Upload
others
View
1
Download
0
Embed Size (px)
Citation preview
ANÁLISE DO SISTEMA DE FILAS DE
UM BANCO EXPRESSO
Ingrid Braz de Sousa
Jessika Selba
Maria Luisa Alves Freitas
Natan Magalhães
Williane de Oliveira Silva Soares
O presente artigo realiza análise do sistema de filas de um Banco,
localizado no Município de Sumé, aplicando teoria das filas. O
objetivo principal é analisar a situação atual com relação ao
atendimento de clientes e propor melhorias. Para isso, foi feita visita in
loco para a coleta de dados e posteriormente o tratamento dos
mesmos, com a ajuda de um software estatístico.
Palavras-chave: Simulação, Teoria das Filas, Pesquisa Operacional
XXXVIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO “A Engenharia de Produção e suas contribuições para o desenvolvimento do Brasil”
Maceió, Alagoas, Brasil, 16 a 19 de outubro de 2018.
XXXVIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO “A Engenharia de Produção e suas contribuições para o desenvolvimento do Brasil”
Maceió, Alagoas, Brasil, 16 a 19 de outubro de 2018. .
2
1. Introdução
As empresas atuais buscam por métodos de reduzir e otimizar o tempo, isso se deve a vida
contemporânea agitada que exige rapidez e agilidade em operações cotidianas, envolvem o
congestionamento de filas, como o pagamento de contas, a ida ao mercado ou até mesmo a
parada para um lanche na padaria. Mediante a isso, o estudo de filas reflete a qualidade do
atendimento das organizações, as mantendo competitivas no mercado.
A teoria das filas, segundo Andrade (2000) é um método utilizado para minimizar o
congestionamento de fila. Essa teoria tem por finalidade equilíbrio entre a satisfação do
cliente e a rentabilidade do provedor do serviço.
O artigo em questão tem o intuito de avaliar um sistema de filas de um banco, localizado no
município de Sumé-PB. A empresa presta o atendimento expresso há 5 anos, com um único
guichê em funcionamento e 1(um) atendente, com serviços de pagamento, saques, depósitos e
aberturas de conta.
2. Referencial teórico
2.1. Teoria das filas
A teoria das filas é um método analítico que auxilia a modelagem de sistemas, através de
formulas matemáticas. A abordagem matemática de filas se iniciou no século XX (1980) em
Copenhague, Dinamarca, com A. K. Erlang, considerado o pai de teoria das filas quando
trabalhava em uma companhia telefônica estudando o problema de redimensionamento de
centrais telefônicas (PRADO 2009).
A teoria das filas se expandiu para outros problemas de filas a partir da 2ª Guerra Mundial e
apesar da grande utilização desse conceito diversos problemas não tem solução adequada
devido a complexidade matemática.
Taha (2008) afirma que o estudo de fila descreve o processo de quantificação de tempo em
uma fila, a fim de reduzir custos inerentes ao tempo de espera em um sistema. A teoria de
filas possibilita a identificação do layout adequado para o sistema.
XXXVIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO “A Engenharia de Produção e suas contribuições para o desenvolvimento do Brasil”
Maceió, Alagoas, Brasil, 16 a 19 de outubro de 2018. .
3
2.2. Características de uma fila
Processo de chegada dos clientes:
O processo de chegada do cliente é especificado frequentemente pelo tempo entre chegadas
(λ) por uma dada unidade de tempo (IC) ou o tempo médio entre chegadas sucessivas. As
variáveis apresentadas por este processo podem ser determinísticas (exatamente conhecido)
ou aleatórias, nas quais as probabilidades são conhecidas presumivelmente. Esse método
depende do número de clientes já presentes no sistema ou pode ser estabelecido
independentemente.
