15 12 Thiago santos- PIM VII

Prévia do material em texto

UNIVERSIDADE PAULISTA – UNIP EaD 
Projeto Integrado Multidisciplinar 
Curso Superior de Tecnologia em Análise e Desenvolvimento de Sistemas
THIAGO RODRIGUES DOS SANTOS
RA: 1523387 
Projeto Integrado Multidisciplinar PIM VII 
BAURU – SP 
2021
UNIVERSIDADE PAULISTA UNIP
 THIAGO RODRIGUES DOS SANTOS
RA: 1523387
Projeto Integrado Multidisciplinar PIM VII Projeto Integrado Multidisciplinar VII apresentado à Universidade Paulista – UNIP 
BAURU - SP
2021
RESUMO
Todos os centros são uma parte cada vez mais importante do mundo dos negócios de hoje, empregando milhões de agentes em todo o mundo e servindo como principal canal de atendimento ao cliente para empresas em muitos indústrias diferentes. Os call centers têm sido uma área fértil para pesquisadores de gestão de operações em vários domínios, incluindo previsão, planejamento de capacidade, enfileiramento e programação de pessoal. Dentro Além disso, como as telecomunicações e a tecnologia da informação avançaram nos últimos anos, os desafios operacionais enfrentados pelos gerentes de call center se tornaram mais complicados. Problemas associados à gestão de recursos humanos, vendas e marketing também se tornaram cada vez mais relevantes para operações de call center e pesquisa acadêmica associada. Neste artigo, fornecemos um levantamento da literatura recente sobre gerenciamento de operações de call center. Ao longo com as áreas de pesquisa tradicionais, prestamos atenção especial aos novos desafios de gestão que têm sido causados ​​por tecnologias emergentes, a problemas comportamentais associados a agentes de call center e clientes, e para a interface entre as operações de call center e vendas e marketing. Nós identificamos um punhado de temas para investigação futura, ao mesmo tempo que aponta várias oportunidades de pesquisa muito específicas. 
Palavras-chave: Call-center, gestão de operações, hospitais;
ABSTRACT
All centers are an increasingly important part of today's business world, employing millions of agents worldwide and serving as the primary customer service channel for companies in many different industries. Call centers have been a fertile area for operations management researchers in many fields, including forecasting, capacity planning, queuing and staff scheduling. In addition, as telecommunications and information technology have advanced in recent years, the operational challenges faced by call center managers have become more complicated. Problems associated with human resources management, sales and marketing have also become increasingly relevant for call center operations and associated academic research. In this article, we provide a survey of recent literature on managing call center operations. Throughout the traditional research areas, we pay special attention to the new management challenges that have been caused by emerging technologies, to behavioral problems associated with call center agents and customers, and to the interface between call center operations and sales and marketing. We have identified a handful of topics for future research, while pointing out several very specific research opportunities.
Keywords: Call-center, operations management, hospitals;
INTRODUÇÃO 
Praticamente todas as empresas estão interessadas em fornecer informações e assistência a existentes e futuros clientes. Nos últimos anos, a diminuição dos custos de tele comunicações e tecnologia da informação tornou cada vez mais econômico consolidar tais funções de entrega de informações, o que levou ao emergência de grupos especializados em atendimento ao cliente telefonemas. Para a grande maioria desses grupos, sua função principal é receber ligações que foram iniciados por clientes.
Tais operações, conhecidos como call centers "inbound", são os principais tópico deste artigo. Os call centers de entrada são muito trabalhosos em operação ações, com o custo dos membros da equipe que lidam com ligações (também conhecidas como "agentes") normalmente com premiar 60-80% do orçamento operacional geral. Dentro- call centers vinculados podem ser fisicamente alojados em vários locais, fusos horários ou países diferentes. Os call centers de entrada constituem um grande e crescente parte da economia global. Embora confiável - estatísticas da indústria são notoriamente difíceis de obter, o Instituto de gerenciamento de chamadas recebidas (ICMI), a associação da indústria altamente respeitável, regularmente rastreia estatísticas publicadas da indústria de vários fontes (www.incoming.com/statistics/demographics. aspx). Em 2008, vários estudos citados pelo ICMI preveem Os seguintes: 
• Os Estados Unidos terão mais de 47.000 call centers e 2,7 milhões de agentes.
 • Europa, Oriente Médio e África juntos irão tem 45.000 call centers e 2,1 milhões de agentes. 
• Canadá e América Latina terão uma estimativa 305.500 e 730.000 agentes, respectivamente. Enquanto isso, a demanda por agentes de call center na Índia cresceu tão rápido que a oferta de trabalho foi incapaz de acompanhar: em 2009, a demanda por agentes na Índia é projetado em mais de 1 milhão, e mais de 20% dessas posições serão vagas devido à escassez de mão de obra qualificada disponível.
Quando um cliente liga para um call center de entrada, manipulação e roteamento tecnologias atentam encaminhar a chamada para um agente disponível. Contudo, muitas vezes não há agente disponível para imediatamente atender o telefonema, caso em que o cliente é normalmente colocado em espera e colocado em uma fila. espaço cliente, por sua vez, pode abandonar a fila pendurando imediatamente após ser colocado em espera ou depois de esperar por algum tempo sem receber- serviço de ing.
