Desenvolvimento de Metodologia para a Textuais do Call Center da

1
Desenvolvimento de Metodologia para a
Identificação de Conhecimento nos Registros
Textuais do Call Center da Ampla através de
Técnicas de Mineração de Textos da Língua
Portuguesa
C. L. De Oliveira, AMPLA, A. Theobald, AMPLA, G. M. Caputo, COPPE/UFRJ,
V. M. Bastos, COPPE/UFRJ, G. M. Tavares, UFF e N. F.F. Ebecken, COPPE/UFRJ
Resumo - Entender as necessidades dos clientes é a principal
motivação de empresas de prestação de serviços. A partir de
dados dos próprios clientes, é possível obter uma análise de
suas perspectivas e compreender as falhas e processos, que
uma vez analisados, possam ser úteis para a melhoria do
atendimento. O objetivo do trabalho é aplicar mineração de
textos nos registros das reclamações dos clientes para descobrir
o conhecimento escondido nessas manifestações. A base de
dados que armazena tais informações possui conhecimento
implícito sobre os principais motivos de reclamação dos
clientes e conseqüente insatisfação. O resultado da análise,
combinado com técnicas de visualização, auxilia na
compreensão do perfil dos clientes da empresa. Todas essas
vantagens orientam o processo de tomada de decisão, o
direcionamento de projetos de P&D e a identificação dos
clientes em potencial para a oferta de novos produtos e
serviços.
Palavras-chave: Call Center, Clustering, Mineração de
Textos.
•
I. INTRODUÇÃO
A utilização de informações armazenadas em banco de
dados tem sido cada fez mais explorada por empresas que
visam melhorar processos e a prestação dos serviços que
prestam. A idéia de extração de conhecimento é a área que
trata do entendimento dessas informações, que na maioria
das vezes, são subutilizadas pelas empresas, uma vez que é
fonte de importantes informações sobre os clientes da
empresa e sobre os competidores [1].
Para esse trabalho foi aplicada uma metodologia
utilizando uma base de dados contendo registros de ligações
C. L. de Oliveira e A. Theobald trabalham na AMPLA (email:
{catialopes, theobald}@ampla.com.br).
G.M Caputo é doutoranda e pesquisadora na COPPE/UFRJ (email:
[email protected] ).
V. M. Bastos trabalha na COPPE/UFRJ como pesquisadora (email:
[email protected])
G. M. Tavares é professor titular da Universidade Federal Fluminense
(email: [email protected])
N. F. F. Ebecken é professor titular da COPPE/UFRJ (email:
[email protected])
de clientes para o Call Center de uma empresa de
fornecimento de energia elétrica.
O processo de extração de conhecimento na base de dados
do Call Center consiste em entender os registros, como um
todo, e agrupar as informações de acordo com o conteúdo
[2]. A partir dos agrupamentos criados é possível obter
informações como: quais os maiores motivos das
reclamações, quais as maiores falhas da empresa com
relação ao atendimento, motivos de insatisfação dos clientes,
quais as áreas que precisam ser reestruturadas no que diz
respeito ao atendimento, entre outros.
Todas as ligações dos clientes para o call center são
armazenadas pelo atendente e encaminhadas para o setor
responsável de execução da solicitação. Tais registros, além
de conter informações sobre tais solicitações, devidamente
analisados, se tornam um poderoso recurso de tomada de
decisão.
A aplicação da mineração de textos [3] nesses registros
tem o objetivo de analisar, utilizando processamento
avançado de inteligência computacional, e extrair
conhecimento até então implícito na base de dados, ou seja,
aquela informação não óbvia, mas relevante para a melhoria
do atendimento.
O conhecimento obtido permite: entender o
relacionamento com o cliente, melhorar a qualidade do
atendimento, aumentar a satisfação dos clientes e o
direcionamento às ações adequadas e eficazes.
Dessa maneira, o processo de extração do conhecimento
constitui das seguintes etapas:
•
•
•
•
•
•
•
identificação e obtenção da base de dados adequada,
que possui as informações necessárias, definição da
metodologia mais apropriada para os dados e para o
conhecimento pretendido,
coleta e preparação dos dados,
pré-processamento dos dados,
processamento dos dados utilizando mineração de
textos,
pós-processamento dos dados,
análise dos resultados e implantação das soluções
encontradas,
e divulgação interna dos resultados obtidos.