Clientes e Tamanho da População:
De acordo com o tamanho da população que fornece os clientes, esta pode ser considerada
finita ou infinita. Na população finita, o número de cliente na fila afeta a quantidade de
clientes fora do sistema, complicando analiticamente, em qualquer tempo. Já para a população
infinita, os cálculos são mais simples e essa presunção é adotada quando o tamanho da
população é um número fixo relativamente grande e é assumida geralmente quando não se
estabelece nada em contrário.
Disciplina da Fila:
Trata-se da regra que define qual o próximo a ser atendido, normamalmente o primeiro da fila
é atendido ou, de uma maneira mais ampla, o “primeiro a chegar é o primeiro a ser atendido”
(em inglês, diz-se FIFO: First In First Out). Outras disciplinas podem existir, tais como
“último a chegar primeiro a ser atendido” (em inglês diz-se LIFO: Last In First Out), serviço
por ordem de prioridade, serviço randômico, etc (PRADO, 2004).
Número de canais de serviços:
Refere-se ao número de servidores em paralelo que prestam serviços simultâneos aos clientes.
Um sistema de filas pode apresentar um ou múltiplos canais de atendimento, operando
independentemente um do outro. Nesse último caso, pode-se ter uma fila única ou uma fila
para cada canal. (BORGES et al., 2010)
Capacidade de Armazenamento do Sistema:
XXXVIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO “A Engenharia de Produção e suas contribuições para o desenvolvimento do Brasil”
Maceió, Alagoas, Brasil, 16 a 19 de outubro de 2018. .
4
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 obrigado 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 apud SILVA & MAGALHÃES, 2005).
Etapas do Serviço:
A estrutura do sistema é um outro fator que tem muita influência no funcionamento de um
sistema de filas. Diz respeito ao seu arranjo, definindo se a fila é única ou múltipla, se há um
ou mais canais de atendimento e se o atendimento ocorre em apenas uma etapa ou em série (o
cliente, ao ser atendido por um canal de atendimento, passa para outro para ter concluído o
serviço pretendido). O sistema de filas pode ter várias estruturas e cada uma delas vai exigir
um tratamento analítico diferente (VIANA, 2003 apud RABELO, 2007).
A divisão dos modelos de filas podem se basear no número de canais e fases. O número de
canais apresenta o número de linhas que existem em um sistema; segundo este critério, os
sistemas de fila podem ser classificados em simples ou multicanais. O número de fases se
refere ao número de instalações de serviço através das quais um elemento pode passar antes
de se completar o serviço; segundo este critério, os sistemas de fila podem ser classificados
em simples ou multifásicos. (WATSON, 1981 apud GAVIRA, 2003). A Figura 1 mostra as
situações de fila de espera:
Figura 1 – Situações de um fila de espera
XXXVIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO “A Engenharia de Produção e suas contribuições para o desenvolvimento do Brasil”
Maceió, Alagoas, Brasil, 16 a 19 de outubro de 2018. .
5
Fonte: (BUFFA, 1972)
2.3. Notação de Kendall
O professor David George Kendall, criou, em 1953, uma notação para sistemas de filas, atualmente muito utilizada
(TEIXEIRA, 2004), pode ser descrito da seguinte forma:
A = distribuição dos intervalos entre chegadas (Processo de Chegadas);
B = distribuição do tempo de serviço;
c = quantidade de atendentes;
K = capacidade máxima do sistema (Tamanho da Fila);
m = tamanho da população que fornece clientes;
Z = disciplina da fila.
Os valos de A e B dependem do tipo distribuição.
XXXVIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO “A Engenharia de Produção e suas contribuições para o desenvolvimento do Brasil”
Maceió, Alagoas, Brasil, 16 a 19 de outubro de 2018. .
6
2.4. Modelos de filas (MM1)
Segundo Prado (2009), este modelo representa chegadas e atendimentos marcovianos com um
único atendente. Este estudo considera os casos de população infinita e finita. Na figura 2
podemos ver a representação desse modelo, nela o retângulo tracejado representa o sistema
que esta sendo analisado, ao qual chegam clientes que recebam algum atendimento e, então,
desocupam o sistema.