 Uma vez conectado a um agente, um cliente vai falar com esse agente por algum tempo aleatório, depois que a chamada será completada ou o cliente será “entregue” a outro agente ou fila para mais assistência. A qualidade do serviço é típica visto como uma função de quanto tempo o cliente o cliente deve esperar para receber o serviço e o valor que o cliente atribui à informação e ao serviço que é recebido. Cada vez mais se espera que os gerentes de call center entregar baixos custos operacionais e alto serviço qualidade.
Para atender a esses objeções potencialmente conflitantes, gerentes de call center são desafiados a empregando o número certo de membros da equipe com o habilidades certas para os horários certos, a fim de cumprir um demanda incerta e variável no tempo para o serviço. Tradicionalmente, atender a este desafio exigiu uma central de atendimento gerentes para lutar com o homem de operações clássicas decisões de gestão sobre a previsão de tráfego, aquisição capacidade, implantação de recursos e gerenciamento de serviço Entrega. Nos últimos anos, o panorama do call center tem sido alterado por uma grande variedade de gerenciais e tecnológicos avanços lógicos. 
Tecnologia da informação reduzida e custos de telecomunicações - as mesmas forças que contribuiu significativamente para o crescimento do call center indústria, também levaram a uma rápida desagregação de atividades intensivas em informação (Apte e Mason 1995). Para call centers, isso se traduziu em aumento contratação de serviços de call center a terceiros (com comumente referido como "terceirização") e a dispersão visão de entrega de serviços para locais em todo o mundo (“Offshoring”).
 Além disso, os avanços nas telecomunicações as tecnologias de cátions possibilitaram um trabalho de call center mais rico - fluxo, incluindo o roteamento de chamadas cada vez mais inteligente entre agentes e sites físicos, interação automatizada conexão com clientes durante a espera e mensagens de chamada que resulta em chamadas de retorno automáticas para os clientes uma vez um agente está disponível. Além disso, como os call centers agora funcionam como "rosto público" para muitas empresas, há uma crescente consideração executiva de seu papel vital na aquisição de clientes e retenção. 
Da mesma forma, a consciência gerencial da chamada potencial doscentros para gerar incrementos significativos receita aumentando os encontros de serviço com oportunidades potenciais de vendas também estão crescendo rapidamente ociosamente: por exemplo, um estudo recente da McKinsey revelou que as empresas de cartão de crédito geram até 25% de novos receita de call centers de entrada (Eichfeld, Morse, e Scott 2006). No entanto, para gerentes de call center, há uma complexidade adicional significativa associada com o gerenciamento desta função dupla de serviço e vendas com comprometendo os tempos de resposta, a qualidade do serviço e satisfação do cliente. Por fim, todo gerente de call center está perfeitamente ciente que conversas telefônicas entre clientes e agentes são interações entre seres humanos.
 Esta sugere que os problemas psicológicos associados com a experiência dos agentes podem ter um grande impacto sobre tanto a satisfação do cliente quanto o desempenho geral do sistema. Embora esses tipos de problemas tenham sido pesquisados extensivamente por cientistas comportamentais, opera- pesquisadores de gestão de ações só recentemente começou a incluir explicitamente tais fatores em análises mais ricas modelos líticos. Dado o tamanho da indústria de call center e o complexidade associada às suas operações, call centers surgiram como um terreno fértil para a recuperação acadêmica pesquisa. Um artigo de pesquisa relativamente recente (Gans, Koole, e Mandbelbaum 2003) cita 164 artigos associados com problemas relacionados ao call center e um bibliografia on-line (Mandbelbaum 2004) inclui mais de 450 artigos, juntamente com dezenas de estudos de caso e livros. 
Além disso, houve vários outros pesquisas especializadas associadas a operações de call center, incluindo o de Koole e Mandelbaum (2002), que focado em modelos de filas para call centers; L'Ecuyer (2006), que se concentrou em problemas de otimização para chamadas centros; e Koole e Pot (2006) e Aksin, Karaes, e Ormeci (2007), que ambos se concentraram em call centers de habilidade. Esta pesquisa visa fornecer uma perspectiva ampla sobre gestão de call center tradicional e emergente desafios e pesquisas acadêmicas associadas. o objetivos específicos e as principais contribuições deste pa- por são os seguintes:
 1. Para fornecer um levantamento da literatura acadêmica associado a áreas de problema de call center tradicionais como previsão, enfileiramento, planejamento de capacidade e agendamento de agente nos últimos anos;
 2. Identificar vários fenômenos emergentes importantes que afetam os gerentes de call center e para catalogar o pesquisa acadêmica que foi feita em resposta a esses desenvolvimentos; 
3. Para reconhecer novas operações de call center, gerenciar paradigmas mentais que consideram o papel do call center ter em ajudar as empresas a atrair, reter e gerar receita de clientes e para propor alguns implicações importantes desses novos paradigmas no futuro pesquisa; 
4. Para fazer uma crônica de pesquisas sobre aspectos psicológicos de experiência de agente de call center, pesquisa de operações recentes papéis de gestão que incorporaram alguns dos essas ideias em sua modelagem e sugerir maneiras de que tal trabalho pode ser incorporado em pesquisa de gestão; 
5. Para destacar lacunas na literatura atual de plantão gestão de operações do centro e oportunidades para pesquisas futuras. O restante do artigo está organizado da seguinte forma. 
Dentro Seção 2, pesquisamos trabalhos recentes sobre chamadas tradicionais problemas de gerenciamento de operações do centro.  
