Você está na página 1de 13

MODELAGEM E SIMULAÇÃO DA OPERAÇÃO DE ATENDIMENTO EM UMA AGÊNCIA

BANCÁRIA

Lívia Goretti Carvalho Barroso(1) (liviagoretti@yahoo.com.br), João Victor Soares do Amaral(1)


(joao.victoramaral96@hotmail.com)

(1) Universidade Federal de São João del-Rei (UFSJ) – DEMEC, Praça Frei Orlando, 170, Centro, São João del-Rei, Minas Gerais, Brasil.

RESUMO: Em decorrência do aumento da densidade demográfica nas cidades, as filas têm se tornado cada
vez mais presentes na vida das pessoas. Os bancos são organizações onde há elevado número de reclamações
devido ao elevado tempo de espera em filas e muitas pessoas não sabem como agir nesses casos. No Brasil,
o tempo máximo de espera em filas de banco não é regulamentado por uma lei única para todas as unidades
federativas. Cabe então, aos municípios, a criação de leis que obriguem as agências bancárias do município
a colocarem uma quantidade de funcionários suficiente para que o atendimento às pessoas aconteça em
tempo razoável. Diante disso, o presente trabalho apresenta a simulação de eventos discretos como técnica
para diminuição do tempo de fila em uma agência bancária de uma cidade do interior de Minas Gerais. Ao
final do trabalho, conclui-se que o número atual de funcionários não é capaz de atender a demanda por
atendimento com um tempo de fila inferior a 15 minutos e que a contratação de mais um funcionário deve
ser avaliada em relação ao seu custo benefício pelo gerente da agência.

PALAVRAS-CHAVE: Simulação, IDEF-SIM, Pesquisa Operacional, Filas, Banco.

1. INTRODUÇÃO

Como efeito da explosão demográfica a partir da Revolução Industrial no século XVIII, as filas
de espera fazem parte da rotina diária das pessoas, constituindo uma etapa quase inevitável para a
aquisição de produtos e serviços (IGLESIAS; GUNTHER, 2009). Segundo esses mesmos autores (2009,
p. 539),

“A maior parte dos estudos sobre filas foi iniciada para solucionar problemas práticos
decorrentes do avanço tecnológico e da alta concentração urbana. Existem concepções de
fila de espera claramente distintas conforme suas características abordadas e conforme
seja tratada como algo abstrato ou concreto. Essas concepções têm lugar em campos
diversos: nas ciências exatas, como na matemática e na engenharia; nas ciências
biomédicas e nas ciências sociais, assim como no marketing, na sociologia e na psicologia.”

No campo da engenharia e da matemática, o estudo das filas teve seu início em meados do
século XX com o engenheiro de telecomunicações dinamarquês Agner Krarup Erlang que desejava
compreender os tempos de espera e o congestionamento das linhas telefônicas, começando assim
a chamada “Teoria das Filas” (CHWIF; MEDINA, 2015; IGLESIAS; GUNTHER, 2009).
A Teoria das Filas é uma das ferramentas da Pesquisa Operacional que trabalha com a
solução de modelos matemáticos que representem analiticamente o processo de formação de filas
e possibilitem uma previsão do comportamento do sistema. Dentre as informações que podem ser
obtidas através do método estão os tempos médios de espera e de permanência de um elemento