Figura 2 – Representação do modelo de Fila M/M/1
Fonte: adaptado de Prado (2009)
As principais variáveis randômicas são tratadas pelas fórmulas da Figura 3:
Figura 3 – Fórmulas para as variáveis
randômicas
Fonte: adaptado de Prado (2009)
XXXVIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO “A Engenharia de Produção e suas contribuições para o desenvolvimento do Brasil”
Maceió, Alagoas, Brasil, 16 a 19 de outubro de 2018. .
7
A taxa de utilização é a relação entre o ritmo médio de chegada e o ritmo de atendimento:
Sistemas estáveis exigem menor que ou < 1.
3. Metodologia
O trabalho se dividiu em três partes:
1. Modelagem dos dados de entrada;
a. Coleta de dados:
i. Coletar tempo entre chegada de cliente na fila
ii. Tempo de atendimento (n= 100 – 200)
b. Tratamento
c. Inferência
2. Aplicação de um modelo de Filas;
3. Relatório de projeto.
A primeira etapa da modelagem, coleta de dados, corresponde ao chamado processo e
amostragem. Uma amostra, segundo Medina e Chwif (2010), é um conjunto de valores,
retirada da população de interesse, utilizada para representar a população no estudo
estatístico. Garantindo assim uma amostra muito representativa do fenômeno. A coleta de
dados contou com duas visitas in loco em dias diferente da semana para garantir a
aleatoriedade da amostra. No trabalho de campo, para coletar o tempo entre chegada de
cliente na fila foi realizado o seguinte procedimento: foi marcada uma linha imaginária na
entrada, indicando que, quando um cliente ultrapassá-la, é o momento de anotar o tempo atual
do cronômetro, zerá-lo e dispará-lo novamente para a chegada do próximo cliente. Para
coletar o tempo de atendimento ligou-se o cronômetro no momento em que o cliente chega ao
balcão, para no momento que termina seu atendimento, é anotado e inicia-se com a chegada
do próximo consumidor.
XXXVIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO “A Engenharia de Produção e suas contribuições para o desenvolvimento do Brasil”
Maceió, Alagoas, Brasil, 16 a 19 de outubro de 2018. .
8
O banco presta atendimento durante a semana de 07:30h ás 12:00h e de 13:30h ás 17:30 e no
sábado de 7:30h ás 12:30h, para coleta dos dados foram feitas duas visitas, uma na primeira
segunda feira do mês de Fevereiro, dia 05/02/2018, das 7:30h as 10:00h coletando um total de
60 amostras, e no dia 06/02/2018 das 14:00h as 17:00h foram coletadas as demais amostras,
totalizando na quantidade de 105 amostras. Contudo a análise coletada não condiz com a
realidade diária do Banco, visto que tratava-se da primeira semana do mês a qual são feitos os
pagamentos dos clientes.
Na segunda etapa, a de tratamento de dados, são utilizadas técnicas para apresentar os dados
levantados, identificar as possíveis falhas nos valores amostrado, fazendo assim que acresça o
nosso conhecimento sobre o caso em estudo. Já na terceira etapa, inferência, usa-se cálculo
estatístico para identificar o comportamento da população a partir da amostra. Com resultado
tem-se o modelo probabilístico que será incorporado ao modelo de filas. Em seguida, para o
tratamento e inferência dos dados utilizou-se o software Minitab versão 18 por Minitab Inc.,
com o intuito de verificar o comportamento dos dados, através da plotagem de gráficos como:
gráfico de dispersão e histograma. Além de calcular as estatísticas descritivas da amostra para
inferência de informações relevantes.
