-
Olá, meu nome é Mike, eu sou
-
aluno de Ciência de Dados aqui na FIAP
e participei do desafio da TOTVS.
-
Olá, meu nome e Guilherme
e juntos somos a Luí Allen.
-
Ela foi criada para resolver
um problema real da TOTVS, onde a todos
-
tinha problemas de transcrições de audios,
-
problemas com retirada de
em sites de audios de clientes,
-
passando feedbacks
sobre os produtos contratados
-
e nós criamos as seguintes soluções
em cima dessas soluções a gente tem
-
os problemas de qualidade de transcrição
-
nas ligações para retirada de MPs,
-
eles tinham diversos
limite de custo e tempo também para fazer
-
essas transcrições e obter os resultados
e principalmente na retenção.
-
A gente criou um sistema
pra trazer a retenção desses clientes,
-
para mostrar aonde que ele teve o gap ali
na contratação do produto.
-
A nossa solução,
Ela foi construída em quatro fatores.
-
A gente vai trazer a transcrição
com uma acurácia no áudio,
-
análise
-
detalhada dos sentimentos
daquela conversa,
-
a extração de insights
e priorização de feedbacks
-
e, principalmente,
a melhoria da experiência do cliente
-
com a empresa, que é o principal objetivo
dessa nossa solução.
-
E com isso, a gente busca
trazer uma eficiência operacional
-
muito maior para todos.
-
O aumento de precisão dos insights.
-
Ao invés de você ter dez áudios
para analisar longos
-
e você conseguir retirar
com a nossa ferramenta, em poucos segundos
-
você vai conseguir retirar
diversos insights
-
daquele áudio ali
para você ter uma ação muito mais precisa
-
e principalmente, uma tomada de decisão
baseado baseado em dados,
-
Porque dados você consegue ter
uma ação muito mais específica.
-
E só aqui a gente vai mostrar como
nós viabilizamos o nosso projeto.
-
A gente utilizou low cold ou não
Cold no caso,
-
e para embasar um pouco
a nossa decisão, a gente trouxe estudos
-
e alguns dados para mostrar
o quanto é eficiente utilizar esse meio.
-
Então,
em primeiro lugar, a gente mostra aqui
-
uma receita de 19 milhões $
que esse mercado movimentou.
-
A gente trouxe também dois estudos
ali pra baixo e um pouco das vantagens
-
que é um desenvolvimento acelerado,
redução de custos e flexibilidade,
-
que são coisas importantes
no meio desse projeto
-
aqui agora eu vou mostrar um vídeo
da arquitetura funcionando.
-
Como vocês podem ver,
ele está fazendo uma leitura ali no bug
-
esperando o áudio cair.
-
Agora que caiu um áudio,
a gente está vendo ali um monte de Python
-
processando essas informações,
fazendo a conexão com a rápida
-
e transcrevendo o áudio
e trazendo alguns insights importantes.
-
Aqui a gente traz também
um pouco dos insights que a gente tirou
-
depois dessas análises.
-
Então a gente analisou 80 áudios, 159,1%
e não respondentes durante a ligação,
-
20% de promotor, 13% neutro e 3% detrator.
-
Então, é importante a gente
-
mostrar o resultado do que a gente
conseguiu fazer no nosso projeto.
-
Para não ficar só uma idealização,
num pare, conte
-
aqui a gente mostra um pouco
investimento operacional necessário
-
para manter esse projeto funcionando.
-
Então a gente traz aqui o custo
para manter o servidor no ar,
-
o quanto a gente gasta por áudio
ali usando a API da o Penny,
-
o nome que é a ferramenta low cost
que a gente usou
-
para viabilizar esse projeto
que é open source.
-
E no final,
o total de quanto custaria isso
-
em média por mês, analisando 80 áudios.
-
Perfeito, pessoal!
-
Agora a gente tem o resultado final.
-
Depois que a gente fez a extração
de todos os insights dos áudios,
-
a gente tem toda a transcrição.
-
A gente cria
-
alguns agentes para fazer análises
precisas sobre a demanda da voz,
-
mas você pode personalizar
de acordo com o que você precisa.
-
E aqui dentro a gente tem uma visão geral,
com alguns KPIs,
-
KPIs de total de contatos analisados.
-
O que foi respondido, temas centrais,
a taxa de NPS, a taxa de classificação
-
e, principalmente, alguns comentários
extraídos desses insights.
-
E em cima disso também
a gente tem uma visão detalhada, essa
-
visão detalhada ela funciona da seguinte
forma a gente consegue extrair por áudio
-
o que foi gasto na transcrição,
o que foi gasto na análise,
-
o custo total total de palavras,
entre outros detalhes.
-
Assim como uma curasse muito precisa
e os ensaios valiosos ali dentro do áudio,
-
como um comportamento do cliente,
ele foi um pouco mais ofensivo.
-
Se ele não foi, se ele tratou bem,
qual setor ele falou,
-
porque a gente extrai
o tema central da conversa,
-
mas ele pode falar outros temas também
relacionado.
-
Ele pode tá reclamando do financeiro,
-
mas ele pode estar falando também
que o suporte não atendeu ele muito bem.
-
Então é bom a gente retirar esses insights
desse áudio
-
pra trazer as informações mais claras
aqui dentro desse nosso Deixa o Word.
-
E pra finalizar, a gente vai passar
alguns pontos que a gente abordou
-
que é super importante pra nossa audiência
ficar dentro do contexto do projeto.
-
O primeiro a gente trouxe o problema,
depois a solução, depois os benefícios.
-
Um dos mais importante
arquitetura funcionando,
-
uma evidência dela funcionando e por
último, resultado ali um dashboard por BI.
-
E por fim,
essa foi a nossa solução. E nós?
-
Nós somos. A luz.
-
Muito obrigado
e boa sorte com seu projeto.