VIII COEN – Congresso de Engenharias da UFSJ


Inovando pessoas, conceitos e tecnologias
em fila, o número médio de elementos que estão em filas no sistema e a probabilidade de formação
de fila (PRADO, 2009; CHWIF; MEDINA, 2015).
As filas são descritas pela relação entre a demanda dos processos de chegadas e a
capacidade de atendimento dentro de um sistema. De acordo com Abensur et al. (2008, p. 48), “em
geral, os usuários relacionam o tempo gasto na fila com a organização da empresa”. A análise de
problemas de filas é baseada em distribuições probabilísticas e, na maioria dos casos, as
distribuições dos processos de chegada e de atendimento seguem a distribuição exponencial
(CHWIF; MEDINA, 2015). Entretanto, nem todos os dados coletados de chegadas de clientes e de
atendimento seguem essa distribuição. Sendo assim, a aproximação para ela pode resultar em
soluções erradas para o sistema.
Para reverter esse problema, a simulação surge como uma opção viável visto que nela,
qualquer curva de distribuição probabilística pode ser utilizada, desde que o software escolhido
contenha-as, além de permitir a modelagem de características complexas do sistema, incluindo as
variáveis dinâmicas e sua natureza aleatória. Para Sakurada e Miyake (2009, p. 25), “a grande
variedade de softwares de simulação disponíveis no mercado, alguns específicos para determinados
processos, outros de caráter mais generalista, favorecem a aplicação da simulação de uma forma
geral”.
Simulação é uma representação computacional simplificada de um sistema real a partir da
qual é possível criar diferentes cenários que auxiliem no processo de tomada de decisão (CHWIF;
MEDINA, 2015; KELTON, 2010). Ainda, com a simulação, os resultados são mais precisos e
funcionam como um indicador para prever como um sistema reagirá quando estiver sujeito a uma
modificação específica (MAURICIO et al., 2015). Para Sakurada & Miyake (2009, p.25), “a simulação
é uma técnica utilizada tanto para projeto e avaliação de novos sistemas, como para reconfiguração
física ou mudanças no controle e/ou regras de operação de sistemas existentes”.
A técnica de simulação pode ser aplicada a diversos tipos de sistemas. A simulação de
eventos discretos (SED) é utilizada para modelar sistemas que mudam o seu estado
instantaneamente em momentos discretos no tempo, a partir da ocorrência de eventos cujos
comportamentos das entradas e saídas obedecem a um padrão aleatório, sendo caracterizados,
normalmente, por distribuições probabilísticas que melhor representem a realidade do sistema
estudado (SAKURADA; MIYAKE, 2009; CHWIF; MEDINA, 2015).
As filas podem ser encontradas em centrais de atendimento telefônico, bancos, caixas de
supermercado, processos de produção em uma indústria e etc. Nesse contexto, Mauricio et al.
(2015) verificou a aplicação da SED na alteração do layout em uma empresa do setor automobilístico
em decorrência do elevado índice de refugos devido a não especialização dos funcionários em
produtos específicos. Já Scarp et al. (2014) utilizou da ferramenta para análise do processo de
atendimento em caixas de supermercado a fim de minimizar as filas e os tempos de espera dos
clientes. Santos e Alves (2014) analisaram a dinâmica operacional de um restaurante selfie-service.
Nesse contexto, a simulação de eventos discretos é uma linha de estudo que vem crescendo
não só no ambiente acadêmico como também no empresarial, uma vez que o estudo do
comportamento das filas que ocorrem em sistemas reais, a partir de modelagem que não gera
pausas ou interrupções nos processos para avaliar possíveis mudanças, evita custos desnecessários
além de proporcionar uma visão ampla dos recursos e variáveis para o bom funcionamento do
conjunto (MONTEVECHI, 2007; WINSTON, 2004). Logo, este trabalho teve como objetivo a aplicação

VIII COEN – Congresso de Engenharias da UFSJ


Inovando pessoas, conceitos e tecnologias
da simulação de eventos discretos para análise do tempo de fila de espera por atendimento em um
banco e proposição de cenários que possibilitassem a diminuição do tempo gasto dentro do sistema.

2. MATERIAIS E MÉTODOS

A caracterização da pesquisa deu-se pelos passos adotados nos estudos de Chwif & Medina
(2015), igualmente utilizados nos casos pesquisados por Scarp et al. (2014) e Leal (2010). As etapas
utilizadas na metodologia foram: coleta e tratamento dos dados; elaboração e validação do modelo
conceitual; criação do modelo computacional e posteriores verificação e validação, a fim de torná-
lo um modelo confiável, conhecido como modelo operacional; e finalmente, execução do teste e
aferição dos resultados. Os tópicos seguintes trazem o referencial teórico e o passo a passo desse
método.

