 30,37 segundos, um pouco superior premissa de 29
segundos pelo fato de alguns deles terem sido atendidos por agentes mais lentos. As chamadas
bsicas aguardaram, em mdia, 6,24 segundos para serem atendidas, enquanto as chamadas
plus apenas 1,34 segundos. Tal disparate deveu-se preferncia de atendimento desfrutada
por estas ltimas.
A taxa mdia de ocupao dos atendentes bsicos foi de 89,59%, muito parecida com
a dos atendentes plus, que foi de 88,84%, principalmente pelo fato de ambos os tipos de
agentes estarem aptos a atender ambos os tipos de chamadas. Ambos os tipos de agentes
estiveram a maior parte do tempo (51-52%) atendendo os clientes plus (preferenciais e mais
numerosos) e o restante da jornada atendendo os clientes bsicos (37-38%) ou ociosos.
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 2.
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.
Na simulao deste cenrio (mas com o mesmo efetivo de atendimento), 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%, consequentemente. 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.
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 do acrscimo de demanda neste indicador de performance.
Assim, a simulao deste cenrio mostrou que o efetivo original de atendentes (12)
em face de um imprevisto aumento de 10% na demanda seria capaz de praticamente garantir
a meta de nvel de servio (85%), mas comprometeria demais a taxa de abandono.

11/16

ANAIS
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
tempo mdio de atendimento?
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.
Das 606 chamadas geradas em cada replicao, 29,8 foram abandonadas pelos
clientes, em mdia. A consequncia uma taxa de abandono igual a 4,92%, revelando um
grande impacto do aumento do tempo mdio de atendimento 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
meta de 85% (neste caso, um pouco mais distante), mas tambm incrementando (at um
pouco mais) a taxa de abandono.
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 tempo mdio de
atendimento, quando comparado ao impacto proporcionado por uma diferena de mesma
magnitude no volume de chamadas. Isso leva a crer que a acurcia na previso do tempo
mdio de atendimento ainda mais importante do que a acurcia na previso de volume.
Dessa forma, talvez seja interessante investigar o impacto de variaes maiores do
tempo mdio de atendimento (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 3 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 3 Nvel de servio e taxa de abandono para diferentes valores do tempo mdio
de atendimento (TMA), horrio das 00:00 s 00:30, ago/06, 12 atendentes
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 a partir de resultados obtidos pelo software

medida que o tempo mdio de atendimento 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 tempo mdio de atendimento 30% maior do que
o valor bsico. Pelo mesmo motivo, mais clientes resolvem no mais esperar na fila, fazendo
12/16

ANAIS
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 tempo mdio de atendimento
est 30% acima do seu montante bsico.
Portanto, valores do tempo mdio de atendimento 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 daquela
varivel 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 consequncias do aumento do valor desta grandeza.
Analisando a parte superior da tabela 3 anterior, possvel concluir que os indicadores
de desempenho melhoram sensivelmente com uma reduo de apenas 10% no tempo mdio
de atendimento: 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 neste
tempo 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 tempo mdio de atendimento em 10% seja
compensando pelos benefcios resultantes desta reduo, mas difcil crer que o mesmo
ocorra para redues mais drsticas desta grandeza.
De forma semelhante, cabem outras indagaes do mesmo tipo: (i) 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? (ii) qual o impacto desta mudana no nvel de servio?
Neste novo cenrio proposto e simulado, 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%, consequentemente. 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%. 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.
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.
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.
Das 600 chamadas geradas em cada replicao, 19,3 foram abandonadas, em mdia,
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 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
13/16

ANAIS
(nvel de servio percentual de ligaes atendidas em at 10 segundos e taxa de
abandono), que esto apresentados na tabela 4 a seguir.
Tabela 4 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, ago/06, 12 atendentes
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 a partir de resultados obtidos pelo software

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 obstante o fato do nvel de servio revelar pouca sensibilidade a mudanas na
mesma varivel (fato ocorrido provavelmente pelo motivo cogitado anteriormente).
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).
Na simulao deste 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.
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.
Para tal, primeiro necessrio verificar se a adio de 1 agente ser suficiente para o
objetivo ser atingido. Na simulao deste cenrio com 13 atendentes, foram atendidas 580
chamadas em mdia 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.
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.

14/16

ANAIS
4.

Concluses
Ao longo dessa pesquisa, 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. De uma forma geral, ficou claro que a Simulao permite
avaliar, com facilidade, o impacto nos indicadores de performance de modificaes nas
caractersticas originais da operao e realizar anlises de sensibilidade completas acerca de
alguns parmetros operacionais.
Especificamente, as anlises de cenrios e de sensibilidade desenvolvidas durante o
trabalho permitiram visualizar como a simulao pode dar apoio s decises referentes ao
processo de dimensionamento da central, uma vez que os resultados revelaram,
principalmente, que: (i) pode ser possvel diminuir o efetivo de atendentes em alguns horrios
do dia, sem comprometer a meta de nvel de servio; (ii) variaes no muito grandes no
volume de ligaes recebidas e na mdia e variabilidade do tempo de atendimento podem
impactar bastante os indicadores de desempenho, especialmente a taxa de abandono,
apontando para a necessidade de se prever tais grandezas com bastante acurcia; (iii)
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; (iv) 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.
4.1. Sugestes e recomendaes
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
obtidos podem ser sensveis ao formato da distribuio e variabilidade destes tempos.
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 em centrais com atendimento agregado de ligaes.
Um outro ponto que revela um grande potencial de melhoria operacional a ser
estudado em pesquisas futuras diz respeito ao operador multi-produto. (CAUDURO et al.,
2002) Existe a impresso de ser 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). A ocorrncia dessa suposta vantagem
econmica em termos de custo-benefcio poderia ser verificada atravs de um bem detalhado
modelo de simulao, conforme sugere Bouzada (2006, p. 244-245).

15/16

ANAIS
Referncias Bibliogrficas
ALAM, M. Using Call Centers to Deliver Public Services. House of Commons Paper.
London: The Stationery Office Books, 2002
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
AVRAMIDIS, A.; L'ECUYER, P. Modeling and Simulation of Call Centers. Winter
Simulation Conference, 2005
BAPAT, V.; PRUITTE Jr, E. Using simulation in call centers. Winter Simulation
Conference, p. 1395-1399, 1998
BOUZADA, M. O uso de ferramentas quantitativas em call centers: o caso Contax.
Orientador: Eduardo Saliby. Rio de Janeiro: UFRJ/COPPEAD, 2006. Tese. (Doutorado
em Administrao 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, 2002
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
CONTAX. Contax Contact Center. Disponvel em: www.contax.net.br. Acesso em: 19 jul.
2006
GROSSMAN, T.; SAMUELSON, D.; OH, S.; ROHLEDER, T. Call Centers. Encyclopedia
of Operations Research and Management Science, 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
HAWKINS, L.; MEIER, T.; NAINIS, W.; JAMES, H. Planning Guidance Document For US
Call Centers. Information Technology Support Center. Maryland, 2001
KLUNGLE, R. Simulation of a claims call center: a success 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
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
OUTSOURCING. Ranking. Disponvel em: www.callcenter.inf.br. Acesso em: 20 set. 2005
PARAGON. Simulao de Call Center com Arena Contact Center. Disponvel em:
www.paragon.com.br. Acesso em: 20 set. 2005
YONAMINE, J. O Setor de Call Centers e Mtodos Quantitativos: uma Aplicao da
Simulao. Orientador: Eduardo Saliby. Rio de Janeiro: UFRJ/COPPEAD, 2006.
Dissertao. (Mestrado em Administrao de Empresas)
16/16