Roteamento inteligente de chamadas para maximizar eficiência no contact center

Na era digital, a maioria das empresas conta com equipas de atendimento ao cliente que operam através de plataformas de chat ou chamadas telefónicas. À medida que os negócios se orientam cada vez mais para interações remotas, garantir um suporte eficiente e de alta qualidade tornou-se uma prioridade fundamental. Contudo, apesar dos avanços tecnológicos, muitas organizações continuam a utilizar métodos tradicionais de encaminhamento de chamadas, que não tiram partido de sistemas inteligentes de pareamento para otimizar a prestação do serviço.

Estudos indicam que aproximadamente 95% dos clientes são encaminhados aleatoriamente para os operadores. Esta abordagem pode gerar ineficiências operacionais, tempos de espera mais longos e menores taxas de resolução ao primeiro contacto, o que resulta numa redução da satisfação do cliente. A investigação mostra que a implementação de um sistema inteligente de encaminhamento — que considera fatores como a especialização do operador, a complexidade do pedido e o perfil do cliente — traz benefícios significativos, incluindo uma melhor distribuição da carga de trabalho, redução do tempo ocioso dos colaboradores, aumento das taxas de resolução ao primeiro contacto e, consequentemente, uma experiência do cliente mais positiva.

Reconhecendo a crescente necessidade de uma alocação eficiente dos recursos, uma empresa líder no setor das telecomunicações recorreu à LTPlabs para aproveitar a nossa experiência em inteligência artificial e modelação baseada em dados. O objetivo foi desenhar uma solução que não só simplificasse o processo de atribuição de chamadas, mas que também garantisse um sistema mais inteligente e orientado por dados para parear clientes com os operadores mais adequados. Esta colaboração visou criar um modelo de decisão inovador que promovesse a eficiência operacional e melhorasse a experiência do cliente.

A empresa planeava implementar este modelo inteligente de encaminhamento de chamadas em duas equipas críticas: o suporte técnico, responsável pela resolução de questões técnicas, e o serviço ao cliente, que trata de dúvidas gerais. Estas equipas gerem um volume elevado de chamadas — mais de 100 mil chamadas mensais cada. No suporte técnico, o foco passou por minimizar as intervenções no terreno, garantindo que as visitas ao cliente só fossem agendadas quando estritamente necessárias. Na equipa de serviço ao cliente, o objetivo foi agilizar o atendimento, reduzindo a duração média das chamadas.

Antes de desenvolver uma metodologia personalizada, foi fundamental validar duas premissas essenciais para o sucesso do projeto:

1. Avaliação das assimetrias de desempenho entre operadores:

‍
O primeiro passo consistiu em verificar se os operadores apresentavam níveis de desempenho distintos, nomeadamente em termos de duração média das chamadas (na equipa de serviço ao cliente) e na taxa de agendamento de intervenções técnicas ao domicílio (na equipa de suporte técnico).

Esta hipótese foi confirmada e, em análises adicionais, constatou-se que as assimetrias eram ainda mais evidentes quando se lidava com clientes mais exigentes. Assim, ficou claro que atribuir operadores de alto desempenho a perfis de clientes mais complexos deveria ser um princípio central da estratégia inteligente de pareamento.

2. Existência de oportunidades de arbitragem no processo de atendimento:

‍
A segunda premissa fundamental foi verificar se existia margem para tomada de decisão tática durante o atendimento, isto é, se em média estavam disponíveis vários operadores livres no momento em que um cliente iniciava uma chamada. Esta disponibilidade é crucial para que o sistema inteligente funcione eficazmente. Caso só exista um operador disponível, não há espaço para otimização.

Com estas duas premissas validadas, desenvolvemos uma abordagem robusta estruturada em quatro pilares: clustering, modelo preditivo, modelo de otimização e um digital twin para simulação e teste de cenários.

Dada a carteira de mais de 2 milhões de clientes, o primeiro passo foi implementar um modelo de clustering para gerir a complexidade. Criar uma lista individualizada e ordenada de operadores para cada cliente teria tornado o problema demasiado complexo. Em vez disso, os clientes foram agrupados em clusters baseados no seu perfil, variáveis contextuais e histórico de chamadas. Este algoritmo segmentou os clientes em dezenas de grupos, cada um composto por indivíduos com características e perfis de consumo semelhantes.

O segundo pilar consistiu no desenvolvimento de um modelo preditivo para estimar a duração esperada da chamada e a probabilidade de resultar numa intervenção técnica, para cada combinação entre cluster de clientes e operador, utilizando técnicas de machine learning.

O terceiro pilar, o modelo de otimização, teve como objetivo gerar listas ordenadas e otimizadas de operadores, baseadas nas previsões do modelo preditivo. Esta otimização garante que os operadores mais eficazes são priorizados para os clusters de clientes mais complexos, enquanto assegura uma distribuição equilibrada de posições na lista entre todos os operadores, evitando sobrecargas.

Por fim, foi criado um digital twin que simulou a abordagem proposta, avaliou o seu potencial e permitiu explorar cenários alternativos. Esta réplica virtual da operação possibilitou testar diferentes estratégias e medir o seu impacto sem interferir no processo real. O modelo foi validado replicando o processo atual e comparando métricas de desempenho-chave. Depois da validação, serviu para avaliar a solução proposta e os resultados projetados.

A implementação do nosso sistema inteligente de alocação traduziu-se em resultados concretos e impactantes nas duas áreas: serviço ao cliente e suporte técnico.

Na linha de serviço ao cliente, registou-se uma redução de 6% na duração média das chamadas, sem aumento relevante nos tempos de espera dos clientes. Este resultado demonstra a eficácia da estratégia na melhoria da eficiência operacional, mantendo elevados padrões de experiência do cliente. O pareamento entre clientes e operadores adequados permitiu agilizar as interações e reduzir o tempo necessário para resolver questões gerais.

Na linha de suporte técnico — focada na resolução de problemas complexos que frequentemente requerem intervenções presenciais — conseguimos uma redução de 5,5% nas taxas de despacho, gerando poupanças significativas, dada a elevada despesa operacional associada a cada visita ao cliente.