Analytics de contact center é a prática de transformar os dados que um contact center produz, das estatísticas de fila e das pesquisas às próprias ligações, chats e e-mails, em respostas sobre o que está acontecendo e por quê. A maioria das equipes já tem a camada operacional coberta. A camada que explica os números é a que se baseia nas conversas.
Em resumo
- O analytics de contact center tem cinco camadas (operacional, força de trabalho, feedback do cliente, conversa e qualidade), e cada uma responde a perguntas diferentes.
- Um exemplo calculado mostra como um problema em 1,5% das conversas fica invisível no CSAT e em uma amostra de monitoria de 2%, e evidente quando todas as conversas são avaliadas.
- O analytics baseado nas notas de QA liga cada tendência às conversas por trás dela e a uma causa que você pode corrigir.
- Avalie o software por cobertura, evidências, análise de causa e canais; o analytics de call center é o recorte só de ligações.
- Comece por uma pergunta que os seus relatórios atuais não conseguem responder e depois monte a camada que a responde.
Se você procura o produto e não o método, a nossa página sobre analytics de conversas para equipes de atendimento mostra como a Kaizo monta o analytics sobre conversas avaliadas. Este guia cobre a disciplina inteira e traz links para as nossas definições mais curtas quando um termo precisa de uma.
O que é analytics de contact center?
Analytics de contact center é a medição e a análise de tudo o que um contact center registra sobre os contatos dos clientes, em cinco camadas: operacional, força de trabalho, feedback do cliente, conteúdo das conversas e qualidade. Juntas, elas explicam volume, velocidade, satisfação e os motivos por trás disso.
O termo abrange mais de uma ferramenta. Um contact center típico já roda analytics no sistema de telefonia, no helpdesk, na ferramenta de gestão da força de trabalho e na plataforma de pesquisas, e cada um vê uma fatia diferente. A tabela abaixo mostra o que cada camada mede e o que ela não consegue ver.
| Camada | O que mede | Fonte típica | O que ela não consegue dizer |
|---|---|---|---|
| Operacional | Volume, tempo de espera, TMA, abandono, nível de serviço, resolução no primeiro contato | Sistema de telefonia (ACD), relatórios do helpdesk | Por que os clientes ligaram, ou se a resposta estava certa |
| Força de trabalho | Precisão da previsão, aderência, ocupação, shrinkage | Ferramenta de gestão da força de trabalho (WFM) | Se o tempo dos atendentes foi bem aproveitado |
| Feedback do cliente | CSAT, NPS, esforço do cliente, comentários das pesquisas | Plataforma de pesquisas | Nada sobre os clientes que não respondem |
| Conversa | Temas, motivos de contato, sentimento, silêncio, palavras-chave | Speech analytics e análise de texto sobre as transcrições | Se o atendente seguiu o seu padrão, a não ser que alguém o defina |
| Qualidade | Notas no seu formulário de monitoria: precisão, política, processo, tom, resolução | Ferramenta de QA | Tendências de volume e de dimensionamento, que ficam nas duas primeiras camadas |
As três primeiras camadas são maduras na maioria dos contact centers. A quarta e a quinta são onde está a explicação, porque leem o que foi realmente dito. Para as definições mais restritas, veja o artigo sobre o que é analytics de conversas (em inglês), a nossa página sobre análise de interações em voz, chat e e-mail e o guia de speech analytics para ligações.
Que perguntas cada camada consegue responder
Cada camada responde bem a um tipo de pergunta: os dados operacionais respondem “quanto e com que rapidez”, o feedback responde “como foi a sensação”, e os dados de conversa e qualidade respondem “o que aconteceu e por quê”.
