Monitoria de qualidade por IA Monitoria centrais de atendimento: como transformar o controle de qualidade de um centro de custos em inteligência estratégica

Por Kathleen McNair e Tonya Webber

Monitoria de qualidade baseadas em IA passaram da fase piloto para a produção na maioria dos grandes contact centers em todo o mundo e estão sendo utilizadas para ouvir todas as interações, avaliar cada chamada e sinalizar qualquer problema potencial em tempo real. No entanto, no nível executivo, os retornos ainda não estão claros. Resultados essenciais, como resolução de problemas, satisfação do cliente e custo por atendimento, muitas vezes parecem praticamente os mesmos que se observavam com a amostragem tradicional.

Em nossa pesquisa mais recente na COPC, descobrimos que 79% das organizações utilizam atualmente IA no atendimento ao cliente, e outros 15,9% planejam implementá-la nos próximos 18 meses. Apenas 5% não têm planos algum. Mas a nuance crítica é que, entre os usuários atuais, quase quatro em cada cinco (61,7% de todos os entrevistados) estão planejando ativamente renovar, mudar ou atualizar suas soluções de IA. Isso pode indicar uma discrepância entre as expectativas e a realidade.

Essa é exatamente a lacuna que observamos em nosso trabalho na COPC Inc. Há quase trinta anos, ajudamos organizações a aprimorar suas operações de experiência do cliente (CX), elaboramos e aperfeiçoamos a Norma de Experiência do Cliente (CX) da COPC e assessoramos líderes sobre como obter valor real de suas escolhas tecnológicas. Aprendemos que só se obtém retorno quando a tecnologia está alinhada com a forma como o trabalho é realmente realizado e com a maneira como os clientes vivenciam a sua marca.

Atualmente, muitos programas de qualidade ainda aplicam uma mentalidade baseada em amostras reduzidas a um contexto que abrange toda a população. Alguns tentam medir a resolução de problemas, mas geralmente da perspectiva da empresa (ou seja, o agente seguiu o roteiro, aplicou a política e forneceu a resposta aprovada?). Nesse contexto, o resultado para o cliente é presumido, em vez de medido, e a automação gera relatórios que avaliam o grau de adesão dos agentes às políticas. O que ainda falta são os detalhes de diagnóstico necessários para entender quais políticas, processos ou ferramentas estão, de fato, causando a falha na resolução do ponto de vista do cliente. 

Quando a qualidade é reorientada com foco nos resultados para o cliente, surge um panorama diferente. Grande parte dos problemas não resolvidos costuma ser causada por políticas, processos ou ferramentas, e não pelo comportamento dos atendentes.

A seguir, vamos detalhar os três elementos requerido transformar essa visibilidade em ROI significativo: dados organizados em torno dos resultados para o cliente, equipes qualificadas e preparadas para agir com base no que observam, e a inteligência artificial e a expertise humana trabalhando em parceria, em vez de isoladamente.

Como o AI Quality Monitoria dados de controle de qualidade em insights úteis

A garantia de qualidade tradicional dos contact centers baseava-se na escassez de dados. A maioria das equipes conseguia analisar apenas uma pequena amostra das interações — geralmente de 2% a 5% — e utilizava essa amostra para treinar os agentes, monitorar a conformidade e estimar o desempenho em nível de programa. O desafio era a visibilidade. As organizações não dispunham da tecnologia necessária para analisar as interações com a profundidade e a escala necessárias para entender por que os problemas estavam ou não sendo resolvidos. Elas podiam identificar que um problema existia, mas não conseguiam identificar facilmente as falhas nas políticas, nos processos ou nas ferramentas por trás dele.

Monitoria de Qualidade com IA Monitoria isso. Ele é capaz de avaliar, marcar e classificar todas as chamadas, conversas por chat e interações digitais. Trata-se de um grande avanço em relação aos programas tradicionais, que costumam analisar manualmente apenas algumas interações por agente a cada mês. Mas mais dados não garantem, por si só, melhores decisões. Em muitas organizações, isso simplesmente gera mais painéis, mais alertas e mais transcrições para as equipes analisarem.

