--- id: casos/analise-de-suporte area: IA uso: comum esforco: médio grao: 1 linha por ticket ou conversa com a transcrição completa; 1 linha por mensagem para a linha do tempo --- # Análise de suporte com IA Tickets, chats e WhatsApp ligados ao cliente pagante e classificados por IA em motivo, intenção e sentimento, sempre com o trecho que prova. ## Resumo executivo **Para quem:** Times de suporte, CS e produto que recebem milhares de mensagens por mês e decidem prioridade pelo que ouvem mais alto. **O que resolve** - Cada ticket fica ligado a um cliente pagante, com motivo, sentimento e o trecho que prova a classificação. - Os temas são ranqueados por clientes afetados, receita e reincidência, não só por volume. - Pedidos de cancelamento e de redução feitos no suporte chegam ao CS no mesmo dia. **Por que importa:** O suporte é onde o cliente diz, com as próprias palavras, o que está quebrado e por que pensa em sair. Sem ligar o ticket ao cliente e sem uma lista fechada de motivos, a IA devolve uma nuvem de palavras e o produto segue priorizando quem reclama mais. Com evidência citada, a classificação é auditável e o time passa a confiar no ranking. **Perguntas de negócio que responde** - Quais motivos de contato mais cresceram neste mês e quais clientes eles afetam? - Quais clientes pagantes abriram o mesmo problema mais de uma vez em 30 dias? - Quem pediu cancelamento ou redução no suporte esta semana, e é saída ou ajuste de plano? - Qual a mediana do tempo de primeira resposta por fila, contando da primeira mensagem do cliente? - Quantos atendimentos o bot resolveu sem passar para uma pessoa? - Qual tema tem o sentimento mais negativo entre os clientes que mais pagam? **O que você precisa** - Ferramenta de suporte ou WhatsApp conectada na Nekt, com o texto das conversas - Uma lista fechada de motivos combinada entre suporte, CS e produto - O cliente único entre suporte, CRM e billing **O que você recebe** - Uma tabela por ticket com cliente, tempos, motivo, sentimento e evidência - Um ranking de temas por clientes afetados, receita e reincidência - Um alerta de pedido de saída para o CS - Um agente de IA que monta o histórico de atendimento da conta ## Detalhado ### O problema Tickets chegam sem empresa, com a categoria vazia na maioria dos casos, com o tempo de espera começando depois que o cliente já esperava e com e-mails que repetem a conversa inteira a cada resposta. Quem manda isso direto para uma IA recebe temas genéricos, sentimento inflado e nenhuma ligação com a receita. O ranking final premia o tema mais barulhento, não o que mais afeta quem paga. ### Regras de negócio 1. **Todo ticket ligado a um cliente, ou marcado sem cliente.** Resolva a empresa em cascata: associação do próprio ticket, depois do contato, depois e-mail, depois telefone normalizado (DDI e DDD mais os últimos 8 dígitos). Domínio de e-mail só serve se não for de provedor gratuito. Visitantes anônimos do widget, que podem ser metade dos tickets, ficam fora da análise por cliente mas contam no volume. Publique a taxa de vínculo. (Evite: Analisar tickets soltos, sem saber de qual cliente são.) 2. **Externo, humano e bot em colunas separadas.** Tire tickets internos da equipe, empresas de teste e mensagens dos números do próprio time. Marque as respostas do bot de IA da ferramenta e as automações. Produtividade de atendente conta só mensagens de operador humano identificado; evento de sistema e nota interna não são conversa. (Evite: Somar bot, automação e atendente no mesmo volume.) 3. **O relógio começa na primeira mensagem do cliente.** No chat, o cliente escreve antes de o ticket ser criado: numa base real, a primeira mensagem era de 07:43 e o ticket de 07:59. Meça espera e resolução a partir da primeira mensagem do cliente na transcrição. Fechamento técnico da conversa não é resolução. Tempos se resumem por mediana e percentis, nunca por soma ou média de médias. (Evite: Tempo de resposta a partir do created_at do ticket.) 4. **A IA lê a conversa inteira, só com texto novo.** Reconstrua a thread completa (cliente, atendente e bot) antes de classificar. Em e-mail, corte o histórico citado de cada resposta ("Em ... escreveu:", "De: ... Enviada em:", linhas com ">"). Transcrições de call têm falas muito curtas: junte em janelas de 60 segundos com marca de tempo. Nunca use o resumo pronto da ferramenta de calls como fonte: é uma interpretação de terceiros que perde contexto. (Evite: Mandar o corpo cru de cada e-mail ou o resumo automático da call.) 5. **Lista fechada de motivos, um primário e todos os citados.