Análise da Dispersão dos Esforços dos Funcionários

1
Análise da Dispersão dos Esforços dos
Funcionários:
A Inteligência Artificial aplicada a um Modelo de Decisão
Guttenberg Ferreira Passos
Companhia de Tecnologia da
Informação do Estado de
Minas Gerais – Prodemge
Belo Horizonte, MG, Brasil
gut.passos@gmail.com
Ilan Chamovitz
Manchester Business School
The Manchester University
Manchester, United Kingdom
ilan@api.adm.br
Antonio Plais
Centus Consultoria e Negócios
Belo Horizonte, MG, Brasil
antonioplais@centus.com.br
Abstract — Artificial Intelligence contributes to create,
expand and improve service systems, establishing the
algorithms that will subsidize the decision-making process in
the organizations environment. It also contributes to the
solution of the problems related to management by results,
aiming at the improvement of the public services provided, in
the face of a service demand superior to the installed capacity.
Keywords-organizational; model; service; demand;capacity
I. INTRODUÇÂO
A Inteligência Artificial contribui para criar, ampliar e
melhorar os sistemas de serviços, estabelecendo os algoritmos
que irão subsidiar o processo de tomada de decisão no
ambiente das organizações. Também contribuem para a
solução dos problemas relacionados à gestão por resultados,
visando à melhoria dos serviços públicos prestados, em face de
uma demanda de serviços superior à capacidade instalada.
II. OBJETIVO
As empresas públicas geralmente têm restrições de
orçamento e dificuldade na contratação de pessoal. Isso faz
com que as pessoas tenham que desempenhar vários papéis ao
mesmo tempo, devido à falta de pessoal, trazendo uma queda
na produtividade e falta de motivação por causa das atividades
excessivas.
Uma possível solução começa no estudo de como fazer os
computadores realizarem coisas que, no momento, as pessoas
fazem melhor.
Assim os Sistemas Especialistas emergiram, no campo da
Inteligência Artificial, empregando o computador de maneira
diversa que o processamento de dados convencional abrindo
novas e importantes oportunidades.
O objetivo do desenvolvimento de sistemas em IA não é de
substituir as pessoas por máquinas, nem mesmo as tomadas de
decisões do ser humano. Os sistemas desenvolvidos com
técnicas de IA além de softwares, hardwares, incluem também
pessoas, conhecimentos humanos e procedimentos.
Assim como em outros sistemas de informação, o propósito
maior das aplicações da IA nas empresas é auxiliar as
organizações na tomada de decisão visando alcançar suas
metas.
III. REVISÃO DA LITERATURA
A distribuição normal é uma das mais importantes
distribuições da estatística, conhecida também como
Distribuição de Gauss, desenvolvida pelo matemático francês
Abraham de Moivre em 1733 [1]. É representada por um
gráfico simétrico, em forma de sino (Fig. 1), e pode ser descrita
pela função densidade de probabilidade (1).
Figura 1. Distribuição Normal
Esta equação é especificada por dois parâmetros: a média
populacional, μ ∈ R, e o desvio padrão populacional, σ > 0, ou
o equivalente a variância populacional, σ². Quando a
distribuição dos dados é Normal, a média se encontra no centro
da distribuição e esta possui o mesmo valor da mediana e da
moda, devido à simetria da curva.
O grau ao qual os dados numéricos tendem a dispersar-se
em torno de um valor médio chama-se variação ou dispersão
dos dados. As medidas mais comuns são: média, amplitude,
variância, desvio padrão e coeficiente de variação.