2. GERENCIANDO AS OPERAÇÕES DO CALL CENTER: A VISÃO TRADICIONAL
 Desafios de gestão de operações tradicionais para chamadas gerentes de centro incluem a determinação de como muitos agentes para contratar em que horários com base em um longo previsão de prazo de demanda por serviços ("aquisição de recursos posição ”) e a programação de um pool disponível de agentes por um determinado período de tempo com base em detalhes previsões de prazo para um determinado período de tempo ("recursos de emprego ”).
Além disso, uma vez implantado o recurso inicial- decisões foram tomadas, pode haver decisões adicionais de curto prazo a serem feitas, incluindo atualização de previsões, atualização de cronograma e real roteamento de chamadas de tempo. As decisões de aquisição de recursos devem ser feitas sete várias semanas e às vezes meses antes do tempo causa dos prazos de contratação e treinamento dos agentes. Além disso, porque a maioria das centrais de atendimento tem bastante alta em- níveis de rotatividade e absenteísmo, modelos que apoiar as decisões de aquisição de recursos deve explicitamente levar em conta o atrito aleatório e o absenteísmo. As decisões de implantação de recursos são normalmente feitas 1 ou mais semanas antes da data das ligações chegar. Um plano de implantação de recursos de baixo custo em tenta igualar o fornecimento de recursos do agente com a demanda incerta por serviços. 
O (altamente variável) a demanda por recursos é expressa em termos de previsões de chamadas , que normalmente são compostas de chamadas distribuições de chegada e distribuição de tempo de serviço, ambos variam com o tempo. Esta variabilidade significa que ambos os modelos de previsão e filas desempenham um papel importante na modelagem de implantação de recursos de cisões. De uma perspectiva de agendamento, os agentes podem normalmente é atribuído a uma variedade de padrões de mudança, e o processo de determinação de um ótimo (ou quase ótimo mal) o cronograma tem uma combinação combinatória significativa plêiade. Além disso, como novos dados sobre previsões e agente a disponibilidade torna-se disponível para um determinado dia ou semana, esta informação pode ser usada para modificar tanto o próximo previsões de chegada de chamadas de prazo e o agente programa que são dirigidos por eles.
 Finalmente, conforme as chamadas chegam, pode haver decisões específicas a serem feitas sobre políticas de enfileiramento ou roteamento de chamadas. Nesta seção, começamos nossa pesquisa examinando trabalho recente no gerenciamento de operações de call center problemas mentais. Nós nos concentramos na previsão de chamadas na Seção 2.1, aquisição de recursos na Seção 2.2, e desempenho avaliação de gestão, equipe, programação e roteamento em Seção 2.3.  
2.1. PREVISÃO DE CHAMADA
 As previsões de chamadas são definidas (a) pela fila específica ou tipo de chamada associado à previsão; (b) o tempo entre a criação da previsão e o real período de tempo para o qual a previsão foi criada (frequentemente denominado “lead time” de previsão); e (c) o duração dos períodos de tempo para os quais as previsões são criados, que podem variar de mensal (a decisões de aquisição de recursos de porta) para curto espaço de tempo quadros, como períodos de 15, 30 ou 60 minutos (para suprir decisões de implantação de recursos de porta). Ao longo dos anos, houve relativamente poucos artigos que se concentraram em previsão de volumes de chamadas, levando Gans et al. (2003) para afirmar que a previsão de chamadas estava "ainda em sua infância".
 No entanto, nos últimos anos, houve um punhado de desenvolvimentos importantes na chamada campo de fundição, impulsionado pelo aumento da disponibilidade de seu bancos de dados teóricos de volumes de chamadas e por utilização e adaptação de novas técnicas que foram aplicadas devido a problemas de previsão semelhantes em outras aplicações áreas de cação. Weinberg, Brown e Astrud (2007) propõem um modelo de efeitos multiplicativos para prever a chegada de Poisson taxas para intervalos curtos, normalmente 15, 30 ou 60 minutos de comprimento, com prazo de entrega de 1 dia.
 Em seu ambiente, o taxa de chegada de chamadas para um determinado intervalo de tempo de um determinado dia da semana é modelado como o produto da volume previsto para aquele dia da semana e o proporção de chamadas que chegam nesse intervalo de tempo mais um termo de erro aleatório. Para estimar os parâmetros do modelo, os autores adotam uma estrutura Bayesiana, pro- colocando um conjuntode distribuições anteriores e usando um Monte Modelo de cadeia de Carlo Markov para estimar os parâmetros da distribuição posterior. Embora computacionalmente intensivo, a metodologia proposto por Weinberg, Brown e Stroud (2007) é muito valioso de uma perspectiva operacional. Dentro particular, porque o modelo produz previsões de Taxas de chegada de Poisson em um intervalo intradiário, esses resultados podem ser usados ​​em conjunto com modelos de gestão e algoritmos de escalonamento de agentes.
 Dentro Além disso, os autores propõem uma modificação deste método para permitir a atualização da previsão durante o dia, que pode, por sua vez, ser usado para apoiar o agente intradiário atualização da programação. O artigo inclui uma previsão estudo de caso em que os dados de um grande norte-americano call centers de bancos comerciais são usados ​​para testar os Previsões com 1 dia de antecedência e atualizações de previsões intradia, com resultados muito promissores. Soyer e Tarimcilar (2007) introduzem um novo método para previsão de chamadas que se baseia em ideias de análise de sobrevivência e modelos de marketing do cliente heterogeneidade.
