Dividir o volume de clientes pela capacidade média de um atendente não responde, sozinho, quantos guichês sua fila precisa. Essa conta fornece apenas uma referência de carga. Quando a operação trabalha perto de 100% da capacidade, qualquer variação nas chegadas ou na duração dos atendimentos cria atraso acumulado. O dimensionamento útil começa por intervalos curtos, transforma o tempo de atendimento em capacidade, compara diferentes números de atendentes e escolhe o menor cenário que cumpre uma meta explícita de espera.
Comece pelo intervalo, não pela média do dia
Uma fila não sente a média diária; ela sente o pico de cada período. Se 240 pessoas chegam ao longo de oito horas, a média de 30 por hora esconde a diferença entre uma hora com 15 chegadas e outra com 50. Para dimensionar, organize os dados em intervalos que representem a dinâmica real do serviço, normalmente 15, 30 ou 60 minutos.
Em cada intervalo, calcule a taxa de chegada equivalente por hora. Se 15 pessoas chegaram em 30 minutos, a taxa daquele período é 30 chegadas por hora. Se 12 chegaram em 15 minutos, a taxa equivalente é 48 por hora. Essa conversão permite comparar demanda e capacidade na mesma unidade.
O intervalo precisa ser curto o bastante para revelar picos, mas não tão curto que qualquer acaso vire uma falsa tendência. Em operações com fluxo muito variável, 15 ou 30 minutos costumam ser um ponto de partida melhor do que uma média de várias horas. O histórico deve considerar dias comparáveis, sazonalidade, horários de abertura, feriados, campanhas e outros eventos que alterem a chegada.
Transforme o tempo de atendimento em capacidade bruta
Se o tempo médio de atendimento, ou TMA, é de 8 minutos, a capacidade teórica de um atendente é 60 dividido por 8, ou 7,5 atendimentos por hora. Esse número é a taxa de serviço por atendente, que pode ser chamada de mu.
A carga oferecida à fila pode ser calculada por: carga = taxa de chegada x TMA / 60. Com 30 chegadas por hora e TMA de 8 minutos, a carga é 4. Isso significa que, em média, existem quatro atendentes-hora de trabalho exigidos a cada hora.
Essa carga não deve ser confundida com o número final de atendentes. Em um modelo simples de fila com espera e sem abandono, o sistema só é estável quando o número de atendentes é maior que a carga. No exemplo, quatro atendentes representam exatamente 100% de ocupação teórica. Não sobra capacidade para absorver a aleatoriedade das chegadas e dos atendimentos, por isso a fila não tem um equilíbrio de longo prazo nesse ponto. Cinco atendentes são o primeiro cenário estável, mas ainda não sabemos se cumprem a meta de espera.
Por que operar no limite é frágil
Filas surgem porque clientes não chegam em intervalos perfeitamente regulares e atendimentos não terminam todos no mesmo tempo. Quanto maior a ocupação, menor a folga para absorver essa variação. Por isso o tempo de espera cresce de forma não linear quando a utilização se aproxima de 100%.
Esse efeito também torna a previsão importante. Se a escala foi montada para 95% de ocupação e a demanda real vier apenas 5% acima do previsto, a utilização efetiva fica muito próxima de 100%. A equipe pode ter sido dimensionada corretamente para a média esperada e ainda assim produzir espera excessiva em um dia um pouco mais carregado.
O objetivo, portanto, não é escolher uma porcentagem universal de ocupação. É definir uma meta de serviço e testar quantos atendentes são necessários para alcançá-la com a demanda e o TMA do intervalo.
Defina a meta de espera antes de escolher o número de guichês
Uma meta operacional precisa dizer o que significa uma espera aceitável. Exemplos são: 90% dos clientes iniciam o atendimento em até 10 minutos; espera média abaixo de 5 minutos; ou P90 da espera de até 10 minutos. Essas métricas não são equivalentes.
Para dimensionamento, uma meta do tipo percentual atendido dentro de um tempo é especialmente prática. Dizer que 90% devem começar o atendimento em até 10 minutos equivale a exigir que, no modelo, a probabilidade de esperar mais de 10 minutos seja no máximo 10%.
A escolha da meta é gerencial. Um atendimento de urgência pode exigir tolerância muito menor do que um serviço em que o cliente aceita aguardar. O cálculo transforma essa decisão em capacidade; ele não decide sozinho qual nível de serviço é adequado.