2
Média Populacional (μ ou ) (2): é a soma dos valores
dividido pelo número de observações.
(2)
Amplitude Total (AT) (3): é a diferença entre o maior e o
menor valor.
AT = máx(xi) – mín(xi). (3)
Variância (σ² ou s2
) (4): é uma medida da sua dispersão
estatística, indicando "o quão longe" em geral os seus valores
se encontram do valor esperado.
(4)
Desvio Padrão (σ ou s) (5): é a medida mais comum da
dispersão estatística. Ele mostra o quanto de variação ou
"dispersão" existe em relação à média (ou valor esperado). Um
baixo desvio padrão indica que os dados tendem a estar
próximos da média; um desvio padrão alto indica que os dados
estão espalhados por uma gama de valores. O desvio padrão
define-se como a raiz quadrada da variância.
(5)
Coeficiente de Variação (CV) (6): O coeficiente de
variação é uma medida relativa de dispersão, utilizada para
comparar, em termos relativos, o grau de concentração em
torno da média.
(6)
Na Curva de Gauss, (fig. 1), a área em azul está a menos de
um desvio padrão da média. Em uma distribuição normal, isto
representa cerca de 68% do conjunto, enquanto dois desvios
padrão desde a média (azul e laranja) representam cerca de
95%, e três desvios padrão cobrem cerca de 99.7%. Este fato é
conhecido como regra 68-95-99.7, ou a regra empírica, ou a
regra dos 3-sigmas.
O histograma, também conhecido como distribuição de
frequências ou diagrama das frequências, é a representação
gráfica, em colunas (retângulos), de um conjunto de dados
previamente tabulado e dividido em classes uniformes. A base
de cada retângulo representa uma classe e a altura de cada
retângulo representa a quantidade ou frequência com que o
valor dessa classe ocorreu no conjunto de dados.
O boxplot, ou diagrama de caixa, é um gráfico que capta
importantes aspectos de um conjunto de dados através do seu
resumo dos cinco números, formado pelos seguintes valores:
valor mínimo, primeiro quartil, segundo quartil, terceiro quartil
e valor máximo.
O histograma com distribuição de probabilidade é utilizado
na exibição dos valores que possuem maior probabilidade de
ocorrência na verificação da simetria de uma distribuição.
O termo “inteligência artificial” nasceu em 1956 no famoso
encontro de Dartmouth. Dentre os presentes a este encontro
incluíam-se Allen Newell, Herbert Simon, Marvin Minsky,
Oliver Selfridge e John McCarthy [2]. Inteligência Artificial
(IA), na definição de Rich e Knight [3], é o estudo de como
fazer os computadores realizarem coisas que, no momento, as
pessoas fazem melhor.
Um sistema de IA tem uma característica forte que é a
capacidade da aquisição, representação, e manipulação de
conhecimento e não somente de armazenamento e manipulação
de dados, como os sistemas procedurais. Uma das ideias mais
úteis que emergiram das pesquisas em IA, é que fatos e regras -
conhecimento declarativo - podem ser representados
separadamente dos algoritmos de decisão – conhecimento
procedimental. Isto teve um efeito profundo tanto na maneira
dos cientistas abordarem os problemas, quanto nas técnicas de
engenharia utilizadas para produzir sistemas inteligentes.
Adotando um procedimento particular - máquina de
inferência – o desenvolvimento de um sistema IA é reduzido à
obtenção e codificação de regras e fatos que sejam suficientes
para um determinado domínio do problema. Este processo de
codificação é chamado de engenharia do conhecimento. Com
isso podemos definir as partes principais de sistema de IA que
são: aquisição, representação e manipulação de conhecimento
e, geralmente, uma estratégia de controle ou máquina de
inferência que determina os itens de conhecimento a serem
acessados, as deduções a serem feitas, e a ordem dos passos a
serem usados.
No campo de IA aplicada, após uma década de trabalho,
emergiram três subcampos principais: Sistemas Especialistas,
Linguagem Natural e Robótica - incluindo visão, fala e
locomoção. Os SE começaram a surgir comercialmente entre
1980 e 1981. A primeira companhia formada exclusivamente
para produzir sistemas especialistas foi a Intelli Genetics, no
campo de engenharia genética e com técnicos oriundos do
Projeto de Programação Heurística da Universidade de
Stanford.
Assim os Sistemas Especialistas após terem se
desenvolvido por 15 anos como mera curiosidade de IA
aplicada em laboratórios de pesquisa, tornaram-se alvo de
significativos esforços de desenvolvimento, tanto técnicos
como comerciais. Estes sistemas empregam computador de
maneira diversa que o processamento de dados convencional
abrindo novas e importantes oportunidades. Recentemente,
muitas organizações têm explorado esta tecnologia, ampliando
suas pesquisas e começando a adaptar suas atividades para
tanto.
O objetivo do desenvolvimento de sistemas em IA não é de
substituir as pessoas por máquinas, nem mesmo as tomadas de
decisões do ser humano. Os sistemas desenvolvidos com
técnicas de IA além de softwares, hardwares, incluem também
pessoas, conhecimentos humanos e procedimentos. Assim
como em outros sistemas de informação, o propósito maior das
aplicações da IA nas empresas é auxiliar as organizações a
alcançar suas metas.
As técnicas de IA dentre outras contemplam: técnicas
heurísticas, que tem por objetivos selecionar um resultado final
através de regras práticas; Sistemas Especialistas, que
solucionam problemas que normalmente são resolvidos por
especialistas humanos; técnica difusa (fuzzy), que permite
flexibilizar as condições ou introduzir situações

