CARLOS GUILHERME BATISTA DA SILVA MARCÍLIO BHERING MAGALHÃES SIMULAÇÃO DO ATENDIMENTO DOS CAIXAS EM AGÊNCIAS BANCÁRIAS Trabalho de graduação apresentado ao Departamento de Engenharia Elétrica e de Produção da Universidade Federal de Viçosa como parte das exigências para a conclusão do curso de Engenharia de Produção. Orientadora Prof. Danielle Dias Sant´ana Co-orientador Antônio Cleber Gonçalves Tibiriçá VIÇOSA MINAS GERAIS - BRASIL 2005 Dedico este trabalho aos meus amados pais, João Carlos e Sandra pelo amor, apoio e por tudo o que fizeram por mim até hoje. A minha irmã Camila, pelos ensinamentos e amizade. Ao meu amigo Maga, pela amizade e compreensão. (Carlos Guilherme) Dedico este trabalho aos meus queridos pais Jorge e Martha pelo amor e incentivo ao longo da minha vida. À Emilene, pelo amor e dedicação. Ao meu amigo Gui, pela amizade e paciência. (Marcílio) ii SIMULAÇÃO DO ATENDIMENTO DOS CAIXAS EM AGÊNCIAS BANCÁRIAS UTILIZANDO O ARENA RESUMO Neste trabalho foi realizada a modelagem das filas de espera para o atendimento nos caixas da Agência Bancária do Banco do Brasil localizada no centro da cidade de Viçosa (MG). A simulação foi a ferramenta escolhida para o estudo do atendimento dos caixas do banco. Os dados dos intervalos entre as chegadas e dos tempos de atendimento foram coletados no sistema real e suas respectivas funções de probabilidade foram ajustadas para serem utilizadas na simulação. O software Arena foi o escolhido para se realizar o trabalho, visto que é de fácil acesso e possui um módulo de funcionamento para universitários. A análise dos resultados proporcionou chegar-se à conclusão de que o sistema utilizado atualmente atende a necessidade dos clientes, exceto em alguns dias que iniciam o mês, em que a chegada de clientes é mais intensa e há a formação de filas maiores, elevando conseqüentemente o tempo dos usuários no sistema. Visando uma melhoria do sistema foram apresentadas algumas sugestões como, por exemplo, a inclusão de um novo atendente durante o horário crítico de funcionamento da agência bancária. iii ÍNDICE CARLOS GUILHERME BATISTA DA SILVA ................................................................................................I MARCÍLIO BHERING MAGALHÃES .............................................................................................................I RESUMO .............................................................................................................................................................III LISTA DE TABELAS ........................................................................................................................................ VI LISTA DE FIGURAS ......................................................................................................................................... VI 2 - OBJETIVOS .................................................................................................................................................... 3 3 - REVISÃO DE LITERATURA ....................................................................................................................... 3 3.1 - MODELAGEM DE SISTEMAS DE FILAS........................................................................................................ 3 3.2 - ELEMENTOS DE UMA FILA ......................................................................................................................... 4 3.3 - CARACTERÍSTICAS DE UMA FILA ............................................................................................................... 4 3.3.1 - Modelo de Chegada............................................................................................................................. 4 3.3.2 - Clientes e Tamanho da População ..................................................................................................... 4 3.3.3 - Modelos de Serviço ............................................................................................................................. 5 3.3.4 - Capacidade do Sistema ....................................................................................................................... 5 3.3.5 - Disciplina da Fila................................................................................................................................ 5 3.3.6 - Tamanho Médio da Fila ..................................................................................................................... 6 3.3.7 - Tamanho Máximo da Fila.................................................................................................................. 6 3.3.8 - Tempo Médio de Espera na Fila ........................................................................................................ 6 3.4 – SIMULAÇÃO ................................................................................................................................................ 6 4 - MATERIAIS E MÉTODOS ........................................................................................................................... 7 4.1 - COLETA DE DADOS NA AGÊNCIA BANCÁRIA ............................................................................................. 8 5 - O MODELO CONCEITUAL DA AGÊNCIA BANCÁRIA ........................................................................ 9 6 - ANÁLISE ESTATÍSTICA DOS DADOS.................................................................................................... 11 7 - IMPLEMENTAÇÃO NO ARENA ............................................................................................................... 12 8 - RELATÓRIO DA ANÁLISE ESTATÍSTICA DOS DADOS.................................................................... 13 8.1 - INTERVALO ENTRE AS CHEGADAS NA FILA .............................................................................................. 13 8.1.1 - Dados agrupados das 10h às 11h e 30min ....................................................................................... 13 8.1.2 - Dados agrupados das 11h 30min às 13h .......................................................................................... 13 8.1.3 - Dados agrupados das 13h ás 15h ..................................................................................................... 14 8.2 - TEMPOS DE ATENDIMENTO ...................................................................................................................... 14 iv 9 - ASPECTOS DA SIMULAÇÃO.................................................................................................................... 15 10 – RESULTADOS E DISCUSSÃO ................................................................................................................ 16 11 - CONCLUSÃO.............................................................................................................................................. 19 REFERÊNCIAS.................................................................................................................................................. 21 APÊNDICES & ANEXO.................................................................................................................................... 22 APÊNDICE A...................................................................................................................................................... 23 RELATÓRIOS FINAIS, GERADOS PELO ARENA, DOS INTERVALOS DE TEMPO ANALISADOS...... 23 APÊNDICE B ...................................................................................................................................................... 27 GRÁFICOS GERADOS PELO OUTPUT ANALYSER EM RELAÇÃO AOS INTERVALOS DE CONFIANÇA, MENCIONADOS NO TÓPICO 11 (ASPECTOS DA SIMULAÇÃO).................................... 27 APÊNDICE C...................................................................................................................................................... 28 GRÁFICOS E QUADROS REFERENTES ÀS ANÁLISES ESTATÍSTICAS DOS DADOS GERADAS PELO INPUT ANALYSER ........................................................................................................................................... 