Prevendo a demanda de ligaes em um

call center por meio de um modelo de Regresso Mltipla

Marco Aurlio Carino Bouzada

Eduardo Saliby

Resumo
Este trabalho descreve por meio do estudo de um caso o problema da previso
de demanda de chamadas para um determinado produto no call center de uma
grande empresa brasileira do setor a Contax e como ele foi abordado com o
uso de Regresso Mltipla com variveis dummy. Depois de destacar e justificar
a importncia do tema, o estudo apresenta uma breve reviso de literatura acerca
de mtodos de previso de demanda e de sua aplicao em call centers. O caso
descrito, contextualizando, inicialmente, a empresa estudada e descrevendo, a seguir,
a forma como ela lida com o problema de previso de demanda de chamadas para
o produto 103 servios relacionados telefonia fixa. Um modelo de Regresso
Mltipla com variveis dummy , ento, desenvolvido para servir como base do
processo de previso de demanda proposto. Este modelo utiliza informaes disponveis
capazes de influenciar a demanda, tais como o dia da semana, a ocorrncia ou no
de feriado e a proximidade da data com eventos crticos, como a chegada da conta
residncia do cliente e seu vencimento; e apresentou ganhos de acurcia da ordem de
3 pontos percentuais para o perodo estudado, quando comparado com a ferramenta
anteriormente em uso.
Palavras-chave: Call center. Previso de demanda. Regresso Mltipla.

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 recebem 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;
HAWKINSetal.,2001).
Sakamoto (2001) define call center como sendo o lugar
onde os chamados so feitos ou recebidos em grandes
quantidades com o objetivo de apoiar processos de vendas,
marketing, servios ao cliente, suporte tcnico ou outra
atividade especfica.
Para Minghelli (2002), um call center pode ser entendido
como um centro integrado de contato entre empresas e
Gest. Prod., So Carlos, v. 16, n. 3, p. 382-397, jul.-set. 2009

consumidores estabelecido de forma remota e/ou virtual,

por meio do uso da tecnologia.
Do ponto de vista operacional, um call center caracteriza-se,
basicamente, por um conjunto de teleoperadores, reunidos
em um espao e interligados ao pblico de uma empresa por
sistemas de telefonia, recebendo e realizando ligaes para
atender, tirar dvidas, ouvir reclamaes, resolver problemas
ou vender produtos e servios. Do ponto de vista do
negcio, um call center um meio de relacionamento entre
empresas e seus clientes, que tem como objetivos: estreitar
esse relacionamento; melhorar, acelerar e desburocratizar
processos; promover a fidelizao do cliente com a empresa
por meio das melhorias no atendimento; e aumentar receitas
(WEISSHUHN, 2004).
Bapat e Pruitte Jr. (1998) argumentam que o call center
a arma estratgica mais visvel de uma empresa.
uma frente de batalha de negcios na qual milhes de
dlares em produtos e servios so comprados, vendidos e
negociados. Tambm um local onde milhares de clientes
so conquistados e perdidos instantaneamente. Como
empresas lderes se tornam mais criativas em disseminar

Prevendo a demanda de ligaes em um call center por meio de um modelo de Regresso Mltipla

informao e agregar valor aos seus consumidores atravs

de linhas telefnicas, natural que elas enxerguem o
callcenter como seu ponto de acesso ao mercado.
Embora, por definio, o call center seja uma forma de
relacionamento sem contato presencial, seu uso vem se
tornando cada vez mais intenso por empresas de diversos
setores da economia. A indstria, o comrcio e uma
infinidade de empresas de servios utilizam-se deste tipo
de recurso para atender, vender, contatar e entender melhor
seus clientes (WEISSHUHN, 2004).
Segundo Azevedo e Caldas (2002), um call center
consiste, por essncia, em uma atividade do setor de
servios, que funciona como um elo entre a empresa e
a sua base de clientes. Os autores acrescentam que as
inovaes tecnolgicas nesse setor tm sido muito grandes,
provocando uma reestruturao ampla no funcionamento
dessas organizaes.
Dezenas de bilhes de dlares foram gastos em callcenters
na ltima metade da dcada de 1990. O crescimento dessa
indstria naquela dcada foi na faixa de 20% ao ano
e esperado que esse crescimento se mantenha nesse
patamar durante o incio deste sculo. Na economia de
hoje, os call centers no apenas se tornaram os pontos
primrios de contato entre clientes e empresas, mas
tambm um grande investimento para muitas organizaes
(GROSSMANetal.,2001; WEINBERG; BROWN;
STROUD, 2006).
A indstria de call centers tem crescido bastante nos
ltimos anos, em particular no Brasil. O mercado domstico
j movimenta acentuadas cifras financeiras. Boa parte
dos custos envolvidos na administrao das centrais de
atendimento oriunda dos recursos humanos, por isso,
vital do ponto de vista da competitividade do negcio
gerenci-los de forma eficiente.
Mas os gerentes e planejadores dos call centers tm
um emprego muito mais difcil hoje em dia do que no
passado. Com mais produtos e servios sendo criados,
disponibilizados no mercado, vendidos e assistidos, em
relao a momentos anteriores, eles precisam entender
o que est havendo nos call centers para saber como
as suas caractersticas influenciam os indicadores de
desempenho. Certamente a utilizao de simples palpites,
experincias de tentativa e erro, intuio ou softwares de
funcionamento invisvel para o usurio no representam
a melhor alternativa para os gerentes das centrais de
empresas que querem ser bem sucedidas (MEHROTRA;
PROFOZICH; BAPAT,1997).
Considerando-se que o custo de pessoal representa
aproximadamente 70% do total da indstria, a matriaprima para o processo de gerenciamento eficiente (nveis
satisfatrios de servio a custos razoveis) de um callcenter
consiste na previso da demanda de ligaes e da consequente
carga de trabalho, que precisam, ento, ser estimadas da
forma mais acurada possvel. Essa necessidade confere
previso de demanda de ligaes o status de atividade
crtica durante a busca pela eficincia e pela efetividade
do negcio. Uma previso acurada dos parmetros do

383

sistema um pr-requisito para um nvel de servio

consistente, representando um dos passos mais importantes
do processo como um todo (HALL; ANTON,1998;
ALAM, 2002; GANS; KOOLE; MANDELBAUM, 2003;
REYNOLDS,2005; BOUZADA, 2006; WEINBERG;
BROWN; STROUD, 2006).
Em vista disso, esse trabalho procura descrever e
atacar o problema de uma grande empresa brasileira
de call centers que, apesar de dispor de uma srie de
informaes potencialmente teis para a tarefa de prever a
demanda de ligaes, no consegue cumprir essa tarefa de
forma satisfatoriamente acurada, em parte por no incluir
sistematicamente essas teis informaes no seu processo
de previso de demanda.

2 Reviso de literatura
Uma grande nfase tem sido dada melhoria do processo
de tomada de deciso em organizaes governamentais e
empresariais. Em vista do ambiente altamente competitivo
do atual mundo de negcios, tornou-se objetivo bsico
alocar de maneira otimizada os sempre escassos recursos
disponveis nas diversas atividades concorrentes. No caso
dos call centers, este objetivo viabilizado, em parte,
por meio de um processo de previso mais preciso. Nos
anos 70, devido a limitaes tcnicas e principalmente de
recursos computacionais, os administradores utilizavam
frequentemente seus prprios sentimentos e intuies para
auxiliar no processo de tomada de deciso. Hoje eles esto
complementando esse feeling em relao indstria ou
economia com a utilizao de tcnicas de previso, tendncia
reforada pela difuso do uso de microcomputadores no
ambiente empresarial (HANKE, 1992).
Os supervisores dos call centers, responsveis pelo
seu planejamento operacional, precisam dimensionar
eficientemente as suas equipes de modo a proporcionar nveis
de servio satisfatrios a custos razoveis. A administrao
apropriada das centrais requer a estimao de algumas
caractersticas operacionais que levam ao dimensionamento
recomendado da equipe de atendimento; dentre estas
caractersticas, destaca-se a demanda de ligaes de
clientes, questo a ser permanentemente abordada neste
tipo de negcio (WEINBERG; BROWN; STROUD, 2006;
KLUNGLE; MALUCHNIK, 1997).
Segundo Matan e Nourbakhsh (1998), para gerar previses
acuradas dos volumes futuros de chamadas, os gerentes dos
call centers precisam juntar informaes de vrias fontes,
desde previses do mercado at, eventualmente, a durao
dos intervalos comerciais veiculados na mdia. No entanto,
parte importante das informaes provm das estatsticas
do histrico de chamadas que, usualmente, podem ser
ajustadas para as tendncias atuais ou esperadas.
De acordo com Mehrotra (1997), os modelos de sries
temporais tm sido a abordagem mais utilizada para o
Gest. Prod., So Carlos, v. 16, n. 3, p. 382-397, jul.-set. 2009