3
qualitativamente aceitáveis; processamento de linguagem
natural e redes neurais.
Embora SE e Especialistas (Experts) Reais possam em
alguns casos desempenhar tarefas idênticas, as características
de ambos são criticamente diversas. Mesmo havendo algumas
vantagens evidentes dos SE eles não poderão substituir os
peritos em todas as situações devido a algumas limitações
inerentes.
SE podem ser definidos como programas de computador
desenvolvidos para representar o conhecimento humano num
domínio específico. Quanto mais especializados e
identificáveis forem os domínios ou área do problema, maiores
são as chances de se obter sucesso na aquisição, estruturação e
representação do domínio nas bases de conhecimento,
Rabuske, 1995 [4].
Podemos definir SE também como sendo programas de
computador planejados para adquirir e disponibilizar o
conhecimento operacional de um especialista humano,
resolvendo assim determinados problemas que o especialista
resolveria, Bittencourt, 1998 [5].
Para solucionar tais problemas, os SE precisam acessar uma
substancial base de conhecimentos do domínio da aplicação,
que precisa ser criada do modo mais eficiente possível. Eles
também precisam explorar um ou mais mecanismos de
raciocínio, para aplicar seu conhecimento aos problemas que
tem diante de si. Depois precisam de um mecanismo para
explicar o que fizeram aos usuários que deles dependem.
Todo SE, (Fig. 2), inclui três elementos básicos: uma base
de conhecimento, uma máquina de inferência e uma interface
com o usuário.
Figura 2. Elementos básicos de um SE
A base de conhecimento representa o que se sabe sobre o
objetivo até o presente. A máquina de inferência compreende a
logística para conhecer o que ainda não se sabe. A interface
com o usuário facilita a comunicação entre o sistema e o
questionador. Assim um SE simula através de conhecimentos o
conhecimento do especialista humano.
O Gerenciamento de Decisões de Negócio [6] é uma
disciplina relativamente nova no cenário das disciplinas de
gestão empresarial, se comparada com disciplinas como o
Gerenciamento de Processos, que remonta ao início do Século
20, ou o Gerenciamento de Dados, que tem suas origens nos
idos de 1950. Podemos viajar ao passado não mais que ao final
dos anos 1990, quando o Business Rules Group publicou um
trabalho seminal no campo do estudo das regras de negócio que
regem o comportamento das organizações [7].
Trabalhos contemporâneos de Ronald Ross [8] e Barbara
von Halle [9] impulsionaram o surgimento de toda uma nova
disciplina, o Gerenciamento de Regras de Negócio, que
rapidamente ganhou a aceitação e a adesão do mercado.
Inúmeras iniciativas de transformação e desenvolvimento de
sistemas passaram a usar os novos conceitos, que se surfou em
uma onda crescente de adeptos e praticantes ao longo dos anos
2000.
O trabalho do BRG justifica a necessidade de uma nova
disciplina para a descrição das regras de negócio que
estruturam e orientam as operações das empresas mostrando
que, ao longo dos anos, as técnicas de desenvolvimento de
sistemas evoluíram para descrever, de forma precisa, vários
aspectos das organizações, principalmente seus fluxos de
atividades (processos), de informações (dados) e suas estruturas
organizacionais. De alguma forma, o conceito de 'regras de
negócio' está implícito em todas estas disciplinas, mas de fato o
importante aspecto da lógica que rege as organizações
permanecia não coberto.
Em 2009, no entanto, Larry Goldberg e Barbara von Halle,
no livro "The Decision Model: A Business Logic Framework
Linking Business and Technology" [10], afirmam:
"Embora seja verdade que muito progresso tenha sido feito
para atacar os distintos aspectos enterrados na 'grande bola de
lama', não tem havido muito sucesso na separação da lógica de
negócios, de forma que ela possa ser desenvolvida e
modificada de forma independente. Ironicamente, a lógica de
negócios está exatamente no coração dos sistemas de negócio
automatizados."
O mesmo Ken Orr, no prefácio deste livro, afirma:
"De fato, as regras de negócio são, talvez, o mais
importante e não resolvido problema enfrentado pelo negócio e
pela TI. Um grande número de organizações não são mestres
de suas regras de negócio, mas prisioneiras delas"
A partir destas constatações, estes autores desenvolvem
toda uma nova abordagem para o gerenciamento das regras de
negócio que estruturam e orientam as operações das
organizações, que denominam The Decision Model. Nas
palavras dos autores:
"O Modelo de Decisão (TDM - The Decision Model) traz
para o mundo das regras de negócio uma estrutura bem
definida, baseada na natureza intrínseca da lógica, estendida
com princípios de integridade e normalização. Capturar a
lógica de negócios, desde as condições até as conclusões e
refiná-la até que seja atômica, precisa, inequívoca, e alinhada
com os objetivos de negócio, é o que o constitui o Modelo de
Decisão e os seus princípios."
IV. METODOLOGIA
O Modelo de Responsabilidade Organizacional [11]
estabelece uma relação entre a demanda por serviços
encontrados em uma organização e a produtividade das pessoas

