Otimização de atendimento ao cliente com tecnologias avançadas
A experiência do cliente é um dos fatores mais importantes para o sucesso de qualquer negócio, e no setor de viagens, isso não é diferente. A Hurb, uma empresa líder em viagens online, está constantemente buscando novas maneiras de melhorar a experiência de seus clientes, e recentemente introduziu duas novas ferramentas para ajudar nisso: a tabulação automática e o roteamento inteligente de chamados.
Tabulação automática
A tabulação automática é um recurso que categoriza automaticamente as solicitações de atendimento ao cliente, permitindo que os consultores respondam mais rapidamente e com mais precisão. Esse processo economiza tempo dos consultores, pois eles não precisam preencher manualmente os campos de informação do cliente, e permite um atendimento mais personalizado, já que o consultor pode acessar facilmente as informações relevantes sobre o pedido do cliente.
Roteamento inteligente de chamados
O roteamento inteligente de chamados é outra ferramenta que utiliza inteligência artificial para identificar o assunto de uma solicitação e encaminhar para o consultor mais adequado para lidar com ela. Isso garante que os clientes sejam atendidos por consultores que tenham experiência e conhecimento especializado no assunto em questão, o que resulta em resoluções mais rápidas e satisfatórias.
Essas duas novas ferramentas estão ajudando a Hurb a melhorar significativamente a experiência do cliente, e a empresa está comprometida em continuar investindo em tecnologia para aprimorar ainda mais seus serviços.
Benefícios da tabulação automática e do roteamento inteligente de chamados
A tabulação automática e o roteamento inteligente de chamados oferecem vários benefícios para as empresas e seus clientes, incluindo:
– Atendimento mais rápido e eficiente
– Resoluções mais precisas e satisfatórias
– Melhor experiência do cliente
– Aumento da produtividade dos consultores
– Redução de custos operacionais
Se você está procurando maneiras de melhorar a experiência do cliente em sua empresa, considere implementar essas duas ferramentas. Elas podem fazer uma grande diferença na satisfação e fidelidade de seus clientes.
Explicação técnica
A motivação desse projeto veio principalmente da crescente demanda por atendimentos que ocorreu durante a crise do COVID-19, o que fomentou a reflexão sobre a necessidade que temos de otimizar/automatizar alguns fluxos para lidar melhor com escalas inesperadas. Não só, alia-se nessa motivação o desejo do time de CX de aumentar o FCR (First Call Resolution) e diminuir o TME (Tempo médio de Espera).
Visto isso, acreditamos que a inserção de mecanismos que de alguma tragam mais agilidade ao nosso atendimento pode ser extremamente benéfica para a empresa como um todo.
A estratégia que estamos desenhando é simples e se baseia em um único pilar, chamado “ticket routing optimization”. A solução basicamente trata de automaticamente rotear cada ticket aberto para o atendente disponível com a maior chance de resolver aquele problema; sem nenhuma alteração em nosso processo atual.
Segue abaixo uma contextualização de como imaginamos o rascunho da arquitetura desse projeto:
Modelo aplicado a lógica do negócio
A primeira etapa do processo se trata, como já acontece hoje, do viajante preenchendo o motivo do contato e uma mensagem. Preferencialmente, deixamos mais explícito ao usuário que essa seria uma mensagem descrevendo seu problema.
A ideia é que nosso algoritmo entraria justamente entre essa etapa de descrição do problema e o atendimento propriamente dito. Iremos aplicar alguns modelos para a realização das seguintes tarefas: detecção de tópicos/entidades, análise de sentimento e classificação do melhor atendimento para o ticket (matchatendente:ticket).
As duas primeiras etapas, de detecção de sentimento e classificação de tópicos, seria feita com base no texto livre digitado pelo usuário. Entenderíamos a tônica da mensagem (reclamação, neutra, agradecimento, etc), bem como identificariam o contexto envolvido por meio da atribuição de tags. Para essas tags podemos usar qualquer atributo que definirmos, por meio de lógica de negócio ou modelagem matemática. Por exemplo, poderíamos já prever qual é o motivo do atendimento de forma granular (regras de pacotes, boleto atrasado, regras de cancelamento, etc).
Ao fim dessas etapas teremos, portanto, uma caracterização da mensagem. Tomemos o exemplo abaixo:
“Olá, gostaria de comprar um pacote para Orlando no Hurb porém não consigo entender as regras de cancelamento. Já entrei em contato diversas vezes e nada de resposta!”
A essa mensagem poderíamos, por exemplo, atribuir o grau de sentimento -0.2 (um pouco negativo) e as tags “Orlando” e “INFORMAÇÃO OU DÚVIDAS : : HOTEL / PACOTE : REGRAS DE CANCELAMENTO”.
Com base nessas informações e no histórico de atendimentos individual de cada fanático, definimos para cada atendente um “score” para realizar aquele atendimento. Quanto maior o score maior é a probabilidade do atendente resolver o ticket e ainda fazer isso no menor tempo possível, comparativamente a seus colegas.
Estaríamos reformulando o que ocorre hoje pela tabulação, mas de uma forma que a definição do melhor atendente para um determinado suporte seria sempre definida de forma personalizada a cada ticket.’
Os principais pilares a serem validados foram: integração com zendesk, viabilidade de modelar essa dinâmica com algoritmos e estudo de impacto e integração no negócio
No pilar, de integração do Zendesk, fizemos alguns testes preliminares que se mostraram promissores. Basicamente estamos vislumbrando fazer a integração pelo Webhook do Zendesk chamado HTTP TARGET, uma opção que nos permitirá fazer o roteamento por meio do algoritmo de ML e caso a API do nosso lado falhe (o que não queremos) ainda assim o sistema não perderia a mensagem e “apenas” a enviaria para um atendente ao acaso.