Compare os cenários com Erlang C quando as premissas forem razoáveis
O modelo Erlang C é uma referência clássica para filas com vários atendentes paralelos. Na forma básica, ele supõe chegadas de acordo com um processo de Poisson, tempos de serviço independentes com distribuição exponencial, atendentes equivalentes, disciplina de atendimento por ordem de chegada e clientes que não abandonam a fila antes de serem atendidos.
Dentro dessas premissas, use lambda para a taxa de chegada por hora, mu para a capacidade por atendente por hora, c para o número de atendentes e a para a carga oferecida, em que a = lambda / mu. A utilização é rho = a / c. Se rho for maior ou igual a 1, descarte o cenário para uma fila sem limite e sem abandono, porque ele não é estável.
Para cada c estável, o Erlang C calcula a probabilidade de um cliente encontrar todos os atendentes ocupados e precisar esperar. Com essa probabilidade, também é possível calcular a chance de a espera ultrapassar um tempo t e, portanto, verificar uma meta como 90% em até 10 minutos.
A forma reproduzível é esta. Primeiro calcule o denominador como a soma de a elevado a k dividido por k fatorial, para k de zero até c menos um, mais o termo a elevado a c dividido por c fatorial e por 1 menos rho. Depois, a probabilidade de esperar é o segundo termo dividido pelo denominador. A espera média na fila é a probabilidade de esperar dividida por (c vezes mu menos lambda). Por fim, o nível de serviço até o tempo t é 1 menos a probabilidade de esperar multiplicada por exp de menos (c vezes mu menos lambda) vezes t, usando t na mesma unidade de tempo das taxas.
Exemplo: 30 chegadas por hora e TMA de 8 minutos
Com TMA de 8 minutos, cada atendente tem capacidade média de 7,5 atendimentos por hora. Com 30 chegadas por hora, a carga oferecida é 4.
Com quatro atendentes, rho é 1. O cenário opera no limite teórico e não é estável no Erlang C. Com cinco atendentes, rho cai para 0,80. O cálculo dá probabilidade de espera de aproximadamente 55,4%, espera média de cerca de 4,43 minutos e cerca de 84,1% dos clientes iniciando o atendimento
em até 10 minutos.
Com seis atendentes, rho cai para aproximadamente 0,667. A probabilidade de esperar fica em torno de 28,5%, a espera média cai para cerca de 1,14 minuto e aproximadamente 97,7% dos clientes começam o atendimento em até 10 minutos.
Se a meta for 90% em até 10 minutos, cinco atendentes não bastam nesse exemplo, enquanto seis atendentes cumprem a meta sob as premissas do modelo. A divisão simples da demanda pela capacidade apontaria quatro, exatamente o cenário que não tem folga para a variabilidade. Essa diferença é o motivo de não tratar capacidade bruta como dimensionamento final.
Use a Lei de Little como verificação, não como fórmula de escala
A Lei de Little relaciona três médias: quantidade de clientes no sistema, taxa de chegada e tempo médio no sistema. Em forma simples, L = lambda x W. A mesma relação pode ser aplicada à fila, usando o número médio de pessoas esperando e o tempo médio de espera.
Ela é muito útil para conferir se os dados fazem sentido. Se a taxa de chegada é conhecida e o sistema registra um tempo médio de espera, a relação ajuda a estimar quantas pessoas deveriam estar, em média, na fila. Mas ela não determina quantos atendentes são necessários para cumprir um percentil ou uma meta de espera. Para isso, é preciso modelar a variabilidade e o número de servidores.
Separe serviços com durações muito diferentes
Uma média única pode esconder misturas que produzem filas bem distintas. Imagine que um balcão faça um procedimento de 3 minutos e outro de 20 minutos. Um TMA global pode até representar a carga total, mas não mostra como a distribuição dos tempos afeta a espera nem se os atendentes têm as mesmas habilidades para realizar ambos os serviços.
Quando os tipos de atendimento têm durações, prioridades ou competências muito diferentes, calcule volume e tempo por tipo. Depois decida se as filas realmente compartilham a mesma equipe. Se qualquer atendente puder tratar qualquer cliente, existe ganho de compartilhamento de capacidade. Se certos guichês forem especializados, cada grupo deve ser dimensionado com a demanda que de fato consegue atender.
Também é importante separar tempo de atendimento de tempo indisponível. Pausas, troca de turno, conferências, tarefas administrativas, indisponibilidade de sistema e retrabalho reduzem a capacidade efetiva. O número de guichês abertos não é necessariamente igual ao número de atendentes produtivos durante todo o intervalo.
