Entrada de tickets
omnicanal
- alimenta
- Classificador
Todos os casos técnicos
NLPAutomaçãoOps2 meses
Triagem de tickets de suporte + encaminhamento automático
Um terço dos tickets de suporte ia para a equipa errada. Agora está mais perto de um em cada treze.
Precisão do encaminhamento
92,4%
Classificador multi-label calibrado
Antes
65,3%
Motor de regras de palavras-chave
Em termos simples
O que é isto.
Sem jargão nesta secção. A descrição técnica está mais abaixo.
O que estava a correr mal
Os tickets eram distribuídos por regras de palavras-chave remendadas durante anos. Um terço ia para a equipa errada, e cada erro custava uma passagem completa de mão antes de alguém começar a ajudar — o principal motivo pelo qual os clientes avaliavam mal o suporte.
O que construímos
Substituímos as regras por um classificador treinado na forma como os tickets eram de facto resolvidos, e desativámos o antigo motor de regras em vez de lhe acrescentar mais uma regra.
O que mudou
O encaminhamento correto passou de 65% para 92%, as primeiras respostas ficaram mais rápidas, e a satisfação subiu como consequência direta. Os agentes deixaram de distribuir tickets e passaram a resolvê-los.
Arquitetura
Como tudo se encaixa.
Percorra as etapas. Tudo o que está marcado como acrescentado é um componente que não existia antes deste projeto.
Classificador
multi-label
- recebe de
- Entrada de tickets
- alimenta
- Calibração
Calibração
sensível ao custo
- recebe de
- Classificador
- alimenta
- Router · Rascunho de resposta
Router
atribuição de fila
- recebe de
- Calibração
- alimenta
- Agente
Rascunho de resposta
a partir de resolvidos
- recebe de
- Calibração
- alimenta
- Agente
Agente
resolve
- recebe de
- Router · Rascunho de resposta
Entrada de tickets
omnicanal
- alimenta
- Classificador
Classificador
multi-label
Acrescentámos isto- recebe de
- Entrada de tickets
- alimenta
- Calibração
Calibração
sensível ao custo
Acrescentámos isto- recebe de
- Classificador
- alimenta
- Router · Rascunho de resposta
Router
atribuição de fila
- recebe de
- Calibração
- alimenta
- Agente
Rascunho de resposta
a partir de resolvidos
Acrescentámos isto- recebe de
- Calibração
- alimenta
- Agente
Agente
resolve
- recebe de
- Router · Rascunho de resposta
A descrição
Como seria construído.
Conjunto de dados, abordagem, métricas-alvo e a stack. Escrito para quem tiver de o rever.
NLPAutomaçãoOps2 meses
Triagem de tickets de suporte + encaminhamento automático
Classificação, etiquetagem e encaminhamento que mantêm as filas limpas e as respostas consistentes.
Problema
Os tickets eram encaminhados por regras de palavras-chave acumuladas ao longo de anos. Cada encaminhamento errado custava um ciclo completo de passagem de mão, e o tempo de primeira resposta era o principal fator de um CSAT fraco.
Conjunto de dados
- linhas
- 2,4 M de tickets
- features
- 128
- fontes
- Helpdesk, chat, e-mail
- janela
- 36 meses
Abordagem
- 01Treinámos um classificador multi-label sobre tickets históricos resolvidos
- 02Calibrámos as probabilidades para que os limiares de encaminhamento correspondam ao custo para o negócio
- 03Acrescentámos sugestões de resposta por intenção, redigidas a partir de casos resolvidos
- 04Lançámos em shadow mode, comparando com o motor de regras
Métricas
- 92,4%
- precisão do encaminhamento +27,1pp
- 4,2 min
- primeira resposta -38 min
- 7,6%
- taxa de encaminhamento errado -27pp
- 19%
- deflexão self-service
Evidência
- fonte
- Design de referência
- números
- Ilustrativo — valores típicos para este design
- medição
- Não medido. Valores típicos para um design de referência deste tipo, não observados num sistema de cliente.
- referência
- Não disponível para este projeto
- última revisão
- 2026-08-25
Impacto no negócio
- Melhoria do CSAT resultante diretamente de uma primeira resposta mais rápida
- Os agentes deixaram de fazer triagem e passaram a resolver
- Motor de regras desativado em vez de ser estendido mais uma vez
Stack tecnológica
- Python
- FastAPI
- XGBoost
- Elasticsearch
- PostgreSQL
- Celery
- Docker
Seguinte
Precisa de um sistema como este?
Responda a seis perguntas e dizemos-lhe se esta forma se adequa ao seu problema — incluindo quando não se adequa.