2.1. Modelagem dos dados de entrada

A maioria dos sistemas que procuramos modelar através da simulação possui algum
fenômeno aleatório que os governa. Dessa maneira, é possível prever o comportamento
probabilístico dos dados e representá-lo no modelo da simulação. Para que a modelagem ocorra
facilmente, o processo de entrada de dados deve ser representado por uma sequência de variáveis
aleatórias independentes e identicamente distribuídas, ou seja, devem seguir uma mesma
distribuição de probabilidade conhecida e serem mutuamente independentes entre si (CHWIF;
MEDINA, 2015).
O primeiro passo, a coleta de dados, iniciou-se com a escolha correta das variáveis a partir
dos parâmetros de desempenho estabelecidos nos objetivos do estudo. Conforme Chwif e Medina
(2015, p. 21), “o tamanho da amostra deve estar entre 100 e 200 observações, pois amostras com
menos de 100 observações podem comprometer a identificação do modelo probabilístico que
melhor se adeque ao sistema e mais de 200 observações não trazem vantagens significativas ao
trabalho”. As amostras foram anotadas na mesma ordem de ocorrência dos fenômenos.
Posteriormente, iniciou-se o tratamento dos dados, auxiliado pela ferramenta box-plot, a
partir da verificação da presença de outliers, valores não usuais que podem ser obtidos por erro no
procedimento de coleta das amostras ou por eventos raros. Em seguida, foi feita uma análise de
correlação, a fim de verificar se os dados são independentes entre si. No diagrama de dispersão foi
possível visualizar se esses dados tendiam a se dispersarem de modo aleatório (não correlacionados)
ou não (CHWIF; MEDINA, 2015).
Construída a mostra, foi identificada qual a curva de probabilidade que melhor
representasse os dados. A determinação da curva foi feita através da ferramenta Input Analyser do
software Arena® 14.0.
Por fim, após a construção do histograma e a definição da distribuição de probabilidade, foi
feito um teste de aderência para verificar se a distribuição encontrada era a mais adequada para
representar o sistema. Os testes do qui-quadrado e Kolmogorov-Smirnov são análises disponíveis
no software a ser utilizado e são ensaios não paramétricos indicadas para este estudo (CHWF;
MEDINA, 2015). Feito isso, foram refeitos os procedimentos de inferência e aderência para outras
distribuições, com o mesmo nível de confiança, a fim de verificar se a distribuição escolhida era a
mais adequada.

VIII COEN – Congresso de Engenharias da UFSJ


Inovando pessoas, conceitos e tecnologias
2.2. Modelagem conceitual

Continuando com o método proposto, o próximo passo foi a criação do modelo conceitual
do sistema. Segundo Law (1991) citado por Chwif e Medina (2015, p.45) “a etapa de criação do
modelo conceitual é o aspecto mais importante de um estudo de simulação”.
A técnica IDEF-SIM (Integrated Definition Methods) é uma técnica de modelagem conceitual
proposta por Leal (2010) que une e adapta três elementos lógicos de técnicas de modelagem sendo
elas o IDEF0, o IDEF3 e o fluxograma, permitindo a elaboração de modelos conceituais com
informações úteis para a construção de um modelo de simulação (DE SOUZA; DE ASSIS RANGEL,
2015). A Figura 1.1 apresenta a simbologia utilizada na técnica proposta.

Figura 1. Simbologia utilizada na técnica IDEF-SIM.


Fonte: Leal (2010).

Após a construção do modelo conceitual, foi feita uma validação do modelo com o intuito
de verificar se ele transmite adequadamente as informações do sistema real. Uma das técnicas
utilizadas é a chamada “face a face” na qual o modelo foi analisado e aprovado por pessoas da
empresa que realmente conhecem o processo que está sendo estudado (CHWIF; MEDINA, 2015).

2.3. Modelo computacional

Em seguida, o modelo conceitual foi convertido em um modelo computacional através da


implementação em um computador com utilização de uma linguagem de simulação ou de um
simulador comercial. Entretanto, hoje em dia, a linguagem de simulação é utilizada com finalidade
extremamente restrita e por pessoas que possuem conhecimento de alguma linguagem de
programação de alto nível (CHWIF; MEDINA, 2015). Para Sakura e Miyake (2009, p.28), “os

VIII COEN – Congresso de Engenharias da UFSJ


Inovando pessoas, conceitos e tecnologias
simuladores oferecem vantagens como necessidade de tempo relativamente menor para
construção do modelo e maior facilidade de utilização apoiada em menus e gráficos amigáveis (user-
friendly)”.
O software Arena® 14.0 é um simulador que pode ser utilizado na simulação de diferentes
processos. Ele tem sido amplamente empregado na avaliação de filas, auxiliando na possibilidade
de modificações no sistema simulado contribuindo para o processo de tomada de decisões
(BERNARDES, 2012; SARTOR et al., 2014). Foi utilizada uma versão estudante livre do pacote de
simulação Arena®.
Para Júnior et al. (2015, p.11), “uma das etapas mais importantes da simulação é a
verificação e validação do modelo. Se o modelo não refletir o sistema real, as saídas irão influenciar
negativamente na qualidade da decisão”. Assim, os objetivos da verificação e da validação são,
respectivamente, assegurar que as lógicas de funcionamento do modelo sejam iguais ao do sistema
e real e que, o modelo real esteja implementado de forma acurada no modelo computacional. A
verificação e a validação foram feitas a partir do método de análise de dados de saída para sistemas
terminais, dividido em sete passos (CHWIF; MEDINA, 2015):

