Estudo de caso: call-center empoderado pela inteligência artificial

Como a inteligência artificial pode ser utilizada em call-centers? Como prever o volume por tipo de ligação no call centers? Elas podem ser antecipadas utilizando o machine learning? Como inovar no call centers terceirizados sem demissões, estendendo e ajudando o operador a trabalhar face o interesse do cliente?

Os call centers continuam em crescimento nos últimos anos. Quais os métodos que a análise preditiva possibilitam aos call center um novo capítulo em termos de eficácia?

Neste post trazemos um exemplo concreto de utilização da inteligência artificial aplicado ao call-center de nosso cliente, um banco com mais de 8.000 funcionários. Sua demanda era de otimizar a performance de seu call-center para aumentar a satisfação do cliente.

De maneira geral, o objetivo do projeto é compreender o comportamento humano em prol da satisfação do cliente e, ao mesmo tempo, facilitando o trabalho dos operadores. A ideia é justamente entender exatamente como melhorar a eficácia do call-center em tempo real.

Breafing inicial do cliente

  • O cliente havia detectado que, em função da hora do dia e época do ano, dos assuntos e as prioridades dos clientes
  • Equipe heterogênea a nível de experiência e conhecimentos técnicos
  • Crença do cliente em direcionar as ligações ao operador mais apto a resolver o problema do cliente reduziria o tempo de espera
  • Automatizar a satisfação do cliente

Proof of concept

O cliente apresentou uma demanda de um projeto rápido, sem o engajamento de suas equipes TI. Também pediu relatórios intuitivos e minimalistas para as equipes gerenciais, não envolvendo treinamentos para compreensão dos resultados.

Uma vez o modelo foi encontrado a partir dos dados de 1 ano das ligações e seus detalhes, uma conexão direta ao banco foi estabelecida para acompanhamento dos dados em tempo real.

Dos dados crus à ação

Uma vez que a problemática definida pelo cliente e uma série de dados foram fornecidos, o projeto aconteceu em três erapas: análise & reporting dos dados, modelo preditivo e difusão das previsões.

Análise & reporting dos dados

Este conjunto de dados contou com um número de linhas relativamente grande: todas as ligações e detalhes destas realizadas
durante 1 ano: 488 mil ligações, 48 atendentes e 12.700 clientes identificados. Ademais, cada ligação possuía 8 colunas caracterizando os tempos de espera (virtual e ao atendente), tempo com o atendente, prioridade, motivo, data e hora.

Junto às informações passadas pelo cliente, identificamos o percurso de uma ligação

O fluxo de dados, extração de dados de maneira automatizada, limpeza dos dados, estocagem dos dados em um data warehouse para a visualização em dashboards e deixá-los prontos à utilização em modelos preditivos da maneira mais eficaz possível.

Descoberta e limpeza relativamente fácil pois os dados já estavam estocados de maneira automatizada, necessitamos reestruturar algumas colunas (classificar períodos de dados, estudar o que fazer com alguns dados ausentes, etc).

Elaboramos 2 tipos de dashboards para atender duas populações de usuários com interesses distintos na plataforma: à esquerda em tempo real (graças a conexão direta junto ao sistema do cliente) para o gestor acompanhar o andamento por hora durante o dia) e à direita dados consolidados do ano imediatamente anterior.

          

Modelo preditivo

Combinamos diversos algoritmos para encontrar encontrar o modelo preditivo na série temporal:

  • Kalman Filter: eliminar os ruídos ligados ao erro de comportamento humano ou técnicos
  • ARMA model: influência cíclica que não segue um padrão fixo
  • Random Forest Regressor: diferente componentes sazonais (menos ligações no verão que no inverno)
  • Regressão linear: tendência (em função do crescimento do banco, por exemplo)

Nós trabalhamos com 3 combinações de algoritmos para a predição: por hora, por hora e motivo da ligação e por hora e prioridade da ligação. A precisão de ao mínimo 90% nos garantiu que o cliente já pudesse rever a estratégia de alocação de sua equipe em prol do aumento de performance.

                   

Duas grandes tendências: as ligações de suporte e alta prioridade acontecem normalmente nas manhãs e as ligações de abertura de conta e informação na parte da tarde.

Difusão da previsão

A difusão das previsões às equipes gerenciais é realizada por dashboards acessados pelo navegador. Por questões da política de segurança do cliente, os dados são estocados no servidor próprio do cliente. Abaixo uma cópia dos gráficos de um dos usuários.

 

 

Resultados

Projeto relativamente curto: 3 meses do kick-off à implementação. Os benefícios: visualização clara e instantânea dos dados do call-center, facilitação do planejamento da equipe e redução da fila de espera dos clientes.

Próximos passos

Transcrição automática (voz para texto) / classificação do conteúdo dos textos

Análise de sentimento