3.1. Tempo de atendimento
3.1.1 Dados estatísticos
O atendimento leva em média 1min e 45s, com o tempo máximo de 5min e 28s e o tempo
mínimo de 15segundos, como podemos ver na Tabela 1. Observou que tempo máximo de
atendimento acontece, pois o cliente em questão possui mais de um pagamento a ser feito. O
tempo mínimo encontrado ocorre devido à utilização do serviço de informação, como dúvidas
sobre pagamentos, se há dinheiro em caixa (diferente do serviço do banco, o caixa só é
abastecido através do pagamento dos clientes), se o sistema esta habilitado para uso (muitas
vezes ocorre do sistema falhar), entre outras.
Tabela 1 – Dados estatísticos do tempo de atendimento
Variáveis Tempos de atendimento (h)
Média 0,07294
XXXVIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO “A Engenharia de Produção e suas contribuições para o desenvolvimento do Brasil”
Maceió, Alagoas, Brasil, 16 a 19 de outubro de 2018. .
9
Desvio Padrão 0,04758
Variância 0,00226
Coeficiente de Variação 65,24
Mínimo 0,01060
Q1 0,03421
Mediana 0,06328
Q3 0,10502
Máximo 0,022785
Amplitude 0,21725
Moda 0,117755
N de moda 2
Assimetria 0,92
Fonte: Autoria própria (2018)
3.1.2. Histograma
O histograma mostra que o intervalo com o maior número de clientes (vinte clientes) possui
uma duração de atendimento de 35 a 55 segundos, apesar da media de tempo de atendimento
ser 1min e 45seg., como mostra na Figura 4 a seguir:
Figura 4 – Histograma do tempo de atendimento
XXXVIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO “A Engenharia de Produção e suas contribuições para o desenvolvimento do Brasil”
Maceió, Alagoas, Brasil, 16 a 19 de outubro de 2018. .
10
5:05:004:25:003:45:003:05:002:25:001 :45:001 :05:000:25:00
20
1 5
1 0
5
0
Tempo de atendimento
Fre
qu
ên
cia
Histograma de Tempo de atendimento
Fonte: autoria própria com o auxílio do Minitab (2018)
3.1.3. Boxplot
A partir do gráfico Boxplot como apresentado na Figura 5, observou-se que o tempo de
atendimento médio é de 1min e 29s e a maioria dos dados estão entre 48s e 2min e 30s,
entretanto existem atendimentos tão reduzidos de 15s e tão elevados como de 4min e 30s.
Destaca-se ainda a presença de um outlier com tempo de 5min e 28s, entretanto a presença do
mesmo não possui significância elevada, pois é menor que 5% da amostra. A média é outlier
de 1min e 45s.
Figura 5- Boxplot de tempo de atendimento
XXXVIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO “A Engenharia de Produção e suas contribuições para o desenvolvimento do Brasil”
Maceió, Alagoas, Brasil, 16 a 19 de outubro de 2018. .
11
5:30:005:24:005:1 8:005:1 2:005:06:005:00:004:54:004:48:004:42:004:36:004:30:004:24:004:1 8:004:1 2:004:06:004:00:003:54:003:48:003:42:003:36:003:30:003:24:003:1 8:003:1 2:003:06:003:00:002:54:002:48:002:42:002:36:002:30:002:24:002:1 8:002:1 2:002:06:002:00:001 :54:001 :48:001 :42:001 :36:001 :30:001 :24:001 :1 8:001 :1 2:001 :06:001 :00:000:54:000:48:000:42:000:36:000:30:000:24:000:1 8:00
Tem
po
de a
ten
dim
en
to
Boxplot de Tempo de atendimento
Fonte: autoria própria com o auxílio do Minitab (2018)
3.1.4. Gráfico de Dispersão
Como mostra na Figura 6, foi plotado o gráfico de Dispersão. Os dados de Dispersão não
revelam nenhuma relação entre o tempo de espera e o tempo de chegada de modelo para
ajustar melhor os seus dados e possui força de relação mais fraca, ou seja, conforme o tempo
de chegada aumenta o tempo de atendimento diminui. Logo, o intervalo de tempo de
atendimento não é constante, o que comprova a aleatoriedade dos dados. Para a interpretação
desses dados foi retirado o outlier, como se pode ver na Figura 7, segundo indicação do
software.