A verdadeira questão não é se a tecnologia é capaz de monitorar todas as interações. Ela é capaz. A questão é como coletar e organizar os dados certos para que os líderes possam identificar onde está ocorrendo perda de valor e o que deve ser alterado em primeiro lugar.

Comece pelo cliente, não pela lista de verificação.

No nosso trabalho na COPC, a primeira mudança é simples. Deixamos de nos limitar a perguntar se o atendente seguiu os procedimentos corretos e passamos a perguntar se o problema do cliente foi realmente resolvido.

Isso não é a mesma coisa.

Se um cliente ligar para solicitar um reembolso e o atendente seguir a política à risca, recusar o pedido e documentar a interação corretamente, muitos programas tradicionais de qualidade classificam esse contato como resolvido. Do ponto de vista da empresa, o processo funcionou. Do ponto de vista do cliente, não. O cliente ainda queria um reembolso e saiu sem ele.

Uma maneira simples de mostrar a diferença é esta:

Se a qualidade for avaliada apenas com base no cumprimento das regras por parte do agente, as organizações tenderão a superestimar o desempenho e deixarão de identificar as políticas, os processos e as ferramentas que estão impedindo a resolução efetiva do problema.

Essa distinção é importante porque altera o que Monitoria de qualidade de IA Monitoria medindo. Se o sistema estiver apenas verificando a conformidade, ele se torna uma versão mais rápida do antigo modelo de controle de qualidade. Se estiver medindo a resolução percebida pelo cliente, ele pode começar a mostrar onde as políticas, os processos e as ferramentas estão impedindo resultados melhores.

As ferramentas de qualidade baseadas em IA tendem a avaliar comportamentos baseados em regras de forma mais confiável do que os resultados para o cliente. A conformidade com os roteiros, as saudações corteses e os procedimentos adequados de espera são mais fáceis de avaliar, pois seguem padrões claros. A resolução de problemas, o esforço, a confiança e a satisfação do cliente são mais difíceis de avaliar com a mesma segurança. Isso pode levar as organizações a obter pontuações de qualidade que parecem precisas, mas que ignoram os sinais da experiência que mais importam. 

Uma análise estruturada revela o que está impulsionando a resolução.

Em nosso trabalho com centrais de atendimento, utilizamos uma visualização em forma de árvore de resolução como uma forma de organizar Monitoria de qualidade de IA sob a perspectiva do cliente. Outra opção é um painel de Pareto com detalhamento que classifica os principais fatores que contribuem para os contatos não resolvidos e permite que as equipes acessem as causas-raíz. O formato pode variar. O importante é oferecer às equipes de qualidade uma maneira prática de passar de resultados gerais para causas específicas e, a partir daí, para a ação.

A árvore de resolução utiliza dados populacionais e os organiza hierarquicamente:

• Resultado: problema resolvido ou não resolvido
• Controlabilidade: controlável por agente ou não controlável por agente

Causa principal: política , processo, ferramenta ou outros fatores

Quando mudamos a abordagem Monitoria uma perspectiva de agente para uma perspectiva de cliente para um e-commerce B2B da América do Norte, os números revelaram uma realidade bem diferente.

À esquerda da árvore, 40% dos problemas foram resolvidos do ponto de vista do cliente, e 60% não foram. Quando detalhamos esses 60%, apenas 7 pontos percentuais estavam realmente sob o controle dos agentes. Os pontos percentuais restantes, ou a porcentagem de falhas, foram causados por políticas, processos ou ferramentas, e não por agentes individuais. Observamos um padrão semelhante de 70/30 em muitos ambientes quando aplicamos essa abordagem. As porcentagens exatas variam de acordo com o cliente e a jornada, mas a tendência dominante é consistente: a maioria dos problemas de qualidade é sistêmica, não individual.

