O problema descrito é clássico em operações de suporte ao cliente que crescem sem uma estruturação prévia. Vamos aplicar os quatro pilares do pensamento computacional para organizar e automatizar o atendimento.
- Decomposição (quebrar o problema em partes menores)
Problema central : Mensagens confusas, com múltiplos assuntos, dificultando agilidade.
Subproblemas identificados :
Classificação: identificar qual tipo de problema cada mensagem contém.
Priorização: decidir qual problema resolver primeiro (ex: acesso bloqueado vs. dúvida de fatura).
Encaminhamento: direcionar para a equipe ou fluxo correto (suporte técnico, financeiro, etc.).
Resposta automatizada vs. humana: definir o que pode ser resolvido sem intervenção.
Tratamento de mensagens mistas: separar múltiplos assuntos em tickets distintos.
- Reconhecimento de padrões
Analisando mensagens históricas (ou simuladas), podemos identificar categorias recorrentes :
- Padrão Indicadores (palavras/frases)
- Acesso/senha “não consigo logar”, “esqueci minha senha”, “token expirou”, “2FA”
- Pagamento/fatura “cobrança indevida”, “boleto vencido”, “cancelar assinatura”, “cartão recusado”
- Erro funcional “botão não funciona”, “relatório não gera”, “erro 500”, “tela branca”
- Dúvida de uso “como faço para...”, “onde encontro...”, “qual a diferença entre X e Y”
- Solicitação de feature “gostaria que tivesse...”, “sugestão de melhoria”
- Padrão de mensagens mistas: presença de conectores como “além disso”, “também”, “outra coisa” + múltiplas palavras-chave de categorias diferentes.
- Abstração (criar modelos simplificados)
Criamos abstrações que ignoram detalhes irrelevantes (tom do usuário, horário do envio) e focam no essencial.
Abstração 1 – Tipo de ticket
- Tipo A : Problemas de acesso
- Tipo B : Problemas financeiros
- Tipo C : Erros técnicos
- Tipo D : Dúvidas de uso
- Tipo E : Sugestões
Abstração 2 – Nível de urgência
- Urgente (bloqueia trabalho) → acesso, erro crítico
- Normal (dúvida, sugestão)
- Baixa (apenas informacional)
Abstração 3 – Fluxo de resolução
- Automático (ex: reset de senha via link)
- Semiautomático (ex: triagem + resposta-padrão + encaminhamento)
- Manual (ex: bug novo ou problema financeiro complexo)
Abstração 4 – “Ticket mestre” e subtickets
- Uma mensagem mista vira um ticket principal + filhos, cada um com sua categoria e responsável.
- Algoritmo (passo a passo para automação)
Algoritmo de triagem automática de mensagens
text
- Receber mensagem do usuário via canal (e-mail, chat, formulário)
- Aplicar limpeza de texto (remover saudação, assinatura, caracteres especiais)
- Classificar a mensagem usando regras ou modelo de ML simples:
- Extrair palavras-chave por categoria
- Atribuir pontuação para cada categoria
- Se uma categoria tiver pontuação >= 70% → ticket único
- Se duas ou mais categorias tiverem pontuação entre 30% e 70% → marcar como "mista"
- Se mensagem mista:
- Segmentar por sentenças ou blocos (usando pontuação e conectores)
- Classificar cada segmento individualmente
- Criar um ticket principal com resumo global
- Criar subtickets para cada segmento classificado
- Para cada ticket (ou subticket):
- Determinar urgência (regras: acesso bloqueado = urgente; fatura vencida há +15 dias = urgente)
- Buscar solução em base de conhecimento (match de padrão)
- Se solução automática disponível → disparar resposta (ex: enviar link de reset)
- Senão → encaminhar para fila correta (equipe de acesso, financeiro, devs)
- Consolidar resposta final se múltiplos subtickets (avisar usuário: "Identificamos 2 assuntos...")
- Registrar métricas: tempo médio de triagem, % de resolução automática, categorias mais frequentes.
Plano de implementação sugerido (resumo executivo)
Fase Ação - Diagnóstico Analisar 500 mensagens passadas para validar padrões e categorias
- Base de conhecimento Mapear soluções automáticas para 80% dos casos comuns (FAQ + fluxos de reset/envio de boleto)
- MVP do algoritmo Implementar regras simples (regex + palavras-chave) em ferramenta low-code (ex: N8N, Zapier com IA) ou chatbot (Typebot, Landbot)
- Loop de feedback Cada mensagem não classificada vira novo padrão para treinar modelo
- Evolução Adotar classificação por LLM (GPT pequeno, BERT) quando o volume ultrapassar 1.000 mensagens/dia
Resultados esperados
Redução de 50–70% no tempo de triagem
Resposta automática imediata para acesso e dúvidas simples
Mensagens mistas resolvidas em até 2 interações (em vez de 5)
CSAT (satisfação) aumentado por agilidade e clareza
Com essa abordagem, o time de Customer Success passa a focar no que realmente agrega valor: problemas complexos e relacionamento com o cliente.