2
Cada uma das conclusões obtidas devem, então, ser
tratadas com especial atenção e julgada a viabilidade de
adoção de novos mecanismos e aperfeiçoamento de
tratamentos já existentes.
Cada um dos estudos de caso a serem criados e analisados
devem apresentar conhecimento significativo e poderão ser
respondidas questões como maiores motivos das
reclamações dos clientes em cada sub-área da empresa e que
geram insatisfação dos clientes. Tal conhecimento é capaz
de demonstrar em quais setores os clientes possuem mais
necessidades e aqueles pontos que devem ser melhorados.
Além disso, é possível responder como alguns problemas
devem ser abordados pelo pessoal do atendimento, dando
um direcionamento para a decisão que deve ser tomada. Tal
conhecimento indica treinamentos que devem ser dados à
equipe de atendimento para orientar os clientes e aperfeiçoar
o atendimento.
Este artigo se divide em seções: a descrição da base de
dados do call center e como foi realizada a sua segmentação,
metodologia de extração do conhecimento, incluindo o préprocessamento e o pós-processamento, a análise de
resultados juntamente com a implantação da metodologia, e
finalmente, as conclusões do trabalho.
II. BASE DE DADOS DO CALL CENTER
A base de dados dos registros das ligações do call center
da AMPLA armazena as informações dos motivos de
reclamações de seus clientes. Quando um cliente liga para o
call center, o atendente digita o seu pedido, detalhando as
informações, e já realiza uma primeira classificação
definindo de acordo com o motivo da classificação.
Essas classificações buscam abranger as diversas áreas de
atendimento ao cliente existente na empresa que são:
•
•
•
•
•
•
•
•
•
Arrecadação
Atendimento a Clientes
Faturamento
Inadimplência (Corte e Religação)
Perdas
Projeto Ligação Nova
Qualidade do Fornecimento
Qualidade no Atendimento
Soluções em Família
O primeiro estudo de caso inclui a separação dos dados
não só pelo ano do registro da ligação, como também pelo
motivo da realização da mesma, definido pelo campo
“motivo-cliente”. Esse estudo de caso possui dezoito bases
de dados que são descritas na tabela 1, com seus respectivos
anos, motivos da ligação e as quantidades de registros que
cada base possui.
O segundo estudo de caso segmenta a base de registros de
cada ano em quatro bases de dados distintas, de acordo com
o trimestre que a ligação foi realizada. Ou seja, cada ano foi
dividido em 4 períodos de ligações, relativos ao primeiro,
segundo, terceiro e quarto trimestre dos anos. Dessa forma, a
base de dados total foi segmentada em 8 bases distintas de
acordo com a tabela 2.
Tabela 1 – Bases de Dados do Estudo de Caso segmentada pelo Ano e
pelo “motivo-cliente”
Ano
Motivo
2004
2004
Arrecadação
Atendimento a
Clientes
Faturamento
Inadimplência (Corte
e Religação)
Perdas
Projeto Ligação
Nova
Qualidade do
Fornecimento
Qualidade no
Atendimento
Arrecadação
Atendimento a
Clientes
Faturamento
Inadimplência (Corte
e Religação)
Perdas
Projeto Ligação
Nova
Qualidade do
Fornecimento
Qualidade no
Atendimento
Soluções em Família
2004
2004
2004
2004
2004
2004
2005
2005
2005
2005
2005
2005
2005
2005
Para melhor aproveitamento dos dados existentes e uma
busca mais detalhada por conhecimento novo através desses
registros, alguns estudos de caso foram determinados. Esses
estudos de caso incluem dois critérios: utilizando o campo
“data” dos registros, onde os registros são separados de
acordo com o ano em que a reclamação ocorreu; e utilizando
o campo que armazena a pré-classificação definida pelo
atendente.
Cada um dos estudos de caso criado é separado da base de
dados e tratado de forma independente. O estudo de caso é
pré-processado e agrupado, visando obter o conteúdo dos
dados.