A árvore nos permite aprofundar ainda mais. Desses 28 pontos sistêmicos, 24 decorreram de questões relacionadas às políticas e aos processos de experiência do cliente:

• 14 pontos decorrentes da exigência de que o cliente apresente um pedido por escrito sobre o seu problema
• 6 pontos decorrentes de escalonamentos ou transferências
• 4 pontos relativos aos requisitos de confirmação do cliente

As regras financeiras, as ferramentas e as restrições específicas do cliente representaram os 4 pontos restantes.

Um painel de detalhamento pode aplicar a mesma lógica em um formato diferente, ajudando as equipes a identificar primeiro os principais fatores que contribuem para os contatos não resolvidos e, em seguida, aprofundar a análise das políticas, processos, ferramentas ou comportamentos dos agentes por trás deles.

Por que essa estrutura muda o rumo da conversa

Assim que os dados forem organizados dessa forma, três coisas mudam imediatamente.

1. Metas realistas. A maioria das organizações define metas de resolução analisando o desempenho histórico e, em seguida, acrescentando uma meta ambiciosa. Neste exemplo, a organização vinha buscando atingir uma taxa de resolução de 75%. Mês após mês, o contact center não conseguia atingir a meta, apesar do aumento coaching da pressão sobre as equipes de atendimento.
   
   A análise estruturada revelou o motivo. Mesmo que todos os agentes tivessem um desempenho perfeito, o contact center só conseguiria passar de 60% para cerca de 72% de resolução. Sem alterar políticas, processos ou ferramentas, 75% estava matematicamente fora de alcance. Nenhuma quantidade de coaching os agentes ultrapassem um teto que o próprio sistema criou. Em vez de perguntar: “Por que os agentes não estão atingindo 75%?”, os líderes podem perguntar: “O que precisa mudar em nossas políticas ou processos para tornar 75% alcançável?”
   
2. Análises de negócios quantificadas. Quando uma política, como “solicitação por escrito requerido”, é responsável por 14 pontos percentuais de questões não resolvidas, os líderes podem fundamentar essa constatação com números concretos. Com algumas informações adicionais, como custo por contato, políticas de reembolso e possíveis alternativas digitais, as equipes de qualidade podem estimar o impacto financeiro anual e compará-lo ao custo de manter essa regra versus substituí-la por uma solução tecnológica ou de processo que elimine o atrito com o cliente.
   
   Em vez de dizer: “Achamos que essa política está causando atrito”, a equipe de qualidade pode afirmar: “Esse requisito específico está custando um valor estimado em contatos extras e resoluções perdidas”. Em um cenário modelado, 100.000 contatos iniciais cresceram para quase 136.972 contatos no total ao longo do tempo, à medida que os clientes voltavam, adicionando aproximadamente US$ 147.888 em custos anuais evitáveis. Visto dessa forma, a qualidade se torna uma maneira de expor a demanda e os custos ocultos, não apenas de avaliar o comportamento. Essa é a mudança da qualidade como um centro de custos para a qualidade como provedora de inteligência de negócios para o contact center.
   
3. Análises aprofundadas mais rápidas. Essa tecnologia agiliza significativamente as análises aprofundadas, enquanto uma visualização estruturada ajuda as equipes a identificar a filial ou categoria correta. Se a opção “requer escalonamento ou transferência” estiver custando 7,1 pontos percentuais na taxa de resolução, as equipes podem extrair todas as interações que exigem escalonamento ou transferência em questão de segundos.
   
   Os responsáveis pela qualidade e pelas operações podem analisar uma amostra específica e identificar rapidamente o que está por trás desse padrão:
   • As escalações são requerido política ou são simplesmente um hábito?
   • Existem lacunas de conhecimento ou limitações das ferramentas que impedem a resolução no primeiro contato?
   • Existem determinados produtos, processos ou segmentos de clientes com representação excessiva nessa filial?