Use esta tabela como regra de encaminhamento. Quando alguém fizer uma pergunta, encontre-a à esquerda e vá à camada que realmente consegue respondê-la, em vez de forçar um dashboard que não consegue.
| A pergunta que fazem a você | Camada que a responde | Por que as outras não bastam |
|---|---|---|
| Temos gente suficiente na segunda de manhã? | Força de trabalho, operacional | Os dados de conversa não preveem a chegada de contatos |
| Por que o CSAT caiu dois pontos este mês? | Qualidade e conversa, cruzadas com o feedback | A pesquisa mostra a queda, não a causa |
| Quais motivos de contato estão crescendo? | Conversa (motivos de contato) | As tags dos tickets costumam faltar ou estar erradas |
| Os atendentes estão informando a política de reembolso correta? | Qualidade (critério de política em todas as conversas) | O TMA e o CSAT parecem normais enquanto as respostas estão erradas |
| O novo agente de IA resolve os problemas ou só os encerra? | Qualidade nas conversas do agente de IA | A resolução automatizada conta o cliente que saiu, não o que foi ajudado |
| Qual equipe precisa de coaching, e em quê? | Qualidade por critério e por equipe | As médias escondem qual comportamento está fraco |
| Um bug no produto está gerando contatos? | Conversa e qualidade, agrupadas por causa | O volume mostra um pico, não de onde ele vem |
A maior parte das perguntas que os líderes levam para uma reunião mensal fica no meio dessa tabela. É por isso que o analytics de atendimento ao cliente que a maioria das equipes reporta parece raso: é forte nas primeiras camadas e fraco nas que leem a conversa.
Por que contagens de tickets e amostras perdem a causa: um exemplo calculado
Um problema que afeta uma pequena parte das conversas raramente mexe no CSAT e raramente aparece em uma amostra de monitoria, mas aparece com clareza quando todas as conversas são avaliadas e agrupadas por motivo de contato.
Os números abaixo são um exemplo ilustrativo que calculamos, não dados de um cliente. Eles usam um contact center de porte médio e números redondos para que você refaça a conta com os seus.
O cenário. O contact center atende 40.000 conversas por mês entre ligações, chat e e-mail. Pedidos de reembolso são 10% delas, ou 4.000. Uma macro desatualizada faz os atendentes informarem o prazo de reembolso antigo em 15% das conversas de reembolso: 600 conversas, ou 1,5% do volume total.
O que a pesquisa mostra. Suponha que 12% dos clientes respondam à pesquisa de CSAT: 4.800 respostas. Só 72 delas vêm das 600 conversas afetadas. Se os clientes afetados tiverem 50% de satisfação e todos os outros 85%, o CSAT geral passa de 85,0% para 84,5%. Meio ponto está dentro da variação normal de um mês para o outro, então ninguém investiga.
O que uma amostra de monitoria de 2% mostra. Os monitores avaliam 800 conversas por mês. Em média, 12 delas são conversas afetadas. Divididas entre dez monitores e quatro semanas, dá cerca de uma a cada três semanas por monitor, e cada uma é fácil de ler como um deslize individual do atendente, e não como um padrão.
O que avaliar todas as conversas mostra. Com todas as conversas de reembolso avaliadas em um critério “política correta informada”, 600 são reprovadas no mês. Agrupada por motivo de contato, a fila de reembolsos mostra 15% de reprovação nesse único critério, contra quase zero nas outras. A causa fica visível na primeira semana e aponta para a macro, não para os atendentes.
| Visão | O que você vê | Você agiria? |
|---|---|---|
| Dashboard operacional | Volume e TMA normais | Não |
| CSAT | De 85,0% para 84,5% | Provavelmente não |
| Amostra de monitoria de 2% | Cerca de 12 reprovações espalhadas entre os monitores | Coaching individual, se tanto |
| Todas as conversas avaliadas | 15% de reprovações de política em um único motivo de contato | Sim: corrigir a macro esta semana |
A mesma lógica vale para qualquer erro concentrado em uma única fila ou tema. Para a estatística de quantas conversas uma amostra precisa para detectar um problema raro, veja o nosso guia de estatística de amostragem de monitoria (em inglês).
Analytics de contact center baseado nas notas de QA
O analytics baseado nas notas de QA avalia cada conversa com a sua própria definição de uma boa conversa e depois agrupa os resultados e acompanha as tendências, para que cada número se abra nas suas conversas.