O objetivo é encontrar os principais motivos de
reclamação em cada setor em cada ano. Dessa informação, é
possível entender onde os clientes não estão satisfeitos, e o
por quê. Assim, melhorar o processo de atendimento e de
fornecimento do serviço.
2005
Quantidade de
Registros
4375
14587
59583
41509
5918
9909
14997
26158
4012
21028
30842
20513
1901
13419
26882
6293
273
Tabela 2 – Bases de Dados do Estudo de Caso segmentada pelo
trimestre de cada ano
Ano
Trimestre
2004
2004
2004
2004
2005
2005
2005
2005
Primeiro
Segundo
Terceiro
Quarto
Primeiro
Segundo
Terceiro
Quarto
Quantidade
de Registros
59946
62126
44577
10387
63869
41848
17009
2437
3
III. METODOLOGIA DE EXTRAÇÃO DE
CONHECIMENTO
Extração de conhecimento é o processo de obtenção de
informações úteis e novas de bases de dados. Os dados
textuais são também chamados de não-estruturados, pois
não apresentam uma formatação bem definida, composta de
par valor-atributo.
O uso desse tipo de dado requer uma metodologia
especifica para o tratamento dessa estrutura de forma que as
palavras contidas nos textos se transformem em atributos, e
a relevância de cada palavra seja transformada em um valor.
Realizar esse processo na base de dados do call center é a
transformação dos registros das ligações utilizando métodos
computacionais e análise inteligente. A utilização desses
registros visa encontrar conhecimento sobre motivos de
ligações dos clientes e que possam ser úteis para melhorar o
processo de atendimento e a satisfação do cliente.
Os próximos tópicos relatam uma metodologia estudada
para a manipulação dos dados textuais do call center da
empresa AMPLA de fornecimento de energia elétrica.
A. Pré-processamento
A fase de pré-processamento dos dados textuais constitui
da transformação dos registros das ligações realizadas pelos
clientes em dados que possam ser interpretados pelas
ferramentas de mineração de textos. É a etapa mais
demorada do processo, pois cada termo presente na base de
textos é analisado e retirado ou transformado de acordo com
a necessidade.
Inclui as etapas onde é editada a metalinguagem que é
utilizada pela equipe de atendimento das ligações dos
clientes. Essa linguagem é especifica do call center e por
isso precisa de um tratamento personalizado.
Além disso, essa fase inclui a retirada dos ruídos dos
dados, onde os dados são manipulados e convertidos para
que reste apenas a parte com informação útil para a obtenção
de novos conhecimentos.
O pré-processamento tem o objetivo de encontrar
semelhança, a partir das palavras, entre os registros das
ligações dos clientes. Destacando essas semelhanças os
padrões de comportamento e necessidades dos clientes são
mais facilmente encontrados.
Pode ser realizado seguindo passos padrões da mineração
de textos, que ocorrem iterativamente, ou seja, a execução
de uma funcionalidade aperfeiçoa o resultado de outro.
Tratamento da Metalinguagem
Além do tratamento do idioma português, conforme é
necessário para a perfeita realização da mineração de textos,
também é necessário um tratamento especial para a base de
dados analisada.
No caso do Call Center da Ampla, é comum encontrar
erros de digitação e vícios de linguagem. Para o tratamento
da metalinguagem, foi gerada uma lista com os principais
termos que são importantes para o entendimento do
processo de atendimento do Call Center.
Nessa lista estão contidos abreviações (bastante comum
para agilizar o atendimento, como por exemplo, “cli” e “clt”,
como variações para o termo “cliente”), correção dos erros
de escrita (por exemplo, “reclamção”, quando a forma
correta é “reclamação”).
Case Folding
Case Folding ou “Caso Sensitivo” é o processo de
conversão dos caracteres do texto em um mesmo tipo de
letra: maiúsculo ou minúsculo. Esse processo acelera o
mecanismo de comparação entre os termos para a descoberta
de padrões existentes entre registros, e diminui o número de
termos iguais escritos de formas diferentes, por exemplo,
“AMPLA” e “ampla”.