384

Bouzada e Saliby

tratamento da previso de chamadas telefnicas. No entanto,

outros modelos de previso foram aplicados com sucesso
em alguns ambientes de call center, como, por exemplo,
centrais de vendas baseando sua previso de chamadas
nas remessas de produtos recebidas e nas propagandas
enviadas aos potenciais clientes.
A atividade de previso inerentemente difcil no caso
dos call centers por causa do tamanho relativamente pequeno
dos intervalos de tempo utilizados na prtica. Tcnicas de
previso estabelecidas, como o alisamento exponencial
de Winters e a regresso linear mltipla, so teis para
este tipo de negcio. Geralmente, usar uma abordagem
de previso apropriada ir reduzir pela metade os erros
de previso. No entanto, muitos call centers encontram
dificuldades nesse processo por conta do conhecimento
tcnico necessrio para adequar estas tcnicas aos complexos
padres de chamadas e ao aspecto pouco organizado dos
dados (GROSSMANetal.,2001).
A previso do volume de chamadas um importante
aspecto das operaes em call centers, sendo necessria
para a previso de carga de trabalho, alocao de mo de
obra e planejamento de capacidade. Em geral, existem
algumas regularidades nos dados de chegada das chamadas,
como: a dependncia entre os dias, ou seja, a correlao
entre os volumes de dias consecutivos e possveis ciclos
semanais, mensais e at anuais nos volumes de ligaes;
e a dependncia intradiria, ou seja, a correlao entre
chegadas em diferentes perodos de tempo manh, tarde ou
noite dentro do mesmo dia (SHEN; HUANG, 2005).
O processo de previso consiste tanto em arte quanto
em cincia. Em arte, porque o futuro, afinal de contas,
est sendo previsto e a acurcia da previso vai depender
em parte do julgamento e da experincia de quem estiver
conduzindo o processo. Mas tambm em cincia: um
processo matemtico, passo a passo, que utiliza a histria
passada para prever eventos futuros. Assim, um entendimento
de tcnicas estatsticas especializadas necessrio para o
processo ser bem feito. Os administradores que possuem
softwares de gerenciamento de fora de trabalho, que
automatizam o processo de previso, no podem pensar
que isso apenas suficiente; entender estes clculos to
crtico quanto possuir o software: no s para verificar a
acurcia dos resultados como tambm, e talvez de forma
mais importante, para explicar os nmeros para a gerncia.
Ou seja, mesmo tendo as ferramentas, vale a pena entender os
fundamentos do processo de previso (REYNOLDS,2005;
BOUZADA, 2006).
Weinberg, Brown e Stroud (2006) propem, em seu artigo,
um modelo multiplicativo para prever taxas intradirias
de chegadas de chamadas ao call center de um banco
comercial norte-americano. Adicionalmente, qualquer
conhecimento anterior baseado em experincia passada
do gerente pode ser incorporado ao modelo, assim como
Gest. Prod., So Carlos, v. 16, n. 3, p. 382-397, jul.-set. 2009

componentes observados somente a posteriori. Comparando

as previses para o dia seguinte fornecidas pelo modelo dos
autores e por modelos estatsticos clssicos, eles puderam
perceber melhorias de at 25% por parte do seu modelo
em relao aos padres.
Em geral, se a varivel a ser predita est fortemente
correlacionada com outras variveis que esto sujeitas a
grandes variaes, um modelo multivariado necessrio
(SILVER, 2000).

3 Descrio do 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 como a segunda maior em termos de
faturamento e nmero de funcionrios, dentro do territrio
nacional (OUTSOURCING, 2005).
A firma faz mais de 100 milhes de contatos por ms,
por telefone, correio, e-mail, torpedos, Internet e chat. So
mais de 22 mil posies de atendimento e quase 50 mil
funcionrios distribudos nas 16 centrais situadas em dez
cidades brasileiras: Braslia, Salvador, Recife, Fortaleza,
Porto Alegre, Belo Horizonte, Nova Lima (MG), Rio de
Janeiro, Niteri (RJ) e So Paulo. Esta ltima cidade abriga
o mais moderno complexo de contact centers da Amrica
Latina (CONTAX, 2006).
A Contax uma empresa de capital 100% nacional e
hoje opera com 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:
102 que recebe ligaes dos clientes que buscam
auxlio lista telefnica;
Velox que engloba o suporte tcnico e o help desk
para os clientes do servio de Internet de banda larga
da Telemar;
103 que abrange clientes que buscam servios
relacionados telefonia fixa, como mudana de
endereo de cobrana e dvidas ou problemas com
a conta telefnica;
Suporte tcnico e reparo de defeitos da Telemar;
OI que abrange todo o atendimento para os clientes
dos servios de telefonia mvel da Telemar.

Prevendo a demanda de ligaes em um call center por meio de um modelo de Regresso Mltipla

3.2 O processo atual para a previso de

demanda
Na opinio da equipe de operao da empresa, a busca pela
satisfao do cliente ainda realizada de forma ineficiente.
De fato, h um consenso de que os custos oriundos dessa
busca de satisfao ainda esto altos, apresentando grande
potencial de reduo. O setor responsvel por melhorar a
eficincia operacional da empresa o de Planejamento
de Trfego.
A principal ferramenta que este setor utiliza para auxiliar as
decises gerenciais de planejamento operacional o software
TotalView, totalmente integrado infraestrutura de telefonia.
O produto consiste em uma ferramenta de fora de trabalho
utilizada para dimensionar e controlar o atendimento, que
auxilia os gerentes entre outras atividades na previso
de demanda (por horrio e dia da semana).
De acordo com o gerente de Planejamento de Trfego
da empresa, a principal preocupao consiste em conseguir
melhorar as previses de demanda de ligaes. A acurcia
das previses no boa para alguns produtos, e ele prprio
avalia que principalmente para o produto 103 a empresa
dispe de todas as informaes que poderiam fornecer uma
melhor previso, estando apenas carente de um mtodo
mais adequado. Essas informaes so basicamente as
quantidades de contas enviadas para os clientes em cada
data, normalmente 5-6 dias antes do vencimento, e as suas
prprias datas de vencimento. A impresso da gerncia e da
coordenao do produto 103 que a demanda de ligaes
para o produto influenciada pelos eventos de chegada da
conta e pelo seu prprio vencimento, datas em que haveria
maior acesso ao servio por parte dos clientes. O problema
que o sistema utilizado para previso de demanda no
leva em conta essas informaes.
A magnitude do erro absoluto percentual mdio, segundo
a tica diria, incorrido durante o processo de previso
de demanda para o produto 103 era da ordem de 5%, em
meados de 2006. Na opinio dos responsveis pela previso
de demanda, esse indicador de erro encontra-se em um
patamar baixo, sendo considerado mais do que aceitvel.
No entanto, estes responsveis entendem que existe um
potencial de melhoria no processo, de forma que esses
erros podem se tornar ainda menores.
O primeiro passo do processo de previso de demanda
para o produto em questo consiste na gerao de uma
previso bsica, realizada pelo software de gerenciamento
de fora de trabalho, o TotalView. Um dos seus mdulos
o de forecast, que trabalha com o histrico de demanda e
faz a previso de ligaes baseado nas 13 ltimas semanas,
calculando uma mdia ponderada, com pesos diferenciados,
sendo maiores para as semanas mais recentes e menores
para as mais remotas. A previso gerada para cada
intervalo ou bloco de meia hora, levando em considerao
tambm a sazonalidade do dia da semana. Assim, por
exemplo, para calcular a demanda de ligaes da prxima
tera-feira, no perodo de 10h30-11h, o TotalView considera