É o inverso de como as suítes de speech analytics costumam funcionar. Essas ferramentas indexam as ligações gravadas e dependem de analistas para montar e manter as categorias que as pesquisam. Partir do formulário de monitoria significa que a análise mede aquilo em que você já faz coaching: precisão, política, processo, tom e resolução.
É assim que a Kaizo funciona. Segundo a página de análise de causa raiz da Kaizo, ela avalia cada ligação, chat e e-mail com os seus critérios e depois mostra se uma queda vem de um processo quebrado, de um atrito no produto ou de uma lacuna de habilidade, com as conversas por trás de cada um.
A página de sentimento diz que o sentimento do cliente e a empatia do atendente são avaliados em todas as mensagens. Você pode fazer perguntas em linguagem natural, e as exportações automatizadas para BI estão disponíveis nos planos Intelligence e Enterprise.
Vale dizer dois limites. A Kaizo trabalha com a conversa depois que ela termina, então não monitora ligações ao vivo nem dá sugestões aos atendentes durante a ligação; isso é assistência ao atendente em tempo real (em inglês), outra categoria de ferramenta. E ela não é gestão da força de trabalho: previsão e escalas continuam na camada de força de trabalho.
O que procurar em um software de analytics de contact center
Avalie um software de analytics de contact center por cobertura, evidências por trás de cada número, análise de causa, tratamento igual dos canais e pela forma como os achados chegam a quem corrige.
Use este checklist em uma demo. Peça ao fornecedor que mostre cada item na tela, e não que o descreva.
| Critério | Como é um bom resultado | Pergunta a fazer |
|---|---|---|
| Cobertura | Todas as conversas analisadas, não uma amostra | Que parte das conversas do mês passado a ferramenta avaliou? |
| Evidências | Cada nota ou tendência se abre nas linhas da transcrição por trás dela | Mostre as conversas por trás deste número |
| Os seus critérios | Avaliação com o seu próprio formulário de monitoria, nas suas palavras | Posso mudar um critério e vê-lo aplicado às novas conversas? |
| Análise de causa | Problemas de processo, de produto e de habilidade separados | Como vocês distinguem um processo quebrado de uma necessidade de coaching? |
| Canais | Ligações, chat e e-mail com os mesmos critérios | Uma nota no chat é comparável a uma nota na voz? |
| Agentes de IA | Conversas do bot avaliadas com o mesmo padrão | Ela avalia as conversas que o nosso agente de IA atendeu? |
| Saída de dados | Exportação para o seu data warehouse ou ferramenta de BI | Como os dados chegam à nossa equipe de BI? |
| Encaixe no stack | Conexão nativa com o seu helpdesk ou CRM | O que a configuração envolve no nosso helpdesk? |
Para um plano de avaliação mais longo e os modelos de preço que você vai encontrar, o nosso guia de compra de software de inteligência conversacional vai mais fundo. Se você também compara ferramentas de QA, a central de comparações mostra como a Kaizo se diferencia de outros softwares de contact center.
Analytics de call center é diferente de analytics de contact center?
Analytics de call center costuma significar analytics só de ligações, enquanto o analytics de contact center cobre todos os canais que a equipe atende: ligações, chat, e-mail e mensagens. Os métodos são os mesmos; o escopo é maior.
A diferença importa por um motivo. Muitas equipes hoje atendem mais conversas escritas do que ligações, e uma ferramenta construída em torno das gravações de ligações pode tratar o chat e o e-mail como algo secundário.
Se o seu volume é misto, verifique se o analytics e os critérios de qualidade se aplicam a todos os canais da mesma forma, para que uma falha de política no chat conte o mesmo que uma em ligação. A página de monitoria de qualidade para contact center da Kaizo descreve isso como um único formulário de monitoria para ligações, chats e e-mails, com critérios específicos por canal só onde o meio realmente é diferente.