Caracteres Especiais
Para um melhor aproveitamento dos dados, um passo
bastante importante para a etapa de pré-processamento é a
retirada de alguns caracteres especiais, como por exemplo,
números, caracteres de pontuação, barras de divisão e
símbolos.
Tais caracteres são bastante explorados pelos atendentes
do call center, e por isso são bastante comuns na base de
dados. Porém, na maioria dos casos são apenas utilizados
como separadores de assuntos que os atendentes digitam, e
por isso não são importantes para o conteúdo dos textos.
Além disso, a acentuação das palavras nem sempre ocorre
de forma completa ou correta. Por isso, para agilizar o
mecanismo de comparação entre os termos e reduzir a
quantidade de erros inseridos na base, é recomendado a
substituição das palavras acentuadas, por palavras sem
acentuação, como por exemplo, “arrecadação” e
“arrecadacao”.
Stop Words
A próxima classificação de ruídos tratada na fase de
preparação dos dados foram as palavras consideradas Stop
Words, que dizem respeito àqueles termos que não agregam
conhecimento à base de dados. Para otimizar esse item e
obter um melhor resultado, a lista de Stop Words foi
dividida em três diferentes listas, a saber:
• Lista contendo: nomes próprios de pessoas,
sobrenomes, nomes de empresas e de outras
instituições e logins de usuários do sistema. Esses
dados estão presentes no campo “NOME DO
CLIENTE”. No total, essa lista contém 10039
termos.
• Lista com termos padrão de termos Stop Words da
língua portuguesa (como preposições, conjunções,
artigos e outros), separadores comumente utilizados
pelos atendentes (como por exemplo, “xxxx”) e
palavras originadas de Stop Words, mas que foram
digitadas incorretamente. No total, essa lista contém
2931 termos.
• Lista com os termos que possuíam freqüência 1
dentro do conjunto total de registros de cada estudo
de caso. Estudos comprovam que a presença desses
termos atrapalha a qualidade dos resultados obtidos,
além de aumentar o tempo de processamento do
algoritmo de classificação. Com exceção dessa lista,
todos os outros procedimentos foram aplicados
igualmente a todos os estudos de caso. Nesse caso, os
4
termos que apareciam com freqüência considerada
baixa, foram incluídos na lista de Stop Words.
No final, as duas primeiras listas de Stop Words criadas
foram retiradas das bases de dados, e em seguida, foi
retirada a lista de termos de baixa freqüência. Todo esse
processo melhorou o tempo de processamento dos registros
e a qualidade da informação armazenada.
Após esse processo de limpeza das informações, foi
observado que aproximadamente 61% dos termos contidos
nas bases de dados propostas pelo estudo de caso, possuíam
freqüência igual a 1. Pôde ser comprovado, através das
ferramentas de mineração de textos, que esses termos
representam uma situação de erro de digitação ou um termo
não significativo para o conjunto e, portanto, não
influenciam ou até mesmo pioram o resultado final.
Stemming
Após todo o processo de limpeza dos dados, apenas a
parcela com dados relevantes e devidamente modificados
restaram para a próxima fase de mineração de texto,
reduzindo significativamente o montante de informação, e
consequentemente, otimizando o processo de descoberta de
conhecimento.
Para a realização da mineração de textos, os dados devem
ser cuidadosamente pré-processados. É considerada a fase
mais importante e demorada do processo de mineração de
textos, por seu nível de detalhamento e precisão na busca,
pois visa obter apenas as informações relevantes.
Essa fase pode ser realizada de acordo com dois pontos
importantes a serem considerados nos dados: a
metalinguagem utilizada pelo pessoal do call center, e os
ruídos existentes em dados textuais.
B. Clusterização
Algoritmos de Stemming tem o objetivo de reduzir
palavras aos seus relativos stems ou raiz. Com isso, os
sufixos das palavras são retirados, padronizando palavras
que possuem o mesmo sentido, independente de suas formas
verbais e/ou plurais.