28 ANEXO A ............................................................................................................................................................ 32 DESCRIÇÕES DE ALGUNS MÓDULOS UTILIZADOS NA LÓGICA DO ARENA .................................... 32 v LISTA DE TABELAS 1 Número médio e máximo de pessoas na fila em cada horário analisado. Além do número de pessoas que entraram e saíram do sistema em cada 2 intervalo de tempo analisado........................................................................ 17 Taxa de ocupação dos caixas durante os horários analisados...................... 18 LISTA DE FIGURAS 1 Modelo conceitual de atendimento da agencia bancária em estudo............. 1A Relatório Final (Horário de 10h às 11h 30min), gerado pelo Arena, com os resultados finais das principais variáveis analisadas nesse estudo................ 2A 23 Relatório Final (Horário de 11h 30min às 13h), gerado pelo Arena, com os resultados finais das principais variáveis analisadas nesse estudo................ 3A 8 24 Relatório Final (Horário de 13h às 15h), gerado pelo Arena, com os Resultados finais das principais variáveis analisadas nesse estudo............... 25 4A Legenda referente aos dados encontrados nos relatórios finais..................... 26 1B Gráfico (Horário de 10h às 11h 30min), gerado pelo Output Analyser, referente ao intervalo de confiança encontrado para os dados.................... 2B Gráfico (Horário de 11h 30min às 13h), gerado pelo Output Analyser, referente ao intervalo de confiança encontrado para os dados.................... 3B 27 Gráfico (Horário de 13h às 15h), gerado pelo Output Analyser, referente vi 27 ao intervalo de confiança encontrado para os dados.................................... 1C Gráfico da distribuição de probabilidade, gerado pelo Input Analyser, para os intervalos de chegada dos clientes na fila entre 10h e 11h 30min.......... 2C 30 Gráfico da distribuição de probabilidade, gerado pelo Input Analyser, para os tempos de atendimento dos clientes no caixa........................................... 8C 30 Relatório dos testes utilizados na escolha da distribuição de probabilidade para os intervalos de chegada dos clientes na fila entre 13h e 15h............... 7C 29 Gráfico da distribuição de probabilidade, gerado pelo Input Analyser, para os intervalos de chegada dos clientes na fila entre 13h e 15h....................... 6C 29 Relatório dos testes utilizados na escolha da distribuição de probabilidade para os intervalos de chegada dos clientes na fila entre 11h 30min e 13h..... 5C 28 Gráfico da distribuição de probabilidade, gerado pelo Input Analyser, para os intervalos de chegada dos clientes na fila entre 11h 30min e 13h............ 4C 28 Relatório dos testes utilizados na escolha da distribuição de probabilidade para os intervalos de chegada dos clientes na fila entre 10h e 11h 30min..... 3C 27 31 Relatório dos testes utilizados para a escolha da distribuição de probabilidade para os tempos de atendimento dos clientes no caixa................................... vii 31 1 - INTRODUÇÃO A abordagem matemática de filas se iniciou no princípio do século passado (1908) em Copenhague, na Dinamarca, através de A. K. Erlang, quando trabalhava em uma companhia telefônica estudando o problema de redimensionamento das centrais telefônicas. Erlang é considerado o pai da Teoria das Filas. Até o advento da Segunda Guerra Mundial, a teoria não foi aplicada em nenhum outro problema de filas. A partir daí, a teoria das filas alcançou um enorme progresso, apesar de ainda existirem inúmeros problemas que não são adequadamente resolvidos em função de complexidades matemáticas. Com o surgimento do computador na década de 50 e o das linguagens de simulação na década de 60, a modelagem de filas passou a ser feita pela ótica da simulação, em que se tenta imitar o funcionamento do sistema real. Em meados da década de 80, a criação da técnica de simulação visual foi acompanhada de uma grande aceitação, por esta técnica apresentar um menor nível de complexidade e por sua utilização poder ser feita através de microcomputadores pessoais. Desde então, as linguagens de simulação estão sendo cada vez mais difundidas e utilizadas, sendo algumas delas mundialmente conhecidas, como Arena, ProModel, AutoMod, Simscript, etc. A teoria das filas é um dos conceitos tratados pelas técnicas de pesquisa operacional que tem a mais ampla aplicação possível, mas talvez seja a mais difícil de ser aplicada. Negócios de todos os tipos, entre eles governo, indústrias, escolas, hospitais e agências bancárias têm problema de fila. Muitos destes setores poderiam beneficiar-se de uma análise de pesquisa operacional, por intermédio da utilização da teoria das filas, para determinar as condições operacionais de custo mínimo (produção máxima). Infelizmente, os pressupostos requeridos por uma matemática relativamente simples fazem com que o modelo não se ajuste muito bem à realidade, mas muitas dessas dificuldades podem ser superadas se forem combinadas inteligência e imaginação com a verdadeira compreensão da teoria das filas. Esses atributos devem ser utilizados pelas empresas para que possam conquistar nova clientela e manter a antiga. O contexto atual em que o mundo está inserido demonstra um grande interesse dos clientes e consumidores de produtos e serviços em terem suas exigências e expectativas atingidas e satisfeitas pelas empresas. A conscientização das pessoas de que são um elo fundamental em qualquer cadeia produtiva faz com que elas se sintam no direito de almejar produtos e serviços de qualidade. Este fato gera uma busca incessante por parte das empresas, 1 de novos processos, características e métodos que proporcionem vantagens competitivas frente à visão do consumidor. Dessa forma, empresas de prestação de serviços, como é o caso das agências bancárias, estão constantemente visando melhorar o nível de atendimento dos clientes, através da inserção de novos conceitos, do oferecimento de vantagens, da personalização, entre outros. As empresas de serviço e manufatura que oferecem um nível de atendimento satisfatório aos clientes podem atingir uma vantagem competitiva no mercado. Muitos fatores contribuem para se estabelecer esse nível de serviço, como simpatia e conhecimento dos trabalhadores, mas as experiências dos clientes com filas, as quais, frequentemente, são seu primeiro contato com a empresa, podem afetar seu nível geral de satisfação. As filas de espera estão presentes em toda parte e, como não podia ser diferente, as agências bancárias, empresas prestadoras de serviços, têm o processo de atendimento baseado nas mesmas, que na maioria das vezes, gera um elevado tempo médio de espera dos clientes do momento que entram até a chegada nos caixas. Esse tempo excessivo de espera é um problema que pode acarretar conseqüências negativas para a imagem da organização. Se as estações de trabalho forem planejadas para atender exatamente à demanda, a fila tende a crescer continuamente. Isso ocorre em muitos bancos mal administrados, quando percebemos que a fila só pára de crescer no momento em que a segurança fecha a entrada do banco. Nesses casos, com certeza, não há nenhum planejamento e provavelmente o intervalo médio entre chegadas de clientes é ainda menor do que o de atendimento dos mesmos pelos caixas. Quando o cliente ou usuário enfrenta uma fila, ele, inevitavelmente, passa a comparar o desempenho daquela fila com a de outros bancos. Conseqüentemente, esta comparação pode gerar algumas atitudes por parte do cliente, como mudar a conta bancária para outra agência (ou banco) e fazer menos pagamentos através daquele determinado banco. Isto significa, tendo-se como base a visão da empresa, perda de negócio. As filas têm ainda o ponto desfavorável dos custos. Nos bancos, por exemplo, esses custos são provenientes dos custos de oportunidades, em razão do encerramento de contas, diminuição do número médio de contas abertas, possível diminuição nas transações financeiras, etc. Além disso, em algumas cidades brasileiras, é estipulado, por lei, que o cliente não pode permanecer na fila de uma agência bancária por mais de 15 minutos, implicando em multas, no caso de descumprimento dessa norma. 