Objetivo: Discutir os principais aspectos e melhores práticas para a coleta e análise de dados.
No processo de previsão (forecasting) de carga de trabalho a premissa principal é que: “o histórico de dados é a melhor fonte para prever o futuro”.
A coleta e análise de dados são atividades fundamentais para obter amostras de dados com qualidade.
Perguntas a serem respondidas para garantir a qualidade dos dados para forecasting (previsão) são:
- O histórico de dados registra todaos os serviços ofertados?
- Os tipos de erros mais comuns foram checados?
- Os serviços ofertados ofertados, cancelados, refeitos, foram computados corretamente?
- Existem anomalias, erros ou discrepâncias no volume de serviços ou cargas de trabalho?
- Existem anomalias ou discrepâncias no TMA – tempo médio de atendimento ou tarefas ou serviços.
De nada adianta excelentes conhecimentos e processos de elaboração de ‘previsões de demanda’ sem o tratamento adequado dos dados na cadeia e rede de serviços.
Se houver erros de dados na entrada, de tarefas e etapas, o resultado na saída estará também errado.
O grau de importância a coleta e análise de dados é um indicador da qualidade e maturidade da empresa ou profiussional.
Quais os objetivos da coleta e análise de dados ?
Objetivo: Explicitar o posicionamento da coleta de dados no processo de gerência da força de trabalho em contact centers.
A etapa de coleta e análise de dados deve atender aos objetivs estratégicos da empresa, todos precisam ser especialisatas.
São exemplos de objetivos estratégicos: qualidade, acessibilidade, eficiência, custos, preço, etc.
Em todo o ciclo de planejamento e operação, profissionais de planejamento e operação de tarefas precisam estar preocupados, terem fundamentação teórica e habilidades para atender esses objetivos.
Coletar dados significa maniplular uma das coisas mais importantes na empresa: a Informação!
A etapa de coleta e análise de dados é fundamental para previsões da carga de trabalho e dimensionamento de equipes.
Sem um bom tratamento de dados, investimentos em excelentes métodos e ferramentas podem gerar baixíssimos retornos.
É de uma forma geral uma das atividades mais trabalhosas, consome muito tempo e algumas vezes não é fácil obter dados representativos.
Acrescente-se a isso que os passos necessários para se identificar aberrações de dados e tratá-los adequadamente podem ser tarefas cansativas.
No entanto, esse processo é imperativo para alimentar o processo de forecast (previsão de demanda) com dados precisos e representativos.
Existem várias ferramentas para aumentar a produtividade e a qualidade dos dados para automatizar:
1) carregamento de dados
2) tratamento de dados,
3) análise de cenários.
4) simulações.
5) otimizações de escalas de trabalho ou recursos e
6) relatórios para análise, monitoramento e controle das operações.