Esses algoritmos são específicos para cada idioma. No
caso da língua portuguesa, é comum a redução pela
seguinte ordem:
1. Redução do plural (ex.: contas Æ conta, ligações
Æ ligação)
2. Redução do feminino (ex.: atrasada Æ atrasado)
3. Redução do advérbio (ex.: constantemente Æ
constante)
4. Redução do aumentativo/Diminutivo
5. Redução de Sufixo
Vale ressaltar que o idioma português possui várias
exceções que não se encaixam em algoritmos de stemming
padrão.
A clusterização dos registros das ligações tem o objetivo
de agrupar assuntos semelhantes e revelar qual o principal
motivo de cada agrupamento. A organização da informação
não-estruturada é responsável pela obtenção do
conhecimento em dado textuais.
Tal técnica é indicada para a organização de registros de
ligação do call center pois busca informações, justamente
em dados não previamente classificados. Isso quer dizer, que
a priori não se possui informação sobre o conteúdo dos
dados e nem sobre o que cada registro diz respeito.
Analisando os agrupamentos realizados é possível
entender quais são os principais problemas ocasionados
dentro do conjunto de registros. Dessa forma, a clusterização
é capaz de mostrar combinações de registros que indicam
assuntos cujos problemas devem ser levados em consideração.
Atendimento não efetuado
Serviço mal executado
OS não atendida
Atraso na instalação
Cobranças Indevidas
Problemas Técnicos
2004
Queima de aparelhos
2005
2ª via
Corte Indevido
Problemas na Entrega da Conta
Falta de Energia (Atend. Cliente)
Falta de Energia (Qualid. Fornecimento)
Problema de leitura de consumo
0
5000 10000 15000 20000 25000 30000
Figura 1 – Principais motivos nos anos de 2004 e 2005
5
C. Processamento
Para o call center da AMPLA, algoritmos de
clusterização são capazes de organizar os registros de
ligações com motivos semelhantes e explicitar o
conhecimento inserido na base de dados, através de
agrupamentos e análise computacional.
O método de agrupamento utilizado é baseado na
freqüência linear dos termos dentro de cada registro de
ligação. Para isso, os termos são convertidos em par valoratributo, de acordo com a relevância de cada termo dentro
do conjunto total. Para isso podem ser usados métodos
como: freqüência binária, freqüência dos termos ou o TF x
IDF, que corresponde à freqüência dos termos multiplicada
pelo inverso da freqüência dos documentos.
O algoritmo de clusterização considera a co-ocorrência
dos termos, objetivando uma clusterização mais subjetiva
através do agrupamento de registros que contem assuntos de
reclamações semelhantes.
Além disso, o método de clusterização efetua uma
classificação sintática e semântica para cada termo,
identificando se o termo é um nome, um verbo ou um
adjetivo.
Como resultado, o processo, além de conseguir separar os
principais assuntos das reclamações, ainda é capaz de
especificar os motivos das ligações, obtendo uma visão clara
do conteudo da base de dados. Tal resultado é possivel
realizando clusterização iterativamente, ou seja, criando subclusters a partir de clusters previamente criados.
IV. IMPLANTAÇÃO DA METODOLOGIA E ANÁLISE
DOS RESULTADOS
Baseado nas informações obtidas através da aplicação de
algoritmos de mineração de textos, foram alcançados os
resultados que podem ser interpretados e transformados em
conhecimento a ser utilizado para a obtenção de novas
informações. A análise dos resultados identifica o
conhecimento obtido pela execução das ferramentas de
mineração de texto.
Além dos conteúdos, o resultado também possibilitou
uma melhor compreensão das ligações relacionadas a cada
problema.
A aplicação da metodologia de extração do conhecimento
citada na seção II determinou os resultados classificados
pelos motivos das reclamações dos clientes, trimestralmente,
como mostrado na figura 1.
O exemplo prático da figura 1 apresenta a diferença dos
motivos das ligações ocorridas nos anos de 2004 e 2005. A
figura demonstra a evolução do processo de atendimento,
idealizando como a empresa aprimorou o serviço prestado a
algumas áreas, e onde é possível aperfeiçoar o atendimento e
execução de serviços.
A figura 2 e 3 apresentam o gráfico de evolução dos
problemas dos anos de 2004 e 2005 respectivamente.