2 Portanto, o tempo de espera na fila é um problema relevante no cotidiano das agências bancárias, devendo ser estudado de forma a obter uma solução que satisfaça a clientela e não seja excessivamente custosa para as prestadoras de serviço. 2 - OBJETIVOS O objetivo geral do trabalho é contribuir com o setor de serviços, em específico agências bancárias, através de um estudo de caso, exemplificando e sugerindo ações de melhoria para o atendimento aos clientes. Os objetivos específicos são: • Estudar a teoria das filas aplicada à simulação, através de um estudo de caso em uma agência bancária. • Otimizar o tempo médio de atendimento dos caixas; • Encontrar um número de atendentes (caixas) próximo do ótimo; 3 - REVISÃO DE LITERATURA 3.1 - Modelagem de Sistemas de Filas A modelagem de sistemas de filas pode ser feita por duas abordagens diferentes entre si, que são a Teoria das Filas através de um estudo analítico e a Teoria das Filas aplicada à Simulação. O estudo da Teoria das Filas analiticamente aborda a modelagem de sistemas através de fórmulas matemáticas. Já a Simulação é uma técnica que, usando o computador digital, procura montar um modelo que melhor represente o sistema em estudo (PRADO, 1999). No mundo atual, a modelagem de sistemas tem inúmeras aplicações, nas mais diversas áreas, que vão desde a produção em uma manufatura até o movimento de papéis em um escritório. Costuma-se dizer que “tudo que pode ser descrito pode ser simulado”. A modelagem na área de linhas de produção, transportes, comunicações, bancos, supermercado, escritórios e processamento de dados são alguns exemplos de aplicações que podem ser citados. No caso específico de bancos, a utilização de uma única fila pode proporcionar um melhor atendimento dos clientes, apesar do tamanho dessa fila, geralmente, assustar quem a observa (PRADO, 1999). 3 3.2 - Elementos de uma Fila Os elementos que compõem uma Fila são representados por uma população, de onde surgem os clientes, que formam uma fila e que aguardam por algum tipo de serviço. O termo cliente é usado de uma forma genérica e pode designar tanto uma pessoa, um navio ou um lingote. Como sinônimo de cliente usa-se também o termo “transação” ou “entidade”. O atendimento é constituído de um ou mais servidores (que podem ser chamados de atendentes ou canais de serviço) e tanto pode designar um barbeiro, um cais de atracação ou uma máquina de lingotamento. (PRADO, 1999) 3.3 - Características de uma Fila Alguns termos básicos da Teoria das Filas devem ser conceituados por caracterizarem as filas de espera. Esses seguem abaixo. 3.3.1 - Modelo de Chegada O Modelo de Chegada dos usuários é usualmente especificado pelo tempo entre chegadas sucessivas de usuários ao estabelecimento de prestação de serviços. Ele pode ser determinístico (exatamente conhecido) ou pode ser uma variável aleatória, cuja distribuição de probabilidades é presumivelmente conhecida. Ele depende do número de usuários já presentes no sistema ou pode ser estabelecido independentemente (BRONSON, 1985). Também é de interesse se os usuários chegam um-a-um ou em conjuntos, e se o impedimento ou a renegação são permitidos. O impedimento ocorre quando um usuário chega e se recusa a entrar no estabelecimento de prestação de serviços porque a fila está muito comprida. A renegação ocorre quando um usuário que já está na fila, deixa-a, e também ao estabelecimento, porque a espera está muito demorada. Geralmente, faz-se uma suposição padrão estabelecendo que todos os usuários chegam a sós e que nem o impedimento nem a renegação ocorrem (BRONSON, 1985). 3.3.2 - Clientes e Tamanho da População Os Clientes e o Tamanho da População são importantes para definir se a chegada de um novo cliente a uma fila afeta a prestação de serviços. Estas chegadas podem ser caracterizadas pela taxa de chegadas λ (nº de chegadas por unidade de tempo) e pela distribuição de chegadas. Quando a população é muito grande, a chegada de um novo cliente 4 a uma fila não afeta a taxa de chegada dos clientes subseqüentes. Nesse caso, pode-se dizer que as chegadas são independentes. 3.3.3 - Modelos de Serviço Os Modelos de Serviço são normalmente especificados pelo tempo de serviço, que corresponde ao tempo requerido por um atendente para atender um usuário. O tempo de serviço pode ser determinístico ou pode ser uma variável aleatória, cuja distribuição de probabilidades é presumivelmente conhecida. Deve-se saber, também, se o usuário é atendido completamente por um atendente ou se requer uma seqüência de atendentes. A suposição padrão será feita, estabelecendo que um atendente pode atender completamente um usuário, a menos que seja estabelecido o contrário (BRONSON, 1985). Para caracterizar o mecanismo do serviço, são utilizadas as taxas de serviço µ (número de clientes atendidos por unidade de tempo) e a distribuição de atendimento. 3.3.4 - Capacidade do Sistema A Capacidade do Sistema é o número máximo de usuários, tanto aqueles sendo atendidos quanto aqueles na(s) fila(s), permitidos no estabelecimento de prestação de serviços ao mesmo tempo. Sempre que um usuário chega a um estabelecimento, que já está lotado, ele é impedido de entrar, sendo forçado a deixar o estabelecimento sem ter sido atendido. Um sistema que não tenha limite no número permitido de usuários dentro do estabelecimento tem uma capacidade infinita. Um sistema com um limite tem capacidade limitada (BRONSON, 1985). 3.3.5 - Disciplina da Fila A Disciplina da Fila é a ordem na qual os usuários são atendidos. Isto pode ocorrer na base de primeiro a entrar - primeiro a sair (PEPS), na base de o último a entrar – primeiro a sair (UEPS), ou seja, o usuário que chega por último é o primeiro a ser atendido, em uma base aleatória ou em uma base de prioridades (BRONSON, 1985). O mais simples sistema de filas é aquele de um único servidor que pode atender um único cliente de cada vez. Quando o ritmo de chegada aumenta é conveniente aumentar o número de servidores para manutenção do nível de qualidade do serviço. 5 3.3.6 - Tamanho Médio da Fila O Tamanho Médio da Fila é importante para se defrontar com a opção de escolha de uma fila. O ideal é fila zero, mas quando se tem um tamanho razoável da fila, intuitivamente conclui-se que o tempo de espera na fila será elevado. Quando os ritmos médios de chegada e atendimento são constantes, o tamanho da fila oscila em torno da média. 3.3.7 - Tamanho Máximo da Fila O Tamanho Máximo da Fila define a área de espera que deve existir para os clientes ficarem, o que na vida real é feito, geralmente, com base na experiência (PRADO, 1999). 3.3.8 - Tempo Médio de Espera na Fila O Tempo Médio de Espera na Fila, tal como o tamanho médio da fila, depende dos processos de chegada e atendimento para ser definido (PRADO, 1999). 3.4 – Simulação Ao se fazer a descrição de um sistema por um modelo, às vezes descobre-se que o sistema é complexo demais para ser descrito, ou que o modelo, uma vez desenvolvido, não pode receber solução analítica. Neste caso, a simulação pode tornar-se uma ferramenta valiosa na obtenção de uma resposta a um problema particular (SHAMBLIN, 1979). O termo “modelo” também é empregado com o significado de representação de um sistema. Os modernos programas de computador permitem construir tais modelos, nos quais é possível visualizar na tela o funcionamento do sistema em estudo, tal como em um filme. Verdadeiras maravilhas podem ser criadas: pode-se visualizar o funcionamento de um banco, uma fábrica, um pedágio, um porto, um escritório, etc, tal como se estivesse em uma posição privilegiada em cada um destes cenários. Antes de serem efetuadas mudanças em uma fábrica real, pode-se interagir com uma fábrica virtual. A junção da tradicional teoria da simulação com as técnicas modernas de computação e jogos têm possibilitado esses avanços (PRADO, 1999). Em razão da enorme quantidade de cálculos associados aos modelos de simulação, da elevada demanda de tempo para a realização manual desses cálculos e da possibilidade de cometer erros, o uso do computador digital tornou-se parte importante na obtenção das conclusões necessárias. Atualmente, com a infinidade de softwares disponíveis, como é o caso 6 do Arena e Promodel, e a utilização de microcomputadores pessoais, esta técnica vem sendo cada vez mais utilizada. Dessa forma, justifica-se a utilização da simulação pelo fato de se poder analisar uma determinada alteração em um sistema existente sem precisar implementá-la na realidade, além de se poder projetar um sistema ainda não existente. Ambos os fatos reduzem significativamente a probabilidade de erros, risco de prejuízo e custos de projetos. 