Figura 6 – Gráfico de Dispersão
XXXVIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO “A Engenharia de Produção e suas contribuições para o desenvolvimento do Brasil”
Maceió, Alagoas, Brasil, 16 a 19 de outubro de 2018. .
12
5:004:003:002:001 :000:00
5:00
4:00
3:00
2:00
1 :00
0:00
Tempo de atendimento 1
Tem
po
de a
ten
dim
en
to
Gráfico de Dispersão de Tempo de atendim versus Tempo de atendim
Fonte: autoria própria com o auxílio do Minitab (2018).
Figura 7 – Gráfico de Dispersão sem outlier
5:004:003:002:001 :000:00
5:00
4:00
3:00
2:00
1 :00
0:00
C6
TA
(se
m o
utl
ier)
Gráfico de Dispersão de TA (sem outlier) versus C6
Fonte: autoria própria com o auxílio do Minitab (2018)
3.2. Tempo de chegada entre os clientes
3.2.1. Dados estatístico
XXXVIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO “A Engenharia de Produção e suas contribuições para o desenvolvimento do Brasil”
Maceió, Alagoas, Brasil, 16 a 19 de outubro de 2018. .
13
Com a análise dos dados estáticos (Tabela 2), foi possível obter a média da amostra: 1min e
32s, com o tempo de chegada mínimo de 1s e 3 milésimos e o tempo de chegada máximo de
6min e 15s.
Tabela 2 - Dados estatísticos do tempo de chegada
Variáveis Tempos de chegada (h)
Média 0,06440
Desvio Padrão 0,06154
Variância 0,00379
Coeficiente de Variação 95,55
Mínimo 0,00073
Q1 0,01789
Mediana 0,04486
Q3 0,08921
Máximo 0,026104
Amplitude 0,26031
Moda 0
N de moda 0
Assimetria 1,39
Fonte: autoria própria (2018)
3.2.2. Histograma
Observou-se entre os intervalos de tempo de chegada, que os tempos de 1 a 31s apresentam a
maior taxa de frequência de 30 clientes.
XXXVIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO “A Engenharia de Produção e suas contribuições para o desenvolvimento do Brasil”
Maceió, Alagoas, Brasil, 16 a 19 de outubro de 2018. .
14
Figura 9 – Histograma de tempo de chegada
6:1 6:005:1 6:004:1 6:003:1 6:002:1 6:001 :1 6:000:1 6:00
30
25
20
1 5
1 0
5
0
Tempo de Chegada
Fre
qu
ên
cia
Histograma de Tempo de Chegada
Fonte: autoria própria com o auxílio do Minitab (2018)
3.2.3. Boxplot
Notou-se no gráfico Boxplot (Figura 10), que a média encontrada é de aproximadamente 1min
e 5s e a maioria dos dados estão entre 2min e 8s e 27s, entretanto existem chegadas reduzidas
de, aproximadamente, 1s e chegadas altas com 4min e 23s.
Ressaltou-se ainda, a presença de 4 outliers com tempos de 4min e 55s, 5min e 30s, 5min e
47s, 6min e 4seg e 6min e 15s. Todavia a presença de outlier não tem significância elevada,
pois é menor que 5% da amostra.
A média com outlier é 1min e 32s e sem outliers é de 1min e 20s, o que comprova a
insignificância dos outliers.
XXXVIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO “A Engenharia de Produção e suas contribuições para o desenvolvimento do Brasil”
Maceió, Alagoas, Brasil, 16 a 19 de outubro de 2018. .