Trimestre 1
23.89
25
18.57
10
17.74
20.00
16.90
15.00
11.48 10.86
10.03
22.22
22.08
25.00
20
15
Trim estre 2
16.32
10.68
8.9
8.71
10.00
7.33
5.09
5.14
3.81
5
3.49
5.00
0.00
0
Trimestre 3
Trimestre 4
19.96
23.7
25.0
22.5
20
18
17.7
20.0
10.22
12
10.0
5.0
13.06
14
13.9
15.0
14.82
16
15.7
7.8
3.9
10
7.6
7.8
10.74
7.67
9.82
7.63
8
6.05
6
4.1
1.9
4
2
0.0
0
Queima de Aparelhos
Má Conduta de Funcionário
Pedido de Religação
Problemas Técnicos
Cobranças Indevidas
30
20
10
0
Taxas Indevidas
Contas não Entregues
Solicitação de Refaturamento
Reclamação da Rede Ampla
Reclamação Troca de Medidor
1
Corte Indevido
Falta de Energia
Cancelamento de Seguro e Doação
OS finalizada
Demora no atendimento
Figura 2 – Problemas detectados no ano de 2004 ao longo dos trimestres
Serviço Mal Executado
Atraso na Instalação de Ligação Nova
Não recebimento de Aviso Prévio
Carta de Recurso de TEOR
6
O trimestre 3 apresenta um alto índice de reclamações
para “Contas não Entregues”. Outro problema apresentado
está associado com o consumo faturado, representado por
“Solicitação de Refaturamento”, onde o cliente não
concorda com o valor da leitura. Pode-se concluir:
Nas figuras estão expostos tanto os principais problemas
ocorridos ao longo dos trimestres quanto a quantidade de
registros (em medidas de proporção) de ligações de cada um
deles.
Para o trimestre 1 de 2004, “Pedido de Religação” e
“Solicitação de Refaturamento” são os maiores motivos de
reclamações. Pode ser observado que o relacionamento entre
corte indevido e contas não entregues está presente neste
trimestre.
O trimestre 2 se caracteriza pelas reclamações de “Contas
não Entregues” e “Solicitação de Refaturamento”. Pode-se
notar que alguns motivos de reclamações estão relacionados
entre si:
•
•
•
•
•
•
A falta de energia acarreta num índice de queima de
aparelhos;
Contas não entregues geram reclamações de taxas
indevidas;
Pedidos de religação estão relacionados ao corte
indevido.
No trimestre 4 os índices de “Pedido de Religação” e
“Contas não Entregues” são os maiores motivos de
reclamações. Neste trimestre são apresentados dois novos
problemas relacionados com “Cancelamento de Seguro e
Doação” e “OS finalizada” sem que a solicitação tenha sido
concluída, até então não ocorridos com tanta freqüência.
Grande parte dos pedidos de religação se deve às
ocorrências de corte indevido;
Contas não entregues geram um percentual de
reclamações de taxas indevidas;
Demora no atendimento é conseqüência de
ocorrências de corte indevido, falta de energia e
pedido de religação.
Trimestre 2
Trimestre 1
29.91
30
25.00
25
20.00
20.87
19.19
18.46
15.19
20
15.00
12.46
15
11.17
10.00
8.46
8.17
12.21
10.74
10.63
15.81
15.69
10
5
5.00
0
0.00
3.32
1.83
1.51
Trimestre 4
Trimestre 3
32.4
35.0
30.0
26.49
30
26.6
25
20.39
25.0
20
20.0
15
15.0
10.0
9.4
6.2
5.1
6.1
15.88
15.42
17.4
16.0
15.3
9.1
9.0
6.35
10
6.35
4.4
5.0
5
0.0
0
Queima de Aparelhos
Taxas Indevidas
Corte Indevido
Serviço Mal Executado
Má Conduta de Funcionário
Contas não Entregues
Falta de Energia
Atraso na Instalação de Ligação Nova
4 0.0
3 0.0
3 2.4
2 0.0
2 6 .6
Pedido de Religação
Problemas Técnicos
1 5.3
1 7 .4
1 6 .0
6.2
Solicitação de Refaturamento
Reclamação da Rede Ampla
5.1
0.0
0.0
6 .1
9 .4
4 .4
9.0
0.0
Cancelamento de Seguro e Doação
1 0.0
Não recebimento de Aviso Prévio
0.0
Figura 3 – Problemas detectados no ano de 2005 ao longo dos trimestres
Dentro do trimestre 1 de 2005, a “Falta de Energia” é o
motivo principal das reclamações, ficando os “Pedidos de
Religação” em segundo lugar. As solicitações de religação
são causadas pelos seguintes problemas:
7
•
•
•
Contas entregues fora do endereço do cliente, o que
leva ao não pagamento em dia da fatura e o
provável corte de energia;
Leitura de consumo, onde o cliente não concorda
com o valor faturado e solicita refaturamento, cuja
demora na aprovação pode provocar o corte de
energia;
Corte indevido, onde o cliente efetua o pagamento
da conta e o mesmo não foi registrado pelo sistema,
provocando o corte de energia.