4
na realização das atividades que compõem o serviço,
permitindo que se estabeleça o melhor custo / benefício.
Para as pessoas, distribuídas nas áreas da organização,
executarem as atividades ligadas aos serviços e processos
entregando valor aos clientes, é preciso ter o conhecimento
necessário.
O conhecimento pode ser alcançado de diversas formas,
como na elaboração de um Documento de Conhecimento do
Domínio (DCD), cujo objetivo é capturar o conhecimento
tácito das pessoas e formalizá-lo para ser disseminado na
empresa e adquirido por aqueles que executarão as atividades
relacionadas aos serviços.
Outro passo importante é a definição dos papéis, elementos
discriminadores, eles diferenciam os indivíduos a partir das
funções a eles atribuídas na organização. O papel
organizacional se baseia no entendimento claro de como as
pessoas devem se comportar e o que entregar em cada nível
organizacional.
As pessoas sabem o que entregar quantitativamente, mas
somente o desempenho do papel lhes dirá como entregar
qualitativamente. Pois, é no papel organizacional que se junta
valores e normas, cultura e clima, ação e intenção, curto prazo
e longo prazo, economia e desenvolvimento.
É preciso, também, mapear as equipes que irão atuar nos
determinados núcleos encarregados pela entrega dos Serviços
Internos. O conhecimento armazenado no DCD pode ser
compartilhado entre as diversas pessoas integrantes das equipes
que desempenharão o mesmo papel, levando-se em
consideração a produtividade de cada um.
A estatística pode nos ajudar a inferir a melhor alocação
dos atores distribuídos nas áreas da organização para
desempenhar seu papel de forma otimizada.
O levantamento da capacidade produtiva das equipes
compartilhadas é baseado no esforço necessário para execução
das atividades que compõem os serviços, utilizando uma
adaptação do Time-Driven ABC Model, de Robert Kaplan
[12].
Após o mapeamento das equipes e o levantamento do
esforço, em uma situação normal, o gráfico dos esforços das
equipes (Fig. 3) de uma determinada população poderia ter a
seguinte distribuição:
Figura 3. Levantamento da capacidade produtiva
As curvas de frequência (Fig. 4), baseadas na estatística, do
esforço identificado pelo levantamento da capacidade produtiva
de uma determinada área, são:
Figura 4. Curvas de frequência
Valores apurados de Amplitude: 52,4 e Desvio Padrão:
14.218230.
Dentre as análises dos gráficos da população acima, em se
comportando como uma distribuição normal, podem-se
destacar as seguintes análises comparativas (Fig. 4):
Figura 5. Análises comparativas das curvas de frequência
Busca-se ter uma pequena amplitude com baixo desvio padrão
para que os esforços das equipes fiquem próximos da média
(entre 80 e 85% do esforço segundo Kaplan) diminuindo a
dispersão.