Sem uma estrutura, essas questões ficam enterradas sob milhares de pontuações indistintas. Com uma estrutura, os líderes passam de “temos um problema de resolução” para “sabemos quais alavancas acelerarão a resolução e podemos comprovar o impacto antes de pedir à organização que mude”.

Por que a supervisão humana ainda é importante 

O próximo desafio não é a escala, mas o discernimento. A McKinsey argumentou que, mesmo com a IA assumindo uma parcela cada vez maior das interações de atendimento, os call centers operados por humanos continuam sendo essenciais tanto para validar a IA quanto para lidar com os tipos de questões complexas e com nuances emocionais que a tecnologia ainda tem dificuldade em gerenciar adequadamente. A CX Dive apresentou uma observação semelhante sob um ângulo diferente: na experiência do cliente (CX), o maior obstáculo muitas vezes não é a tecnologia em si, mas a gestão da mudança e a adoção. 

É nesse ponto que Monitoria de qualidade baseados em IA ROI ficam aquém ROI . A tecnologia é capaz de analisar interações em grande escala, detectar padrões rapidamente, identificar problemas em todos os canais e jornadas do cliente e aliviar grande parte do trabalho manual de avaliação das equipes de controle de qualidade. Trata-se de um grande avanço em relação ao controle de qualidade baseado em amostras reduzidas. No entanto, uma cobertura mais ampla não garante, por si só, melhores resultados.

O que as equipes de recursos humanos ainda precisam fazer

No modelo COPC, a supervisão humana ainda é fundamental para gerar ROI de qualidade:

• Defina o padrão de resultado, determinando o que significa “resolvido” do ponto de vista do cliente
• Calibre o sistema com base em resultados reais, como novos contatos, resolução de problemas e satisfação do cliente
• Interprete as causas fundamentais, distinguindo coaching das falhas nas políticas, nos processos ou nas ferramentas
• Priorize as conclusões para que a liderança possa se concentrar nas mudanças que impulsionarão o desempenho mais rapidamente
• Elabore argumentos a favor da mudança nas áreas operacional e financeira que possam ser colocados em prática

Essa é a parceria entre humanos e IA que realmente agrega valor. A IA oferece a escala; os humanos fornecem a estrutura, o discernimento e o acompanhamento que a transformam em inteligência.

O ciclo de calibração que transforma a visibilidade em ROI

Os melhores programas utilizam um ciclo de calibração bem definido:

1. O sistema pontua e classifica as interações
2. As equipes de qualidade avaliam esses resultados em relação à resolução, aos novos contatos e à satisfação
3. Os critérios são aperfeiçoados
4. O sistema passa a estar mais alinhado com o que realmente importa para os clientes e para a empresa

Isso torna o sistema mais útil para a liderança, pois vincula os resultados da IA a resultados reais, e não apenas a pontuações automatizadas. Além disso, torna o processo mais justo para os agentes. Em vez de avaliar o desempenho com base em uma amostra reduzida, os líderes podem analisar um conjunto de evidências muito mais abrangente e perceber com maior clareza quando o verdadeiro problema reside no sistema em torno do agente, e não apenas no próprio agente.

De tabelas de resultados e relatórios a insights estratégicos

Em um modelo tradicional de controle de qualidade, grande parte do tempo da equipe é dedicada à revisão de transações, ao preenchimento de formulários de avaliação e à documentação de etapas omitidas. Em um modelo baseado em IA, as equipes não se limitam mais a publicar relatórios gerados pela tecnologia. Elas analisam e sintetizam os dados, organizando-os em formatos úteis e apresentando-os de forma que os líderes possam tomar medidas. Isso as coloca em uma posição muito melhor para responder a questões mais amplas:

• Qual política está gerando contatos repetidos?
• Qual regra de transferência está impedindo a resolução?
• Qual problema relacionado às ferramentas está causando atritos desnecessários para os agentes e os clientes?
• Qual mudança teria o impacto mais rápido nas métricas?