15
Figura 10 – Boxplot de tempo de chegada
6:20:006:1 0:006:00:005:50:005:40:005:30:005:20:005:1 0:005:00:004:50:004:40:004:30:004:20:004:1 0:004:00:003:50:003:40:003:30:003:20:003:1 0:003:00:002:50:002:40:002:30:002:20:002:1 0:002:00:001 :50:001 :40:001 :30:001 :20:001 :1 0:001 :00:000:50:000:40:000:30:000:20:000:1 0:000:00:00
Tem
po
de C
heg
ad
a
Boxplot de Tempo de Chegada
Fonte: autoria própria com o auxílio do Minitab (2018).
3.2.4. Gráfico de Dispersão
Foram plotados dois gráficos de Dispersão, com (Figura 12) e sem (Figura 13) outlier. Os
dados de dispersão na revelam nenhuma relação, possuindo forças de relação mais fracas, de
acordo com as instruções do Minitab, logo o intervalo de tempo entre as chegadas não é
constante, o que comprova a aleatoriedade dos dados.
Figura 11 – Gráfico de Dispersão com outlier
XXXVIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO “A Engenharia de Produção e suas contribuições para o desenvolvimento do Brasil”
Maceió, Alagoas, Brasil, 16 a 19 de outubro de 2018. .
16
6:005:004:003:002:001 :000:00
6:00
5:00
4:00
3:00
2:00
1 :00
0:00
Tempo de Chegada 1
Tem
po
de C
heg
ad
a
Gráfico de Dispersão de Tempo de Chegada versus Tempo de Chegada 1
Fonte: Autoria própria com o auxílio do Minitab (2018).
4. Relação ao teste de normalidade
Medina e Chwif (2010) afirma que para verificar se a distribuição é estatisticamente adequada
para representar os dados coletados. Tem-se o teste de aderência para testar a validade ou não
das seguintes hipóteses:
H0: O modelo é adequado pra representar a distribuição da população
H1: O modelo não é adequado pra representar a distribuição da população
Sabe-se que uma distribuição normal apresenta os mesmos valores para media, moda e
mediana. Entretanto foi observado no teste de normalidade de Anderson-Darling com o apoio
do Minitab que o intervalo de confiança entre a média e a mediana não são próximos.
Além disso, o valor de p é menor que 0,005, sabendo-se que “o valor de p aceite para estudos
de proveniência é 0,05” (Barbeau et al., 2009) correspondendo a um intervalo de confiança de
95% e neste caso:
Se p>0,05, é pouco provável que as duas amostras sejam de populações diferentes;
Se p<0,05, é provável que as duas amostras sejam de populações diferentes.
Então pode-se afirmar que os dados não aderem ao modelo de distribuição normal.
XXXVIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO “A Engenharia de Produção e suas contribuições para o desenvolvimento do Brasil”
Maceió, Alagoas, Brasil, 16 a 19 de outubro de 2018. .
17
Figura 12 – Teste de normalidade de Anderson-Darling
1o. Quartil 25555
Mediana 64560
3o Quartil 138160
Máximo 375540
76710 1 1 1718
51 108 80617
79213 104226
A-Quadrado 4,60
Valor-p <0,005
Média 94214
DesvPad 90005
Variância 8100811627
Assimetria 1 ,31 161
Curtose 1 ,17737
N 104
Mínimo 1030
Teste de normalidade de Anderson-Darling
Intervalo de 95% de Confiança para Média
Intervalo de 95% de Confiança para Mediana
Intervalo de 95% de Confiança para DesvPad
3750003000002250001 50000750000
Mediana
Média
1 200001 05000900007500060000
Intervalos de 95% de Confiança
Relatório Resumo para C1
Fonte: autoria própria com o auxílio do Minitab (2018).
O teste de Kolmogorov-Sminorv foi efetuado com o auxílio do Microsoft Excel 2010 (Anexo
2). Visto que o D máximo é maior que o D crítico para os níveis de significância, os
resultados também rejeitaram a hipótese de que os dados aderem à distribuição Gama e a
distribuição Logarítmica Normal.
