-
Olá, meu nome é Michael, eu sou
aluno de Ciência de Dados na FIAP
-
e participei do desafio
da TOTVS.
-
Olá, meu nome é Guilherme
e juntos somos a LUI.AI.
-
A LUI.AI foi criada para resolver
um problema real da TOTVS,
-
que tinha problemas
de transcrições de áudios,
-
problemas com retirada
de insights de áudios
-
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 NPS,
-
e 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 para trazer
a retenção desses clientes,
-
para mostrar onde eles tiveram
o gap na contratação do produto.
-
A nossa solução foi construída
em quatro fatores:
-
a gente vai trazer a transcrição
com uma acurácia no áudio,
-
a 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 a TOTVS,
-
o aumento de precisão
dos insights,
-
em vez de você ter 10 áudios
para analisar longos,
-
você conseguir retirar com a nossa
ferramenta, em poucos segundos,
-
você vai conseguir retirar
diversos insights daquele áudio
-
para você ter uma ação
muito mais precisa.
-
E, principalmente, uma tomada
de decisão baseada em dados,
-
porque, com dados, você consegue
ter uma ação muito mais precisa.
-
Pessoal, aqui a gente
vai mostrar
-
como nós viabilizamos
o nosso projeto.
-
A gente utilizou low-code
ou o no-code, 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 uma receita de US$ 19 milhões
-
que esse mercado movimentou.
-
A gente trouxe, também,
dois estudos ali embaixo
-
e um pouco das vantagens que são:
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 no bug
-
esperando o áudio cair.
-
Agora que caiu um áudio,
-
a gente está vendo um node de Python
processando essas informações,
-
fazendo a conexão
com a API da OpenAI,
-
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,
-
sendo 59,1% 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
em um PowerPoint.
-
Aqui, a gente mostra um pouco
o investimento operacional necessário
-
para manter esse
projeto funcionando.
-
Então, a gente traz o custo
para manter o servidor no ar,
-
o quanto a gente gasta por áudio
usando a API da OpenAI,
-
o KNIME, que é a ferramenta
low-code 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 TOTVS,
-
mas você pode personalizar
de acordo com o que você precisa.
-
E, aqui dentro, a gente tem
uma visão geral, com alguns KPIs,
-
A gente tem KPIs de total
de contatos analisados,
-
o que foi respondido,
temas centrais,
-
a taxa de NPS, a taxa
da classificação
-
e, principalmente, alguns comentários
extraídos desses insights.
-
E, em cima disso, também,
a gente tem uma visão detalhada,
-
essa visão detalhada
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, o total de palavras,
-
entre outros detalhes, assim
como uma acurácia muito precisa
-
e os insights valiosos
dentro do áudio,
-
como o comportamento do cliente,
se 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 relacionados.
-
Ele pode estar 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
-
para trazer as informações
mais claras
-
aqui dentro desse
nosso dashboard.
-
E, para finalizar, a gente vai passar
alguns pontos que a gente abordou
-
que são super importantes
-
para a nossa audiência ficar
dentro do contexto do projeto.
-
O primeiro, a gente
trouxe o problema,
-
depois a solução,
depois os benefícios,
-
um dos mais importantes
é a arquitetura funcionando,
-
uma evidência
dela funcionando
-
e, por último, o resultado ali
no dashboard do Power BI.
-
E, por fim, essa foi a nossa
solução, e nós somos a LUI.AI.
-
Muito obrigado e boa
sorte com seu projeto.