** A IA escolhe um motivo primário de uma lista fechada e versionada, e lista à parte todos os motivos que aparecem com evidência. Em pedido de cancelamento ou de redução, classifique a natureza: saída ou ajuste de tamanho. Sem evidência suficiente, o padrão seguro para retenção é tratar como saída. Quando a lista muda, guarde a versão em cada linha e mapeie o motivo antigo para o novo. (Evite: Deixar a IA inventar temas livres a cada rodada.) 6. **Toda classificação traz o trecho que a prova.** Cada motivo, sentimento e sinal de risco vem com a citação literal do texto novo. Normalize as chaves da resposta da IA (acentos e minúsculas) antes de consolidar. Acompanhe a distribuição das classes a cada rodada: um modelo que devolve tudo neutro quase sempre é erro de chamada, não cliente satisfeito. (Evite: Guardar só a etiqueta, sem saber de onde veio.) 7. **Custo e reprocessamento controlados por ticket.** Classifique só o que é novo: um ticket entra na rodada se nunca foi classificado ou se recebeu mensagem mais nova que a última lida. A marca d'água é por ticket; uma marca única para a tabela dá a cada ticket uma só chance e perde as mensagens que chegam depois. Use janela fixa e teto de chamadas por rodada, e limite quantos tipos vão para a IA em análises de frequência. (Evite: Reprocessar tudo a cada rodada, ou usar uma marca d'água global.) 8. **Reincidência pesa mais que volume.** Ranqueie temas por clientes afetados e pela receita deles, não pelo número bruto de mensagens. Reincidência é o mesmo cliente abrindo o mesmo motivo (ou a mesma combinação de tags) mais de uma vez em 30 dias: indica problema não resolvido na raiz, não cliente que usa muito o suporte. Contar semanas distintas com chamado separa recorrência de um pico isolado. (Evite: Priorizar pelo tema com mais mensagens.) 9. **Categoria vazia e ticket sem dono também são dado.** Em bases reais, a categoria vinha vazia em cerca de 60% dos tickets e quase metade não tinha responsável. Use fila ou pipeline como quebra principal, trate responsável nulo como não atribuído e nunca descarte: fila sem dono já é um sinal de saúde do atendimento. Prioridade, origem e etapa são dimensões, não medidas de qualidade. (Evite: Filtrar tickets sem categoria ou sem responsável.) 10. **Anonimize antes de o texto sair da Nekt.** Antes de mandar conversas para um modelo externo ou uma ferramenta de voz do cliente, troque e-mail por id do usuário, telefone por um marcador e mascare CPF e CNPJ. Em fonte compartilhada por vários clientes (por exemplo, uma conta que reúne avaliações de várias marcas), o filtro por cliente é obrigatório: um filtro esquecido não dá erro, dá vazamento silencioso. (Evite: Mandar a transcrição crua para a API.) ### O que a IA extrai de cada conversa Campos fixos, lista fechada de valores e sempre um trecho de evidência. - **Motivo primário** → Um só, da lista fechada e versionada - **Motivos evidenciados** → Todos os que aparecem no texto, em lista (`intent_multiple`) - **Natureza da redução** → Saída ou ajuste de tamanho; na dúvida, saída (`leaving, rightsizing`) - **Sentimento** → Positivo, neutro ou negativo, com o trecho - **Sinal de risco** → Fala de cancelar, trocar de fornecedor ou de preço - **Pedido de produto** → Bug, melhoria ou integração, com o módulo afetado - **Evidência** → Citação literal do texto novo do cliente ### Definições | Métrica | Definição | |---|---| | Ticket válido | conversa iniciada por cliente externo que segue a mesma regra do relatório nativo da ferramenta, sem testes, internos e spam | | Taxa de vínculo | tickets válidos ligados a um cliente pagante / tickets válidos com identidade (e-mail, telefone ou empresa) | | Tempo de primeira resposta | da primeira mensagem do cliente à primeira resposta de atendente humano, em mediana e p90 por período e fila | | Resolução sem transbordo | tickets resolvidos sem passar para um humano ou para o nível seguinte / tickets resolvidos no período | | Reincidência | clientes com mais de um ticket do mesmo motivo em 30 dias / clientes com ticket no período | | Participação do tema | tickets com o motivo primário / tickets classificados no período, sempre acompanhada de clientes afetados | | Negatividade do tema | tickets do tema com sentimento negativo / tickets do tema classificados | | CSAT | respostas 4 e 5 / respostas da pesquisa de atendimento, por tipo de atendimento; ausência de resposta não é nota | | NPS | % de notas 9 e 10 menos % de notas 0 a 6, pela data da resposta; nunca substitui o CSAT | ### Armadilhas - **E-mail citado multiplicou os sinais.