4. Resultados e discussões
Com a análise do sistema de filas do caixa do banco, observou-se que a fila é classificada por
MM1, também conhecida por Modelo de Poisson, e possui população infinita. Com esse
modelo pode-se calcular o Número Médio de Clientes na Fila, Número Médio de Cliente no
Sistema, Tempo Médio durante o qual o Cliente fica na fila, Tempo Médio durante o qual o
Cliente fica no Sistema, Probabilidade de existirem n Clientes no Sistema.
A taxa de utilização demonstra a probabilidade de haver utilização do sistema por um cliente,
a mesma pode ser considerada alta, pois a cada 100 pessoas que chegam no estabelecimento,
aproximadamente 89 pessoas tem que esperar em uma fila.
XXXVIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO “A Engenharia de Produção e suas contribuições para o desenvolvimento do Brasil”
Maceió, Alagoas, Brasil, 16 a 19 de outubro de 2018. .
18
O número médio de clientes é aproximadamente 7 pessoas, o que comprova o valor da taxa de
utilização e interfere na comodidade do consumidor.
O número médio de clientes usufruindo o sistema é de aproximadamente 8 pessoas, 1 pessoa
no atendimento e 7 na fila.
Uma pessoa em média passa 104 minutos aguardando o atendimento, isso se dá devido à falta
de dinheiro no caixa ou a pausas do atendente em função das necessidades fisiológicas do
mesmo. Além disso, algumas pessoas que não possuem grande habilidade na leitura e
identificação dos boletos e extratos comprometem a agilidade do sistema.
O tempo médio de duração de um cliente no sistema é de aproximadamente de 118 minutos, o
que demostra que o processo de atendimento dura cerca de 14 minutos por pessoa, isso se dá
devido a falta de dinheiro no caixa, surge assim um novo critério de atendimento, o sistema
deixa de ser FIFO (do inglês First In, First Out, que significa “o primeiro que entra, é o
primeiro a sair”), a partir desse momento, as pessoas que necessitam de saque passam a
esperar mais do que as que necessitam fazer depósitos, o que aumenta consideravelmente o
tempo médio de espera, aumentando também o tempo no qual o cliente fica no sistema todo.
Demonstra a probabilidade de 11,7% de existir pessoas na fila de acordo com o número
médio de clientes na fila.
XXXVIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO “A Engenharia de Produção e suas contribuições para o desenvolvimento do Brasil”
Maceió, Alagoas, Brasil, 16 a 19 de outubro de 2018. .
19
Mediante os resultados obtidos, nota-se que existe a probabilidade de 11,7% de formação de
fila, podendo ser evitada ou reduzida com a existência de um segundo caixa. Além disso,
recomenda-se a implantação de um quadro informativo contendo avisos das operações
realizadas no caixa e se o sistema está funcionando, evitando pausas desnecessárias do
operador a fim de sanar dúvidas dos clientes e contra fluxo. Logo, as aplicações do
conhecimento de teoria das filas e dessas novas medidas refletem no melhoramento do
sistema.
5. Considerações finais
Com base no estudo, que retrata um sistema de filas cotidiano, sabe-se que para analisar uma
fila de um sistema qualquer, é necessário não apenas entender a mesma, mas promover
soluções de melhorias para tal sistema, a aplicação da simulação é a melhor alternativa, visto
que é possível projetar diversos cenários futuros antes de alterar o sistema físico ou real.
Em uma visão futura há uma simulação de um sistema em função do fluxo do banco em
função do dia. Tendo em vista há necessidade da coleta de dados em dias aleatórios durante o
mês, em que o número de caixas em funcionamento em cada fila é calculado a partir da
demanda diária. Por ser natural haver maior fluxo de clientes em alguns períodos do que em
outros, este estudo torna-se bastante viável para empresas que desejam elaborar
planejamentos mais aprofundados como, por exemplo, como a adoção do sistema kanban a
fim de sinalizar o funcionamento ou não do sistema.
