Este truque ajuda a descobrir tendências nos dados de suporte

Até o momento, a maior parte das empresas já estabeleceu o uso de algum tipo de ferramenta de autoatendimento. Um chatbot, um site de ajuda ou apenas um mecanismo de busca – a maior parte das empresas já percebeu o valor em deixar os clientes navegarem sozinhos no site para encontrar respostas e produtos. 

É claro que essas ferramentas conseguem atender a necessidade de suporte imediato, bem como reduzem a carga de trabalho dos atendentes do SAC, melhoram o CSAT e simplificam as operações de modo geral.Mas, o que mais as ferramentas de autoatendimento podem fazer por você?

Uma nova fonte de dados de clientes

Os canais de suporte digital, como os que acabamos de mencionar, têm uma vantagem substancial quando comparados ao auxílio por telefone ou presencial: eles deixam um registro.

Eles permitem registrar todas as atividades, gerando uma grande quantidade de dados a partir dos quais podemos tirar conclusões e identificar padrões e tendências.

Com certeza também se pode fazer isso com uma assistência dada por uma pessoa. Nesse caso, seria necessário um funcionário escrever o motivo do contato do suporte, o comportamento do cliente, o que aconteceu após o fechamento da solicitação e o quanto o cliente ficou sastifeito com o atendimento recebido. 

Fazer isso manualmente seria extremamente demorado. 

As ferramentas digitais, por sua vez, permitem fazer isso de forma natural e automática, praticamente sem nenhum esforço de sua parte.  

Mas só colher dados não traz benefício algum.  A questão permanece:

  • Como lemos esses dados?
  • Como os entendemos?
  • O que eles nos dizem e qual é o benefício disso? 
  • Como podemos promover mudanças com base neles?

O que os dados de suporte nos dizem?

Essa é uma questão complicada. Depende bastante da ferramenta de suporte que está sendo usada, dos dados que estão sendo coletados para você e também dos seus próprios desafios empresariais. 

 As ferramentas de suporte com autoatendimento tendem a vir com métricas e paineis de KPIs para se entender o que está acontecendo. Esses podem incluir:

  • O número de chamadas/sessões de chatbot/pesquisas
  • O percentual de satisfação quanto às respostas dadas
  • O número de questões não respondidas
  • e uma longa lista de outros itens.

No entanto, a maior parte das ferramentas tendem apenas a mostrar e entender uma pequena parte dos dados coletados. Por isso, não se tira total proveito de todo seu potencial. 

Leia também: Analisamos 4 milhões de conversas de chatbots e aqui está o resultado

A cauda longa das solicitações de suporte

Vamos tomar como exemplo chatbot de IAI chatbot.

Sabemos as intenções por trás da maior parte das solicitações? 

Há tendências entre essas consultas?

O que interessa mais aos clientes?

A maioria das plataformas de chatbot oferece paineis de dados que mostram as primeiras 10, 50 ou 100 solicitações feitas por clientes, mas e o restante delas? 

As primeiras 10 ou 50 solicitações recebidas por qualquer ferramenta de suporte tendem a ser curtas – em geral, não têm mais de 2 palavras. Um exemplo pode ser uma solicitação para ‘cancelar conta’.

Mas essas solicitações comuns apenas compõem 20% do total de consultas. Os 80% restantes serão menos comuns e também consultas mais longas (de 4 palavras ou mais). Essas solicitações mais longas são conhecidas como consultas de cauda longa’.

The intention might be exactly the same, yet, the request doesn’t include the same words, and it’s going to be difficult for your team to identify it as the same type of request on a large scale.

A maior parte das ferramentas de autoatendimento e de plataformas de IA conversacional  não têm um mecanismo semântico potente o suficiente para entender linguagem natural e sentidos reais. Por isso, não são capazes de identificar essas solicitações como tendo a mesma intenção.

Isso levanta duas questões:

  • A primeira delas é que a maioria das solicitações de cauda longa não serão entendidas e, por isso, permanecerão sem resposta. Se um usuário digita ‘Estou irritado porque o técnico não veio e não quero mais usar os serviços de vocês’

A segunda  é que se o sistema não entende o sentido por trás de todas as solicitações, dificilmente ele conseguirá agrupar as consultas com a mesma intenção e identificar tendências.

Na Inbenta, usamos um tipo exclusivo de IA, que entende verdadeiramente as consultas, focando em seu sentido. Além disso, criamos o ambiente perfeito para você e sua equipe entenderem, em escala, as solicitações de clientes.

Leia tambén: The ultimate guide to Conversational AI

Identificando tendências de suporte automaticamente com o cluster semântico

Como temos visto, a maioria dos softwares de suporte com IA conversacional e autoatendimento mostrará apenas as 100 solicitações no topo da lista. 

E se dissermos que há uma forma de analisar as consultas de cauda longa, juntamente com as curtas, agrupando-as pelo sentido?

O Cluster Semântico da Inbenta agrupa semanticamente consultas de pesquisa equivalentes – palavras, frases e expressões – em clusters com base no sentido. 

Uma ferramenta de visualização permite ver os diferentes assuntos/tópicos das consultas agrupadas.

Abaixo, você pode ver o exemplo de uma pequena amostragem de dados na Inbenta:

  1. Nesta primeira tela, vemos os principais tópicos de todas as consultas (longas ou curtas). A Inbenta analisa não somente as 10, 50 ou 100 primeiras, mas as 20.000 consultas no topo da lista.
  1. Podemos aprofundar mais ainda, se necessário. Por exemplo, um dos principais assuntos é o chatbot. Se quisermos ver que tipo de consulta nossos usuários fazem a esse respeito, basta clicar no círculo ‘chatbot’ e ver ainda mais informações:
  1. Se olharmos mais detidamente no círculo, na parte central, podemos ver as métricas relevantes, como o número de vezes em que isso foi perguntado, quantas vezes o chatbot achou uma resposta à pergunta, etc.

Como isso pode beneficiar minha estratégia de suporte?

Analisar as interações com clientes pode trazer muitos benefícios para a empresa. Mas, os mais importantes, e que valem destaque, são os seguintes:

  • Identificar tendências. Analisar conteúdo de forma simples por meio de clusters semânticos ajuda a identificar tendências e solicitações de clientes, não importa a forma como eles venham a expressar isso. 
  • Identificar falhas de conteúdo e temas não respondidos.  Você pode filtrar os clusters para mostrar apenas os tópicos sem resposta ou simplesmente analisar a taxa de resposta de um cluster para identificar o que não está sendo respondido e os conteúdos que devem ser tratados da próxima vez, para aproveitar ao máximo o autoatendimento.
  • Entender o que interessa mais aos clientes, em escala.  Ver quantas vezes os usuários pesquisaram um determinado tópico lhe dará uma visão melhor dos temas preferidos dos clientes.

Inicie com análise de chatbot e conversacional

Experimente a plataforma da Inbenta gratuitamente por 14 dias e tenha acesso ao nosso módulo de chatbot. Lá você pode navegar no cluster semântico.

Veja nossos artigos similares