Essa mudança pode gerar valor mensurável. Em um projeto do COPC com uma grande operadora de telecomunicações dos EUA, a empresa harmonizou normas, práticas de gestão e supervisão de fornecedores entre centros internos e terceirizados. O resultado foi um aumento na taxa de resolução de problemas de 66% para cerca de 80%, uma melhora de 17,5 pontos na pontuação de satisfação do cliente (CSAT) nas duas faixas mais altas e uma economia de mais de US$ 50 milhões.

A lição não é que a IA, por si só, tenha alcançado esses resultados. É que, quando as equipes contam com a estrutura, os padrões e a disciplina de gestão adequados, a tecnologia se torna muito mais efetivo disseminação dos comportamentos corretos.

A oportunidade atual não se resume apenas a aumentar o número de chamadas. Trata-se de proporcionar às equipes de qualidade a visibilidade e a autonomia necessárias para identificar os obstáculos à resolução, quantificar o impacto e ajudar a empresa a decidir quais medidas devem ser tomadas em seguida.

O que distingue Monitoria de qualidade com IA que geram ROI

A diferença raramente está na ferramenta em si. Pela nossa experiência, a diferença mais significativa está no modelo operacional que a envolve.

Algumas organizações tratam Monitoria automatizado Monitoria uma versão mais rápida do antigo programa de controle de qualidade. Elas registram mais interações, geram mais painéis de controle e oferecem mais orientação aos agentes, mas não alteram a forma como a qualidade é definida nem como as conclusões são colocadas em prática. Nesses ambientes, a tecnologia geralmente proporciona maior visibilidade sem gerar muito mais valor.

Os programas mais eficazes seguem um caminho diferente. Eles partem da perspectiva do cliente, organizam os dados de forma a permitir a análise detalhada até a causa raiz e capacitam a equipe de qualidade para transformar padrões em decisões de negócios. Nesse modelo, Monitoria não Monitoria apenas uma forma de analisar mais interações. Ele se torna uma maneira de identificar quais políticas, processos e ferramentas estão impedindo a resolução de problemas e gerando custos evitáveis.

Essa distinção é importante porque os maiores ganhos muitas vezes não aparecem no scorecard. Se os contatos não resolvidos forem causados por regras de transferência, requisitos desatualizados ou limitações das ferramentas, coaching mais coaching não será suficiente para justificar o investimento. O que justifica o investimento é usar informações de qualidade para decidir o que a organização deve corrigir primeiro.

A lição prática é bem simples. ROI significativo ROI de três fatores:

1. Uma definição de qualidade sob a perspectiva do cliente
2. Uma abordagem estruturada para distinguir problemas relacionados aos agentes de problemas sistêmicos e compreender as causas fundamentais
3. Uma equipe de qualidade capaz de transformar ideias em ação
   

Sem esses elementos, as organizações podem obter mais dados, mas raramente conseguem o retorno total.

Se o seu programa de qualidade ainda não é um centro de lucro

Monitoria de qualidade com IA Monitoria resultados abundantes. O retorno depende do que sua organização faz com esses resultados. Isso significa definir a qualidade a partir da perspectiva do cliente, estruturar os dados de forma que apontem para as causas reais e capacitar a equipe de qualidade para transformar insights em ações.

Se o seu programa de qualidade não está proporcionando esse tipo de visibilidade e se não é visto internamente como um centro de lucro, precisamos conversar. A COPC ajuda as organizações a transformar a qualidade em uma função mais estratégica por meio de avaliações, estrutura e um modelo desenvolvido para gerar um impacto mensurável nos negócios.

Se o controle de qualidade se limitar a indicar quem cometeu um erro, continuará sendo um centro de custos. Se, ao contrário, mostrar o que está gerando prejuízo para a empresa, passa a ser um centro de lucro.