Suporte por cliente, com espera, resolução e motivo

No Intercom, a conversa conta quando não foi disparada por automação (source.delivered_as diferente de automated) e o cliente respondeu (first_contact_reply preenchido). Mensagens proativas, campanhas e lembretes ficam fora. Reproduza primeiro a regra do relatório nativo da ferramenta e só depois crie recortes próprios, publicando a diferença quando houver.

Pedidos internos (do financeiro para o suporte, tarefas de operação) convivem com os chamados de cliente na mesma ferramenta. Separe por um campo de tipo do chamado, não pelo nome da equipe: uma equipe pode ter os dois. Tire empresas internas e de teste. Quando a pergunta não disser qual recorte, o agente pergunta antes de responder.

O chamado muitas vezes chega sem empresa. Resolva por ordem: empresa do próprio chamado, empresa do contato, e-mail, telefone normalizado (DDD mais os últimos 8 dígitos). Domínio de e-mail só vale se não for de provedor gratuito. Um de-para de empresa só entra quando é unívoco. Grave como o cliente foi identificado (direto, de-para ou sem identificação) e publique a taxa de vínculo por mês.

Em chat, o cliente escreve antes de o ticket existir: numa base real, a primeira mensagem era de 07:43 e o ticket de 07:59. Espera é a primeira resposta da empresa depois da primeira mensagem do cliente, calculada pelas mensagens. Se a empresa falou primeiro (atendimento ativo), conte a partir da primeira fala do cliente, senão o tempo sai negativo. Conversa com horário inferido, como a que cruza a virada do ano sem data completa, fica fora do SLA.

Com um agente de IA respondendo primeiro, a primeira resposta cai para segundos e esconde a espera por uma pessoa. Classifique cada chamado em só IA, IA com transferência, só humano, sem resposta ou sem transcrição, e meça a espera até a primeira resposta humana à parte. Contadores nativos de resposta de agente podem ignorar a mensagem da IA: guarde-os para auditoria e calcule pelas mensagens. No Intercom, resolução presumida da IA (assumed_resolution em ai_agent.resolution_state) não é resolução confirmada pelo cliente.

Chamado sem resposta humana tem tempo vazio. Trocar vazio por zero puxa a média para baixo. Resuma tempos por mediana e p90, só sobre chamados elegíveis (chat com transcrição e horário confiável), e mostre quantos ficaram de fora. Se o SLA é em horário comercial, use o tempo em horário comercial que a ferramenta fornece (no Intercom, a primeira resposta em office hours nas estatísticas da conversa) e diga qual dos dois está mostrando.

Tempo de resolução vai da criação ao primeiro fechamento. Chamado reaberto (hs_ticket_reopened_at no HubSpot, count_reopens no Intercom) entra numa métrica própria de reabertura por atendente, sinal de fechamento mal feito. No HubSpot, time_to_close, time_to_first_agent_reply e o tempo por etapa (hs_v2_cumulative_time_in_<etapa>) vêm em milissegundos: converta uma vez, na primeira camada.

Numa base real, quase metade dos chamados não tinha dono e a categoria vinha vazia na maioria. Rotule dono nulo como Não atribuído e nunca descarte: a fila sem dono é um sinal da saúde do atendimento. Use fila, pipeline ou nível (N1, N2, N3) como quebra principal quando a categoria não é confiável, e mapeie status em mais de uma língua (Resolvido e Closed) para aberto, pendente e fechado.

Um cliente com 200 usuários abre mais chamados que um com 5. Para o health score, use o agregado cliente x mês com variação contra o mês anterior e média móvel de 3 meses, e normalize por usuários ativos ou por MRR. Separe dúvida de erro: dúvida aponta para onboarding e documentação, erro aponta para produto. O percentual de dúvidas usa só chamados fechados classificados como dúvida ou erro.

O alvo depende do cliente, por exemplo 24 horas para contas top e 72 horas para as demais, em dias úteis. Grave o alvo no chamado e marque violação quando foi resolvido depois do alvo ou segue aberto além dele. Chamado antigo, de antes da automação do SLA, fica sem alvo e fora do denominador, nunca como cumprido.