No trimestre 2, várias causas importantes foram
observadas, e algumas delas se inter-relacionam como causa
e efeito. Por exemplo:
•
•
•
Falta de energia – Queima de aparelhos;
Contas não entregues – Pedido de Religação fora do
prazo;
Mal atendimento – Problemas Técnicos;
Porém, a reclamação mais registrada pelos clientes foi a
“Solicitação de Refaturamento”, pelo fato do cliente não
concordar com a leitura realizada pela empresa.
No trimestre 3 as reclamações que representam os
maiores índices de insatisfação são: “Falta de Energia”,
“Serviço Mal Executado” e “Contas não Entregues”. Podese supor que alguns problemas se apresentam como
conseqüência de outros registrados nos trimestres anteriores,
como por exemplo:
•
•
Corte Indevido – devido às contas não entregues;
Taxas Indevidas – devido às contas pagas e não
registradas no sistema.
Dessas reclamações e grupos de problemas encontrados,
grande parte é levada para o BackOffice UTI, responsável
por manter o contato com o cliente até a solução do
problema. Em alguns momentos, alguns grupos foram
separados de forma a mostrar a satisfação ou não do cliente.
Percebeu-se que os clientes que gostariam de fazer o
Cancelamento do Seguro e da Doação, no geral, ficam
satisfeitos do atendimento, pois ou conseguiam fazer o
cancelamento de fato, ou desistiam de fazer. Os clientes que
reclamavam de Conta Recebida após o Vencimento e
aqueles que solicitavam Refaturamento, muitos não ficam
satisfeitos com a conclusão do atendimento.
A figura do trimestre 3 relaciona alguns grupos de
motivos de reclamações já vistos nos trimestres anteriores,
que são: “Queima de aparelhos”, “”Mal atendimento”,
“Falta de Energia” e “Má conduta de funcionário”.
O mal atendimento e a má conduta de funcionário estão
relacionados ao problema existente no atendimento prestado
pela empresa terceirizada, já retratado na Qualidade do
Atendimento.
A queima de aparelhos é conseqüência da oscilação e
falta de energia que ocorrem com freqüência, como
registrado nas reclamações referentes a Qualidade no
Fornecimento.
Algumas observações podem ser feitas para melhor
entendimento do conhecimento:
•
Uma reclamação pode referenciar vários tipos de
problemas classificados como vários motivos-cliente.
•
•
A forma de tratamento do problema depende da
necessidade do cliente e complexidade do assunto.
Como por exemplo: reclamações de falta de energia
pode ser tanto um problema ocasionado por algum
problema técnico, quanto por algum corte indevido
ou ausência de pagamento. O atendente destaca as
palavras falta de energia.
Durante a execução do processo de mineração, foi
constatado que alguns registros de reclamação estão
classificados erroneamente. Isso pode ter gerado uma
pequena parcela de erro no resultado da metodologia.
É possível separar os grupos de problemas e as
conseqüências dos mesmos, quando existir. Como
por exemplo, reclamações de pedido de
ressarcimento como conseqüência de queima de
aparelho e este, como conseqüência de falta de
energia ocasionada por algum defeito técnico.