4 - MATERIAIS E MÉTODOS O desenvolvimento do trabalho foi iniciado com a identificação do problema por parte dos autores. O problema detectado foi o excessivo tempo de espera dos clientes nas filas de atendimento das agências bancárias, que pode ser facilmente observado por qualquer usuário desse sistema. Em seguida foi realizada uma revisão de literatura a respeito da Teoria das Filas, através de pesquisas em livros, teses, artigos, trabalhos científicos e revistas especializadas. Além disso, foram pesquisados estudos de casos que estivessem diretamente relacionados ao tema em questão, visando-se fazer uma análise dos resultados e conclusões obtidas, para auxiliar no prosseguimento do trabalho. Para tentar retratar o funcionamento da agência bancária em análise, utilizou-se o software de simulação Arena, definindo-se as variáveis de maior importância para o estudo. Foi realizado um estudo de caso na agência bancária simulando-se algumas situações em que as filas de clientes são formadas, como a variação no número de atendentes, na taxa de chegada dos clientes nas filas e na taxa de atendimento dos caixas. Os dados foram coletados na agência bancária, por intermédio de observações sobre o comportamento das filas dos caixas, em diversas situações do cotidiano. Após serem coletados, os dados foram lançados em duas ferramentas do software Arena, o Input Analyser e o Output Analyser, para organização, tratamento, validação e geração de informações. Feito isso, obteve-se um relatório com os resultados, que serão analisados e discutidos no decorrer do trabalho. Com base no conhecimento da teoria das filas, foram obtidas as conclusões sobre o estudo, possibilitando a formulação de propostas para melhoria do processo de atendimento. 7 4.1 - Coleta de Dados na Agência Bancária Após a conclusão do modelo conceitual, é necessário que se realize uma coleta de dados para alimentar o modelo com dados descritivos correspondentes aos processos do sistema modelado. Essa coleta de dados pode ser realizada de várias maneiras e através de diversas meios, tais como anotações feitas diretamente no processo, entrevistas com os atores do sistema, estimativas, etc. Para alguns desses meios de coleta de dados, há a necessidade de o modelo conceitual estar definido e, para outros, a coleta pode ser feita simultaneamente à modelagem do sistema. A disponibilidade de tempo, o esforço demandado e o tamanho da amostra de dados é outro ponto fundamental para que se obtenha sucesso na coleta de dados, visto que a escassez de dados pode comprometer e modificar os resultados da simulação, e o excesso pode encarecer e inviabilizar o processo. Como a disponibilidade de tempo não demonstrou ser um problema que comprometesse o andamento do presente trabalho, e em função do sistema estudado ser de fácil acesso, com abundante quantidade de dados, utilizou-se o método de coleta de dados em que os analistas se faziam presentes no sistema e realizavam a cronometragem e anotação dos tempos envolvidos nos processos. Para facilitar a coleta de dados, desenvolveu-se um plano de coleta e processamento dos dados, dividindo o sistema em duas partes, com a finalidade de se obter as informações relevantes ao processo. Os processos foram analisados separadamente, como processo de chegada ao sistema e processo de atendimento dos usuários. Para a coleta utilizou-se uma planilha para anotação dos dados coletados, relógio e cronômetros. Os respectivos planos de coleta estão descritos abaixo: • Chegadas ao sistema: de acordo com fontes pesquisadas sobre teoria das filas, geralmente as chegadas de usuários ao sistema comportam-se segundo uma distribuição exponencial. Considerando-se que os dados de chegada dos clientes na agência bancária seguem esta distribuição, é necessário que sejam coletados os dados de intervalo de tempo entre as respectivas chegadas. Para isto, o método utilizado foi o de coletar os tempos de chegada na fila de cada um dos clientes. Com o auxílio de uma planilha eletrônica, foi realizado o cálculo para a obtenção dos intervalos de chegadas entre cada cliente da agência bancária; 8 • Atendimento dos caixas: para o atendimento dos caixas, a coleta de dados foi realizada obtendo o tempo gasto por cada cliente do banco neste processo. Para isto, foram utilizados cronômetros para a coleta dos tempos e planilhas eletrônicas para conversão dos dados para uma mesma unidade, segundos. As coletas foram realizadas em vários dias distribuídos aleatoriamente no mês de Maio do ano de 2005 para ambos processos, de modo a serem eliminadas as tendências e para fazer a validação dessas coletas. É importante ressaltar também que os dados foram coletados em horários diferentes nos respectivos dias, para que fosse possível analisar não somente as variações nas taxas de chegada dos clientes de acordo com a data, mas também as variações com horário de coleta. Esses horários, como já foi dito anteriormente, foram divididos em três: das 10h às 11h 30min, das 11h 30min às 13h e das 13h às 15h, visto que foi observado que a taxa de chegada varia significativamente ao longo do dia, além de ocorrer a redução do número de atendentes, de três para dois, no horário de almoço. Os dados, tanto para as chegadas ao sistema quanto para o atendimento dos caixas, foram coletados pelos dois autores do trabalho nos dias 02, 04, 05, 09, 10, 12, 13, 16, 19, 20, 24 e 27 de Maio de 2005. As coletas foram encerradas pois os dados foram considerados conclusivos. 5 - O MODELO CONCEITUAL DA AGÊNCIA BANCÁRIA O analista, para fazer uma representação do sistema que se assemelhe à realidade, deve ter um bom conhecimento deste para poder obter o máximo de informações relevantes sobre o funcionamento e sua lógica, as variações no funcionamento, pessoas e recursos envolvidos, etc, que são indispensáveis ao modelo. Para ser realizada a modelagem do atendimento dos caixas da agência bancária, utilizou-se a experiência como usuário e a observação como modelador. Como usuário, o sistema seria descrito da seguinte forma: 1. Chegadas à fila: os usuários chegam à agencia bancária e vão diretamente para a fila, onde aguardam até serem chamados pelos atendentes do caixa; 2. Postos de atendimento dos caixas: dois ou três postos de atendimento servem os usuários, realizando o mesmo tipo de atendimento; 9 3. Saída do setor de atendimento dos caixas: após ser atendido, o usuário dirige-se à saída do setor de atendimento dos caixas para deixar a agência bancária ou para ser atendido em outro setor. Na Figura 1 abaixo encontra-se uma representação gráfica do modelo conceitual de atendimento da agência bancária do Banco do Brasil em estudo. FIGURA 1- Modelo conceitual de atendimento da agencia bancária em estudo. O modelo possui algumas aproximações para facilitar a modelagem. Estas podem ser assim explicadas: 1. Chegadas à fila: foram consideradas chegadas ao sistema segundo a distribuição exponencial, com médias variando de acordo com os respectivos intervalos de tempo considerados no presente trabalho (10h às 11h 30min, 11h 30min às 13h e 13h às 15h). A população foi considerada infinita; 2. Postos de atendimento dos caixas: foi considerado que a situação atual do atendimento é de dois caixas no horário de almoço (11h 30min às 13h), onde três caixas se revezam no cumprirem dessa exigência. Nos demais horários de atendimento (10h às 11h 30min e 13h às 15h), os três caixas funcionam simultaneamente; 3. Saída do setor de atendimento dos caixas: o sistema foi considerado até o momento em que o usuário acaba de ser atendido pelo caixa, pelo fato de que a partir deste momento outro usuário deixa a fila para ocupar o atendente que se encontrava momentaneamente ocioso e, também pelo fato de que o tempo que o usuário gasta até a saída da agência bancária seja irrelevante para o estudo. Como o modelo proposto ainda não está validado, ele não pode ser utilizado como a representação do sistema real. A validação do modelo é obtida após a coleta dos dados pertinentes, como a taxa de chegada, o intervalo entre chegadas e o tempo de atendimento, além do início dos testes de simulação. 