Aprendizado de Máquina Aplicado no Atendimento de Reclamações de Clientes

• Ano de defesa: 2021
• Autor(a) principal: Peixoto, Luiz Henrique Rowan
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Aprendizado de Máquina; Atendimento de Clientes; Customer Service; Machine Learning; Mineração de Textos; Text Mining
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/55/55137/tde-04022022-172002/

A reclamação é uma ação garantida por entidades de proteção ao consumidor, e com a digitalização crescente da sociedade e a popularização das plataformas digitais de reclamações, têm-se um aumento crescente das reclamações de clientes nestas plataformas. A escalada das reclamações em ambientes digitais tratadas incorretamente impactam a imagem das empresas e geram uma necessidade cada vez mais latente de capturar, processar, analisar e gerar conhecimento usando automatizações. Com este cenário, este trabalho propõe a utilização de técnicas de Mineração de Textos e Aprendizado de Máquina em um fluxo de triagem de reclamações com objetivo de minimizar a probabilidade de não-resolução das reclamações de clientes de serviços financeiros. A abordagem proposta é avaliada por meio de 3 arquiteturas distintas de complexidade, sendo que para modelo base utilizou-se o Naive-Bayes SVM, para o intermediário foi utilizado as embeddings FastText com classificador Multi-layer Perceptron e como técnica desafiante foi utilizado o modelo de linguagem DistilBERT. A utilização apenas da narrativa da reclamação do consumidor apresentou resultado pouco relevante na discriminação da resolutividade, porém quando agregado a narrativa de atendimento da empresa os modelos performaram consideravelmente bem e podem ser aplicados em uma estratégia de atendimento. Os resultados mostraram que os métodos podem gerar valor em sistemas de apoio à tomada de decisão na área operacional das empresas e podem auxiliar as mesmas no atendimento de seus clientes, elevando o nível de satisfação dos consumidores e reduzindo o risco de imagem da empresa. A escolha de um bom modelo de predição depende da estratégia de atuação da operação de atendimento, sendo que a capacidade de ordenação do risco torna-se preponderante nessa escolha.