Tendo em vista as analises do sistema deste banco observou-se a necessidade de ajustes que
podem aperfeiçoar o atendimento e o funcionamento do mesmo. Por isso a importância de
análises periódicas do funcionamento de empresas que prestam serviços e possuem filas.
Assim é sugerido a contratação de um novo funcionário para a operação de um sistema
simultâneo ao atual, não exclusivos, otimizando o tempo de espera na fila.
REFERÊNCIAS
XXXVIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO “A Engenharia de Produção e suas contribuições para o desenvolvimento do Brasil”
Maceió, Alagoas, Brasil, 16 a 19 de outubro de 2018. .
20
BARBEAU, D., Davis, J., Murray, K., Valencia, V., Gehrels, G., Zahid, K., Gombosi, D., 2009. Detrital-
zircon geochronology of the metasedimentary rocks of north-western Graham Land. Antarctic Science, 22, 65-
78.
BEAVERSTOCK, Malcolm; GREENWOOD, Allen; NORDGREN, William. Applied
Simulation: Modeling and Analysis using FlexSim. 4. ed. Orem: Flexsim Software Products, 2014.
BORGES, Renata Massoli et al. Teoria das Filas e da Simulação aplicada ao Embarque de Minério de Ferro e
Manganês no Terminal Marítimo de Ponta da Madeira. In: ENCONTRO NACIONAL DE ENGENHARIA DE
PRODUÇÃO, 30., 2010, São Carlos. Anais... . São Carlos: Enegep, 2010. p. 1 - 14.)
BUFFA, E.S., 1972, Administração da Produção. 1 ed. Rio de Janeiro, Livros Técnico Científico.
Chwif, Leonardo. Modelagem e Simulação de eventos discretos: teoria & aplicações/ Leonardo Chwif, Afonso
C. Medina. – 3. ed. – São Paulo: Ed. do Autor, 2010.
CONTI, Fátima. Biometria Qui Quadrado. 2009. Disponível em:
<http://www.ufpa.br/dicas/biome/biopdf/bioqui.pdf>. Acesso em: 22 fev. 2018.
ESCUDERO, L. F. La simulación en la empresa. Bilbao: Ediciones Deusto, 1973.
GAVIRA, M.O., 2003, Simulação Computacional como uma Ferramenta de Aquisição de Conhecimento. Tese
de M. Sc., Escola de Engenharia de São Carlos da Universidade de São Paulo, São Carlos, SP, Brasil.
LUSTOSA, P. R. B.; PONTE, V. M. R.; DOMINAS, W. R. Simulação. In: CORRAR, L. J.;
THEÒPHILO, C. R. (Orgs.). Pesquisa Operacional para decisão em contabilidade e administração. São Paulo:
Atlas, 2004.
METROPOLIS, N.; ULAM, S. The Monte Carlo method. Journal of the American Statistical Association, v.
44, n. 247, p. 335-341, 1949.
MOORE, J. H.; WEATHERFORD, L. R. Decision modeling with Microsoft Excel. 6th ed. New Jersey:
Prentice Hall, 2001.
OLIVEIRA, G. B. Simulação Computacional: Análise de um Sistema de Manufatura em Fase de
Desenvolvimento. Dissertação de Mestrado. Universidade Federal de Engenharia de Itajubá: UNIFEI, 2007,
154p.
PRADO, D. S. Teoria das Filas e da Simulação / Darci Prado. – 4. ed. – Nova Lima: INDG Tecnologia e
Serviços Ltda, 2009.
PRADO, Darci Santos Do. Teoria das Filas e da Simulação –4. Ed. – Nova Lima: INDG Tecnologia e Serviços
Ltda, 2009.
SA, Banco Bradesco. O Bradesco Expresso. Disponível em: <https://expresso.bradesco/html/o-bradesco-
expresso.shtm>. Acesso em: 22 fev. 2018.
TAHA,HAMDY A. Pesquisa Operacional: uma visão geral – 8 . ed – São Paulo : Pearson Prentice Hall, 2008.