 Especificamente, os modelos deste papel chamam ar- rivais como um processo de Poisson modulado, onde o ar- taxas rivais são impulsionadas por anúncios que são tendeu a estimular os clientes a entrar em contato com a chamada Centro. Os parâmetros para a intensidade da chamada associada com cada tipo particular de anúncio e futuro intervalo de tempo são modelados por uma estrutura bayesiana, usando um amostrador de Gibbs (Dellaportes e Smith 1993) para aproximar as distribuições posteriores. Os autores também testar sua metodologia conduzindo experimentos usando dados de volume de chamadas de um call center para o qual todas as chamadas podem ser rastreadas diretamente para anúncios, com as previsões sendo criadas para períodos de tempo de um e vários dias. 
Shen e Huang (2007) desenvolvem um modelo estatístico para previsão de volumes de chamadas para cada intervalo de um determinado dia e também fornecer uma extensão de seu mod principal estrutura eling para contabilizar a previsão intradiária para cima namoro. Seu modelo é baseado no uso de singulares decomposição de valor para atingir uma dimensão substancial redução da nacionalidade, e sua abordagem também se descompõe apresenta fatores preditivos em feições inter e intra-dia. Para os casos empíricos apresentados, o metodologia produz previsões que são mais precisas taxa do que o padrão (altamente não sofisticado) prática da indústria e os resultados de Weinberg, Brown e Stroud (2007); a metodologia também é significativamente menos computacionalmente intensivo do que o Métodos de cadeia de Markov Monte Carlo de Weinberg, Brown e Stroud (2007). 
Taylor (2007) apresenta um estudo empírico que com pares o desempenho de uma ampla gama de variadas métodos na previsão de volumes de chamadas para vários Reino Unido centrais de atendimento do banco, bem como para a chamada do banco israelense dados do centro de Brown et al. (2005), considerando chumbo tempos que variam de 1 dia a 2 semanas. Desempenho de Taylor comparação de inclui métodos que têm aperado anteriormente na literatura de call center, como modelagem sazonal de média móvel auto regressiva e dinâmico (Tych et al. 2002), bem como vários outros modelos que não foram usados ​​anteriormente para previsão de call center. O último grupo inclui um modelo de suavização exponencial para dupla sazonalidade que foi originalmente desenvolvido para a previsão de curto demanda de serviço público de eletricidade a termo; um periódico Modelo Auto Regressivo; e um modelo baseado em robusto suavização exponencial com base na ponderação exponencial mínimos desvios absolutos (Cipra 1992). O empírico comparação não mostrou nenhum "vencedor" claro, porque diferem métodos entes provaram ser mais eficazes sob diferentes prazos de entrega e diferentes cargas de trabalho. 
2.2. PLANEJAMENTO DE PESSOAL: AQUISIÇÃO DE RECURSOS
O problema de aquisição de recursos do call center tem sido estudado por um punhado de pesquisadores. Gans e Zhou (2002) modelam um processo no qual os agentes são contratados e experiência de aprendizagem e desgaste ao longo do tempo, demonstrando que uma política de limite para a contratação de agentes é ideal em seu ambiente. Ahn, Righter e Shanthikumar (2005) olhar para uma classe geral de sistemas de serviço e demonstrar que, sob o pressuposto de uma grande número de agentes que podem ser contratados e demitidos em vontade, a política ideal é de um "contratar para / despedir baixo para ”formulário.
 Bordoloi (2004) combina o controle do técnicas de programação restritas por sorte e acaso para obter níveis estáveis ​​de força de trabalho para diferentes grupos de conhecimento e uma estratégia de contratação para alcançar esses alvos. Bhandari, Harchol-Balter e SchellerWolf (2007) considera tanto a contratação de trabalho regular e a contratação de trabalhadores a tempo parcial ao longo com o problema operacional de determinar como muitos trabalhadores em tempo parcial para implantar em diferentes condições de carga.
 Ryder, Ross e Musacchio (2008) examinar o impacto de diferentes estratégias de roteamento em aprendizagem do funcionário em um ambiente multi habilidades em um tentar entender a conexão entre a rota necessidades gerais de formação, aprendizagem e pessoal. Dada a importância da aquisição de recursos decisão, há uma necessidade significativa de pesquisa nesta área, incluindo modelos de longo prazo previsão, planejamento de pessoal para multi habilidades gerais call centers e planejamento de aquisição de recursos para crescentemente complexas redes de provedores de serviços. 
2.3. PLANEJAMENTO DE PESSOAL: PESSOAL, PROGRAMAÇÃO E ROTEAMENTO
 A abordagem tradicional para recursos de call center de- decisões de emprego é tentar construir um agente cronograma que minimiza os custos enquanto atinge alguns objetivos de distribuição do tempo de espera do cliente. Como tais, níveis de pessoal almejados para cada período do horizonte de programação são tipicamente entradas-chave para o problemas de agendamento e escala de serviço.
Esses alvos depende de quanto trabalho está chegando à chamada centro em que horas (conforme estimado pelo volume de chamadas previsões e os tempos médios de serviço previstos) e a rapidez com que o call center procura atender a esses clientes (estimado por alguma função do cliente distribuição do tempo de espera). Uma vez que as previsões e metas de tempo de espera foram estabelecidas, filas modelos de avaliação de desempenho são usados ​​para determinar o número desejado de recursos de serviço a ser de- planejado.
