Capítulo 36 — Fatores humanos e política cibernética: desempenho e escala
Mapa da aula
Aula 36 publicada. Mapa, exemplo, EX106.
flowchart TD
N0["36.1 Crescimento dos reportes"]
N1["36.2 Modelagem de filas"]
N2["Laboratório — Tempo de espera pelos vereditos à medi"]
N3["36.3 Pessoal e automação"]
N4["Síntese"]
N0 --> N1 --> N2 --> N3 --> N4
N4 --> EX["Exemplo resolvido"]
EX --> Q["Exercício EX106"]
Desenho lógico
flowchart LR
N0["36.1 Crescimento dos reportes"]
N1["36.2 Modelagem de filas"]
N2["Laboratório — Tempo de espera pelos vereditos à medi"]
N3["36.3 Pessoal e automação"]
N4["Síntese"]
N0 --> N1 --> N2 --> N3 --> N4 --> Q["EX106"]
[36.1 Crescimento dos reportes]
|
v
[36.2 Modelagem de filas]
|
v
[Laboratório — Tempo de espera pelos vereditos à medi]
|
v
[36.3 Pessoal e automação]
|
v
[Síntese]
|
v
[Exemplo resolvido] --> [Exercício EX106]
Objetivos de aprendizagem
Você vai (1) estimar a capacidade de triagem à medida que os reportes crescem; (2) modelar os tempos de espera em fila; (3) planejar pessoal e automação para manter o retorno rápido.
36.1 Crescimento dos reportes
À medida que o serviço de reportes dá certo, o volume de reportes cresce. A Greyford recebe cerca de quarenta reportes por dia após o lançamento e espera mais à medida que a confiança dos funcionários aumenta e o programa se estende aos terceirizados. Cada reporte precisa de triagem, e a promessa de retorno rápido depende de a triagem acompanhar o ritmo. Aiko estima que um analista de triagem consegue tratar cerca de doze reportes por hora depois do agrupamento. Ela pergunta o que acontece com os tempos de espera quando o volume diário sobe, porque um retorno lento minaria o efeito mostrado no capítulo 17.
36.2 Modelagem de filas
O laboratório simula um dia de reportes chegando ao acaso durante o expediente e atendidos por um analista a uma taxa fixa, e registra a espera média até o veredito. Com quarenta reportes por dia, a espera média é de cerca de sete minutos. Com oitenta, dobra para catorze, e com noventa e cinco, quando o analista fica ocupado quase o tempo todo, chega a vinte e cinco minutos, subindo cada vez mais depressa a cada reporte extra, como prevê a teoria das filas quando a utilização se aproxima de um. Aiko usa o resultado para mostrar aos gestores que a capacidade precisa crescer antes que o volume chegue à parte íngreme da curva, e não depois que as reclamações começarem.
Laboratório — Tempo de espera pelos vereditos à medida que o volume de reportes cresce
# Single analyst triage queue over an 8-hour day (synthetic, seed fixed).
import random
def day(n, rate=12, seed=1):
r = random.Random(seed); arr = sorted(r.uniform(0, 480) for _ in range(n))
free = 0.0; waits = []
for a in arr:
start = max(a, free); free = start + 60 / rate; waits.append(free - a)
return sum(waits) / n
for n in (40, 80, 95):
print(f"{n} reports/day: mean wait to verdict {sum(day(n, seed=s) for s in range(200)) / 200:.0f} min")
Execute com python3 lab_queue.py. Saída verificada:
40 reports/day: mean wait to verdict 7 min
80 reports/day: mean wait to verdict 14 min
95 reports/day: mean wait to verdict 25 min
36.3 Pessoal e automação
Aiko propõe três medidas: agrupamento automático, para que reportes idênticos contem como um único item; vereditos automáticos para mensagens já confirmadas como maliciosas; e um segundo analista nos horários de pico. A automação cuida do trabalho repetitivo, enquanto as pessoas tratam os casos novos ou incertos. Ela define um nível de serviço de veredito em até uma hora útil para noventa por cento dos reportes e uma verificação mensal da medida. Se o nível de serviço escorregar por dois meses, o quadro de pessoal é revisto. Isso mantém rápida a malha de retorno à medida que o programa cresce.
Exemplo resolvido
Aiko modela os tempos de espera pelos vereditos à medida que os reportes crescem e planeja agrupamento, vereditos automáticos e pessoal nos picos para manter o retorno em até uma hora.
Caso sintético. Os volumes e as taxas são sintéticos.
Erros e limites
Chegadas reais se concentram em torno das campanhas. Vereditos automáticos podem estar errados.
Exercícios
- EX106 — Taxa do analista. Que taxa de triagem Aiko supôs por analista? Rubrica: 3 = cerca de doze reportes por hora;; 2 = doze;; 1 = quarenta;; 0 = nenhuma.
- EX107 — Fila no laboratório. Quanto duraram as esperas médias com 40, 80 e 95 reportes por dia? Rubrica: 3 = 7, 14 e 25 minutos;; 2 = aumento;; 1 = vago;; 0 = nenhuma.
- EX108 — Nível de serviço. Que nível de serviço Aiko definiu? Rubrica: 3 = veredito em até uma hora útil para 90%;; 2 = uma hora;; 1 = vago;; 0 = nenhuma.
Síntese
Um retorno rápido em escala precisa de capacidade planejada antes que a utilização se aproxime do limite.
Continue estudando — aula 36 (capítulo 36 de 50)
← Capítulo 35 · Índice das aulas · Capítulo 37 →
Continue para a próxima aula já escrita.