Quando Erlang C não deve ser usado sozinho
O Erlang C é uma aproximação, não uma fotografia completa da operação. Ele perde precisão quando o padrão de chegadas muda muito dentro do próprio intervalo, quando clientes abandonam a fila, quando há prioridades fortes, quando os atendentes têm habilidades diferentes, quando os tempos de serviço são muito assimétricos, quando há chegadas em lotes ou quando a capacidade muda durante o período.
Se o abandono for relevante, modelos como Erlang A podem representar a paciência limitada. Se a fila mistura vários tipos de clientes e habilidades, modelos multiclasses ou simulação de eventos discretos costumam ser mais adequados. Quando a demanda varia rapidamente, uma simulação com o histórico de chegadas e tempos de serviço pode mostrar efeitos que uma conta estacionária por intervalo não captura.
Uma prática segura é usar Erlang C como linha de base quando as premissas forem aceitáveis e depois comparar a previsão com a operação real. Se o modelo disser que a espera deveria ser baixa e o dado observado continuar alto, procure as premissas quebradas antes de simplesmente adicionar gente.
Monte uma planilha que possa ser recalculada a cada intervalo
Cada linha da planilha deve representar um intervalo de tempo e conter, no mínimo, início e fim do período, número de chegadas, taxa de chegada equivalente por hora, TMA, capacidade por atendente, carga oferecida e os cenários de c que você quer testar. Para cada cenário, calcule rho e descarte rho maior ou igual a 1.
Nas colunas seguintes, calcule a probabilidade de espera pelo Erlang C, a espera média e o nível de serviço para a meta definida. A decisão da linha é o menor c que atende o critério. Repita o processo para todos os intervalos do dia. O resultado não é um único número de atendentes para a empresa, mas uma curva de necessidade ao longo do tempo.
Depois, aplique uma camada de escala. O dimensionamento de fila diz quantos atendentes precisam estar disponíveis em cada intervalo. A escala transforma essa necessidade em turnos reais, considerando pausas, almoço, treinamento, absenteísmo, limites de jornada e atividades que tiram pessoas do atendimento. Confundir essas duas etapas é outra fonte comum de subdimensionamento.
Trabalhe com cenário base, pico e incerteza
Não use apenas um valor médio histórico de lambda. Monte pelo menos um cenário típico e um cenário de pico coerente com o histórico. Em operações sensíveis, acrescente uma margem para erro de previsão ou use um quantil de demanda do intervalo, em vez de apenas a média.
A mesma lógica vale para o TMA. Se ele muda por horário, dia ou tipo de serviço, use estimativas específicas. Se uma mudança de processo reduziu o TMA recentemente, não misture meses antigos e novos como se fossem a mesma operação.
O valor da planilha está em tornar explícitas as hipóteses. Quando a demanda sobe, o TMA muda ou a meta de espera fica mais exigente, o número recomendado de atendentes muda diante do gestor, sem depender de uma fórmula mágica escondida.
Como aproveitar dados já registrados no Biomi Pass
A documentação pública do Biomi Pass informa que a operação registra status, horários, guichê, tipo, motivo e histórico das transições. Também informa que os relatórios reúnem volumes, faltas, cancelamentos e tempos, e que soluções por setor exibem relatórios de espera e atendimento.
Esses dados formam uma base adequada para construir a planilha por intervalo: o volume alimenta lambda, os tempos alimentam o TMA e a separação por tipo ou setor ajuda a não misturar serviços com perfis diferentes. Antes de calcular, confirme como o sistema define cada duração, por exemplo se o tempo inclui transferência, pausa, atendimento ativo ou finalização, para não comparar métricas com significados diferentes.
O número final é uma decisão de nível de serviço
O menor número de atendentes capaz de processar a carga não é, necessariamente, o número que entrega a experiência desejada. O dimensionamento correto tem duas perguntas separadas. A primeira é quantos atendentes são necessários para que a fila seja estável. A segunda é quantos são
necessários para cumprir a meta de espera com margem suficiente para a variabilidade real.
Comece pelos dados em intervalos curtos, converta TMA em capacidade, calcule a carga, descarte cenários no limite, teste os números de guichês contra uma meta explícita e valide a previsão com o comportamento observado. Esse processo produz uma escala justificável e comparável ao longo do tempo, em vez de um número escolhido pela média do dia.