 O desempenho real obtido do recursos implantados também dependem do operacional problema de alocar chamadas de entrada para esses recursos dinamicamente, conhecido como problema de roteamento de chamadas. Nosso revisão segue a mesma ordem hierárquica que iria ser seguido no problema de implantação de recursos para call centers: primeiro analisamos os problemas de pessoal e, em seguida, fornecem uma visão geral da programação e escala de serviço problemas e, finalmente, demonstrar como o roteamento da chamada problema interage com eles. 
2.3.1. PROBLEMAS DE PESSOAL. 
Modelos de simulação e modelos analíticos de filas são as duas alternativas para avaliação de desempenho. Mehrotra e Fama (2003) fornece uma visão geral das entradas necessárias para construir em um modelo de simulação de call center, enquanto Koole e Mandelbaum (2002) e Mandelbaum e Zeltyn (2006) são boas fontes para uma visão geral detalhada de modelos de enfileiramento de call centers. O modelo de enfileiramento mais simples de um call center é o Fila M / M / s, também conhecida como sistema Erlang-C. Este modelo ignora o bloqueio e o abandono do cliente mentos. O sistema Erlang-B incorpora bloqueio de clientes. O modelo Erlang-C é mais desenvolvido para incorporar a impaciência do cliente no Erlang-A. Medidas de desempenho e aproximações para oO sistema Erlang-A é discutido por Mandelbaum e Zeltyn. Sensibilidade deste modelo a mudanças em seus parâmetros são analisados ​​por Whitt (2006c), onde está demonstrou que o desempenho é relativamente insensível a pequenas mudanças nas taxas de abandono. Para a maioria dos call centers de entrada, a gestão objetivo é alcançar uma espera média relativamente curta tempos e taxas de utilização de agente relativamente altas. Gans et al. (2003) referem-se a tal ambiente como um “Qualidade e Eficiência Orientada ”.
 Neste contexto, vamos R ser a carga oferecida pelo sistema medida em termos de tempos médios da taxa de chegada e o tempo médio de serviço. o a chamada “regra de segurança de raiz quadrada” estipula que se R for grande o suficiente, então equipar o sistema com R Servidores ß R (para alguns parâmetros ß) irão alcançar tanto tempo de espera curto do cliente quanto alto servidor utilização. Esta regra foi observada pela primeira vez por Erlang (1948) e foi posteriormente formalizado por Halfin e Whitt (1981) para o modelo Erlang-C (ou seja, uma fila M / M / s). 
Esta regra já foi demonstrada para ser robusto em relação às suposições do modelo, como abandono do cliente, um call center vinculado com uma opção de retorno de chamada e call centers com vários filas e habilidades do agente, que será discutido em mais detalhes abaixo. Borst, Mandelbaum e Reiman (2004) também identificou dois outros regimes operacionais: a qualidade orientado e os regimes orientados pela eficiência (ED), que são regimes operacionais racionais sob certos custos estruturas. No regime de ED, a utilização do servidor é em- faseada sobre a qualidade do serviço; no entanto, com cus- abandono do cliente, este regime também pode resultar em desempenho razoável conforme medido pelo esperado tempo de espera e fração de abandono do cliente (Whitt 2004). 
Whitt propôs modelos de fluidos para aproximação do sistema sob o regime ED (Whitt 2006a, b) e mostrou sua aplicabilidade na contratação de pessoal decisões sob taxa de chegada incerta e agente ab- senteeism. A maior parte da literatura inicial sobre recursos humanos trata de esses problemas em configurações com um único pool de agentes mógenos. 
Ré- literatura centra sobre modelos de pessoal concentra-se em configurações de habilidade, ou seja, em call centers onde chamadas de diferentes tipos são atendidos usando representantes de serviço tivas com diferentes habilidades. UMA ambiente diferente com agentes homogêneos servindo vários tipos de clientes para quem atendimento diferenciado é fornecido é analisado por Gurvich, Armony e Mandelbaum (2006). Aksin, Karaesmen e Ormeci (2007), Koole e Pot (2006) e L'Ecuyer (2006) muitas pesquisas recentes sobre problemas de centrais de atendimento multi habilidades. 
Normalmente, as formulações de pessoal procuram determinar o número de funcionários equivalentes em tempo integral necessários dada uma função objetivo e algumas restrições. o mais amplamente utilizado é um ob- com restrições de nível de serviço, embora problemas de pessoal com a maximização do lucro objetivos também foram propostos. Armony et al. (2007) estabelecer propriedades de convexidade e comparar estática ativa para uma fila M / M / s com impaciência, demonstrando a relação entre abandono mentos e pessoal ideal. Koole e Pot (2005a) mostram que essas propriedades de convexidade falham quando o tamanho do buffer também é uma variável de decisão. Canon et al. (2005) formulam o problema de pessoal como um fator determinante problema de programação de tiques. 
2.3.2. PROGRAMAÇÃO DE TURNOS E ESCALA DE SERVIÇO
Levando os resultados do problema de pessoal como entradas, tipicamente em uma base de intervalo por intervalo, a programação de turno O problema comum determina uma coleção ideal de turnos a serem trabalhados, buscando minimizar custos enquanto atingir os níveis de serviço ou outros requisitos de trabalho. Intimamente relacionado ao problema de agendamento, a lista de problema combina mudanças em escalas e fornece a correspondência real entre funcionários e escalas de serviço. 
