Acceso usuarios
Elon Oliveira Albuquerque, Bruno Justino Garcia Praciano, Paulo Henrique Batista Rodrigues, Flávio Garcia Praciano, Fábio Lúcio Lopes de Mendonça, Geraldo P. Rocha Filho
Workforce Sizing (WFS) is an essential challenge for human resource management, especially in the public sector, where efficiency and accuracy in staff allocation are crucial. The qualitative phase of WFS, which relies on manual and subjective methods, faces significant issues of inaccuracy and inefficiency, creating a gap in forecast precision and workload management. In response to these limitations, this paper proposes CATCH – Chatbot for Automated Tasks and Humanized Communication – as a solution to enhance WFS. CATCH was developed to automate the collection and analysis of qualitative data through AI-based interactions, resulting in a more accurate and efficient approach to understanding personnel needs and optimizing resource allocation. Compared to existing models in the literature, CATCH showed superior results in terms of accuracy, with a 0.9 rate, reduced response time to 1.5 seconds, and a response detail score of 0.9. These results demonstrate a significant improvement in forecast precision and process efficiency in WFS.
O Dimensionamento da Força de Trabalho (DFT) é um desafio essencial para a gestão de recursos humanos, especialmente no setor público, em que a eficiência e a precisão na alocação de pessoal são cruciais. A fase qualitativa do DFT, que depende de métodos manuais e subjetivos, enfrenta problemas significativos de imprecisão e ineficiência, criando uma lacuna na precisão das previsões e na gestão das demandas de trabalho. Em resposta a essas limitações, este trabalho propõe o CATCH – Chatbot para Automação de Tarefas e Comunicação Humanizada – como uma solução para aprimorar o DFT. O CATCH foi desenvolvido para automatizar a coleta e análise de dados qualitativos por meio de interações baseadas em inteligência artificial, o que resulta em uma abordagem mais precisa e eficiente para entender as necessidades de pessoal e otimizar a alocação de recursos. Em comparação com modelos existentes na literatura, o CATCH apresentou resultados superiores em termos de acurácia, com uma taxa de 0,9, tempo de resposta reduzido para 1,5 segundos e um detalhamento das respostas de 0,9. Esses resultados demonstram uma melhoria significativa na precisão das previsões e na eficiência do processo de DFT.
