Pontuação de satisfação preditiva

Como uma operadora de telecomunicações previu a satisfação em tempo real — antes mesmo de os clientes serem entrevistados

Rolar

Desafio

Tarde demais para agir

Uma grande empresa de telecomunicações com milhões de assinantes estava investindo pesadamente em programas NPS e CSAT, mas os resultados chegaram tarde demais para agir. No momento em que os dados da pesquisa foram processados, os clientes em risco muitas vezes já haviam mudado ou escalado. A equipe CX precisava de uma maneira de antecipar a satisfação – e direcionar os esforços de retenção e cuidado – antes mesmo de o feedback ser coletado.

Quando chegaram os resultados da pesquisa de satisfação, o estrago já estava feito. Os clientes desligaram ligações, visitaram lojas, mudaram de endereço ou postaram sobre isso. Semanas depois, uma pontuação apareceria. Mas foi uma autópsia, não um sinal.

CX, Atrasado

Os dados de experiência do cliente foram reativos. As pesquisas capturaram como as pessoas se sentiam – mas muito depois de terem agido. As equipes de atendimento não conseguiam priorizar. O marketing não podia personalizar. E as operações não conseguiam ver riscos emergentes.

E se você pudesse prever isso?

E se você pudesse antecipar a satisfação com base no comportamento – antes mesmo de o feedback ser enviado? E se você pudesse intervir antecipadamente – antes da próxima fatura, visita ou cancelamento?

Abordagem

Então modelamos a pontuação

Fizemos uma parceria com as equipes de CX, ciência de dados e rede da empresa de telecomunicações para construir um modelo preditivo – que estimasse pontuações de satisfação usando sinais operacionais, padrões de uso e comportamentos digitais quase em tempo real.

Solução

Treinamos 750 mil clientes

Usamos dois anos de dados NPS e CSAT – vinculados ao uso de serviços, interações de atendimento, registros de chamadas, incidentes de rede e atividades de aplicativos móveis. Um modelo de ML supervisionado foi treinado e validado em mais de 750.000 clientes, prevendo a satisfação com 86% de precisão no nível do segmento.

Metodologia

Seguimos um pipeline estruturado: (1) unificar dados operacionais e de pesquisa no nível do cliente com identificadores e janelas de tempo consistentes; (2) projetar recursos de uso, atendimento, rede e comportamento do aplicativo; (3) treinar modelos supervisionados (por exemplo, gradiente boosting) para prever o segmento NPS/CSAT, com validação cruzada e testes de validação; (4) implantar atualizações semanais de pontuação e integrar resultados em CRM e painéis de atendimento; (5) medir o aumento de intervenções proativas versus segmentos de controle.

Fontes de dados

Respostas de pesquisas NPS e CSAT (dois anos; mais de 750 mil clientes vinculados). Dados de serviço e uso: tipo de plano, duração, uso de dados, padrões de chamadas/SMS. Interações de cuidado: frequência de contato, canal, códigos de resolução. Dados de rede e incidentes: interrupções, latência, cobertura. Atividade de aplicativos móveis: sessões, uso de recursos, solicitações de suporte. Todos unidos no nível do cliente com janelas de atraso apropriadas para previsão.

Marcamos toda a base

Cada cliente ativo recebeu uma pontuação de satisfação prevista, atualizada semanalmente e mapeada para os principais motivadores. O cliente agora poderia atingir clientes com baixa saturação prevista com ofertas de retenção, chamadas de suporte ou soluções proativas – antes que a insatisfação aumentasse.

"Antes, estávamos reagindo. Agora estamos diante disso. Podemos ver o risco chegando, e não apenas explicá-lo depois do fato."

- Vice-presidente, Experiência do Cliente

Nós integramos em todos os lugares

A pontuação foi incorporada em sistemas de CRM, painéis de atendimento e listas de marketing – usadas diariamente por agentes, analistas e equipes de jornada. Visuais incluíram distribuições de pontuação em nível de segmento, gráficos de tendências de satisfação prevista versus satisfação real ao longo do tempo, gráficos de importância do driver e filas de atendimento classificadas por risco previsto. Tornou-se a nova espinha dorsal das decisões CX em toda a empresa.

Cronograma de implementação

Semanas 1–4: descoberta de dados, vinculação e design de recursos. Semanas 5 a 10: Desenvolvimento do modelo, validação (meta de precisão de 86%) e backtesting. Semanas 11–14: Integração com CRM e ferramentas de atendimento; piloto com uma equipe de atendimento. Semanas 15 a 18: distribuição para seis equipes e cadência de atualização semanal. Estado estacionário cinco meses após o início.

Dê o próximo passo

Explore como o Intellimark pode ajudá-lo a antecipar o sentimento do cliente e agir antes que seja tarde demais.

Contate-nos

Resultado

A satisfação tornou-se um indicador antecedente, e não um indicador atrasado:

Métricas/Resultados

86% precisão do modelo nos principais segmentos

750 mil clientes modelados com atualizações semanais de pontuação

14% redução da rotatividade entre grupos de risco alcançada proativamente

6 equipes usando a pontuação diariamente em atendimento, marketing e análises

Fin.

Saber como os clientes se sentem é bom. Saber antes que eles te contem? Isso muda o jogo.