1. Escolha das medidas de desempenho que foram avaliadas;


2. Escolha da confiança estatística e da precisão desejada;
3. Definição do tempo de simulação;
4. Construção da amostra piloto e estimativa do intervalo de confiança a partir das equações
(1) e (2):
𝑠
ℎ = 𝑡𝑛−1;𝛼⁄2 𝑛 (1)

𝑥̅ − ℎ ≤ 𝜇 ≤ 𝑥̅ + ℎ (2)

5. Determinação do número de replicações necessárias segundo a equação:

ℎ 2
𝑛∗ = [𝑛 ( ∗ ) ] (3)

Onde,
𝑛 = número de replicações da primeira rodada;
ℎ = tamanho do intervalo de confiança;
ℎ∗ = tamanho do intervalo de confiança desejado;
𝑥̅ = média das médias de tempo no sistema.

6. Execução do modelo novamente;


7. Cálculo do novo intervalo de confiança a partir das equações (1) e (2).

Ao final desses passos, o modelo computacional passou a ser chamado de modelo


operacional, a partir do qual, foram feitas proposições de cenários que possibilitaram a diminuição
do tempo gasto pelos clientes dentro do sistema. Aliado a isso, foi utilizada a ferramenta OptSquare
do software Arena® 14.0 que auxiliou na avaliação da quantidade de recursos que proporcionou o
melhor resultado para o sistema a partir da capacidade disponível.

VIII COEN – Congresso de Engenharias da UFSJ


Inovando pessoas, conceitos e tecnologias
3. DESENVOLVIMENTO

A empresa estudada foi um Banco situado em uma cidade do interior de Minas Gerais. Para
este trabalho, foi considerado somente o atendimento em caixas convencionais, não considerando
o caixa de atendimento prioritário, devido ao primeiro ser considerado o gargalo de atendimento
na agência. Primeiramente, fez-se necessária a criação de um fluxograma a fim de identificar e
mapear os processos a serem trabalhados. A Figura 2 apresenta o fluxograma do processo em
questão.

Figura 2. Fluxograma das etapas realizadas pelos clientes.


Fonte: Autores.

No presente trabalho, analisou-se o sistema a partir do momento em que o cliente já possui


uma senha e aguarda o atendimento, uma vez que o tempo médio de permanência na fila para
impressão de senha era muito pequeno.

3.1. Modelo conceitual

Após a criação do fluxograma, o sistema foi modelado segundo a técnica IDEF-SIM, como
mostrado na Figura 3, com a finalidade de facilitar a criação do modelo computacional.

Figura 3. Modelo IDEF-SIM do atendimento nos caixas do banco.


Fonte: Autores.

Nela, a numeração (1) na entrada do sistema sinaliza a existência de tempos entre chegadas
de senhas e a numeração (2) representa o tempo de atendimento de clientes.
A verificação e a validação do modelo conceitual foram realizadas através do modelo IDEF-
SIM. A verificação foi realizada por meio da técnica de revisão em grupo e pela análise crítica dos

VIII COEN – Congresso de Engenharias da UFSJ


Inovando pessoas, conceitos e tecnologias
modeladores durante o estudo e a validação foi realizada por meio da técnica face a face com o
gerente do banco.

3.2. Determinação das variáveis de controle

Após a construção do modelo conceitual, foram coletados os dados referentes às variáveis


de tempo entre chegadas de cliente e tempo de atendimento de cada cliente, para que assim, o
tempo que cada cliente permanecia no sistema pudesse ser calculado.
Em seguida, foram determinados os seguintes cenários a serem analisados:
1) Cenário atual;
2) Análise de cenário para número de atendentes igual ao atual e 15 minutos como tempo
máximo de espera dos clientes na fila para atendimento, segundo o art. 2° da Lei Municipal
N° 3937 de 17 de maio de 2006.
3) Análise do cenário 2, contando que não pudesse haver contratação.

