Passei por uma situação em que comprei um tênis com entrega prometida para a mesma semana, só que se passaram 25 dias e o produto não chegou. Quem precisou perguntar onde estava o pedido fui eu.
O dinheiro foi devolvido e a loja resolveu o problema. Mas o episódio me incomodou por um motivo que vai além do tênis: por que eu precisei perguntar? Todas as informações para saber que algo estava errado já estavam nas mãos da empresa. O prazo prometido tinha vencido e o pedido continuava pendente. Duas informações, num mesmo sistema, apontando para uma ação óbvia e ninguém agiu até que eu cutucasse.
A sensação que ficou foi de que se eu não tivesse perguntado, teria ficado por isso mesmo. Para o cliente, a diferença entre um reembolso e um pedido de desculpas proativo é enorme. O primeiro corrige o erro, já o segundo constrói confiança.
A obsessão com a previsão
Esse episódio me fez olhar de outro jeito para a forma como falamos de inteligência artificial nas empresas, já que nos últimos anos, o debate ficou dominado pela ideia de predição, como “Esse cliente tem 80% de chance de comprar” ou “Esse chamado tem 75% de chance de estourar o prazo de atendimento”.
É um avanço, mas faço sempre a mesma pergunta quando vejo um número desses num painel: e agora? O que a operação faz com 75%? É muito? É pouco? Um gerente de suporte não resolve nada com uma probabilidade, ele precisa saber o que mudar e quando.
Prever é só uma parte do trabalho, o que realmente queremos é entender as correlações entre os eventos que antecedem um resultado ruim para agir antes que ele aconteça.
O padrão escondido no histórico
Imagine uma operação de suporte em que 20% dos chamados estouram o prazo acordado com o cliente. Um número preocupante, mas genérico. Ninguém sabe por onde começar.
Agora suponha que uma análise do histórico revele uma sequência específica: chamados transferidos de equipe nos primeiros 30 minutos, em que o cliente responde em até uma hora e que chegam a três ou mais interações. Nesse grupo, a taxa de estouro sobe para 50%, duas vezes e meia a média geral.
Não é uma probabilidade solta, é um padrão com começo, meio e consequência. Uma operação que o enxerga pode reagir na segunda interação, redirecionando o chamado para um especialista, escalando para um supervisor ou avisando o cliente com antecedência.
IA para descobrir, automação para executar
A arquitetura que defendo é simples, nela existem dados, eventos, correlações, decisão, ação. Quase toda empresa já tem a primeira camada, porque seus sistemas registram tudo. O desafio está em transformar esses registros em eventos organizados no tempo e a partir deles, descobrir quais sequências antecedem os resultados que importam, como atraso, retrabalho, cancelamento e perda de venda. É aí que a inteligência artificial é insubstituível, porque nenhum analista consegue vasculhar milhões de combinações possíveis em busca de padrões.
Para agir, prefiro ferramentas menos glamourosas e mais confiáveis, como automação de processos (RPA), regras de negócio, fluxos de trabalho e integrações via APIs. Elas fazem o que foi desenhado, da mesma forma, todas as vezes, e deixam rastro. Em um país com Lei Geral de Proteção de Dados Pessoais (LGPD), órgãos de defesa do consumidor e clientes que expõem suas queixas nas redes sociais em minutos, previsibilidade e auditabilidade não são detalhes técnicos, são requisitos de negócio.
Uma terceira etapa que costuma ser esquecida, é a de medir depois. A ação melhorou o resultado? Se não melhorou, a hipótese estava errada, e é melhor saber isso logo do que apostar em tecnologia por convicção.
De volta ao atraso da entrega do tênis
A loja do meu tênis provavelmente tinha, em algum lugar, um relatório de pedidos atrasados, o que faltou não foi dado, nem tecnologia sofisticada. Faltou um gatilho simples ligando um evento (prazo vencido com pedido pendente) a uma ação (avisar o cliente, oferecer alternativa ou reembolso) antes que ele precisasse perguntar.
Muitas empresas brasileiras investem pesado em analisar o passado e em prever o futuro, mas ainda deixam um vazio entre as duas coisas, o momento em que a informação vira ação. É nesse vazio que se perde ou constrói a confiança do cliente.
Sobre Fernando Baldin
Baldin é Country Manager LATAM na AutomationEdge, com mais de 25 anos de experiência nas áreas de Gerência Comercial, Recursos Humanos, Inovação e Operações. Ao longo de sua trajetória, liderou iniciativas estratégicas de transformação organizacional em empresas de grande porte. Conta com diversas certificações de alto nível, como ITIL V3 Expert, ITIL Manager e HDI KCS, além de atuar como membro do conselho consultivo estratégico do Help Desk Institute.
Sobre a AutomationEdge
A AutomationEdge é fornecedora de soluções de Hyperautomação, Robotic Process Automation e IT Automation. Seu RPA inteligente, altamente avançado, reúne todos os recursos essenciais necessários para automação empresarial, como inteligência artificial, machine learning, chatbot, ETL, integrações de API prontas e automação de TI.