10 6 - ANÁLISE ESTATÍSTICA DOS DADOS Após a coleta e organização dos dados, foi necessário fazer a análise estatística dos mesmos. Para processar os dados e obter tal análise, foi utilizada uma ferramenta existente no software Arena, o Arena Input Analyser. Antes de serem inseridos nesta ferramenta, os dados foram adicionados e salvos em um arquivo texto para então serem processados. Segundo FREITAS (2001), o Input Analyser tem o propósito de auxiliar o analista nas tarefas de tratamento dos dados brutos, identificação da distribuição de probabilidades por meio de testes de aderência e estimação de seus parâmetros, que é a sua principal função. Estas análises visam identificar e avaliar as melhores opções para as distribuições de probabilidades. O resultado é uma expressão que pode ser usada nos modelos implementados no Arena. A utilização do Input Analyser, por intermédio de seus testes de aderência QuiQuadrado e Kolmogorov-Smirnov (KS), permite ao analista observar o erro que está associado à aproximação dos dados coletados com a distribuição sugerida pela ferramenta. Esses testes de aderência testam a hipótese de que a variável aleatória em questão segue a distribuição sugerida, com os parâmetros estimados ou não. O teste Qui-Quadrado testa se as distribuições estão casando perfeitamente, isto é, se não existem diferenças entre a distribuição teórica e a observada. Quanto maior o valor calculado de x², maior a discrepância entre as distribuições. O teste KS baseia-se na comparação das probabilidades acumuladas das distribuições teórica e observada, para concluir sobre a hipótese em teste (FREITAS, 2001). O Input Analyser utiliza o erro quadrado de ajuste e a estatística “corresponding pvalue” para promover uma melhor análise do ajuste entre as distribuições. O primeiro é usado para indexar a ordem das distribuições ajustadas, e o segundo, de acordo com KELTON (2002), é a probabilidade de se obter um novo conjunto de dados que seja mais inconsistente do que o conjunto atualmente usado. Portanto, se obtivermos um elevado valor de p-value, há uma alta probabilidade da distribuição sugerida ser a verdadeira distribuição para os respectivos dados em análise. Dessa forma, os analistas devem rejeitar valores de p-value inferiores a 0,05 e buscar os maiores valores para esta estatística. A ferramenta Input Analyser foi utilizada para processar os dados coletados na agência bancária do Banco do Brasil, fornecendo os relatórios contendo as estatísticas citadas no texto acima, além de outras estatísticas descritivas, como valores de máximo e mínimo, média, desvio-padrão, entre outras, auxiliando os analistas na solução do problema em questão. 11 7 - IMPLEMENTAÇÃO NO ARENA Arena é um software de simulação utilizado com grande freqüência em todo o mundo, tanto por empresas como por universidades, devido a sua relativa facilidade de implementação e a disponibilidade de versões para a comunidade acadêmica com licença de utilização para os estudantes. No Brasil, o Arena é, sem sombra de dúvidas, o mais popular entre os softwares de simulação. A técnica utilizada pelo Arena para montar qualquer modelo é a programação visual, em que o fluxo do sistema é criado na tela do computador na forma de um diagrama de blocos, que correspondem à ocorrência de eventos a um cliente genérico que flui pelo sistema sendo modelado. Portanto, cada bloco representa um evento no sistema como, por exemplo, a chegada de um veículo, seu atendimento, etc. A cada evento corresponde um bloco do Arena, e sua seqüência forma um diagrama de blocos. É dito então que o modelo representa completamente o sistema que se deseja simular, conforme a própria “visão do mundo” do Arena. O Arena possui um conjunto de blocos (ou módulos) que são utilizados para descrever uma aplicação real (alguns desses módulos estão descritos no Anexo A). Esses blocos funcionam como comandos de uma linguagem de programação como Fortrarn, Cobol, etc. Obviamente foram projetados sob a ótica da simulação e, por isso, facilitam muito essa tarefa de programação (PRADO, 2001). Devido a esses fatores citados e, principalmente, pela facilidade de acesso à comunidade acadêmica, o Arena foi escolhido para ser o software de simulação utilizado no presente trabalho. Para a implementação da lógica do sistema no Arena foram utilizados 24 módulos para a simulação do atendimento com três caixas trabalhando simultaneamente, e 18 módulos para a simulação com dois caixas. Essa variação ocorreu devido ao fato de no horário de almoço ter apenas dois atendentes no sistema e nos demais horários ter três atendentes. Compõem esses 24 módulos um módulo Create, quatro módulos Enter, quatro módulos Assign um módulo Seize, um módulo Pickstation, quatro módulos Leave, três módulos Process, três módulos Release, três módulos Tally e um módulo Depart. Quando são quatorze módulos, a diferença é que um módulo Enter, um módulo Process, um módulo Release e um módulo Leave são retirados da lógica, por haver apenas dois atendentes no sistema. No Anexo D encontra-se um breve comentário, a título de conhecimento, de alguns módulos básicos utilizados na lógica do sistema. 12 8 - RELATÓRIO DA ANÁLISE ESTATÍSTICA DOS DADOS 8.1 - Intervalo entre as chegadas na fila O processo de chegada dos clientes na fila dos caixas da agência bancária foi analisado com base no intervalo entre as chegadas desses clientes. Como já foi citada anteriormente, a coleta de dados foi realizada em diversos dias e horários escolhidos aleatoriamente. Foi observado que o processo de chegada varia durante os horários de atendimento de um mesmo dia, dessa forma, os dados coletados foram agrupados com base nesses horários. Os dados foram distribuídos em três horários distintos, das 10h às 11h e 30min, das 11h e 30min às 13h e das 13h às 15h. 8.1.1 - Dados agrupados das 10h às 11h e 30min Para o estudo do processo de chegada dos clientes à agência bancária, das 10hs às 11h 30min, foram coletados 223 dados referentes ao intervalo entre as chegadas, em segundos. Os resultados gerados pelo Input Analyser demonstram que os intervalos entre as chegadas variaram de 1 a 335 segundos, divididos em 14 intervalos. A média simples foi de 65,3 segundos, com um desvio padrão de 59,4 segundos (Veja Apêndice C). Após a inserção dos dados, verificou-se que a distribuição exponencial foi a mais adequada entre as distribuições testadas (Apêndice C), apresentando um erro quadrado aceitável (0,001503) para o problema em questão. Através do valor de p-value (0,749), gerado pelo teste Qui-Quadrado, pode-se comprovar a adequabilidade da distribuição exponencial. O valor de 0,749 para o p-value indica que há 74,9% de probabilidade da distribuição referida ser a verdadeira distribuição dos dados coletados. A expressão utilizada como dado de entrada no software Arena foi 0,999 + EXPO(64.3), a qual foi fornecida pelo Input Analyser. 8.1.2 - Dados agrupados das 11h 30min às 13h Para o estudo do processo de chegada dos clientes à agência bancária, das 11h e 30min às 13h, foram coletados 216 dados referentes ao intervalo entre as chegadas, em segundos. Os resultados gerados pelo Input Analyser demonstram que os intervalos entre as chegadas variaram de 1 a 375 segundos, divididos em 14 intervalos. A média simples foi de 71,8 segundos, com um desvio padrão de 69,5 segundos (Veja Apêndice C). 