3.3. Coleta e tratamento de dados

Foram coletados um total de 400 dados, de segunda à sexta-feira, no período de 10h00 às


15h00 nos primeiros 10 dias do mês de maio de 2018, sendo 200 deles referentes aos tempos entre
chegadas de clientes ao caixa e 200 referentes aos tempos de atendimento. Um cronômetro foi
utilizado para medição desses tempos.
Após a aferição, os dados foram transportados para uma planilha no software Microsoft
Excel® e, através dos gráficos de dispersão criados, foi possível verificar que os dados não estavam
correlacionados entre si.
Em seguida, com o intuito de verificar a existência de outliers, foram construídos boxplots
para os dados de intervalos entre chegadas de clientes e para os dados de tempo de atendimento
dos cliente, Figuras 4a e 4b, respectivamente. Para a construção dos diagramas e análise dos dados
utilizou-se o software Minitab® 17, que é um programa para tratamento de dados estatísticos, uma
vez que o boxplot é uma ferramenta gráfica que representa a variação dos dados de uma variável
numérica.

Boxplot - Intervalo entre chegadas Boxplot - Tempo de atendimento


900 1200

800
1000
700
Tempo de atendimento
Tempo entre chegadas

600 800

500
600
400

300 400

200
200
100

0 0

(a) (b)
Figura 4. Boxplot. para os dados do intervalo entre chegadas dos clientes
Fonte: Minitab.

VIII COEN – Congresso de Engenharias da UFSJ


Inovando pessoas, conceitos e tecnologias
A presença de outliers pode ser verificada nos diagramas das duas variáveis. Entretanto,
somente o outlier de 1118 segundos, ocorrido nos dos dados de tempo de atendimento, foi retirado
do estudo, pois no momento deste atendimento o sistema do banco havia entrado em manutenção.
Os demais tempos de atendimento foram mantidos visto que a necessidade por tempo de
atendimento varia de acordo com a atividade a ser realizada e a quantidade de tarefas que cada
cliente necessita. Já os dados de tempo entre chegadas foram mantidos pois, fora dos horários de
pico, as chegadas de clientes tendem a ser mais espaçadas.
Em seguida, o outlier foi retirado dos dados da planilha no software Microsoft Excel® e estes
foram convertidos em arquivos de texto (.txt), também no mesmo software, e então inseridos no
Input Analyzer do Arena® 14. Foi utilizada a função fit all para obter a distribuição de probabilidade
que melhor se adequava a cada grupo de dados. Essa função apresenta, além da distribuição
probabilística, os resultados dos testes qui-quadrado e Kolmogorov-Smirnov, com seus respectivos
P-Valores, que podem ser vistos na Tabela 1.

Tabela 1 – Testes e distribuições probabilísticas dos dados.


Teste
Variável Distribuição Expressão Qui- Kolmogorov-
quadrado Smirnov
Intervalo entre chegadas Weibull 0.999 + WEIB(70.2, 0.685) 0,0706 0,15
Tempo de atendimento Gamma 15 + GAMM(145, 1.16) 0,152 0,15
Fonte: Autores.

Como, para ambas as amostras, o p-valor é maior que α = 0,05, as distribuições foram
consideradas como adequadas para representarem as etapas do sistema.

3.4. Análise do modelo de ajuste

Para verificar se as distribuições realmente representariam a realidade, foi construído,


primeiramente, um modelo simples no software Arena® 14.0 para os dados dos intervalos entre
chegadas, como pode ser visto na Figura 5.

Figura 5. Modelo para validação da distribuição de probabilidade gerada para os dados dos
tempos de chegada entre clientes.
Fonte: Arena.

Em seguida, o modelo foi rodado e os dados obtidos no Arena® 14.0 foram exportados para
o Excel®, onde foi possível calcular a diferença entre os dados reais e os dados simulados. Por fim,
construiu-se o intervalo de confiança, obtendo-se como valor mínimo -49,91 segundos e, como
valor máximo, 148,79. Como o zero encontra-se nesse intervalo, conclui-se que a distribuição é
válida e representa bem a realidade. O valor de 139,02 para o desvio padrão é alto, o que sugere

VIII COEN – Congresso de Engenharias da UFSJ


Inovando pessoas, conceitos e tecnologias
que, provavelmente, algum fator não foi considerado na simulação ou também devido a presença
de valores indevidos. Entretanto, até o momento, não foi possível aceitar a hipótese de um modelo
inválido ou totalmente válido. Desse modo, o estudo foi continuado.
Posteriormente, o mesmo procedimento foi realizado para os dados dos tempos de
atendimento cujo modelo computacional está mostrado na Figura 6.