O problema de agendamento e o problema de escala de serviço foram estudados extensivamente, tanto no contexto de call centers e em contextos mais gerais. Nesta seção, em vez de tentar uma ampla pesquisa da programação e lista de literatura, em vez disso, descrevemos várias abordagens atuais para esses problemas, junto com a ilustração artigos recentes e algumas orientações proveitosas para pesquisa futura.
A abordagem tradicional para o problema de agendamento é formular e resolver um programa matemático para identificar uma programação de custo mínimo. Embora variantes desta abordagem têm sido amplamente utilizadas, tanto no literatura de pesquisa e em aplicações industriais, mais nos anos, vários problemas também foram identificados com este método básico. 
Para grandes call centers com um único fila de chegadas de chamadas e um pool homogêneo de agentes, cada um com vários turnos e interrupções possíveis combinações e restrições associadas, o tamanho do programa matemático cresce muito rapidamente. Esse problema é abordado por vários pesquisadores, principalmente Aykin (1996, 2000), que modela o regime de ruptura flexível tensões para cada turno e testa o método proposto- ecologia com vários grandes problemas de teste. 
Outro problema com a matemática tradicional abordagem de programação é que requer como entrada um nível de equipe do agente de destino para cada intervalo de tempo. Esta conceito de nível de pessoal alvo é, por sua vez, baseado no suposição de que todos os agentes são capazes de lidar com todos os próximas chamadas. No entanto, em um multi-queue / multi-skill ambiente, esta suposição é claramente violada, e muito do trabalho nos últimos anos tem procurado adicionar vestir esta lacuna específica da metodologia tradicional metoodologia. Fukunaga et al. (2002) propõem um híbrido método que combina heurísticas de agendamento com simulação para resolver simultaneamente o agendamento e o problema de escalação e discutir um comercial implementação deste método que é usado por mais 1.000 call centers hoje. 
Da mesma forma, Cezik e L'Ecuyer (2006) propõem uma metodologia que combina programação com simulação para determinar um cronograma ule. Avramidis et al. (2007) desenvolver métodos de pesquisa que usam aproximações de desempenho de enfileiramento para produzir agendas de agentes para um call center com várias habilidades. 
Outra corrente de pesquisa na área de call center a programação se concentra na eliminação de aproximações que resultam da separação tradicional entre o os problemas de pessoal e de agendamento descritos acima. Motivado pela dependência de intertemporais adjacentes distribuições de tempo de espera de vals, que é ignorado por algoritmos de programação tradicionais, Atlason, Epelman e Henderson (2004) usam informações de subgradiente para a função objetivo junto com a simulação para determinar os horários do agente. Com um espírito semelhante, não- métodos tradicionais assumem que o nível de serviço objetivos são "restrições rígidas" que devem ser cumpridas durante cada intervalo, Koole e van der Sluis (2003) em vez desenvolver uma metodologia de agendamento que busque atender apenas um objetivo geral de nível de serviço ao longo do curso de um período de programação inteiro (normalmente um dia ou um semana). 
Ingolfsson, Cabral e Wu (2003) observam que o os métodos tradicionais de recrutamento de pessoal usam recursos de estado estacionário modelos para intervalos individuais e procuram eliminar erros induzidos por esta aproximação usando trans- resultados sensíveis em uma base período a período, que eles referem-se a como o "método de randomização", junto com programação inteira para criar agendas de agentes. Motivada pelo impacto potencial da falta de pessoal disponível abandono, Saltzman (2005) e Saltzman e Mehrotra (2007) desenvolver e testar um método de programação odologia que combina programação linear, tabu pesquisa e simulação, incluindo custos paraa equipe, tempos de espera e chamadas abandonadas no objetivo função. 
A separação da programação de turnos do real processo de rostering apresenta outro problema potencial com a abordagem tradicional. Na prática, o mis- correspondência entre as mudanças ideais (ideais) e os (ac- a atribuição real de turnos a agentes individuais pode têm um grande impacto negativo no desempenho geral do call center, e esse impacto é frequentemente exacerbado por atualizações nas previsões e programações de chamadas que resultam de novas informações sendo obtidas após a programação inicial foi criada. 
Por causa do complexidade associada à coordenação de indi- preferências e restrições de agentes individuais, muitos grandes call centers e operações de call center multi-site exigem que os agentes "licitem" em uma sequência de turnos específicos inicialmente, com a ordem de licitação baseada em fatores como como antiguidade e qualidade anterior do serviço prestado. Com base nesta prática (conhecida no call center indústria como "lance de mudança"), Keblis, Li e Stein (2007) investigam uma abordagem baseada em leilão para o problema de combinar a oferta de trabalho com a demanda de trabalho em um call center, permitindo que os agentes licitem competitivamente para diferentes turnos. 
Em particular, este tipo de licitação mecanismo sugere um método para serviços de preços para agentes de meio expediente "trabalham em casa", ao mesmo tempo que facilitam ajustes de cronograma em tempo real como resultado de previsões de chamadas datadas. A questão da programação em tempo real ajustes nas operações de serviço também foram ad- vestido por Hur, Mabert e Bretthauer (2004), Easton e Goodale (2005) e Mehrotra, Ozluk e Saltz- man (2006).