5
Nesse contexto a demanda pode ser distribuída para um
profissional que tenha o conhecimento e a habilidade
necessários para lidar com a complexidade exigida, ao invés de
distribuí-la aleatoriamente, de acordo com os critérios
estabelecidos na qualificação da demanda.
Outras medidas que podem ser apontadas nesse sentido:
 possibilidade de automatização de atividades de baixa
complexidade;
 análise da necessidade de propor novas medidas para
elevar a produtividade das equipes;
 avaliação do impacto da otimização dos esforços na
execução das atividades.
V. MODELO DE DECISÃO
A inteligência artificial auxilia na tomada de decisão, pois
permite que as máquinas possam compreender as coisas de
maneira inteligente a fim de solucionar problemas.
O primeiro passo é a Aquisição de Conhecimento, processo
de identificar, extrair, analisar e documentar o conhecimento
obtido de um especialista de domínio com o propósito de
construir um Sistema Especialista.
Esse processo é usualmente dividido em três estágios:
 decisão de qual conhecimento é necessário
(equivalente a definição ou análise inicial),
 obtenção de conhecimento predominantemente
vindo de especialistas humanos e interpretação
deste conhecimento (usualmente chamada
Elicitação do Conhecimento),
 codificação do conhecimento na linguagem interna
do sistema (usualmente chamada Representação).
Na definição do conhecimento necessário foram utilizados
métodos estatísticos como a Distribuição Normal.
Na etapa de elicitação de conhecimento, o engenheiro de
conhecimento extrai o conhecimento do domínio do
especialista. O elicitante ou o engenheiro de conhecimento
obtém o material, analisa e interpreta esse material, e coloca-o
em uma forma pré-codificada que será útil para codificar o
conhecimento em uma linguagem de SE e que permita uma
investigação por todas as partes interessadas no
desenvolvimento do sistema.
A Geração de matriz, técnica escolhida na elicitação de
conhecimento, é útil com especialistas que estão acostumados a
tabular informações. As tabelas (matrizes) são úteis para
levantar relacionamentos entre os itens da lista (linhas e
colunas). As combinações possíveis que a matriz propicia
favorecem à elicitação de heurísticas (preferências do
especialista por certas combinações) e à descoberta de novas
relações possíveis que antes não haviam sido emergidas por
simples brainstorming.
Justifica-se a escolha desta técnica pois o especialista
escolhido pode tabular informações. Deste modo se obtêm uma
visão ampla e direcionada para a solução do problema, como
novos pontos que outras técnicas ainda não conseguiram
alcançar.
O produto da elicitação de conhecimento será a
representação do conhecimento relevante para ser usado como
uma base para a implementação do Sistema Especialista.
O padrão DMN - Decision Model and Notation, elaborado
pelo OMG (Object Management Group), também pode ser
utilizado na geração das tabelas (matrizes).
Ele foi concebido para ser capaz de representar a lógica de
negócios independentemente de sua implementação real
(manual, semi-automatizada, ou completamente automatizada).
Além disso, através de definição de uma linguagem própria de
expressão da lógica de negócios, o DMN pretende que modelos
de decisão DMN possam ser executados em qualquer motor de
regras compatível com o padrão, na prática tornando a
modelagem de decisões de negócio completamente
independente dos detalhes relativos à sua implementação.
O conceito principal do DMN é a "decisão", definida como:
um valor de saída resultante da aplicação de uma lógica de
decisão a um conjunto de valores de entrada.
A lógica de decisão (Fig. 5) possui diversas formas de
expressão, sendo a mais comum o uso de "tabelas de decisão",
estruturas tabulares bidimensionais que representam as
variáveis de entrada, as (possivelmente várias) variáveis de
saída, e as regras de negócio que determinam as saídas corretas
a partir dos dados de entrada.
Uma Tabela de Decisão pode ser associada a uma Fonte de
Conhecimento (ou diretamente a uma Decisão), especificando
a lógica (regras de negócio) que efetivamente governam a
decisão. Digno de nota, também, é que, embora intimamente
ligada aos processos, uma decisão não é dependente de um
processo para sua existência. Isto significa que decisões podem
ser identificadas, elaboradas, modeladas e gerenciadas como
um ativo independente, com seu próprio ciclo de vida e
estrutura de governança completamente independente dos
processos que (eventualmente) venham a utilizar esta decisão.
Esta é uma característica importante para as organizações,
pois, pela primeira vez, é possível tratar a lógica de negócios
como um ativo real de negócio, com sua (enorme) importância
e valor para a empresa.