Figura 6. Modelo para validação da distribuição de probabilidade gerada para os dados dos
tempos de atendimento dos clientes.
Fonte: Arena.

Nesse caso, os valores obtidos para o intervalo de confiança foram -33,67 e 190,53 e, como
o zero também está neste intervalo, a distribuição é considerada como adequada para representar
a realidade. Nesse caso, também foi encontrado um valor alto para o desvio padrão, 156,86.

3.5. Modelo computacional

Após a conclusão das etapas anteriores, construiu-se o modelo computacional do sistema.

Figura 7. Modelo computacional do atendimento nos caixas do banco


Fonte: Arena.

O sistema é iniciado com um bloco create, nomeado de “chegada de clientes”. Esse bloco é
responsável pela geração das entidades do modelo de acordo com a distribuição de probabilidade
encontrada para a amostra dos intervalos entre chegadas dos clientes.
Em seguida, as entidades passam pelo bloco Assign 1, o qual possui um atributo chamado
“tempoagora”, que registra o tempo exato em que a entidade entrou no sistema. Na sequência, o
bloco hold captura o tempo que o cliente permanece na fila e assim, o bloco Assign 3, que possui
um atributo de nome “tempodeespera”, armazena o tempo total que cada cliente permaneceu na
fila.
O bloco Process nomeado de “atendimento” foi configurado de maneira a representar as
atividades realizadas no atendimento, de acordo com a distribuição probabilística encontrada. A

VIII COEN – Congresso de Engenharias da UFSJ


Inovando pessoas, conceitos e tecnologias
ação estabelecida foi a seyze delay release, o que quer dizer que o recurso será capturado, havendo
um tempo correspondente ao seu processamento, e em seguida ele será liberado, possibilitando
que outro cliente seja atendido. Além disso, o bloco tem como recurso a ser utilizado um único
atendente por cliente, sendo que há dois recursos atendentes.
Posteriormente, tem-se um terceiro bloco assign com um atributo chamado “tempo”, que
é responsável por armazenar o tempo total da entidade no sistema, ou seja, o tempo entre a
chegada do cliente e o fim do atendimento no caixa. O bloco readwrite é responsável por passar os
valores dos atributos “tempo” e “tempoespera” para o Excel e, finalmente, o bloco dispose, que
simboliza a saída da entidade do sistema.

3.5.1. Verificação e validação do modelo computacional

Para a verificação e a validação do modelo computacional, seriam realizadas, à princípio, 320


replicações, valor obtido através da etapa 5 da análise dos dados. No entanto, devido ao limite de
linhas do arquivo do Excel aceito pelo Arena 14.0 versão estudante, foram realizadas apenas 226
replicações. Assim, a partir dos novos dados gerados no software Microsoft Excel® pelo modelo,
construiu-se o intervalo de confiança para os dados da coluna “tempo de espera”, resultando em
um valor mínimo de 6,47 minutos e um valor máximo de 71,45 minutos, ou seja, no cenário 1
(cenário atual) os clientes esperam na fila, entre 6,47 e 71,45 minutos.
Um fato importante que deve ser ressaltado é que o sistema não possui tempo de warm up,
pois as atividades são realizadas por pessoas, não necessitando, portanto, de um período de
aquecimento, como no caso de máquinas em uma indústria. Além disso, as atividades têm início e
término diariamente.

3.6. Análise dos resultados

Após a implementação, verificação e validação do modelo computacional, foi realizada a


análise dos cenários 2 e 3 na ferramenta OptQuest do software Arena® 14, versão estudante.
Foram considerados 7 intervalos de tempo de 1h cada um, que representaram o tempo
desde a abertura até o fechamento do banco (5h) e foram consideradas mais 2 horas para
atendimento dos clientes que adquirem a senha mas não conseguem atendimento até o
fechamento da agência.
O Cenário 2 propunha a contratação de mais um atendente e que o tempo de espera do
cliente na fila fosse, no máximo, 15 minutos. A Figura 8 apresenta as melhores soluções
encontradas, sendo que a primeira foi a que apresentou o melhor resultado, havendo a necessidade
de contratação de um terceiro funcionário para atendimento.