13 Após a inserção dos dados, verificou-se que a distribuição exponencial foi a mais adequada entre as distribuições testadas (Apêndice C), apresentando um erro quadrado aceitável (0,003002) para o problema em questão. Através do valor de p-value (0,531), gerado pelo teste Qui-Quadrado, pode-se comprovar a adequabilidade da distribuição exponencial. O valor de 0,531 para o p-value indica que há 53,1% de probabilidade da distribuição referida ser a verdadeira distribuição dos dados coletados. A expressão utilizada como dado de entrada no software Arena foi 0,999 + EXPO(70.8), a qual foi fornecida pelo Input Analyser. 8.1.3 - Dados agrupados das 13h ás 15h Para o estudo do processo de chegada dos clientes agência bancária, das 11h 30min às 13h, foram coletados 178 dados referentes ao intervalo entre as chegadas, em segundos. Os resultados gerados pelo Input Analyser demonstram que os intervalos entre as chegadas variaram de 1 a 296 segundos, divididos em 13 intervalos. A média simples foi de 60,9 segundos, com um desvio padrão de 58,6 segundos (Veja Apêndice C). Após a inserção dos dados, verificou-se que a distribuição exponencial foi a mais adequada entre as distribuições testadas (Apêndice C), apresentando um erro quadrado aceitável (0,004503) para o problema em questão. Através do valor de p-value (0,365), gerado pelo teste Qui-Quadrado, pode-se comprovar a adequabilidade da distribuição exponencial. O valor de 0,365 para o p-value indica que há 36,5% de probabilidade da distribuição referida ser a verdadeira distribuição dos dados coletados. A expressão utilizada como dado de entrada no software Arena foi 0,999 + EXPO(59,9), a qual foi fornecida pelo Input Analyser. 8.2 - Tempos de atendimento Os tempos de atendimento na agencia bancária foram agrupados de maneira que não houvesse distinção entre os dias e/ou horários, tentando com isso retratar ao máximo a realidade, já que foi observado que não há uma variação significativa nos tempos gastos com atendimento aos clientes em decorrência dessas mudanças. 14 Para o estudo dos tempos de atendimento foram coletados 509 dados, com os valores variando de 15 a 987 segundos, divididos em 22 intervalos. A média simples foi de 168 segundos, com um desvio padrão de 140 segundos (Veja Apêndice C). Após a inserção dos dados, verificou-se que a distribuição gamma foi a mais adequada entre as distribuições testadas (Apêndice C), apresentando o menor erro quadrado (0,001607). Através do valor de p-value (0,251), gerado pelo teste de Qui-Quadrado, pode-se comprovar essa melhor adequabilidade da distribuição gamma. O valor de 0,251 para o p-value indica que há 25,1% de probabilidade da distribuição referida ser a verdadeira distribuição dos dados coletados. Vale ressaltar que essa probabilidade é um valor aceitável (p value > 0,05). A expressão utilizada como dado de entrada no software Arena foi 15 + Gamm(104, 1.46), a qual foi fornecida pelo Input Analyser. 9 - ASPECTOS DA SIMULAÇÃO Antes de rodar a simulação deve-se definir o número de rodadas a serem simuladas, visando alcançar um determinado nível de confiança estatística dos dados. A grande aleatoriedade dos dados coletados e utilizados na simulação resulta em uma aleatoriedade dos resultados dessa simulação. Assim, com o objetivo de aproximar a simulação do funcionamento real do sistema e obter uma confiança nos resultados gerados pelo Arena, torna-se necessário a realização de mais de uma rodada de simulação. Segundo FREITAS (2001), o número de replicações (rodadas) a serem efetuadas é calculado através da seguinte fórmula estatística (1): 2 100 zs N = , com um nível de confiança 100(1-a)% e uma precisão r%. (1) rx O intervalo de confiança é o intervalo para o qual a verdadeira média dos dados tem probabilidade de (1-a) de ocorrer, sendo (1-a) o nível de confiança do intervalo (FREITAS 2001). Assim sendo, a é o erro que se pode admitir para o estudo. Neste trabalho, adotou-se um a de 0,1 e uma precisão de 10% (r=10%) para cada intervalo de tempo. Os valores do desvio-padrão (s) e da média (x) utilizados na expressão 1 acima foram extraídos de uma amostra com 10 replicações em cada período de tempo. O valor de Z utilizado é o valor normal padronizado para o nível de confiança desejado (Z9, 0.95 = 1,83). Após a inserção dos dados, obteve-se 117 replicações para o período de 10h às 11h 30min, 73 15 replicações para o período de 11h 30min às 13h, e 128 replicações para o período de 13h às 15h. A análise dos intervalos de confiança dos tempos médios no banco foi realizada no Output Analyser do Arena. Segundo FREITAS (2001), uma maneira de verificar se o intervalo de confiança foi atingido, é garantir que o valor do semi-intervalo de confiança (half width, apresentado nos resultados do Output Analyser) seja menor que 10% do valor da média da variável em estudo. Essa análise revelou que o intervalo de confiança foi atingido para todos os três intervalos de tempo em estudo. Os gráficos, fornecidos pelo Output Analyser, referentes aos intervalos de confiança correspondentes aos três horários utilizados estão dispostos no Apêndice B. 10 – RESULTADOS E DISCUSSÃO O presente estudo, visando alcançar os objetivos descritos no inicio do trabalho, procurou quantificar e analisar, na Agência Bancária do Banco do Brasil no Centro de Viçosa, as seguintes variáveis: o tempo médio e máximo que uma pessoa fica na fila e no sistema, o número médio de pessoas na fila, o número de pessoas que entraram e saíram do sistema por período de tempo, o tempo médio e máximo de atendimento e a porcentagem de tempo de utilização dos atendentes. Antes da apresentação dos resultados, deve-se ressaltar que, apesar de pequena, há uma influência da fila para idosos, gestantes e deficientes, nos resultados reais dos seguintes parâmetros: tempos na fila, tamanho da fila, taxa de utilização dos caixas e número de pessoas que entram e saem do sistema durante seu horário de funcionamento. Como não foi considerada essa fila no presente trabalho, os resultados sofrem uma pequena distorção, com uma pequena melhora nos resultados do ponto de vista da agência bancária. Os resultados a serem apresentados a seguir são, na verdade, valores médios obtidos de todas as replicações em cada período de tempo. Para facilitar a leitura e o entendimento, quando for mencionado que o tempo máximo de espera na fila para o período das 11h às 12h 30 min é de, por exemplo, 900 segundos, significa dizer que a média de todos os tempos máximos de cada replicação é 900 segundos. Assim, pode-se inferir que, em cada replicação, poderão ocorrer valores de tempos máximos maiores ou menores que o apresentado, sendo a média desses valores o valor representado. Os primeiros resultados dizem respeito aos tempos médios e aos tempos máximos que os clientes aguardam na fila. Para o horário de 10h às 11h 30min, o resultado para o tempo 16 médio de permanência na fila foi de 138,29 segundos (2,3min), enquanto o tempo máximo de um cliente na fila alcançou 465,06 segundos (7,75min), lembrando que em algumas replicações o cliente teve que esperar mais de 1200 segundos (20min). Para o horário das 11h 30min às 13h, segundo relatório do Arena, houve um tempo médio de 549,16 (9,15min) segundos e máximo de 1180,1 segundos (19,67min), com algumas replicações ultrapassando 2000 segundos (33,33min). Durante este período, há apenas dois caixas atendendo aos clientes, porém a taxa de chegada dos clientes nesse horário também é um pouco menor, diminuindo, assim, o impacto causado pela redução no número de atendentes. Nas últimas duas horas de funcionamento do banco (horário de 13h às 15h), a taxa de chegada dos clientes na fila é razoavelmente maior que nos dois primeiros intervalos anteriormente mencionados. O tempo médio e máximo de permanência na fila nesse horário foi de 199,17 (3,32min) e 626,57 segundos (10,44min), respectivamente (o máximo obtido em uma replicação foi 1461,5 segundos ou 24,36min). É importante salientar que esses resultados de tempo médio e máximo de permanência na fila não são os ideais, mas também não se pode dizer que o sistema se encontra em colapso. É claro que não deve ser esquecido que se trata da média dos tempos máximos, ocorrendo vários casos em que os tempos máximos de