385

o histrico de demanda desse mesmo intervalo de meia

hora, calculando uma mdia ponderada da demanda das
ltimas 13 teras-feiras.
O segundo passo consiste em uma crtica, por parte
dos analistas da coordenao, a esses nmeros gerados
pelo TotalView. O software busca o histrico do dia em
questo nas ltimas 13 semanas, mas se nesse histrico
houver alguma informao contaminada por algum evento
especfico, como, por exemplo, um jogo da Copa do Mundo
que acarreta reduo na quantidade de ligaes, uma
limpeza deve ser feita pelo analista. Este deve fazer uso do
seu bom senso e poder analtico para, se perceber algum
desvio grande no histrico, realizar o ajuste manualmente,
modificando ou expurgando do histrico o dado discrepante,
e gerar novamente a previso de forma pontual. Este
acompanhamento acontece diariamente.
Depois da gerao da prvia da previso por meio
do nmero inicial do TotalView e da crtica inicial da
equipe, o terceiro passo consiste em incorporar aos valores
previstos o possvel impacto causado por alguns eventos
especficos, como a segunda-feira de carnaval ou uma
ocorrncia diferente em algum sbado, por exemplo. A
maneira de incorporar tais impactos depende do evento
ser novo ou desconhecido e do prvio conhecimento das
suas consequncias.
Alguns dos eventos especiais podem ter seu impacto
previsto de uma forma melhor, quando a equipe de analistas
subsidiada por algumas premissas recebidas de outros
setores capazes de impactar a demanda de chamadas, como:
previso de crescimento da base de clientes; implantao
de novos planos e servios na telefonia fixa, como o plano
de minutos, por exemplo.
Essas premissas tambm envolvem o comportamento dos
ciclos das contas telefnicas dos clientes, uma informao
oriunda do setor de faturamento da Telemar e que ajuda
a previso de demanda do produto 103. Essa informao
consiste, basicamente, nas quantidades de contas enviadas
para os clientes em cada data, normalmente 5-6 dias
antes do vencimento. Ela til porque a demanda de
ligaes para o produto influenciada, segundo a equipe
de previso, pelos eventos de chegada da conta no destino
e seu vencimento, datas em que haveria maior acesso ao
servio por parte dos clientes, para fins de esclarecimento
e/ou reclamao.
Na verdade, durante todo o perodo de 4-5 dias em que a
conta est com o cliente (desde a chegada at o vencimento),
ocorre um acrscimo no volume de ligaes, mas o maior
impacto acontece mesmo no momento da chegada da
conta na residncia do cliente, na opinio da coordenao
responsvel pelo produto. Segundo os analistas, o impacto
ps-vencimento existe quando o cliente que esqueceu de pagar
a conta liga para saber como proceder, mas pequeno, no
sendo significativo em termos de aumento de demanda.
O problema que o TotalView no leva em conta isso;
a sazonalidade do dia da semana considerada, mas no a
distncia do dia em relao chegada da conta ou ao seu
Gest. Prod., So Carlos, v. 16, n. 3, p. 382-397, jul.-set. 2009

386

Bouzada e Saliby

vencimento. Por exemplo, a conta de um determinado cliente

vence no dia 10 de cada ms, e no na segunda quarta-feira;
ento, no ms em que o dia 10 casse em uma tera-feira,
esse dia da semana deveria ser mais impactado do que os
outros, enquanto que no ms em que o dia 10 casse em uma
quarta-feira, o impacto maior deveria ser includo neste dia.
Mas o TotalView considera, em termos de sazonalidade,
todas as teras-feiras da mesma forma, seguindo o mesmo
raciocnio para os outros dias da semana. Alm disso, h
meses em que as contas no so enviadas exatamente 5 dias
antes do vencimento, e a chegada da conta ao destino tambm
deve ser considerada como um evento especial.
Essas informaes so levadas em conta no processo de
previso, mas no de forma automtica. Toda a anlise
feita pela equipe de previso, e no pelo software, que:
recebe e avalia o cronograma da rea de faturamento,
com a quantidade de contas sendo postadas e vencendo
em cada data;
verifica no histrico o impacto dos eventos de chegada
e vencimento das contas, para o ciclo, ou seja, o
grupamento de contas em cada filial, em questo;
acrescenta, por fora do TotalView, o impacto histrico
desses eventos, como, por exemplo, 5% e 3%,
respectivamente, ao volume inicialmente previsto
pela ferramenta;
critica os resultados;
retroalimenta o software, ajustando a previso que
havia sido previamente gerada.
Durante esse processo, os analistas no levam em
conta um possvel impacto da vspera e da antevspera do
vencimento da conta e nem do perodo ps-vencimento;
apenas o efeito dos eventos chegada e vencimento.
A previso elaborada mensalmente, sempre com
45 dias de antecedncia em relao necessidade de
contratao de operadores. Este prazo se justifica, para
este produto, por causa do processo de validao com o
cliente, do tempo de seleo do novo funcionrio e dos 30
dias necessrios para o treinamento do operador nas suas
futuras atividades.
Fisicamente, existem centrais de atendimento do 103
no Rio de Janeiro, em Minas Gerais e no Cear. Mas, em
termos organizacionais, tudo funciona como se houvesse uma
central nica de atendimento, abrangendo potencialmente os
clientes de todos os estados. J que a demanda se superpe
para todas as centrais, torna-se necessrio apenas elaborar
uma previso consolidada para todo o Brasil, como se
houvesse uma central nica de atendimento.
3.3 O processo sugerido para a
previso de demanda
3.3.1 Proposio do processo
Atualmente, a previso bsica extrada do TotalView e
a coordenao realiza toda essa anlise no Excel. A opinio
Gest. Prod., So Carlos, v. 16, n. 3, p. 382-397, jul.-set. 2009

geral que as informaes do faturamento poderiam ser

usadas de uma forma mais sistemtica para poder ser
construdo um mtodo de previso mais acurado, levando
em conta todos esses aspectos e no apenas a sazonalidade
do dia da semana, como faz o TotalView.
A ideia fugir mais dessa ps-anlise no metdica
no Excel que depende muito da intuio do analista e
poder contar com uma ferramenta que apoie a equipe
neste momento, usando as informaes do faturamento no
processo de elaborao das previses, para que se possa
evitar o trabalho manual, que aumenta a possibilidade
de erro. A ferramenta no tem a pretenso de substituir a
intuio e experincia da equipe de previso, mas servir
de apoio sua tomada de deciso. Ou seja, a opinio dos
especialistas no deve ser descartada; ela deve, sim, ser
utilizada para enriquecer o modelo que busca, basicamente,
objetivizar as informaes subjetivas que so relevantes
para o processo de previso.
Operacionalmente, a equipe de previso coletaria,
com a antecedncia usual, os inputs necessrios oriundos
do setor de faturamento e alimentaria a ferramenta de
previso, ambientada em uma planilha de Excel, com
eles. O output da ferramenta consistiria na quantidade de
ligaes demandada para cada data futura.
O mtodo escolhido foi o da Regresso Mltipla, pois
capaz de capturar o impacto especfico de cada evento
e informao na demanda de cada dia. Por exemplo, qual
o impacto, na demanda de ligaes, do fato do dia em
questo cair em uma quinta-feira? Qual o impacto do dia
consistir em um feriado? E de chegarem 200 mil contas
para os clientes no dia em questo? E do dia ser a vspera
do vencimento de 500 mil contas?
A ideia verificar a distncia do dia especfico em
relao aos eventos especiais, a chegada e o vencimento
das contas, e calcular para quantas contas esse dia o C
(dia de chegada), o V (dia do vencimento), o V 1 (vspera
do vencimento), o V 2 (antevspera do vencimento), ... ,
V + 1 (dia seguinte ao vencimento), V + 2, ... .
3.3.2 Aplicao do modelo
De posse do cronograma de faturamento fornecido pela
equipe de previso, para o perodo de julho de 2005 a
julho de 2006, foi possvel consolidar as informaes em
termos da data de chegada e data de vencimento das contas,
conforme apresentado parcialmente nas Tabelas1e2,
respectivamente.
Para poder ser desenvolvido o modelo de Regresso
Mltipla para prever a quantidade de ligaes em cada data,
foi preciso ter acesso ao histrico desta grandeza. Por motivo
de sigilo estratgico, esses valores no puderam ser revelados,
em sua plena magnitude; no entanto, a eles foi aplicada
uma constante de proporcionalidade, e os resultados, de
julho de 2005 at maro de 2006, fornecidos pela empresa,
esto apresentados graficamente na Figura1.