VIII COEN – Congresso de Engenharias da UFSJ


Inovando pessoas, conceitos e tecnologias
Figura 8. Melhores soluções para o Cenário 2.
Fonte: Arena.

Já o Cenário 3 propunha reduzir o tempo de espera na fila para no máximo 15min mas
mantendo o mesmo número de funcionários. A Figura 9 apresenta as melhores soluções obtidas.
Porém, verifica-se que não é possível reduzir o tempo de espera na fila para no máximo 15 minutos
sem que haja a contratação de mais um funcionário.

Figura 9. Melhores soluções para o Cenário 3.


Fonte: Arena.

4. RESULTADOS E CONCLUSÕES

O trabalho apresentado teve como objetivo propor cenários que possibilitassem a tomada
de decisão para diminuição do tempo de fila de espera por atendimento em um banco a partir da
aplicação da simulação de eventos discretos.
A partir da coleta dos dados das variáveis de tempo entre chegadas de clientes e tempo de
atendimento, e posterior tratamento dos dados, foi verificado que não há oscilação considerável da
demanda por atendimento durante os dias da semana, somente durante os as do mês. Como o
cenário considerado foi o pior caso, nos primeiros 10 dias do mês (segundo o gerente da agência)
considera-se que os resultados obtidos representam a realidade atual de atendimento na agência
bancária.
Foi constatado que o Cenário Atual do atendimento nos caixas bancária gera tempos de
espera na fila entre 6,47 min e 71,45 min, tempo esse superior ao estipulado por leis municipais de
algumas cidades brasileiras que estipula o tempo máximo de 15 minutos de espera do cliente em
fila.

VIII COEN – Congresso de Engenharias da UFSJ


Inovando pessoas, conceitos e tecnologias
O Cenário 2 mostrou que, para que a proposta fosse verdadeira, um terceiro funcionário
deveria ser contratado. O gasto com um novo funcionário recebendo R$1000,00 de salário,
considerando as despesas com INSS, FGTS, 13º salário, férias e demais encargos sociais, sairia por
cerca de R$1681,80. O Cenário 3, que tinha como proposta diminuir o tempo de espera em fila sem
a contratação de mais um funcionário se mostrou impossível. Como, a demanda por atendimento
deste terceiro funcionário acontece somente em um horário de pico, das 12h às 13h, entende-se
que deve ser feita uma análise do custo-benefício da contratação de mais um funcionário por parte
do gerente da agência.
A simulação de eventos discretos se mostrou uma técnica simples e de fácil aplicação para
análise no nível de serviço oferecido aos clientes em termos de rapidez no atendimento através do
estudo de tempos de filas como auxílio para tomada de decisão. O software Arena 14.0 versão
estudante apresentou resultados consistentes mas, no entanto, por não possuir todas as
ferramentas e funções da versão completa, os resultados obtidos podem ter sido prejudicados.
Ainda, os altos valores encontrados para os desvios padrões indicam que, ou algum fator
não foi considerado na simulação ou pode ter havido algum erro na coleta dos dados de entrada.
Também, a não consideração dos tempos de fila para pegar a senha de atendimento, considerados
valores muito pequenos comparados aos das demais variáveis, pode ter influenciado em um
resultado com um intervalo muito grande.
Desse modo, sugere-se, para trabalhos futuros, fazer uma análise das variáveis a serem
analisadas e coletar novos dados em diferentes dias e meses do ano, para que possa ser encontrada
uma distribuição probabilística que se adeque melhor à realidade das variáveis e,
consequentemente, gere resultados mais fidedignos. Ainda, obter a licença de softwares mais
completos e a ajuda de pessoas especialistas na área a fim de favorecer as técnicas de verificação e
validação dos modelos podem auxiliar na obtenção de resultados mais compatíveis com a realidade.

