Recentemente, foram divulgadas novas iniciativas em soluções de chat, com a funcionalidade de os clientes terem suas perguntas respondidas por uma “maquina”.

Em geral, esse tipo de solução é utilizada por empresas em que o atendimento via chat já é uma prática comum, e claro, é ótimo ter uma ferramenta que “filtre” as demandas e ofereça algumas respostas automáticas – mais ou menos como um “FAQ” automatizado.

No universo dos call centers, essa necessidade foi suprida há um tempo, com a utilização URAs automáticas que além de direcionar e responder a demandas e clientes, oferece a opção de transferência da ligação para um atendente em caso de necessidade: heavy users de centrais de atendimento já devem conhecer a boa e velha “opção 9”, de longa data.

As URAs e os agentes virtuais de sites e chats podem ser considerados “irmãos” e nasceram com a mesma missão: reduzir os top call drivers (ou chat drivers); isto é, filtrar os principais motivos de demandas dos clientes (via telefone ou chat), oferecer respostas prontas e reduzir custos de atendimento.

Explorando um pouco mais esses dois mecanismos de atendimento, é possível identificar mais alguns pontos de similaridade:

  URA AGENTE VIRTUAL DE TEXTO E VOZ
Captura de demandas de clientes O cliente deve optar por um dos dígitos do meu ou falar uma palavra específica ou verbo. O cliente é estimulado a escrever algo relacionado à sua demanda.
Análise da informação capturada

O número digitado é coletado pelo sistema de interpretação (DTMF)

ou

O sistema transforma a voz em texto para interpretar o que foi dito.

ou

É comparado o conteúdo falado com alguns padrões esperados para tentar detectar o conteúdo.

O sistema reconhece algumas palavras ou termos digitados pelo cliente a partir de uma biblioteca de opções que pode ser organizada em lista ou árvore (um termo informado exige outro, e assim por diante).

Em alguns casos, não há biblioteca de opções, e é feita a busca por relevância diretamente nos textos das perguntas e respostas. Melhor dizendo, usa-se o modelo do Google.

O que é feito após o reconhecimento do conteúdo A “próxima etapa” da URA já está configurada. Pode ser um novo “menu” ou então falar algo (executar uma gravação pronta ou transformar texto em voz) para o cliente. Os tópicos que foram identificados pelo sistema como relacionados com o conteúdo escrito são exibidos ao cliente normalmente em ordem decrescente de relevância. A relevância pode ser relacionada com estar mais “próximo” ao que foi escrito pelo cliente (normalmente isso é feito a partir de um algoritmo de “distância”) ou colocando primeiros os tópicos mais procurados.
E quando o sistema não consegue decidir?

Há casos onde o conteúdo digitado ou dito não coincide com as opções esperadas.

Para isto é programada uma “saída” para oferecer novamente o menu, trocar texto por número, etc.

É informado que o conteúdo pesquisado não foi encontrado, solicita-se que o cliente tente novamente e/ou é oferecida a lista com os principais itens de atendimento.

Os assistentes virtuais de chat (que respondem de forma automática a demandas de clientes) não são exatamente uma nova abordagem para o atendimento, mas sim, uma funcionalidade implementada na tentativa de fazer com que o cliente encontre uma solução para sua demanda, sem o auxilio de um humano.

Antes de continuar, deixamos claro que este artigo não se propõe a criticar nem reduzir a importância de qualquer das soluções mencionadas. Trata-se, aqui, de tentar agrupar e conceituar as diferentes formas de solução que atualmente são oferecidas, e trazer à luz, o conceito de um termo cada vez mais em voga: o machine learning, ou aprendizado da máquina.

O machine learning (ML) é um dos segmentos fundamentais, e onde talvez resida o “cérebro” do desenvolvimento da inteligência artificial (AI): é o ramo do desenvolvimento de software que estuda como desenvolver soluções que se auto-alimentem dos dados que utilizam e aprendam com eles para mudar seu comportamento, sem a necessidade de reprogramação.

Uma forma simples de contrapor o modelo de solução das Uras que abordamos acima, ao conceito de ML, é analisar os dados envolvidos, como estes são utilizados pela solução, analisados e consolidados, e então reutilizados para decisão.

  • Os dados coletados pela URA de voz – o áudio ou sua conversão em texto – são comparados a uma biblioteca já existente. Novos termos ou tunning, são feitos manualmente. O processo é estático, e o ajuste de parâmetros é a forma de fazer a URA “evoluir”.
  • O mesmo processo acontece nos chats. O termo digitado pelo cliente é comparado com uma lista de termos existentes e a partir daí, uma resposta é oferecida. Todo o conteúdo é imputado por um ser humano.

É fundamental identificar as diferenças entre soluções que dependem do “tunning humano” das que se auto-alimentam a partir do ML.

No próximo post vamos abordadas vantagens e questões técnicas de ML sobre as abordagens tradicionais de “tunning humano”, principalmente relacionados com o tema da interação com clientes.

 

Leave a Reply

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *

You may use these HTML tags and attributes:

<a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>