Como começar com analytics de contact center
Comece por uma pergunta que os seus relatórios atuais não conseguem responder, escolha a camada que a responde e prove o valor nessa pergunta antes de montar dashboards para todo o resto.
Passo 1: Anote a pergunta sem resposta
Liste as perguntas das suas três últimas reuniões de liderança que ninguém conseguiu responder com dados. “Por que o CSAT caiu?” e “O agente de IA está mesmo resolvendo os problemas?” são as de sempre. Escolha a que tem mais dinheiro em jogo.
Passo 2: Verifique qual camada tem a resposta
Use a tabela de encaminhamento acima. Se a resposta está na camada de conversa ou de qualidade, nenhum trabalho no dashboard operacional vai produzi-la.
Passo 3: Defina os critérios antes da ferramenta
Escreva os três a cinco critérios que responderiam à pergunta, como “política correta informada” ou “problema resolvido sem novo contato”. Se você não consegue escrevê-los, nenhum software consegue medi-los. O nosso guia sobre métricas de monitoria de call center que preveem o CSAT ajuda na escolha.
Passo 4: Cubra todas as conversas do escopo
Avalie todas as conversas das filas a que a pergunta se refere, não uma amostra, para que um padrão apareça em dias e não em meses.
Passo 5: Agrupe, acompanhe e encaminhe
Agrupe os resultados por motivo de contato, equipe e causa, e depois envie cada achado ao seu responsável: problemas de processo e de produto para a equipe dona deles, lacunas de habilidade para o coaching. O nosso guia de análise de causa raiz no atendimento ao cliente mostra como conduzir essa revisão.
Veja em uma demo ao vivo. A Kaizo monta o analytics de contact center sobre conversas avaliadas em ligações, chat e e-mail, e cada número se abre nas conversas por trás dele. Vamos conversar.
Perguntas frequentes
O que é analytics de ligações?
Analytics de ligações é a análise de chamadas telefônicas, em geral a partir das gravações e das transcrições, para medir temas, sentimento, silêncio, frases de compliance e resultados. É uma parte do analytics de contact center. Equipes que também atendem por chat e e-mail precisam da mesma análise nesses canais, de preferência com os mesmos critérios.
Quais são os quatro tipos de analytics em um contact center?
Os quatro tipos são o descritivo (o que aconteceu, como volume e CSAT), o diagnóstico (por que aconteceu, como a causa de uma queda de qualidade), o preditivo (o que deve vir a seguir, como a previsão de volume) e o prescritivo (o que fazer, como uma ação de coaching). A maioria dos contact centers é forte no analytics descritivo e mais fraca no diagnóstico.
O que é um KPI em um call center?
Um KPI em um call center é um número acompanhado ao longo do tempo para julgar se a operação está na meta, como nível de serviço, tempo médio de atendimento, resolução no primeiro contato, CSAT ou a nota de qualidade. O analytics de contact center explica por que um KPI se mexeu; o KPI sozinho só diz que ele se mexeu.
É preciso um analista de dados para fazer analytics de contact center?
Não para as perguntas do dia a dia, se a ferramenta permite filtrar e perguntar em linguagem natural e cada número se abre nas conversas por trás dele. Um analista continua sendo útil quando você cruza os dados do contact center com dados de receita, churn ou produto no seu próprio data warehouse.
O analytics de contact center funciona em tempo real?
Algumas camadas, sim. As estatísticas de fila e as ferramentas de assistência ao atendente em tempo real funcionam durante a ligação. A análise de qualidade e de causa costuma funcionar depois que a conversa termina, porque precisa da conversa inteira para julgá-la. Muitos contact centers usam as duas: ferramentas ao vivo para o momento e analytics pós-conversa para os padrões.
Continue lendo
- What is conversation analytics? (em inglês), a definição curta
- Análise de motivos de contato, sobre descobrir por que os clientes realmente entram em contato
- How to score 100% of your conversations (em inglês), sobre ir além da amostra
- Analytics de conversas na Kaizo, analytics baseado nas notas de QA