Tal metodologia, aplicada ao Data Warehouse da
empresa fornece melhor visualização das tendências
ocorridas ao longo do tempo [4]. É possível obter uma
demonstração da evolução da satisfação do cliente de acordo
com as decisões tomadas pela empresa.
A visualização dos resultados da mineração do DW pode
caracterizar as tendências por regiões, faixa etária, classe
social e outros atributos que combinados na base de dados
identificam os consumidores em potencial para orientar na
oferta de diferentes produtos e serviços.
Além disso, cada um dos problemas apresentados pode
ser detalhado para o melhor entendimento e obtenção da
melhor forma de solução, o que atua na direção da satisfação
do cliente e agrega valor ao processo de tomada de decisão
da empresa.
Os resultados obtidos podem ser, futuramente,
implantados no Oracle 10g, que possui ambiente de
mineração de textos denominado Oracle Text [5]. Esse
módulo realiza cada uma das etapas contidas na metodologia
de mineração de textos necessárias para a obtenção dos
resultados.
Assim, este resultado poderá ser utilizado para
automatizar o processo de monitoramento e diagnóstico da
qualidade do serviço prestado.
V. CONCLUSÕES
O presente trabalho mostrou a usabilidade da mineração
de textos em registros de ligação da empresa de
fornecimento de energia elétrica da AMPLA.
As informações obtidas do processo de mineração de
textos realçam as áreas que necessitam de aprimoramento,
tal como a evolução da prestação do serviço e da satisfação
dos clientes ao longo dos anos.
A partir dos resultados, a empresa identificou os pontos
de maior prioridade e onde o direcionamento ideal dos
projetos de P&D é capaz de trazer maior satisfação aos seus
clientes.
A aplicação desses recursos possibilitou uma visão
consolidada das informações do relacionamento dos clientes
com a empresa, permitindo que os atendentes tenham em
mãos subsídios para responder rapidamente aos requisitos
que surgem durante os processos de atendimento.
A aplicação da mineração de textos utilizando o aplicativo
Oracle Text nos dados contidos no Data Warehouse
viabiliza o processo de descoberta de conhecimento e
8
possibilita a visualização das soluções às deficiências do
atendimento e que são capazes de aumentar a satisfação dos
clientes.
A central de relacionamento com o cliente envolve o
constante acesso a relatórios históricos, permitindo avaliar o
desempenho dos atendentes, monitorar os incidentes e
assegurar a constante satisfação dos clientes, otimizando
assim, a eficiência nos processos internos.
Dessa maneira, a partir dos resultados obtidos e das
melhorias inseridas no processo de atendimento, a empresa
se torna apta para aprimorar o gerenciamento do
relacionamento com o cliente (CRM). Para tal, é apropriado
utilizar duas fontes de informações: 1) conhecimentos
obtidos através dos resultados apresentados sobre as
reclamações dos clientes e seus motivos de insatisfações, e
2) informações relacionadas ao comportamento do cliente,
como, por exemplo, consumo médio mensal, possíveis
atrasos em pagamento e débito automático a serem tratadas
através de mineração de dados e análise estatística.
A aplicação do aperfeiçoamento do CRM na empresa
visa, entre outras coisas, identificar questões comparando
dados e tendências históricas, permitindo, entre outras
questões, direcionar produtos e serviços que atendam às
necessidades do cliente.
VI. REFERÊNCIAS BIBLIOGRÁFICAS
[1] ZANASI, A., 2005, Text Mining and its Applications to
Intelligence, CRM and Knowledge Management. 1 ed.
Great Britain, WIT Press.
[2] CAPUTO G. M., BASTOS V. M. & EBECKEN N. F.
F., Knowledge Discovery in Customers’ Attendance
Services Databases. In: CILAMCE 2006, Belém,Pará,
2006.
[3] LOPES, M.C.S., 2004. Mineração de Dados Textuais
Utilizando Técnicas de Clustering para o Idioma
Português, Tese de Doutorado, COPPE/UFRJ.
[4] BERSON A., SMITH S., Data Warehouse, Data
Mining, and OLAP, McGraw-Hill, New York, 1997.
[5] ORACLE Text Application Developer’s Guide – 10g –
Release 2 (10.2) – June 2005.