Prevendo a demanda de ligaes em um call center por meio de um modelo de Regresso Mltipla

Como se observa, a srie no apresenta tendncia de

crescimento ou decrescimento, mas apenas um comportamento
errtico, dispensando, assim, a necessidade de incluso de
uma varivel associada passagem do tempo.
De posse de todas essas informaes foi possvel
montar uma planilha com os dados necessrios para a
construo do modelo de Regresso Mltipla dentro do qual
o comportamento da varivel dependente quantidade de
ligaes em um dia especfico poderia estar sendo explicado
inicialmente por 10 variveis independentes:
Tabela1. Contas agrupadas por data de chegada prevista, setembro a outubro de 2005.
Data de chegada prevista
06/9/05
13/9/05
14/9/05
15/9/05
26/9/05
27/9/05
28/9/05
29/9/05
04/10/05
05/10/05
07/10/05
11/10/05
18/10/05
26/10/05
28/10/05
Total

Total
3.360.569
801.143
432.670
709.437
1.315.342
820.855
1.555.097
2.506.038
1.808.735
1.167.447
800.105
1.890.364
709.437
1.731.518
587.118
20.195.875

Tabela2. Contas agrupadas por data de vencimento, setembro a

outubro de 2005.
Vencimento
04/9/05
07/9/05
11/9/05
13/9/05
15/9/05
17/9/05
20/9/05
23/9/05
01/10/05
04/10/05
07/10/05
11/10/05
13/10/05
15/10/05
17/10/05
20/10/05
23/10/05
Total

Total
2.142.215
1.918.920
2.177.552
798.630
1.456.656
801.143
432.670
79.437
2.136.197
2.142.215
1.918.920
2.177.552
798.630
1.456.656
801.143
432.670
79.437
23.010.643

387

dia da semana;
feriado se o dia especfico consiste em um feriado
ou no;
chegada (C) quantas contas esto previstas para
chegarem ao cliente no dia especfico;
vencimento (V) quantas contas vencem no dia
especfico;
V 3 para quantas contas aquele dia especfico
corresponde a 3 dias antes do vencimento, ou, em
outras palavras, quantas contas iro vencer 3 dias
depois da data especfica;
V 2 para quantas contas aquele dia especfico
corresponde antevspera do vencimento;
V 1 para quantas contas aquele dia especfico
corresponde vspera do vencimento;
V + 1 para quantas contas aquele dia especfico
corresponde a 1 dia depois do vencimento, ou, em
outras palavras, quantas contas tero vencido na
vspera daquela data especfica;
V + 2 para quantas contas aquele dia especfico
corresponde a 2 dias depois do vencimento;
V + 3 para quantas contas aquele dia especfico
corresponde a 3 dias depois do vencimento.
A Tabela3 a seguir apresenta, em parte, a planilha de
dados em questo.
Cabe salientar que as variveis independentes dia da
semana e feriado foram trabalhadas como sendo do tipo
dummy (0=No; 1=Sim). Foi criada uma varivel dummy
para a ocorrncia de feriado e seis variveis dummy para
o dia da semana: domingo, segunda-feira, tera-feira,
quarta-feira, quinta-feira e sexta-feira.
Dessa forma, para o dia 28/2/2006, por exemplo, a varivel
dummy feriado assumiu o valor 1, por se tratar da tera-feira
de Carnaval; as variveis dummy domingo, segunda-feira,
quarta-feira, quinta-feira e sexta-feira assumiram o valor 0
enquanto que a varivel dummy tera-feira assumiu o valor
1. Seguindo o mesmo raciocnio, para o dia 4/2/2006, por
exemplo, a varivel dummy feriado assumiu o valor 0; e
as variveis dummy domingo, segunda-feira, tera-feira,
quarta-feira, quinta-feira e sexta-feira assumiram o valor 0,
caracterizando, portanto e por excluso, o dia em questo
como sendo um sbado.
Aps rodar a regresso, a primeira anlise aponta para
um modelo com um potencial de explicao muito bom,
j que o R-quadrado ajustado indica que 84% da variao
dos dados pode ser explicada. Neste caso, pode-se inferir
a real influncia das variveis explicativas na quantidade
de ligaes e aceitar o modelo com elevada confiana, j
que o nvel de significncia da estatstica F deu igual a
0,0000.
A contribuio de cada varivel independente expressa
pelos coeficientes estimados, juntamente com os respectivos
p-values (ou valores p), apresentados na Tabela4.
Gest. Prod., So Carlos, v. 16, n. 3, p. 382-397, jul.-set. 2009

388

Bouzada e Saliby
Quantidade de ligaes por dia (produto 103)
250.000

Quantidade de ligaes

200.000

150.000

100.000

50.000

0
17/07/2005

16/08/2005

15/09/2005

15/10/2005

14/11/2005

14/12/2005

13/01/2006

12/02/2006

14/03/2006

Dia

Figura1. Quantidade de ligaes por dia, julho de 2005 a maro de 2006.

Na Tabela4, observa-se um elevado valor p para a

varivel V + 3, indicando que a quantidade de contas para
as quais aquele dia especfico corresponde a 3 dias depois
do vencimento no pode ser vista como um bom previsor
para a quantidade de ligaes na data em questo.
Assim sendo, o efeito ps-vencimento parece, ento,
acabar j no segundo dia aps o vencimento da conta, j
que os valores p de V + 1 e V + 2 so baixos; em outras
palavras, os clientes ainda ligam para o 103 um ou dois dias
aps o vencimento da conta, mas esse impacto desaparece
a partir do terceiro dia, deixando de ser significativo.
A varivel V + 3 pode estar contaminando o modelo e
convm retir-la da anlise. Sem ela, um novo modelo de
regresso foi gerado, continuando com um potencial muito
bom e at ligeiramente melhor, j que 85% da variao
dos dados pode ser explicada por ele.
Os coeficientes de regresso estimados, juntamente com
os respectivos valores p, esto apresentados na Tabela5.
Como pode ser observado, os valores p das outras variveis
mudaram muito pouco e, para este modelo modificado,
apenas duas variveis apresentam coeficientes angulares
com valores p superiores a 5%: Chegada (C) e V 2.
Em relao a esta ltima varivel, ela ser mantida no
modelo, porque o valor p do seu coeficiente est abaixo
de um valor tambm bastante utilizado como nvel de
significncia nos testes de hipteses (10%) e pelo fato das
variveis V 3 e V 1 apresentarem-se tambm como bons
previsores. Ora, no faria muito sentido manter no modelo
V 3 , retirar V 2 e manter V 1, pois a continuidade
estaria sendo quebrada; seria o mesmo que afirmar que os
Gest. Prod., So Carlos, v. 16, n. 3, p. 382-397, jul.-set. 2009

clientes ligam para o 103 trs dias antes do vencimento e

na sua vspera, mas no na antevspera!
J a varivel Chegada (C) tambm ser mantida no
modelo, apesar de apresentar um valor p maior do que
10%, pelo fato de ter sido identificada, na opinio subjetiva
e calcada na experincia da equipe de planejamento,
como crtica e muito impactante na demanda de ligaes,
contrariando o resultado objetivo que indica um coeficiente
no significativo para essa varivel; tambm vlido
ressaltar que seu valor p (14,30%) no ficou to acima de
um nvel de significncia considerado bom (5%).
Essa interveno subjetiva em um modelo to objetivo traz
tona a j mencionada importncia da utilizao da opinio de
especialistas na construo de um processo de previso, mesmo
nos casos em que esse essencialmente sistemtico.
Desta forma, a retirada da varivel V + 3 foi benfica
ao modelo, tornando-o mais parcimonioso e permitindo
uma interpretao dos coeficientes obtidos.
O primeiro coeficiente corresponde ao valor da varivel
dependente quantidade de ligaes quando todas as variveis
independentes assumirem o valor zero; ou seja, quando
domingo, segunda-feira, tera-feira, quarta-feira, quintafeira, sexta-feira, feriado, C, V 3, V 2, V 1, V, V + 1
e V + 2 forem zero ou ainda, quando o dia for sbado,
no feriado e no consistir da data de chegada, nem de
nenhuma data dentro do intervalo de 6 dias em torno do
vencimento de alguma conta, a quantidade de ligaes
demandadas prevista de 92.693.

