Pareamento Inteligente para Atendimento Eficiente de Chamadas

Na era digital, a maioria das empresas já conta com equipes de atendimento ao cliente inbound que operam por meio de plataformas de chat ou chamadas telefônicas. À medida que os negócios migram cada vez mais para interações remotas, garantir um suporte ao cliente eficiente e de alta qualidade tornou-se uma prioridade estratégica. No entanto, apesar dos avanços tecnológicos, muitas organizações ainda utilizam métodos tradicionais de roteamento de chamadas, sem aproveitar sistemas inteligentes de pareamento para otimizar o atendimento.

Estudos indicam que aproximadamente 95% dos clientes são direcionados aleatoriamente para os agentes. Essa abordagem pode gerar ineficiências operacionais, tempos de espera mais longos e menores taxas de resolução no primeiro contato — o que, em última análise, resulta em menor satisfação do cliente. Pesquisas mostram que a implementação de um sistema inteligente de roteamento — que considere fatores como a especialização do agente, a complexidade do pedido e o perfil do cliente — pode trazer benefícios significativos. Entre eles estão a melhor distribuição da carga de trabalho, redução do tempo ocioso entre os colaboradores, aumento das taxas de resolução no primeiro contato e, consequentemente, uma melhor experiência do cliente.

Reconhecendo a crescente necessidade de uma alocação eficiente de recursos, uma das principais empresas de telecomunicações procurou a LTPlabs para aproveitar nossa expertise em IA e modelagem orientada por dados. O objetivo era desenhar uma solução que não apenas otimizasse o processo de alocação de chamadas, mas também garantisse um sistema mais inteligente e orientado por dados para parear clientes com os operadores mais adequados. Por meio dessa colaboração, buscamos criar um modelo de decisão inovador que impulsionasse a eficiência operacional e, ao mesmo tempo, melhorasse a experiência do cliente.

A empresa de telecomunicações planejava implementar esse modelo inteligente de roteamento de chamadas em duas equipes críticas: a equipe de suporte técnico, responsável por resolver questões técnicas, e a equipe de atendimento ao cliente, que lida com solicitações gerais. Essas equipes são responsáveis por gerir um volume substancial de chamadas — mais de 100 mil chamadas por mês em cada uma. No time técnico, o foco estava em minimizar as intervenções técnicas, garantindo que os operadores do call center só agendassem visitas presenciais quando absolutamente necessário. Já no time de atendimento, o objetivo era tornar o processo de atendimento mais eficiente, reduzindo o tempo médio 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 os operadores do call center:

O primeiro passo consistiu em verificar se os operadores apresentavam níveis distintos de desempenho, particularmente em relação ao tempo médio de atendimento (na equipe de atendimento ao cliente) e à taxa de agendamento de intervenções técnicas no local (na equipe de suporte técnico).

Essa hipótese foi confirmada de forma geral, e análises mais detalhadas revelaram que essas assimetrias de desempenho eram ainda mais acentuadas ao lidar com clientes mais exigentes.Consequentemente, ficou claro que a atribuição de operadores de alto desempenho a perfis de clientes mais complexos deveria ser um princípio central da estratégia de pareamento inteligente.

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

A segunda premissa fundamental envolveu avaliar se havia espaço para decisões táticas dentro das operações de atendimento das duas equipes analisadas. Para que o modelo proposto gerasse impacto tangível, era essencial confirmar que, em média, mais de um operador estivesse frequentemente disponível no momento em que o cliente iniciava uma chamada.

Essa disponibilidade cria as condições necessárias para que o mecanismo de pareamento inteligente funcione de forma eficaz. Em contraste, quando apenas um operador está disponível no momento do contato, não há margem para otimização.

Com essas duas premissas validadas, uma abordagem robusta foi desenvolvida com base em quatro frentes principais: um modelo de clusterização, um modelo preditivo, um modelo de otimização, e um gêmeo digital para simulação e testes de cenário.

Dado o portfólio da empresa — com mais de 2 milhões de clientes — o primeiro passo foi focado na implementação de um modelo de clusterização para lidar com a complexidade de forma eficaz. Criar uma lista ranqueada e individualizada de operadores para cada cliente adicionaria um nível indesejado de complexidade ao problema. Em vez disso, os clientes foram agrupados em clusters com base em seus perfis, variáveis contextuais e histórico de chamadas. Esse algoritmo permitiu a segmentação dos clientes em dezenas de grupos distintos, compostos por indivíduos com características e perfis de consumo semelhantes.

A segunda frente concentrou-se no desenvolvimento de um modelo preditivo, com o objetivo de estimar a duração esperada da chamada e a probabilidade de uma chamada resultar em uma intervenção técnica, para cada combinação de cluster de cliente e operador. Esse modelo foi construído com técnicas de machine learning.

A terceira frente — o modelo de otimização — foi desenvolvida com o objetivo de gerar listas ranqueadas e otimizadas de operadores, com base nos resultados do modelo preditivo.
Essa otimização tem como principal foco garantir que os operadores de melhor desempenho sejam priorizados nos rankings dos clusters mais complexos, ao mesmo tempo em que se mantém uma distribuição equilibrada de posições entre todos os operadores. Ou seja, se um operador estiver no topo do ranking de um cluster, ele deverá aparecer mais abaixo no ranking de outro cluster.

‍
Considerando essas restrições, o modelo entrega rankings estruturados que geram o maior impacto possível para o negócio.

Por fim, foi desenvolvido um gêmeo digital para simular a abordagem proposta, avaliar seu potencial e explorar cenários alternativos. Essa réplica virtual da operação permitiu que a equipe testasse diferentes estratégias e medisse seus impactos sem interferir no processo real.
O modelo foi inicialmente validado por meio da replicação do processo atual e da comparação de métricas-chave de desempenho. Após essa validação, passou a ser utilizado como ferramenta para avaliar a solução proposta e seus resultados projetados.

A implementação do nosso sistema inteligente de alocação gerou resultados concretos e impactantes em ambas as frentes de atendimento: atendimento ao cliente e suporte técnico.

Na frente de atendimento ao cliente, observamos uma redução de 6% na duração média das chamadas, sem aumento relevante no tempo de espera dos clientes. Esse resultado reforça a eficácia da nossa estratégia de alocação em melhorar a eficiência operacional, mantendo um alto padrão de experiência do cliente.
Ao parear os clientes com operadores mais adequados às suas necessidades, conseguimos tornar as interações mais diretas e reduzir o tempo necessário para resolver solicitações gerais.

Na frente de suporte técnico — focada na resolução de problemas complexos que frequentemente exigem intervenções presenciais — alcançamos uma redução de 5,5% na taxa de deslocamentos. Isso gerou economias significativas, considerando o alto custo operacional associado a cada visita ao cliente.