Capítulo 5 — Pontualidade dos eventos das transportadoras
Mapa da aula
Aula 05 publicada. Mapa, exemplo, EX021.
flowchart TD
N0["5.1 Por que a pontualidade importa"]
N1["Laboratório — Parcela de eventos sintéticos das tran"]
N2["5.2 Resultados"]
N3["5.3 Comparação justa"]
N4["5.4 Usando os resultados"]
N0 --> N1 --> N2 --> N3 --> N4
N4 --> EX["Exemplo resolvido"]
EX --> Q["Exercício EX021"]
Desenho lógico
flowchart LR
N0["5.1 Por que a pontualidade importa"]
N1["Laboratório — Parcela de eventos sintéticos das tran"]
N2["5.2 Resultados"]
N3["5.3 Comparação justa"]
N4["5.4 Usando os resultados"]
N0 --> N1 --> N2 --> N3 --> N4 --> Q["EX021"]
[5.1 Por que a pontualidade importa]
|
v
[Laboratório — Parcela de eventos sintéticos das tran]
|
v
[5.2 Resultados]
|
v
[5.3 Comparação justa]
|
v
[5.4 Usando os resultados]
|
v
[Exemplo resolvido] --> [Exercício EX021]
Objetivos de aprendizagem
Você vai (1) medir a pontualidade dos eventos por fonte; (2) comparar os parceiros com justiça; (3) usar os resultados na gestão dos parceiros.
5.1 Por que a pontualidade importa
Os clientes veem as atualizações de rastreamento no site da Corran e esperam que reflitam a realidade. Se um evento chega com uma hora de atraso, o cliente pode ligar perguntando onde está a remessa, ou um planejador pode despachar um veículo substituto sem necessidade. Lucía define a pontualidade como o atraso entre o momento em que o evento aconteceu e o momento em que a Corran o recebeu, e fixa a meta de que os eventos cheguem em até quinze minutos. Ela a mede separadamente para cada transportadora, já que cada uma usa sistemas diferentes. Os clientes percebem os atrasos depressa.
Laboratório — Parcela de eventos sintéticos das transportadoras que chegam em até quinze minutos
"""Share of synthetic shipment status events arriving within 15 minutes, by carrier (stdlib only)."""
import random
random.seed(9)
mean = {"Carrier A": 6, "Carrier B": 9, "Carrier C": 21}
for c, m in mean.items():
d = [random.expovariate(1/m) for _ in range(3000)]
print(f"{c}: within 15 min {100*sum(x <= 15 for x in d)/len(d):.1f}%")
Execute com python3 lab_timeliness.py. Saída verificada:
Carrier A: within 15 min 91.9%
Carrier B: within 15 min 81.7%
Carrier C: within 15 min 51.0%
5.2 Resultados
O laboratório simula três mil eventos por transportadora. A Transportadora A entrega 91,9 por cento dos eventos em até quinze minutos, a Transportadora B, 81,7 por cento, e a Transportadora C, apenas 51,0 por cento. Lucía observa que a diferença é grande o bastante para importar aos clientes: as remessas movimentadas pela Transportadora C vão mostrar uma situação desatualizada cerca de metade do tempo. Ela verifica que a composição sintética dos eventos é semelhante entre as transportadoras, para que a comparação não seja distorcida por tipos de remessa ou rotas diferentes. Ela apresenta as parcelas em uma tabela, com o número de eventos por trás de cada número.
5.3 Comparação justa
Antes de apresentar os resultados, Lucía pensa na justiça da comparação. Na realidade, a Transportadora C opera mais rotas rurais, onde o sinal é mais fraco, de modo que parte do atraso pode estar fora de seu controle. Ela planeja comparar as transportadoras em rotas semelhantes em um estudo de acompanhamento e discutir os resultados com cada transportadora antes de tirar conclusões. O Dr. Achebe observa que a governança de dados de parceiros depende de cooperação, e que apresentar os resultados como problemas compartilhados costuma funcionar melhor do que apresentá-los como acusações. Ela registra esse plano no diário e o compartilha com o Dr. Achebe para comentários.
5.4 Usando os resultados
Lucía compartilha os resultados com cada transportadora. A Transportadora C explica que seu sistema envia os eventos em lotes a cada meia hora para economizar no custo dos dados móveis. A Corran se oferece para cobrir a diferença de custo do envio em tempo real em suas remessas, avaliando que menos ligações de clientes vão compensá-la. A Transportadora C concorda. Lucía acrescenta metas de pontualidade aos acordos com as transportadoras que estão para ser renovados e agenda relatórios mensais dos resultados de cada uma. Os resultados do mês seguinte mostram os eventos da Transportadora C chegando muito mais rápido, e as ligações de clientes sobre suas remessas começam a cair.
Exemplo resolvido
Lucía mede o atraso dos eventos por transportadora, encontra 91,9, 81,7 e 51,0 por cento em até quinze minutos, considera as diferenças de rota, descobre que a Transportadora C envia os eventos em lotes a cada meia hora e acorda o envio em tempo real, com metas.
Caso sintético. Os eventos são sintéticos; as saídas vêm de lab_timeliness.py.
Erros e limites
Comparar parceiros sem considerar suas condições pode ser injusto.
Exercícios
- EX021 — Definição de pontualidade. Como Lucía definiu a pontualidade? Rubrica: 3 = o atraso entre o evento e seu recebimento pela Corran;; 2 = parcialmente correto;; 1 = vago;; 0 = nenhuma.
- EX022 — Parcela da Transportadora C. Que parcela dos eventos da Transportadora C chegou em até quinze minutos? Rubrica: 3 = 51,0%;; 2 = parcialmente correto;; 1 = errado;; 0 = nenhuma.
- EX023 — Fator de justiça. O que pode explicar em parte os atrasos da Transportadora C? Rubrica: 3 = mais rotas rurais, com sinal mais fraco;; 2 = parcialmente correto;; 1 = vago;; 0 = nenhuma.
- EX024 — Causa real. Que causa a Transportadora C revelou? Rubrica: 3 = o envio dos eventos em lotes a cada meia hora;; 2 = parcialmente correto;; 1 = vago;; 0 = nenhuma.
- EX025 — Mudança nos acordos. O que foi acrescentado aos acordos em renovação? Rubrica: 3 = metas de pontualidade;; 2 = parcialmente correto;; 1 = vago;; 0 = nenhuma.
Continue estudando — aula 05 (capítulo 05 de 12)
← Capítulo 04 · Índice das aulas · Capítulo 06 →
Continue para a próxima aula já escrita.