Dia
1/2/2006
2/2/2006
3/2/2006
4/2/2006
5/2/2006
6/2/2006
7/2/2006
8/2/2006
9/2/2006
10/2/2006
11/2/2006
12/2/2006
13/2/2006
14/2/2006
15/2/2006
16/2/2006
17/2/2006
18/2/2006
19/2/2006
20/2/2006
21/2/2006
22/2/2006
23/2/2006
24/2/2006
25/2/2006
26/2/2006
27/2/2006
28/2/2006

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

Feriado?
No
No
No
No
No
No
No
No
No
No
No
No
No
No
No
No
No
No
No
No
No
No
No
No
No
No
Sim
Sim

Chegada (C)
2.506.038

1.122.892

587.354
1.484.473
1.238.119
801.143

432.670
709.437

2.136.197
1.555.097
2.506.038

V3
2.142.215

1.918.920

2.177.552

798.630

1.456.656

801.143

432.670

709.437

2.136.197

V2

2.142.215

1.918.920

2.177.552

798.630

1.456.656

801.143

432.670

709.437

2.136.197

V1

2.142.215

1.918.920

2.177.552

798.630

1.456.656

801.143

432.670

709.437

2.136.197

Vencimento (V)
2.136.197

2.142.215

1.918.920

2.177.552

798.630

1.456.656

801.143

432.670

709.437

Tabela3. Planilha de dados do modelo de Regresso Mltipla para prever a quantidade de ligaes, fevereiro de 2006.
V+1

2.136.197

2.142.215

1.918.920

2.177.552

798.630

1.456.656

801.143

432.670

709.437

V+2

2.136.197

2.142.215

1.918.920

2.177.552

798.630

1.456.656

801.143

432.670

709.437

V+3

2.136.197

2.142.215

1.918.920

2.177.552

798.630

1.456.656

801.143

432.670

709.437

Ligaes
199.908
195.497
185.542
116.657
65.558
216.104
221.831
213.584
200.359
185.882
122.764
72.033
197.231
181.092
188.990
174.253
156.317
105.306
63.827
171.921
155.035
152.537
140.621
139.056
86.746
49.520
85.790
75.801

Prevendo a demanda de ligaes em um call center por meio de um modelo de Regresso Mltipla
389

Gest. Prod., So Carlos, v. 16, n. 3, p. 382-397, jul.-set. 2009

390

Bouzada e Saliby

Esse nmero pode ser encarado como uma quantidade

bsica, qual devem ser adicionados os efeitos da ocorrncia
das variveis independentes, quantificados pelos seus
respectivos coeficientes angulares.
Assim, o fato do dia ser domingo contribui com uma
diminuio de 41.103 ligaes previstas em relao ao
nmero bsico (92.693); a segunda-feira espera, segundo
o modelo, 79.874 ligaes a mais do que o dia bsico
(sbado); a tera-feira espera 75.900 ligaes a mais do que
o sbado; a quarta-feira espera 73.908 ligaes a mais; a
quinta-feira, 73.082 a mais; e a sexta-feira, 61.898 ligaes
a mais do que o dia bsico.
Com essas informaes, possvel elaborar um
grfico apresentado na Figura2 que permite uma
melhor visualizao da sazonalidade do dia da semana.
A evoluo da demanda de ligaes ao longo da semana,
considerando dias sem a ocorrncia de feriados e no
prximos da chegada ou vencimento de contas, comea
com um valor bem baixo no domingo, apresentando um
grande aumento na segunda-feira; a demanda vai caindo
suavemente ao longo da semana, tendo uma queda um
pouco mais brusca na sexta-feira e bem mais intensa no
sbado, antes de voltar ao patamar de domingo.
De forma anloga aos dias da semana, o fato de um
dia ser feriado reduz em 71.345 a quantidade prevista de
ligaes; e cada conta telefnica prevista para chegar casa
do cliente naquele dia aumenta em 0,0034 a previso da
quantidade de ligaes demandadas para o dia em questo.
Assim se, por exemplo, 100.000 contas estiverem chegando
em um dia especfico, de se esperar que isso implique
em um aumento de 100.000 0,0034=340 ligaes no
contingente dirio. Se esse nmero for examinado de forma
percentual, possvel concluir que, em mdia, 0,34%
(=0,0034) dos clientes ligam para o Telemar no dia em
que recebem a sua conta telefnica.
Em relao aos dias que circundam a data do vencimento,
anlogo o raciocnio que explica as consequncias: cada
conta vencendo 3 dias depois, ou seja, para as quais a data em
questo representa V 3, aumenta em 0,0052 a quantidade
de ligaes; cada conta vencendo 2 dias depois aumenta em
0,0042 a quantidade de ligaes; cada conta vencendo no
dia seguinte aumenta em 0,0072 essa quantidade; cada conta
vencendo no dia em questo aumenta em 0,0077 a mesma
quantidade; cada conta vencendo na vspera aumenta em
0,0071 a quantidade; e cada conta vencendo na antevspera
aumenta em 0,0060 a quantidade prevista de ligaes.
Naturalmente, os coeficientes no tm apenas significado
isolado, mas tambm podem e devem ser analisados em
conjunto: se as consequncias dos efeitos dia da semana,
ocorrncia de feriado e data crtica em relao chegada ou
vencimento da conta forem incorporadas ao valor previsto
para um dia bsico, ser possvel estabelecer uma equao
para prever a quantidade demandada de ligaes em um
determinado dia em funo das caractersticas da data em
Gest. Prod., So Carlos, v. 16, n. 3, p. 382-397, jul.-set. 2009

Tabela4. Coeficientes estimados das variveis independentes do

modelo de Regresso Mltipla para prever a quantidade de ligaes na data em questo.
Interseo
Domingo
2a. Feira
3a. Feira
4a. Feira
5a. Feira
6a. Feira
Feriado
Chegada (C)
V3
V2
V1
Vencimento (V)
V+1
V+2
V+3

Coeficientes

valor-P

92.545
(41.228)
79.882
75.694
73.812
73.068
61.763
(71.088)
0,0035
0,0052
0,0042
0,0068
0,0074
0,0071
0,0064
0,0009

0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
13,57%
2,21%
7,81%
0,47%
0,19%
0,30%
0,75%
68,36%

Tabela5. Coeficientes estimados das variveis independentes do

modelo (sem V+3) de Regresso Mltipla para prever a quantidade
de ligaes na data em questo.
Interseo
Domingo
2a. Feira
3a. Feira
4a. Feira
5a. Feira
6a. Feira
Feriado
Chegada (C)
V3
V2
V1
Vencimento (V)
V+1
V+2

Coeficientes

valor-P

92.693
(41.103)
79.874
75.900
73.908
73.082
61.898
(71.345)
0,0034
0,0052
0,0042
0,0072
0,0077
0,0071
0,0060

0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
14,30%
2,11%
7,86%
0,13%
0,06%
0,30%
0,71%

questo. Dessa maneira, a quantidade de ligaes pode ser

prevista conforme a Equao 1.
Equao do modelo para prever a quantidade de
ligaes:
Quantidade prevista de ligaes=92.693 41.103
domingo + 79.874 segunda-feira + 75.900 terafeira + 73.908 quarta-feira + 73.082 quinta-feira
(1)
+ 61.898 sexta-feira 71.345 feriado + 0,0034
C + 0,0052 V-3 + 0,0042 V-2 + 0,0072 V-1 +
0,0077 V + 0,0071 V + 1 + 0,0060 V + 2

391

Prevendo a demanda de ligaes em um call center por meio de um modelo de Regresso Mltipla
Sazonalidade do dia semana - produto 103
200.000

Quantidade de ligaes em um dia padro

180.000
160.000
140.000
120.000
100.000
80.000
60.000
40.000
20.000
0
Domingo

Segunda-feira

Tera-feira

Quarta-feira

Quinta-feira

Sexta-feira

Sbado

Dia da semana

Figura2. Comportamento sazonal do dia da semana modelo sem V + 3.