espera na fila ultrapassam a casa dos 20 minutos. Além disso, ainda há o caso da fila especial (idosos, deficientes, gestantes) que, como mencionado anteriormente, não foi computado. Em relação ao tempo médio e máximo no sistema, foram obtidos, respectivamente, os valores de 301,84 segundos (5,03min) e 724,47 segundos (12,07min) para o primeiro período de tempo, 702,07 segundos (11,7min) e 1415,1 segundos (23,59min) entre 11h e 12h 30 min, e 361,03 segundos (6,02min) e 907,22 segundos (15,12min) das 13h até às 15h. O número médio e o número máximo de pessoas na fila, assim como o número de pessoas que entraram e saíram do sistema durante cada intervalo de tempo, está representado na Tabela 1 a seguir. Tabela 1 - Número de pessoas na fila e no sistema Atributo / Período 10h às 11h 30min 11h 30min às 13h 13h às 15h Pessoas na fila-média 2,3 8,1 3,5 Pessoas na fila-máximo 8,6 18 11,9 Entraram no sistema 81,5 63,3 114,4 79 61,3 111,71 Saíram do sistema 17 De acordo com a Tabela 1, pode-se perceber que o número médio de pessoas na fila foi maior durante o período de 11h 30min às 13h. Este resultado é devido ao fato de que nesse período, como mencionado anteriormente, há apenas dois caixas funcionando. Em relação aos tempos médios de atendimento dos caixas, a pequena diferença é resultante apenas da aleatoriedade das replicações, já que foi utilizado a mesma distribuição com a mesma expressão para cada intervalo de tempo e para cada atendente. Assim, os tempos médios de atendimento, durante todo o período de funcionamento da agência bancária, gerado pelo Arena para os caixas 1, 2 e 3 foram 167,66 segundos, 167,14 e 164,01 segundos, respectivamente. Atingindo uma média entre os caixas de 166,27 segundos ou 2,77 minutos. Através do relatório do Arena também foi possível obter as taxas de ocupação média dos caixas no sistema, demonstrados na Tabela 2 a seguir. Tabela 2 - Taxa de ocupação dos caixas no sistema. Caixas/intervalo de tempo 10h às 11h 30min 11h 30 min às 13h 13h as 15h Caixa 1 87,97% 96,99% 90,85% Caixa 2 82,85% 94,91% 87,12% Caixa 3 75,34% - 81,86% Conforme pode ser visualizado na Tabela 2, o valor de 87,97%, no caso do caixa 1, por exemplo, indica que o atendente desse caixa permanece ocupado com os cliente durante 87,97% do tempo, no intervalo de 10h às 11h e 30 min na agencia bancária. Através desses resultados, percebe-se que a taxa de ocupação é maior no período de 11h 30min às 13h. Esse resultado é compreensível e esperado, já que neste período ocorre o maior número médio de pessoas na fila, mantendo assim, os atendentes ocupados por mais tempo. 18 11 - CONCLUSÃO Após a simulação do sistema da agência bancária e a análise dos resultados pode-se concluir que o objetivo principal do trabalho foi alcançado, conseguindo-se demonstrar, próximo da realidade, o funcionamento desse sistema. O uso da simulação computacional registrou o comportamento das filas para atendimento (número de pessoas, tempo na fila, etc), dentro de uma faixa de erro controlada. O presente trabalho demonstrou a importância significativa da aplicação da simulação em empresas fornecedoras de serviços, como é o caso das agências bancárias, provando que tal importância não se restringe apenas às indústrias e seus processos produtivos. Além disso, foi comprovado que a simulação do sistema de atendimento de uma agência bancária é uma técnica convincente que proporciona o conhecimento das variáveis causadoras de problemas e fornece um maior embasamento aos gerentes, permitindo que estes possam tomar decisões mais acertadas, como a implementação de sugestões propostas no trabalho. Após o estudo, chegou-se à conclusão de que não é correto afirmar que o sistema está em completo colapso, devido ao fato de que, na maioria dos dias do mês, o tempo de espera dos clientes na fila para serem atendidos não ultrapassa 10 minutos. Porém, em alguns dias estratégicos, como o período compreendido entre os dias cinco e dez de cada mês (dias de pagamento), é comum os clientes aguardarem mais de 20 minutos para serem atendidos, havendo a formação de grandes filas. Verificou-se também que apesar de haver um maior número médio de pessoas na fila durante o intervalo de 11h 30min às 13h, esse é o intervalo mais adequado para que ocorra o revezamento dos caixas para o almoço, pois nesse período de tempo a taxa de chegada dos clientes é inferior às taxas dos demais intervalos. Como sugestões, indica-se a inserção de assentos para as pessoas que aguardam na fila. Estes assentos poderiam ser do mesmo tipo e layout dos encontrados nas filas das mesas de atendimento na própria agência bancária. Outra sugestão seria a inclusão de mais um atendente no período de almoço. Esse atendente seria uma pessoa da própria agência que substituiria o atendente que estivesse em horário de almoço. Assim, esse funcionário realizaria tal função apenas durante 1h 30min, podendo retomar à sua atividade principal no restante do expediente. Também se sugere a contratação de uma pessoa que possa auxiliar os clientes que aguardam na fila. Quando este estudo foi realizado, havia estagiários auxiliando apenas os clientes que utilizavam os serviços de auto-atendimento, mas nenhum nas filas dos caixas. 19 Visando alcançar resultados ainda mais próximos da realidade, sugere-se, em futuros trabalhos, a inclusão da fila especial (idosos, deficientes, gestantes, etc) na lógica da simulação. 20 REFERÊNCIAS BRONSON, R. Pesquisa operacional. Tradução Bernardo Severo da Silva Filho, Othon Guilherme Pinto Bravo. São Paulo: McGraw-Hill do Brasil, 1985. 318 p. FREITAS, PAULO J. Introdução à modelagem e simulação de sistemas com aplicações em Arena. Florianópolis: Visual Books, 2001. 322 p. KELTON, DAVID W.; SADOWSKI, RADALL P;, SADOWSKI, DEBORAH A. – Simulation with Arena. Nova Iorque – Ed Mcgraw Hill, 2002. 547 p. N.N, Ademar. Aplicações de técnicas da engenharia de produção à industria sucroalcooleira: uma contribuição à melhoria da qualidade e produtividade. Dissertação de Mestrado, Universidade Federal da Bahia, 1997. PRADO, D. Teoria das filas e da simulação.Belo Horizonte: Editora de Desenvolvimento Gerencial, 1999. (Série Pesquisa Operacional, Vol. 2). 124 p. SHAMBLIN, J. E.; STEVENS JR., G. T. Pesquisa operacional: uma abordagem básica. Tradução Carlos Roberto Vieira de Araújo. São Paulo: Atlas, 1979. 426 p. SHIMIZU, T. Pesquisa operacional em engenharia, economia e administração: modelos básicos e métodos computacionais. Rio de Janeiro: Guanabara Dois, 1984. 360 p. WAGNER, H. M. Pesquisa operacional. Tradução Paulo Antônio Mariotto. 2. ed. Rio de Janeiro: Prentice-Hall do Brasil, 1986. 851 p. 21 Apêndices & Anexo 22 APÊNDICE A RELATÓRIOS FINAIS, GERADOS PELO ARENA, DOS INTERVALOS DE TEMPO ANALISADOS ARENA Simulation Results Carlos Guilherme B. da Silva - License #9400000 Output Summary for 117 Replications Project: Analyst: Atendimento Bancário Guilherme e Marcílio Run execution date : Model revision date: 6/14/2005 1/ 1/2000 OUTPUTS Identifier Average Half-width Minimum Maximum # Replications _________________________________________________________________________ Tempo_no_Banco Desv_Pad_T_no_Banco 301.84 178.55 22.602 10.523 156.55 89.445 724.47 437.21 117 117 T_Med_na_Fila T_Min_na_Fila T_Max_na_Fila 138.29 .00000 465.06 21.389 .00000 40.829 13.031 .00000 122.49 548.80 .00000 1338.5 117 117 117 T_Atend_Med_Caixa1 T_Atend_Min_Caixa1 T_Atend_Max_Caixa1 169.61 25.214 516.36 4.6654 1.3831 22.385 121.53 15.049 283.07 251.06 51.004 1030.2 117 117 117 T_Atend_Med_Caixa2 T_Atend_Min_Caixa2 T_Atend_Max_Caixa2 166.63 26.132 478.72 4.2644 1.6645 21.271 110.37 15.396 251.28 233.91 53.815 994.93 117 117 117 T_Atend_Med_Caixa3 T_Atend_Min_Caixa3 T_Atend_Max_Caixa3 162.52 25.941 476.89 4.3794 1.4831 20.816 123.60 15.145 272.64 242.17 52.379 833.03 117 117 117 Taxa_de_Ocupac_Caixa1 Taxa_de_Ocupac_Caixa2 Taxa_de_Ocupac_Caixa3 .87970 .82853 .75339 .01173 .01622 .02188 .74287 .59001 .43545 1.0000 .99195 .96008 117 117 117 P_sairam_do_sistema P_entraram_no_Sistema Pessoas_nao_atendidas 78.974 81.521 2.8632 1.4042 1.4241 .77095 60.000 63.000 .00000 95.000 97.000 27.000 117 117 117 Simulation