2.3.3. O PROBLEMA DE ROTEAMENTO DE CHAMADAS. 
O roteamento problema é um problema de controle que envolve a atribuição chamadas recebidas para agentes específicos ou pools de agentes e em seguida, agendar chamadas quando vários estão esperando pelo mesmo pool de agentes. Este problema atraiu muitos atenção como um aplicativo de call center e mais aliado como um problema desafiador de controle de filas 
 Os problemas de equipe, programação e roteamento exibem dependência hierárquica. O roteamento de chamadas problema em call centers multi-habilidades também é conhecido como roteamento baseado em habilidades. Em ambientes multi-habilidades, quão bem as chamadas são encaminhadas determina a eficácia da equipe uso, enquanto o problema de pessoal restringe a rota decisão ing. Esses problemas interagem, conforme explicado via exemplos em Aksin, Karaesmen e Ormeci (2007) e Koole e Pot (2006), e posteriormente interagir com o problema de design de flexibilidade. 
O dependência arquivística, bem como a interação próxima entre a equipe e o roteamento, faça com que esses problemas desafiador de uma perspectiva de pesquisa operacional.
 Até quando tratado de forma isolada e ignorando importantes - terdependências, a obtenção de soluções ótimas representa um desafio. Programação linear determinística, ou aproximações de fluido foram propostas para superar este problema em centros de grande. 
Outros papéis usam simulação em combinação com otimização, sistema de perdas tem, ou outras para permitir a análise. Apesar do grande número de artigos discutidos nesta seção, acreditamos que há pesquisas significativas oportunidades com esses problemas clássicos. Em particular, capturando mais da dependência e da interação relação entre pessoal, programação e roteamento é um direção promissora para pesquisas futuras. .
OBSERVAÇÕES FINAIS
 À medida que a indústria global de call center continua a crescer, a gama de desafios de gestão de operações que face de call centers tornou-se mais ampla e mais complexa. O crescimento da indústria de call center tem sido impulsionado por muitos fatores, incluindo a evolução da gestão práticas mentais, redução dos custos de telecomunicações, e tecnologia da informação cada vez mais poderosa. Dentro Além disso, vários outros fatores também contribuíram para maior amplitude e complexidade operacional, incluindo conscientização das empresas de call centers como um poderoso canal do cliente, não apenas para entrega de serviço, mas também para a satisfação do cliente, oportunidades de vendas e gestão de relacionamento. Maior terceirização e a globalização da prestação de serviços também desempenhou um grande parte do crescimento da indústria e da aumento da complexidade operacional. Neste artigo, pesquisamos centros de atendimento recentes pesquisa e examinou muitos dos desafios enviadas por mudanças na indústria.  
REFERENCIAL
1. Ahn, H.-S., R. Righter, J. G. Shanthikumar. 2005. Staffing decisions for heterogeneous workers with turnover. Mathematical Methods of Operations Research 62(3) 499–514.
2. Aksin, O. Z., F. Karaesmen, E. L. Ormeci. 2007. A review of workforce cross-training in call centers from an operations management perspective in Workforce Cross Training Handbook, D. Nembhard (ed.), CRC Press, Boca Raton, FL.
3. Apte, U. M., R. O. Mason. 1995. Global disaggregation of information-intensive services. Management Science 41(7) 1250–1262.
4. Armony, M., E. L. Plambeck, S. Seshadri. 2007. Sensitivity of optimal capacity to customer impatience in an unobservable M/M/S queue (Why you shouldn’t shout at the DMV). Manufacturing and Service Operations Management, forthcoming.
5. Atlason, J., M. A. Epelman, S. G. Henderson. 2004. Call center staffing with simulation and cutting plane methods. Annals of Operations Research 127(1–4) 333–358.
6. Aykin, T. 1996. Optimal shift scheduling with multiple break windows. Management Science 42(4) 591–602. 
7. Aykin, T. 2000. A comparative evaluation of modeling approaches to the labor shift scheduling problem. European Journal of Operational Research 125(2) 381–397.
8. Bhandari, A., M. Harchol-Balter, A. Scheller-Wolf. 2007. An exact and efficient algorithm for the constrained dynamic operator staffing problem for call centers. Management Science, forthcoming.
9. Bordoloi, S. K. 2004. Agent recruitment planning in knowledgeintensive call centers. Journal of Service Research 6(4) 309–323.
10. Borst, S., A. Mandelbaum, M. I. Reiman. 2004. Dimensioning large call centers. Operations Research 52(1) 17–34.
11. Brown, L., N. Gans, A. Mandelbaum, A. Sakov, H. Shen, S. Zeltyn, L. Zhao. 2005. Statistical analysis of a telephone call center: A queueing-science perspective. Journal of the American Statistical Association 100(469) 36–50.
12. Canon, C., J. Billaut, J. Bouqard. 2005. Dimensioning an inbound call center using constraint programming in Principles and practice of constraint programming, P. van Beek (ed.), Springer, Berlin.
13. Cipra, T. 1992. Robust exponential smoothing. Journal of Forecasting 11(1) 57–69.
14. Dellaportes, P., A. F. M. Smith. 1993. Bayesian inference for generalized linear and proportional hazards models via gibbs sampling. Applied Statistics 42(3) 443–459.
15. Easton, F. F., J. C. Goodale. 2005. Schedule recovery: Unplanned absences in service operations. Decision Sciences 36(3) 459–488.