6
Figura 6. Lógica de Decisão
A Capacidade de Gestão de Pessoas, baseada no
Framework de Arquitetura Corporativa para Interoperabilidade
no Apoio à Governança – FACIN, direciona o especialista no
processo de avaliação de quantidade de pessoal e na análise de
dispersão dos esforços (Fif. 7).
Figura 7. Capacidade de Gestão de Pessoas
O conhecimento obtido pelo especialista é analisado e
interpretado para que possa representar a lógica de negócios
expressa pelo modelo de decisão da figura 8.
Figura 8. Lógica aplicada à dispersão dos esforços dos funcionários
Na elaboração do modelo foram propostas as seguintes Tabelas
de Decisão:
Tabela 1. Resultado das variáveis da Distribuição Normal
Variáveis Resultados
nobs 13,00
Nas -
Minimum 46,10
Maximum 98,50
1. Quartile 78,00
3. Quartile 93,00
Mean 81,92
Median 82,10
Sum 1.064,90
SE Mean 3,943428
LCL Mean 73,323394
UCL Mean 90,507375
Variance 202,158077
Stdev 14,218230
Skewness 1,101140-
Kurtosis 0,519629
shapiro.test 0,051640
GAP -
Coeficiente de Variação - CV 17,4
Tabela 2. Capacidade produtiva
Mediana Capacidade Produtiva Pontuação
< 80 Baixa 1
>= 80 e <= 85 Média 3
> 85 Alta 2
Tabela 3. Coeficiente de Variação
Coeficiente de Variação - CV Dispersão Pontuação
<= 15 Baixa 3
> 15 e < 30 Moderada 2
>= 30 Elevada 1