as sete primeiras variveis so do tipo dummy,

assumindo o valor 0 (no) ou 1 (sim);
as sete ltimas representam, respectivamente: a
quantidade de contas chegando no dia; vencendo 3
dias depois; 2 dias depois; 1 dia depois; no prprio
dia; 1 dia antes; e 2 dias antes.
3.3.3 Consideraes finais sobre o
modelo obtido
De posse dessa equao, ento, possvel calcular quanto
o modelo de regresso teria previsto para a quantidade de
ligaes em cada um dos dias acerca dos quais o histrico
disponibiliza o valor real desta grandeza. Desta forma,
pode-se comparar os valores que teriam sido previstos
com os que efetivamente ocorreram, de maneira que um
erro de previso possa ser mensurado. Essa comparao
pode ser visualizada na Figura3 a seguir.
A diferena entre os valores reais e os gerados pelo
modelo tambm conhecida como resduo. Para ser
usado um modelo de Regresso Mltipla, necessrio
supor que a correlao entre os resduos, ao longo do
espectro das variveis independentes, zero; ou seja, que
os resduos so independentes entre si, no apresentando,
consequentemente, autocorrelao serial (CORRAR;
PAULO; DIAS FILHO, 2007).
Segundo estes autores, uma forma de verificar a validade
dessa suposio por meio do teste de Durbin-Watson. No
modelo que est sendo analisado, foi encontrado o valor
1,838 para a Estatstica DW.

De acordo com Corrar, Paulo e Dias Filho (2007),

essa estatstica obtida deve ser comparada com valores
crticos que variam em funo do nvel de significncia
do teste, do tamanho da amostra e do nmero de variveis
independentes.
Com 5% de significncia, 234 dados na amostra e
14 variveis independentes, o valor crtico inferior (dL)
obtido foi 1,661 e o valor crtico superior (dU) encontrado
foi 1,914 (Valores encontrados em tabela disponvel no
endereo <http://www.stanford.edu/~clint/bench/dwcrit.
htm>. Acesso em: 24/1/2009).
Como o valor obtido para a Estatstica DW (1,838) se
situa entre os dois valores crticos encontrados, o teste
para verificar a existncia de autocorrelao dos resduos
no conclusivo: no possvel garantir que os resduos
so independentes, mas tambm incorreto afirmar que
existe uma relao de dependncia entre eles (CORRAR;
PAULO; DIAS FILHO, 2007).
Sendo assim, parece vlido examinar o grfico do resduo
contra cada varivel independente a fim de procurar uma
suposta autocorrelao e a identificao de uma eventual
lei de formao nos valores dos resduos medida que o
valor da varivel independente avana. A Figura4 a seguir
ilustra o caso da varivel dummy quarta-feira.
Como pode ser observado, no parece existir uma
lei de formao; ou seja, a magnitude dos resduos no
parece estar dependendo do valor da varivel independente
(quarta-feira).
Gest. Prod., So Carlos, v. 16, n. 3, p. 382-397, jul.-set. 2009

392

Bouzada e Saliby

Quantidade de ligaes (reais x previstas) por dia (produto 103)

250.000

Quantidade de ligaes

200.000

150.000

100.000

50.000

0
17/07/2005

16/08/2005

15/09/2005

15/10/2005

14/11/2005

14/12/2005

13/01/2006

12/02/2006

14/03/2006

Dia
Reais

Previstas

Figura3. Valores reais multiplicados por uma constante e previstos pelo modelo para a quantidade de ligaes por dia, julho de 2005 a
maro de 2006.

Plotagem de resduos

80000
60000

Resduos

40000
20000
0
20000
40000
60000

Figura4. Resduos do modelo varivel dummy quarta-feira.

Gest. Prod., So Carlos, v. 16, n. 3, p. 382-397, jul.-set. 2009

Quarta-feira

Prevendo a demanda de ligaes em um call center por meio de um modelo de Regresso Mltipla

Os resduos apresentaram comportamento bem parecido

em relao s outras variveis dummy (feriado e as referentes
aos outros dias da semana). E j que o modelo trabalha
com 14 variveis independentes, seria um tanto invivel
apresentar aqui tal quantidade de grficos. Dessa forma,
sero apresentadas graficamente apenas as relaes entre
os resduos e as outras variveis independentes mais
marcantes: Chegada e Vencimento. Tais relaes podem ser
visualizadas nas Figuras 5 e 6, respectivamente, a seguir.
O comportamento dos resduos em relao s outras
variveis (V-3, V-2, V-1, V+1 e V+2) bastante similar
ao verificado nas figuras 5 e 6: parecem estar distribudos
aleatoriamente em torno do eixo das abscissas, no
apresentando nenhuma tendncia.
Tudo isso gera uma segurana maior para os resultados do
modelo, j que o teste para a verificao de autocorrelao
serial dos resduos foi no conclusivo. claro que essa

393

ltima anlise realizada meramente visual, carecendo de um

cientificismo maior. Mas importante proceder dessa forma
principalmente em situaes em que os critrios objetivos
apontam para uma indefinio, como foi o caso.
J em relao qualidade preditiva do modelo, foi
possvel perceber, na Figura3 anterior, a menos de alguns
pontos especficos, uma boa aderncia visual dos valores
previstos em relao aos dados reais. Esta aderncia foi
aqui formalizada pelo MAPE, o Mean Absolute Percentual
Error ou erro mdio percentual absoluto.
A ttulo de ilustrao, a Tabela6 apresenta dados
relativos ao ms de dezembro de 2005, onde constam a
quantidade real de ligaes, os valores que o modelo de
regresso teria previsto para esta grandeza, assim como
os erros percentuais absolutos oriundos desta previso.
Pode-se calcular que o modelo teria errado em 15,5%,
em mdia, na previso dos volumes dirios de ligaes
durante o ms em questo.

Tabela6. Valores reais, previstos e erros do modelo de Regresso Mltipla para prever a quantidade de ligaes, dezembro de 2005.
Dia
1/12/2005
2/12/2005
3/12/2005
4/12/2005
5/12/2005
6/12/2005
7/12/2005
8/12/2005
9/12/2005
10/12/2005
11/12/2005
12/12/2005
13/12/2005
14/12/2005
15/12/2005
16/12/2005
17/12/2005
18/12/2005
19/12/2005
20/12/2005
21/12/2005
22/12/2005
23/12/2005
24/12/2005
25/12/2005
26/12/2005
27/12/2005
28/12/2005
29/12/2005
30/12/2005
31/12/2005

Dia da semana

Feriado?

Ligaes

5a. feira
6a. feira
Sbado
Domingo
2a. feira
3a. feira
4a. feira
5a. feira
6a. feira
Sbado
Domingo
2a. feira
3a. feira
4a. feira
5a. feira
6a. feira
Sbado
Domingo
2a. feira
3a. feira
4a. feira
5a. feira
6a. feira
Sbado
Domingo
2a. feira
3a. feira
4a. feira
5a. feira
6a. feira
Sbado

No
No
No
No
No
No
No
No
No
No
No
No
No
No
No
No
No
No
No
No
No
No
No
No
Sim
No
No
No
No
No
No

189.179
179.607
119.738
63.118
209.398
203.525
201.497
163.731
165.708
108.033
65.321
204.689
202.289
187.186
168.579
155.912
102.895
58.292
170.636
155.824
145.547
127.727
116.546
69.839
39.038
152.909
158.507
164.109
154.690
124.406
67.541

Ligaes
(previstas pelo modelo)
193.288
178.716
121.003
77.992
203.208
197.677
186.681
190.634
175.358
112.476
71.680
201.258
196.754
188.341
185.651
170.652
109.900
59.078
180.520
172.655
170.260
169.413
155.684
93.699
(18.895)
172.567
168.593
166.601
165.775
154.591
92.693

Erro de previso do modelo

2,2%
0,5%
1,1%
23,6%
3,0%
2,9%
7,4%
16,4%
5,8%
4,1%
9,7%
1,7%
2,7%
0,6%
10,1%
9,5%
6,8%
1,3%
5,8%
10,8%
17,0%
32,6%
33,6%
34,2%
148,4%
12,9%
6,4%
1,5%
7,2%
24,3%
37,2%

Gest. Prod., So Carlos, v. 16, n. 3, p. 382-397, jul.-set. 2009

394

Bouzada e Saliby

Plotagem de resduos

80000

60000

Resduos

40000

20000

500.000

1.000.000

1.500.000

2.000.000

2.500.000

3.000.000

3.500.000

4.000.000

20000

40000

60000

Chegada (C)

Figura5. Resduos do modelo varivel Chegada.