5. REFERÊNCIAS BIBLIOGRÁFICAS

ABENSUR, E. O., et al. Tendências para o auto-atendimento bancário brasileiro: um enfoque


estratégico baseado na teoria das filas. Revista de Administração Mackenzie (Mackenzie
Management Review), v. 4, n. 2, 2008.
BARBACENA. Decreto-lei nº 3.937, de 17 de maio de 2007. Prefeitura Municipal de Barbacena,
26 de junho de 2007, p.1. Disponível em <http://leismunicipa.is/ghedm> Acesso em 22 de junho de
2018.
BERNARDES, M. A.; PAULA, J. F. de. Modelagem e Simulação de uma Linha de Produção de
Bancos Automotivos no Brasil Utilizando o Software Arena. Pindamonhangaba - São Paulo, 2012.
CHWIF, L.; MEDINA, A. C. Modelagem e simulação de eventos discretos: teoria e aplicações – 4.
Ed. – Rio de Janeiro: Elsevier, 2015.
DE SOUZA, A. A.; DE ASSIS RANGEL, J. J. Unified Modeling of Discrete Event and Control Systems
Applied in Manufacturing. Vertices, v. 16, n. 3, p. 57-74, 2015.
DOS SANTOS, J. A. A.; ALVES, R.. Modelagem, simulação e otimização da dinâmica operacional
de um pequeno restaurante: um estudo de caso. HOLOS, v. 4, p. 375-386, 2014.
IGLESIAS, F.; GÜNTHER, H. A espera na vida urbana: uma análise psicossocial das filas. Psicologia
em estudo, v. 14, n. 3, 2009.

VIII COEN – Congresso de Engenharias da UFSJ


Inovando pessoas, conceitos e tecnologias
JÚNIOR, E. S. et al. Aplicação de simulação, planejamento de experimentos e otimização na
gestão da dinâmica operacional de uma unidade básica de saúde. Revista Espacios, Vol. 36 (Nº 11),
2015.
KELTON, David W. Simulation with Arena, 5a Ed, 2010.
LEAL, F.. Análise do efeito interativo de falhas em processos de manufatura através de projeto
de experimentos simulados. 2008. 237f. Dissertação (Doutorado em Engenharia Mecânica) –
Universidade Estadual Paulista, Guaratinguetá, 2008.
MAURÍCIO, T. B. et al. Using discrete event simulation to change from a functional layout to a
cellular layout in an auto parts industry. Acta Scientiarum. Technology, v. 37, n. 3, p. 371, 2015.
MONTEVECHI, J. A. B. Pesquisa operacional, Itajubá, p.3, 2007.
PRADO, D. S. Teoria das filas e simulação. Série Pesquisa Operacional. Belo Horizonte:
Desenvolvimento Gerencial, 2009.
SAKURADA, N.; MIYAKE, D. I. Aplicação de simuladores de eventos discretos no processo de
modelagem de sistemas de operações de serviços. Gestão & Produção, v. 16, n. 1, p. 25-43, 2009.
SARTOR, F.; DOS SANTOS, J. A. A.; SCHMIDT, C. A. P. Teoria das restrições e simulação aplicadas
no gerenciamento de demanda de uma unidade de pronto atendimento. Revista Espacios, Vol. 35
(Nº 4), 2014.
SCARP, L. P. C.; TORRES, A. A. V. B.; SILVA, A. N. Simulação como ferramenta de tomada de
decisão do processo de atendimento em empresa de varejo. RACE-Revista de Administração,
Contabilidade e Economia, v. 12, n. 2, p. 395-430, 2014.
WINSTON, W. L. Operations Research. Applications and Algorithms. 3a. Ed., Duxburry Press,
2004.

MODELING, SIMULATION AND OPTIMIZATION OF THE SERVICE OPERATION IN A


BANKING AGENCY

ABSTRACT: Because of the increasing population density in cities, queues have become more and present in
people's lives. Banks are organizations where there are high number of complaints due to the high waiting
time in queues and many people do not know how to act in such cases. In Brazil, a single law does not regulate
the maximum waiting time in bank queues for all federative units. It is then up to the municipalities to create
laws that oblige the bank branches of the municipality to place a sufficient number of employees so that the
service to the people happens in a reasonable time. Therefore, the present work presents the simulation of
discrete events as a technique to reduce queue time in a branch of a city in the interior of Minas Gerais. At
the end of the study, it is concluded that the current number of employees is not able to meet the demand for
service with a queuing time of less than 15 minutes and that the hiring of another employee should be
evaluated in relation to its cost benefit by agency manager.

KEYWORDS: Simulation, IDEF-SIM, Operational Research, Queues, Bank.

VIII COEN – Congresso de Engenharias da UFSJ


Inovando pessoas, conceitos e tecnologias

Powered by TCPDF (www.tcpdf.org)

Você também pode gostar