** Mais de 80% do texto dos e-mails era histórico repetido. A IA reencontrava a mesma frase a cada resposta e os sinais de churn ficaram quase três vezes maiores que o real. Como evitar: Corte a citação antes da IA e só aceite evidência que esteja no texto novo. - **Resumo pronto como fonte.** O resumo automático da ferramenta de calls parecia um atalho para responder e para escolher quais calls ler. Ele é uma interpretação de terceiros, com perda, e deixava de fora o que o cliente de fato pediu. Como evitar: Use só a transcrição completa, com citação, e nunca o resumo de terceiros. - **Tudo saiu neutro.** Por uma falha na chamada, o modelo passou a devolver neutro para todos os comentários. O relatório parecia estável, e só um diagnóstico da chamada achou a causa. Como evitar: Monitore a distribuição das classes a cada rodada e alerte quando uma classe passar de um limite. - **Ticket lido uma vez só.** Com uma marca d'água única para a tabela, tickets que recebiam mensagens depois de outros já classificados nunca voltavam para a IA. Como evitar: Marca d'água por ticket, comparando a última mensagem lida com a mais nova. - **Espera menor que a real.** O tempo de espera era medido a partir da criação do ticket, que acontece minutos depois de o cliente começar a escrever no chat. Como evitar: Marco zero na primeira mensagem do cliente na transcrição. - **Transcrição no campo errado.** As notas internas da reunião no CRM vinham sempre vazias; o time colava a transcrição no corpo da reunião, e a análise lia o campo vazio. Como evitar: Confira numa amostra onde o texto realmente está antes de montar a base para a IA. ### Teste de aceitação - [ ] O número de tickets válidos por mês bate com o relatório nativo da ferramenta, com diferença menor que 1%. - [ ] A taxa de vínculo a cliente pagante é publicada, e todo ticket sem vínculo aparece como sem cliente, nenhum é descartado. - [ ] Todo ticket classificado tem motivo primário da lista vigente e um trecho de evidência que existe no texto novo do ticket. - [ ] Numa amostra de 50 tickets revisados por uma pessoa, o motivo primário da IA coincide em pelo menos 80%. - [ ] Nenhum texto enviado ao modelo contém e-mail, telefone, CPF ou CNPJ em claro. ### Context document ```text Análise de suporte com IA - Ticket válido segue a mesma regra do relatório nativo da ferramenta. Tickets internos, de teste e mensagens do próprio time ficam fora. - Todo ticket é ligado a um cliente pela cascata: ticket, contato, e-mail, telefone. Sem vínculo, o valor é sem cliente; nunca descarte. - Tempos contam a partir da primeira mensagem do cliente. Reporte mediana e p90, nunca média de médias. Fechamento técnico não é resolução. - Motivo vem da lista fechada vigente (versão ). Use o motivo primário para contar e a lista de motivos evidenciados para detalhar. - Toda afirmação sobre o que o cliente disse precisa da citação literal do texto novo. Não use resumos automáticos de terceiros. - Em pedido de cancelamento ou redução, diga se é saída ou ajuste de tamanho. - Priorize temas por clientes afetados, receita e reincidência, não por número de mensagens. - Responsável nulo é não atribuído. Categoria vazia é sem categoria. - NPS e CSAT são pesquisas diferentes. Ausência de um não é substituída pelo outro. Exceções por cliente: - : fila é de uso interno e fica fora da análise. - : motivo passou a se chamar em . ``` ### Variações - **Base de conhecimento:** Uma linha por ticket resolvido com o texto pronto para embedding, para um assistente responder com base no histórico. - **Dúvidas de WhatsApp:** Mensagens dos grupos de clientes, sem os números da equipe, agrupadas nas 10 dúvidas mais frequentes do período. - **Monitor de marca:** Comentários e avaliações públicas classificados por sentimento, com índice das últimas 24 e 72 horas contra o período anterior.