Mas dezembro um ms atpico, com um comportamento

geralmente mais difcil de prever. Tal afirmao pode ser
verificada neste exemplo particular a partir da Figura7
a seguir, no qual possvel perceber que todos os outros
meses relacionados, com exceo de janeiro, outro perodo
atpico, apresentam erros mdios de previso pelo menos
4 pontos percentuais menores do que o erro mdio de
dezembro de 2005.
Em mdia, o modelo est incorrendo num erro de previso
da ordem de 10,98%. Embora no possa ser considerado
um valor elevado, ele substancialmente maior que os 5%
em que a Coordenao de Planejamento costuma incorrer
na previso de demanda do produto 103. No entanto, cabem
aqui algumas observaes.
vlido lembrar, por exemplo, que, durante o processo
padro de previso, os analistas recebem os valores previstos
pelo TotalView e acrescentam a eles os impactos esperados
por eventos e premissas, como o comportamento do ciclo
de contas e a ocorrncia de feriados, assim como outros
eventos especiais relacionados ao produto, como o plano
de minutos, campanhas na mdia, crescimento de base e
outros potenciais aspectos impactantes. Os 5% de erro de
previso s so conseguidos aps a considerao de todas
essas subjetividades e dentro de um processo dirio de
reviso da previso.
Ora, o modelo de regresso proposto visa substituir
apenas os valores sugeridos pelo TotalView, acrescidos
da influncia dos feriados e do comportamento dos ciclos
de contas; nunca foi a ideia substituir o papel do analista
encarregado da previso dotado de toda a sua valiosa
Gest. Prod., So Carlos, v. 16, n. 3, p. 382-397, jul.-set. 2009

experincia e subjetividade mas sim de fornecer-lhe um

subsdio complementar para a tomada de deciso. Assim,
e j que o analista estar apto a acrescentar aos valores
sugeridos pelo modelo de regresso os impactos que julgar
relevantes, mais justo comparar os erros de previso do
modelo aqui proposto com os erros oriundos do mdulo
de previso do TotalView, com o intuito de verificar a
ocorrncia ou no de melhorias no processo de previso.
Assim sendo, o MAPE do TotalView para o mesmo
perodo analisado foi de 13,54%, superior, portanto, aos
10,98% do modelo de regresso.
Alm disso, uma anlise mais detalhada dos erros de
previso do modelo proposto revela que alguns dos dias
mais difceis de prever e, portanto, com erros de previso
potencialmente maiores, consistem em feriados ou datas
que se comportam quase como um feriado. Por exemplo, os
dias 24/12/2005 e 31/12/2005 no foram classificados como
feriados, mas, certamente tambm no so dias comuns
e devem gerar uma demanda de ligaes inferior ao de
um dia padro. O problema que o modelo de regresso
no levou em conta isso, j que era possvel classificar
um dia apenas como sendo feriado ou no; e j que esses
dias no eram efetivamente feriados, foram tratados pelo
modelo como dias comuns. Muito provavelmente por causa
disso, suas demandas foram superestimadas e seus erros
de previso foram bem acima da mdia: 34,2% e 37,2%,
respectivamente, conforme a Tabela6 anterior.
Problemas semelhantes, mas talvez em menor escala,
certamente ocorreram em alguns dias do ano que consistiram
em feriados locais, mas no nacionais. Como o modelo

395

Prevendo a demanda de ligaes em um call center por meio de um modelo de Regresso Mltipla

Plotagem de resduos

80000

60000

Resduos

40000

20000

500.000

1.000.000

1.500.000

2.000.000

2.500.000

20000

40000

60000

Vencimento (V)

Figura6. Resduos do modelo varivel Vencimento.

Erro mdio de previso do modelo (ms-a-ms)
15,5

16

16,3

14
12
8,7

8,6

Ago./05

10

11,2

10,5

Jul./05

Erro mdio de previso (%)

18

7,8

8,6

8,6

6
4
2
Mar./06

Fev./06

Jan./06

Dez./05

Nov./05

Out./05

Set./05

Ms/ano

Figura7. Erro mdio mensal do modelo de Regresso Mltipla para

prever a quantidade de ligaes, julho de 2005 a maro de 2006.

prope uma previso consolidada da demanda, s foi

possvel considerar os feriados nacionais; por exemplo, o
dia 20/1/2006, um feriado local na cidade do Rio de Janeiro,
teve uma reduo na demanda nacional provocada pela
reduo na demanda da cidade mas, ao ser tratado como um
dia normal pelo modelo, teve sua demanda superestimada.
Esse problema tambm se observa nos feriados prolongados
e nos dias que se situam entre um feriado e o fim de semana,
em que a demanda foge do padro.
Um problema ainda mais grave ocorreu com o dia
25/12/2005. Seu erro de previso foi de quase 150%, j que
a sua demanda prevista assumiu um valor negativo, 18.895

ligaes, conforme a Tabela. Isso aconteceu porque o dia

em questo apresentava dois efeitos negativos e redutores
de demanda, que foram somados pelo modelo de natureza
aditiva: ser domingo e ser feriado. Mas, na prtica, o efeito
de um dia ser feriado certamente reduzido se ele cair em
um domingo ou sbado; e o modelo no levou isso em
conta, at porque s possvel considerar um dia como
sendo feriado ou no, e no como uma espcie de feriado
moderado.
Na verdade, esses problemas fizeram com que os erros
de previso aumentassem, mas isso no quer dizer que
o processo futuro de previso ter que incorrer nesses
erros de grande magnitude quando ocorrerem dias com
comportamentos diferentes. Na prtica, quando os analistas
de previso estiverem utilizando o modelo aqui proposto,
eles podero manipular os valores da varivel dummy
feriado para os dias diferentes do padro.
Assim, por exemplo, o dia 24/12 pode receber
manualmente o valor 0,7 para a sua varivel feriado, ao
invs de ser tratado como um dia normal; o dia 20/01 pode
receber o valor 0,4 da mesma forma; um feriado que caia
num domingo pode ter o seu valor da varivel feriado
reduzido de 1 para 0,6.
Depois desta manipulao, basta considerar as informaes
do setor de faturamento da Telemar sobre os ciclos de contas
e usar a equao 1 apresentada anteriormente para prever
a quantidade de ligaes para o produto 103, a cada dia.
Uma vez gerados os outputs da equao, os analistas podem
incorporar os impactos esperados pelos eventos especiais,
como campanhas de mdias, novos servios etc. e, dessa
forma, reduzir substancialmente os erros de previso.
Gest. Prod., So Carlos, v. 16, n. 3, p. 382-397, jul.-set. 2009

396

Bouzada e Saliby

4 Concluses
Paralelo ao crescimento que a indstria de call centers
tem apresentado no Brasil e no mundo, esse tipo de negcio
vem experimentando um grande aumento na complexidade
de suas operaes, que dificultam sua gesto sem o uso de
ferramentas quantitativas adequadas.
Foi constatado que a ferramenta de previso (TotalView)
utilizada pela empresa estudada a Contax no leva em
conta algumas informaes que poderiam refinar o processo
de previso. Assim, no caso especfico do produto 103, que
diz respeito a servios de telefonia fixa e problemas com a
conta telefnica, no incluir a ocorrncia de feriados, datas
de vencimento e de chegada das contas na residncia dos
clientes, resulta no desperdcio de uma informao til e
de fcil acesso capaz de reduzir os erros de previso.
Levando estes efeitos em conta, foi desenvolvido um
modelo de Regresso Mltipla com variveis dummy para
prever o volume dirio de ligaes. Vale lembrar que esse
modelo foi construdo com o objetivo de complementar e
nunca substituir! a experincia e a intuio dos especialistas
da empresa.
As previses fornecidas pelo modelo de regresso foram
comparadas aos dados reais de demanda e revelaram uma
acurcia superior quela obtida apenas pelo TotalView.
Alm disso, a maneira como o modelo foi desenvolvido
permite sua fcil incorporao ao processo de previso
da empresa.
Finalmente, alguns tpicos no abordados no presente
trabalho representam potenciais oportunidades de estudo
futuros, tais como:
A considerao de regionalidades seria um aspecto
interessante a ser tratado em estudos futuros. Por
exemplo, o impacto na demanda decorrente de uma

