Análise Função Produção

Aplicado à Central Atendimento UOL

Apresentação do Problema
Central de Atendimento de alto volume
de solicitações técnicas
Como explicar atendimentos em função
do investimento em equipamentos e
trabalho dos atendentes?
Qual a sensibilidade dos insumos?
Etapas da Modelagem
Escolha das variáveis e forma funcional
Coleta de Dados
Proposta da função de regressão e
estimativa de parâmetros
Apresentação dos resultados
Análise dos dados e previsões do
modelo
Escolha das Variáveis
As variáveis principais definidas pelo
grupo, após entrevistas com os
executivos são:
 Tempo Médio de Atendimento (no dia)
 Tempo Médio de Espera (para ser atendido)
 Número de Atendentes
 Tecnologia do Equipamento de
Atendimento (gerenciamento inteligente)
Forma Funcional
Foram avaliados:
 Modelo Linear
 Y = a + bX + cY + dZ
 Modelo Duplo-Log
 Y = a * b^X * c^Y * d^Z
O modelo duplo-log resultou em melhor
aderência aos dados
Coleta de Dados
Foram coletados dados de 2004,
apresentados aqui sem modificações
Preferiu-se não excluir dados
“extremos”, embora tenhamos feito
também uma análise excluindo
extremos a 10% (aderência melhorou,
mas é correto fazer?)
Os dados não são públicos...
Dados : Parcial
Função de Regressão
Cobb-Douglas
*  *  * 
 Y = A * L1 L2 L3 K
 Onde:
 L1, L2, L3: fatores de trabalho
 K: fator de produção
Estimativa de Parâmetros
Como a análise é de curto prazo,
considera-se K fixo e estima-se os
fatores de trabalho
Após a linearização, obteve-se a
seguinte equação:
Q = 3095,17 * L1^(-0,67656) *
L2^(0,06110)* L3^(0,8532)
 L1: tempo médio atendimento
 L2: tempo médio espera
 L3: analistas
Estimativa de Parâmetros
Qualidade da regressão
 R^2 ajustado = 0,736
 T value:
 L1 = -6,76
 L2 = 7,92
 L3 = 16,83
 Os valores obtidos indicam boa aderência
 Para a regressão linear: R^2=0,641
Estimativa Parâmetros
Se eliminarmos os dados extremos, temos:
 R^2 = 0,868
 T value:
 L1 = -10,71
 L2 = 12,99
 L3 = 23,45
Q = 3474,82 * L1^(-0,6909) *
L2^(0,065)* L3^(0,8479)
Não há mudança significativa das conclusões
 Comparativo

14000
13000
12000
11000
Ligações

Q = Ligações Atendidas
10000
Ligações Previstas
9000
8000
7000
6000
Dia
Análise dos Dados
A equação mostra que a quantidade
aumenta se:
 TMA diminui
 Número de atendentes aumenta.
Mas mostra que a quantidade diminui
se o TME aumenta... ?!?!
Como interpretar esses resultados?
Análise dos Dados
Os resultados referentes ao TMA, TME e
número de atendentes mostram as
seguintes sensibilidades:
 d/dL1(Q) =-2094 * A^(-1,67656) *
B^(0,06110) * C^(0,8532)
 d/dL2(Q) = 189,11 *A^(-0,67656) *
B^(-0,9389) * C^(0,8532)
 d/dL3(Q) = 2640,8 * A^(-0,67656) *
B^(0,06110) *C^(-0,1468)
Análise dos Dados
Tomando-se a mediana dos dados:
 L1 = 362,5 seg (TMA)
 L2= 19 seg (TME)
 L3 = 358 unid. (Analistas)
Variações, na mediana:
 d/dL1(Q)= -19,39
 d/dL2(Q) = 33,42
 d/dL3(Q) = 24,74
Análise dos Dados
Então:
 Variação de +1 seg no tempo de
atendimento diminui Q=19
 Variação de + 1 seg no tempo de espera
aumenta Q=33
 Variação de +1 atendente aumenta Q=24
Análise dos Dados
Como explicar que o aumento de TME
aumenta Q?
 R. Como a fila é persistente, TME maior
sinaliza maior demanda e acaba por
aumentar o Q médio de atendimento/dia
Implicações
Há considerável sensibilidade do nível
de atendimento com relação ao TMA.
Isso reflete um desafio constante de
minimizar o tempo de atendimento
(suporte técnico complexo) sem
prejudicar a satisfação do cliente
Implicações
Formas usuais de aumentar o nível de
serviço: (atual 90/15)
 Treinamento dos atendentes, para diminuir
TMA
 Aumento do número de atendentes
 Melhora na tecnologia do equipamento de
controle de atendimento (longo prazo)