16. Eichfeld, A., T. D. Morse, K. W. Scott. May 2006. Using call centers to boost revenue. The McKinsey Quarterly.
17. Fukunaga, A., E. Hamilton, J. Fama, D. Andre, O. Matan, I. Nourbakhsh. 2002. Staff scheduling for inbound call centers and customer contact centers in Eighteenth National Conference on Artificial Intelligence (Moncton, Alberta, Canada, July 28–August 1, 2002), R. Dechter, M. Kearns, R. Sutton, (eds.), American Association for Artificial Intelligence, Menlo Park, California, 822–829.
18. Gans, N., Koole, G., Mandelbaum, A. 2003. Telephone call centers: Tutorial, review and research prospects. Manufacturing and Service Operations Management 5(2) 79–141.
19. Gans, N., Y-P. Zhou. 2002. Managing learning and turnover in employee staffing. Operations Research 50(6) 991–1006.
20. Gans, N., Y-P. Zhou. 2003. A call-routing problem with service-level constraints. Operations Research 51(2) 255–271.
21. Gans, N., Y-P. Zhou. 2003. A call-routingproblem with service-level constraints. Operations Research 51(2) 255–271.
22. Gurvich I., M. Armony, A. Mandelbaum. 2006. Service level differentiation in call centers with fully flexible servers. Management Science, forthcoming
23. Hur, D., V. A. Mabert, K. M. Bretthauer. 2004. Real-time work schedule adjustment decisions: An investigation and evaluation. Production and Operations Management, 13(4) 322–339.
24. Ingolfsson, A., E. Cabral. X. Wu. 2003. Combining integer programming and the randomization method to schedule employees. Technical Report, University of Alberta.
25. Keblis, M., Y. Li, W. E. Stein. 2007. Real-time staffing of virtual call centers. Working Paper, Texas A&M University.
26. Koole, G., A. Mandelbaum. 2002. Queueing models of call centers: An introduction. Annals of Operations Research 113(1–4) 41–59.
27. Koole, G., A. Mandelbaum. 2002. Queueing models of call centers: An introduction. Annals of Operations Research 113(1–4) 41–59.
28. Koole, G., A. Pot. 2006. An overview of routing and staffing algorithms in multi-skill customer contact centers. Technical Report, Department of Mathematics, Vrije Universiteit Amsterdam, The Netherlands.
29. Koole, G., E. van der Sluis. 2003. Optimal shift scheduling with a global service level constraint. IIE Transactions 35 1049–1055.
30. L’Ecuyer, P. 2006. Modeling and optimization problems in contact centers in Proceedings of the Third International Conference on the Quantitative Evaluation of Systems (QEST 2006), University
31. Mandelbaum, A., A. L. Stolyar. 2004. Scheduling flexible servers with convex delay costs: Heavy-traffic optimality of the generalized c\mu-rule. Operations Research 52(6) 836–855.
32. Mandelbaum, A., S. Zeltyn. 2006. Service-engineering of call centers: Research, teaching, practice. IBM Business Optimization and Operations Research Workshop, Haifa, Israel.
33. Mehrotra, V., J. Fama. 2003. Call center simulation modeling: Methods, challenges, and opportunities in Proceedings of the 35th conference on Winter Simulation, New Orleans, LA, S. Chick, P. J. Sanchez, D. Ferrin, D. J. Morrice (eds.), 1, 135–143.
34. Ryder, G. S., K. G. Ross, J. T. Musacchio. 2008. Optimal service policies under learning effects, International Journal of Services and Operations Management 4(6) forthcoming.
35. Saltzman, R. 2005. A hybrid approach to minimizing the cost of staffing a call center. International Journal of Operations and Quantitative Management 11(1) 1–14. 
36. Saltzman, R. M., V. Mehrotra. 2007. Managing trade-offs in call center agent scheduling: Methodology and case study in Proceedings of the 2007 Summer Computer Simulation Conference, San Diego, CA. G. A. Wainer and H. Vakilzadian (eds.), 643–651.
37. Shen, H., J. Z. Huang. 2007. Interday forecasting and intraday updating of call center arrivals. Manufacturing and Service Operations Management, forthcoming.
38. Soyer, R., M. Tarimcilar. 2007. Modeling and analysis of call center arrival data: A bayesian approach. Management Science, forthcoming
39. Taylor, J. W. 2007. A comparison of univariate time series methods for forecasting intraday arrivals at a call center. Management Science, forthcoming.
40. Tych, W., D. J. Pedregal, P. C. Young, J. Davies. 2002. An unobserved component model for multi-rate forecasting of telephone call demand: The design of a forecasting support system. International Journal of Forecasting 18(4) 673–695.
41. Weinberg. J., L. D. Brown, J. R. Stroud. 2007. Bayesian forecasting of an inhomogeneous poisson process with applications to call center data. Journal of the American Statistical Association, 102, 1185–1199.
42. Whitt W. 2006a. A multi-class fluid model for a contact center with skill-based routing. International Journal of Electronics and Communications 60(2) 95–102.
43. Whitt, W. 2004b. Efficiency driven heavy traffic approximations for many server queues with abandonment. Management Science 50(10) 1449–1461.
44. Whitt, W. 2006b. Fluid models for multiserver queues with abandonments. Operations Research 54(1) 37–54.
45. Whitt, W. 2006c. Sensitivity of performance in the Erlang A model to changes in the model parameters. Operations Research 54(2) 247–260.
46.