7
Tabela 4. Avaliação da Distribuição
Avaliação da Distribuição Pontuação
Excelente 6
Ótima 5
Boa 4
Ruim 3
Péssima 2
Tabela 5. Capacidade produtiva x Dispersão
Capacidade Produtiva Dispersão Avaliação da DistribuiçãoPontuação
Baixa Baixa Boa 4
Baixa Moderada Ruim 3
Baixa Elevada Péssima 2
Média Baixa Excelente 6
Média Moderada Ótima 5
Média Elevada Boa 4
Alta Baixa Ótima 5
Alta Moderada Boa 4
Alta Elevada Ruim 3
Tabela 6. Necessidade de Pessoal - GAP
GAP Necessidade de Pessoal
< 0 Sobra
= 0 Não
> 0 Sim
Tabela 7. Hora Extra
Maximum Faz hora extra
> 100 Sim
<= 100 Não
Tabela 8. Risco
Necessidade de Pessoal Faz hora extra Risco
Sobra Não Baixo
Não Não Baixo
Não Sim Médio
Sim Não Médio
Sim Sim Alto
Tabela 9. Decisão
Regra
Avaliação da
Distribuição
Necessidade de
Pessoal
Risco Problema Decisão
1 Excelente Sobra
2 Ótima Sobra
3 Boa Sobra Baixo Excesso de pessoas. Demissão de pessoal ou movimentação para outras áreas.
4 Ruim Sobra Baixo Excesso de pessoas e má distribuição das atividades. Demissão de pessoal ou movimentação para outras áreas e redistribuição das atividades dentro da área.
5 Péssima Sobra Baixo Excesso de pessoas e má distribuição das atividades. Demissão de pessoal ou movimentação para outras áreas e redistribuição das atividades dentro da área.
6 Excelente Não Baixo Sua área está com o quantitativo de pessoas adequado e excelente distribuição das atividades. Parabéns! Continue assim!
7 Ótima Não Baixo Sua área está com o quantitativo de pessoas adequado e boa distribuição das atividades. Parabéns! Continue assim!
8 Boa Não Baixo Quantitativo de pessoas adequado e má distribuição das atividades. Redistribuição das atividades dentro da área.
9 Boa Não Médio Cuidado! Quantitativo de pessoas adequado e má distribuição das atividades. Redistribuição das atividades dentro da área.
10 Ruim Não Médio Cuidado! Quantitativo de pessoas adequado e péssima distribuição das atividades. Redistribuição imediata das atividades dentro da área.
11 Péssima Não
12 Excelente Sim
13 Ótima Sim Médio Atenção! As atividades estão bem distribuídas mas faltam pessoas. Contratação de pessoal ou movimentação de outras áreas.
14 Ótima Sim Alto Muita Atenção! As atividades estão bem distribuídas mas faltam pessoas. Contratação de pessoal ou movimentação de outras áreas.
15 Boa Sim
16 Ruim Sim Médio Cuidado! As atividades estão mal distribuídas e faltam pessoas. Contratação de pessoal ou movimentação de outras áreas e redistribuição das atividades dentro da área.
17 Ruim Sim Alto Muito Cuidado! As atividades estão mal distribuídas e faltam pessoas. Contratação de pessoal ou movimentação de outras áreas e redistribuição das atividades dentro da área.
18 Péssima Sim Médio Socorro! As atividades estão mal distribuídas e faltam pessoas. Contratação de pessoal ou movimentação de outras áreas e redistribuição das atividades dentro da área.
Decisão
Verifica-se moderada dispersão dos dados, problema
identificado:
 Sua área está com o quantitativo de pessoas
adequado e boa distribuição das atividades.
Solução proposta:
 Parabéns! Continue assim!
VI. RESULTADO
A aplicação da Inteligência Artificial, através de Sistemas
Especialistas, combinada com a Modelagem de Decisão,
contribui para criar, ampliar e melhorar os sistemas de
serviços, auxiliando as organizações na tomada de decisão
visando a otimização da produtividade de seus funcionários
levando a melhoria dos serviços públicos prestados, em face
de uma demanda de serviços superior à capacidade instalada.
REFERÊNCIAS
[1] LOPES, M. M.; BRANCO, V. T. F. C.; SOARES, J. B. Utilização dos
testes estatísticos de Kolmogorov-Smirnov e Shapiro-Wilk para
verificação da normalidade para materiais de pavimentação. IN
TRANSPORTES v. 21, n. 1, 2013. ISSN: 2237-1346 (online).
DOI:10.4237/transportes.v21i1.566.
[2] BRASIL, L. M. Modelagem de Sistemas Complexos: Tópicos
Avançados. Brasília, 2012. (Apostila).
[3] RICH, E.; KNIGHT, K. Inteligência Artificial, Segunda Edição,
Makron Books do Brasil Editora Ltda., São Paulo, SP,1994.
[4] RABUSKE, R. A. Inteligência Artificial, Editora da UFSC,
Florianópolis, SC, RJ, 1990.
[5] BITTENCOURT, G. Inteligência Artificial: Ferramentas e Teorias,
Editora da UFSC, Florianópolis, SC, 1998.
[6] PLAIS, A. O Momento do Gerenciamento de Decisões de Negócio,
Blog Comunidade Áreas de Integração, Brasília, DF, Brasil, 2016,
Disponível em: http://areasdeintegracao.blogspot.com.br/2016/08/o-
momento-do-gerenciamento-de-decisoes.html
[7] The Business Rules Group. Defining Business Rules - What Are They
Really?, 2000
[8] ROSS, Ronald G. Business Rule Concepts: Getting to the Point of
Knowledge, 1a edição, 1998
[9] BARBARA, V. H. Business Rules Applied: Building Better Systems
Using the Business Rules Approach, 1a edição, , 2001
[10] GOLDBERG, L.; BARBARA, V. H. The Decision Model: A Business
Logic Framework Linking Business and Technology, 2009
[11] PASSOS, G. F.; CHAMOVITZ, I.; THEODOULIDIS, B.
Organizational Responsibility Model: Dealing with Demand for
Services Higher Than Installed Capacity. In: 2013 IEEE International
Conference on Systems, Man, and Cybernetics; IEEE; 2013. p. 4415-
4420.
[12] KAPLAN, R; ANDERSON, Steven R. Timedriven activity-based-
costing. Havard Business Review, 2004.
<http://www.hbs.edu/research/facpubs/workingpapers/papers2/0304/0
4-045.pdf>

Análise da Dispersão dos Esforços dos Funcionários

Mais conteúdo relacionado

Destaque (20)

Semelhante a Análise da Dispersão dos Esforços dos Funcionários (20)

Mais de Guttenberg Ferreira Passos (17)

Último (20)

Análise da Dispersão dos Esforços dos Funcionários