run time: 0.67 minutes. Simulation run complete. FIGURA 1A - Relatório Final do Horário de 10h às 11h 30min 23 ARENA Simulation Results Carlos Guilherme B. da Silva - License #9400000 Output Summary for 73 Replications Project: Analyst: Atendimento Bancário Guilherme e Marcílio Run execution date : Model revision date: 6/14/2005 1/ 1/2000 OUTPUTS Identifier Average Half-width Minimum Maximum # Replications _________________________________________________________________________ Tempo_no_Banco Desv_Pad_T_no_Banco 702.07 348.95 61.240 32.413 213.40 120.85 1415.1 698.28 73 73 T_Med_na_Fila T_Min_na_Fila T_Max_na_Fila 549.16 .00000 1180.1 60.837 .00000 108.74 83.963 .00000 326.73 1241.3 .00000 2266.9 73 73 73 T_Atend_Med_Caixa1 T_Atend_Min_Caixa1 T_Atend_Max_Caixa1 168.20 24.230 511.76 5.4500 1.7526 30.999 121.31 15.022 276.17 234.59 52.764 939.65 73 73 73 T_Atend_Med_Caixa2 T_Atend_Min_Caixa2 T_Atend_Max_Caixa2 167.21 25.257 505.55 4.4694 1.7680 23.398 123.51 15.633 313.30 215.95 48.942 742.84 73 73 73 Taxa_de_Ocupac_Caixa1 Taxa_de_Ocupac_Caixa2 .96987 .94912 .01041 .01313 .72804 .63951 1.0000 .99980 73 73 P_sairam_do_sistema P_entraram_no_Sistema Pessoas_nao_atendidas 61.342 63.315 14.438 1.1760 1.1690 1.9925 50.000 52.000 .00000 74.000 76.000 42.000 73 73 73 Simulation run time: 0.63 minutes. Simulation run complete. FIGURA 2A - Relatório Final do Horário de 11h 30min às 13h 24 ARENA Simulation Results Carlos Guilherme B. da Silva - License #9400000 Output Summary for 128 Replications Project: Analyst: Atendimento Bancário Guilherme e Marcílio Run execution date : Model revision date: 6/14/2005 1/ 1/2000 OUTPUTS Identifier Average Half-width Minimum Maximum # Replications _________________________________________________________________________ Tempo_no_Banco Desv_Pad_T_no_Banco 361.03 214.54 25.435 14.044 183.25 111.25 907.22 500.28 128 128 T_Med_na_Fila T_Min_na_Fila T_Max_na_Fila 199.17 .00000 626.57 24.782 .00000 49.234 26.306 .00000 179.72 740.96 .00000 1461.5 128 128 128 T_Atend_Med_Caixa1 T_Atend_Min_Caixa1 T_Atend_Max_Caixa1 165.16 23.848 538.35 3.2401 1.2663 19.956 122.49 15.070 317.83 218.63 48.172 898.43 128 128 128 T_Atend_Med_Caixa2 T_Atend_Min_Caixa2 T_Atend_Max_Caixa2 167.59 24.360 542.22 3.4291 1.3140 23.165 131.62 15.018 342.57 243.01 51.745 1057.3 128 128 128 T_Atend_Med_Caixa3 T_Atend_Min_Caixa3 T_Atend_Max_Caixa3 165.50 23.235 516.85 3.8276 1.2680 18.714 116.35 15.089 323.79 237.58 53.992 861.54 128 128 128 Taxa_de_Ocupac_Caixa1 Taxa_de_Ocupac_Caixa2 Taxa_de_Ocupac_Caixa3 .90846 .87118 .81860 .00976 .01340 .01834 .73210 .66880 .48482 1.0000 .99768 .99715 128 128 128 P_sairam_do_sistema P_entraram_no_Sistema Pessoas_nao_atendidas 111.71 114.35 5.1562 1.4959 1.5138 .97551 90.000 93.000 .00000 139.00 142.00 24.000 128 128 128 Simulation run time: 0.40 minutes. Simulation run complete. FIGURA 3A - Relatório Final do Horário de 13h às 15h 25 LEGENDA REFERENTE AOS RELATÓRIOS DO ANEXO A Tempo_no_Banco = Tempo total que o cliente fica no banco Desv_Pad_T_no_Banco = Desvio Padrão do tempo total que o cliente fica no banco T_Med_na_Fila = Tempo Médio que o cliente fica na fila T_Min_na_Fila = Tempo Mínimo que o cliente fica na fila T_Max_na_Fila = Tempo Máximo que o cliente fica na fila T_Atend_Med_Caixa1 = Tempo de Atendimento Médio do cliente no caixa 1 T_Atend_Min_Caixa1 = Tempo de Atendimento Mínimo do cliente no caixa 1 T_Atend_Max_Caixa1 = Tempo de Atendimento Máximo do cliente no caixa 1 T_Atend_Med_Caixa2 = Tempo de Atendimento Médio do cliente no caixa 2 T_Atend_Min_Caixa2 = Tempo de Atendimento Mínimo do cliente no caixa 2 T_Atend_Max_Caixa2 = Tempo de Atendimento Máximo do cliente no caixa 2 T_Atend_Med_Caixa3 = Tempo de Atendimento Médio do cliente no caixa 3 T_Atend_Min_Caixa3 = Tempo de Atendimento Mínimo do cliente no caixa 3 T_Atend_Max_Caixa3 = Tempo de Atendimento Máximo do cliente no caixa 3 Taxa_de_Ocupac_Caixa1 = Taxa de Ocupação do Caixa 1 Taxa_de_Ocupac_Caixa2 = Taxa de Ocupação do Caixa 2 Taxa_de_Ocupac_Caixa3 = Taxa de Ocupação do Caixa 3 P_sairam_do_sistema = Número de Pessoas que saíram do sistema P_entraram_no_Sistema = Número de Pessoas que entraram do sistema Pessoas_nao_atendidas = Número de Pessoas que permanecem no sistema após o término da replicação FIGURA 4A – Legenda referente aos relatórios do anexo A 26 APÊNDICE B GRÁFICOS GERADOS PELO OUTPUT ANALYSER EM RELAÇÃO AOS INTERVALOS DE CONFIANÇA, MENCIONADOS NO TÓPICO 11 (ASPECTOS DA SIMULAÇÃO) FIGURA 1B – Gráfico do intervalo de confiança. Horário de 10h as 11h 30min FIGURA 2B - Gráfico do intervalo de confiança. Horário de 11h 30min às 13h FIGURA 3B - Gráfico do intervalo de confiança. Horário de 13h às 15h 27 APÊNDICE C GRÁFICOS E QUADROS REFERENTES ÀS ANÁLISES ESTATÍSTICAS DOS DADOS GERADAS PELO INPUT ANALYSER • Intervalos de chegada Dados Referentes ao horário de 10h ás 11h 30min FIGURA 1C - Distribuição exponencial gerada pelo Input Analyser FIGURA 2C - Relatório de dados e de distribuição 28 Dados referentes ao horário de 11h 30min às 13h FIGURA 3C - Distribuição exponencial gerada pelo Input Analyser FIGURA 4C - Relatório de dados e de distribuição 29 Dados referentes ao horário de 13h ás 15h FIGURA 5C - Distribuição exponencial gerada pelo Input Analyser FIGURA 6C. Relatório de dados e de distribuição 30 • Tempos de atendimento FIGURA 7C - Distribuição Gamma gerada pelo Input Analyser. FIGURA 8C - Relatório de dados gerados pelo Input Analyser 31 ANEXO A DESCRIÇÕES DE ALGUNS MÓDULOS UTILIZADOS NA LÓGICA DO ARENA O módulo Create insere novas entidades no sistema de acordo com um intervalo entre chegadas que pode seguir uma taxa constante ou uma distribuição de probabilidades. No caso da agência bancária, os dados coletados e analisados revelaram que a chegada tem o comportamento de uma distribuição exponencial. Foram utilizadas três equações para os intervalos entre chegadas, de acordo com a variação observada nos diferentes horários de atendimento bancário. O módulo Enter define uma estação de trabalho ou um conjunto de estações de trabalho correspondente ao local físico ou lógico onde um processamento vai ocorrer. Ao chegar ao bloco Enter há a liberação de um recurso ou de um transportador. Este módulo foi utilizado para a entrada dos clientes na fila dos caixas e para a entrada dos mesmos na estação de trabalho de um dos três atendentes. O módulo Assign define valores de variáveis, atributos, entre outros, que são utilizados na lógica do sistema. O Assign foi usado para guardar os tempos em que os clientes chegam no sistema e o tempo em que eles iniciam o processo de atendimento, para poder gerar as estatísticas correspondentes no relatório final. O módulo Pickstation é utilizado na escolha de uma estação de trabalho com base em critérios de seleção. Vale ressaltar que esse módulo apenas faz a seleção e armazena o nome do servidor selecionado no atributo chamado Escolha. É o bloco Leave que se encarrega de efetuar a transferência para o servidor selecionado, onde o cliente irá aguardar na fila até que algum servidor esteja desocupado. No caso do modelo em estudo, o cliente deve esperar em uma fila única. Quando chega a sua vez ele se dirigi ao servidor, tendo certeza de que é o único que efetua esse movimento e estando certo de que o servidor se encontra vazio. O módulo Leave é usado para desocupar um recurso e transferir a entidade para uma estação ou outro bloco. Quando uma entidade (no caso, um cliente) chega ao modulo Leave, ela pode esperar para obter o dispositivo de transferência, no caso os atendentes de banco. O módulo Process é usado para definir uma etapa de processamento, existindo um recurso associado (atendentes) para a realização de alguma tarefa sobre a entidade (cliente) no sistema. É necessário a inclusão de um tempo de processamento associado e esse módulo, que nesse caso seguiu uma distribuição de probabilidades. Nesse estudo foram incluídos de dois a três módulos Process (variando de acordo com o número de atendentes) 32 O módulo Depart é usado para definir a saída do sistema, com a opção de se armazenar em um contador o número de clientes que deixaram o mesmo. 33