data representar o dia da chegada da conta telefnica

para 200.000 clientes do Rio de Janeiro pode ser
diferente do impacto proporcionado pela chegada da
conta para 200.000 clientes da Bahia. Seria interessante
a elaborao de um modelo capaz de levar em conta
uma eventual diferena entre o comportamento cultural
dos cariocas e baianos em relao chegada da conta;
e que no tratasse a demanda de forma consolidada
nacionalmente e nem considerasse os impactos de
forma homognea.
Outra sugesto consistiria na elaborao de um modelo
de previso de demanda capaz de capturar, entender
e prever os efeitos de uma possvel sazonalidade ao
longo do ano, alm da j capturada sazonalidade ao
longo da semana. A consequncia de tal efeito poderia
ser capturada se a disponibilidade de informaes
abrangesse um perodo maior de tempo e se fossem
criadas variveis dummy para os meses do ano, assim
como foi feito para os dias da semana.
Poder-se-ia tambm tentar desenvolver um modelo
para a previso intradiria da demanda de ligaes,
j que a maioria dos call centers utiliza os blocos de
30 minutos como unidade bsica de programao.
Uma ltima sugesto aponta para a necessidade de
extrapolar o uso dos modelos de regresso como
o aqui apresentado para prever a quantidade de
chamadas de outros produtos da prpria Contax,
como o Velox, OI, 102 ou suporte tcnico.
Assim sendo, quer pela sua crescente importncia no
ambiente atual de negcios, quer pela diversidade de
problemas que apresenta, a gesto eficiente de call
centers representa uma rea frtil para a aplicao de
ferramentas quantitativas para a sua melhor operao
e planejamento.

Forecasting a call center demand using a Multiple Regression model

Abstract
This work describes with the aid of a case study a demand forecast problem for a specific product reported to
the call center of a large Brazilian company in an industry called Contax, and the way it was approached with the
use of Multiple Regression using dummy variables. After highlighting and justifying the studied matter relevance,
the article presents a small literature review regarding demand forecast methods and their use in the call center
industry. The case is described presenting the studied company and the way it deals with the Forecasting Demand for
a telephone all center regarding telephone services products. Therefore, a Multiple Regression with dummy variables
model was developed to work as the basis of the proposed demand forecast process. This model uses available data
capable of influencing the demand such as the week day, occurrence of holidays, and the date of critical events such
as the date on which the bill is sent and the date of payment collect. The model presented an improvement of Demand
Forecasting Accuracy of 0.3% in the studied period when compared to the previously tool in use
Keywords: Call center. Demand Forecast. Multiple Regression.
Gest. Prod., So Carlos, v. 16, n. 3, p. 382-397, jul.-set. 2009

Prevendo a demanda de ligaes em um call center por meio de um modelo de Regresso Mltipla

397

Referncias bibliogrficas
ALAM, M. Using call centers to deliver public services: house of
commons paper. London: The Stationery Office Books, 2002.
AZEVEDO, M.; CALDAS, M. Seriam os call centers os
sweatshops do sculo XXI? In: ENCONTRO DE ESTUDOS
ORGANIZACIONAIS, 2002, Recife. Anais Recife: ANPAD,
2002. p. 1-15.
BAPAT, V.; PRUITTE Jr., E. Using simulation in call centers. In:
WINTER SIMULATION CONFERENCE, 1998, Washington.
Proceedings... Los Alamitos: IEEE Computer Society Press,
1998. p. 1395-1399.
BOUZADA, M. O uso de ferramentas quantitativas em call
centers: o caso Contax. 2006. 256p. Tese (Doutorado em
Administrao de Empresas) Universidade Federal do Rio de
Janeiro, Rio de Janeiro.
CONTAX. Contax Contact Center. Disponvel em: <www.contax.
net.br>. Acesso em: 19 de Julho de 2006.
CORRAR, L.; PAULO, E.; DIAS FILHO, J. Anlise Multivariada
para os Cursos de Administrao, Cincias Contbeis e
Economia. So Paulo: Atlas, 2007.
GANS, N.; KOOLE, G.; MANDELBAUM, A. Telephone call centers:
tutorial, review and research prospects. Manufacturing and
Service Operations Management, v. 5, n. 2, p. 79-141, 2003.
GROSSMAN, T. et al. Call centers. In: GASS, S.; HARRIS, C. (Eds.).
Encyclopedia of Operations Research and Management Science.
Boston: Kluwer Academic Publishers, 2001. p. 73-76.
HALL, B.; ANTON, J. Optimizing your call center through simulation.
White Paper, Oct. 1998. Disponvel em:<http://www.erlang.
com.br/artigos/Optimizing%20Your%20Call%20Center%20
Through%20Simulation.pdf>
HANKE, J. Business forecasting. New Jersey: Prentice Hall,
1992.
HAWKINS, L. et al. Planning guidance document for US call centers.
Maryland: Information Technology Support Center, 2001.
KLUNGLE, R.; MALUCHNIK, J. The role of simulation in call
center management. In: MSUG CONFERENCE, 1997, Michigan.
Proceedings... Michigan: MSUG, 1997. p. 1-10.

MATAN, O.; NOURBAKHSH, I. Playing the numbers: using ACD

statistics for workforce management. [S.L.]: Telemarketing &
Call Center Solutions, Mar 1998. Disponvel em:<http://www.
encyclopedia.com/doc/1P3-33178823.html >.
MEHROTRA, V. Ringing Up Big Business. OR/MS Today, v. 24,
n. 4, p. 18-24, 1997.
MEHROTRA, V.; PROFOZICH, D.; BAPAT, V. Simulation: the
best way to design your call center. [S.L.]: Telemarketing & Call
Center Solutions, Nov 1997. Disponvel em:<http://findarticles.
com/p/articles/mi_qa3700/is_199711/ai_n8778658/>.
MINGHELLI, G. Call center: estudo de casos mltiplos em
empresas de telefonia do estado do Rio Grande do Sul. 2002.
64p. Monografia (Bacharelado em Informtica) - Universidade
do Vale do Rio dos Sinos, So Leopoldo.
OUTSOURCING. Ranking. Disponvel em: <www.callcenter.inf.
br>. Acesso em: 20 de Setembro de 2005.
REYNOLDS, P. Forecasting fundamentals: the art and science of
predicting call center workload. [S.L.]: Technology Marketing
Corporation. White Paper, Feb 17, 2005. Disponvel em:<http://
www.tmcnet.com/channels/workforce-optimization/workforceoptimization-articles/forecasting-call-center-workload.htm>.
SAKAMOTO, K. Como implementar um call center. So Paulo:
Happy Few, 2001.
SHEN, H.; HUANG, J. Analysis of call centre arrival data using
singular value decomposition. Applied Stochastic Models in
Business and Industry, v. 21, n. 3, p. 251-263, 2005.
SILVER, M. Estatstica para Administrao. So Paulo: Atlas,
2000.
WEINBERG, J.; BROWN, L.; STROUD, J. Bayesian Forecasting of
an Inhomogeneous Poisson Process with Applications to Call
Center Data. Pennsylvania: University of Pennsylvania, 2006.
WEISSHUHN, W. Anlise de custos na formao de preos
em uma empresa de Call Centers: um estudo de caso. 2004.
125p. Dissertao (Mestrado em Administrao de Empresas)
Universidade Federal do Rio de Janeiro, Rio de Janeiro.

Sobre os autores
Marco Aurlio Carino Bouzada
Mestrado em Administrao e Desenvolvimento Empresarial (MADE), Universidade Estcio de S (UNESA)
Av. Presidente Vargas, 642, sala 2207, Centro, CEP 20071-001 Rio de Janeiro RJ
e-mail: marco.bouzada@estacio.br

Eduardo Saliby
COPPEAD/UFRJ, Universidade Federal do Rio de Janeiro
R. Pascoal Lemme, 355, CEP 21941-918, Rio de Janeiro RJ
e-mail: saliby@coppead.ufrj.br
Recebido: 28/1/2009
Aceito: 5/6/2009

Gest. Prod., So Carlos, v. 16, n. 3, p. 382-397, jul.-set. 2009