Uma tendência na área de processamento de texto é a extração de sentimentos, essa é uma ferramenta capaz de categorizar palavras e contextos entre positivo e negativo, criando um score de 1 a -1, por exemplo. Quanto mais perto do 1, mais positiva é a sua frase, quanto mais perto do -1 mais negativa e aos arredores do 0 pode ser classificada como neutra. Entendeu?
Então vamos lá! A frase ‘Meu cachorro é caramelo’ se enquadraria em qual das classificações? Hmm… Eu gosto de cachorro então acho que é positivo! Só que não… Essa frase é NEUTRA, ela é um fato sobre o cachorro. Bem diferente da frase ‘Eu amo os animais’, que exprime sentimento positivo ou ‘O gato morreu de fome’ que é uma frase negativa porque exprime sentimento negativo. As palavras “amo”, “morreu” e “fome” são exemplos de palavras chaves para podermos ver qual sentimento a frase está mostrando!
Desafios
Como você pode estar supondo, não podemos avaliar apenas palavras soltas para classificarmos um texto. Veja as frases:
- “Eu morro de amor pelo meu gato”
- “Eu sou a ovelha negra da família”
A primeira frase tem a palavra “morro” como intensificador da palavra “amor”. O que deveria tornar a frase mais positiva. A segunda é uma expressão idiomática do português, que tem conotação negativa. Em ambas frases não é simples para um computador extrair o sentimento correto que a frase quer passar; assim como em frases com ironia ou ideias subjetivas. Nesses casos é preciso fazer uma análise mais complexa de contexto caso a caso.
Com a ajuda da inteligência artificial (IA), podemos utilizar algoritmos de aprendizado de máquina, como redes neurais, por exemplo, para poder ter um resultado mais assertivo dos sentimentos e um entendimento melhor de contexto.
No nosso mundo do Atendimento Humanizado, um dos canais mais utilizados é o telefone. Se a análise de sentimento é feita em palavras e textos, como podemos extrair essa informação de áudios? A resposta é: transcrevendo!
Processamos os áudios das ligações e passamos ele para texto, tudo isso com mais IA! Precisamos que esta etapa seja muito eficiente, pois se transcrevemos palavras erradas, podemos ter um resultado final bem diferente do esperado.
Quem já interagiu com a Alexa, Siri ou o assistente do Google, sabe bem o que é perguntar sobre “Comida na Irlanda” e receber uma resposta sobre “Carmen Miranda”. A forma de falar, o sotaque e as gírias influenciam bastante aqui.
Possibilidades no atendimento humanizado
Para nós humanos é, de certa forma, simples compreender contextos como os citados acima, então para que utilizar essas coisas complexas de processamento de texto e aprendizado de máquina?
O ponto principal está na escala! Quantas pessoas precisaríamos para ouvir e analisar mais de 50.000 conversas, e quanto tempo isso levaria? Ao automatizar todo este processo – e utilizando muito processamento em nuvem! – podemos tirar dados em segundos!
Muito legal e tudo mais, mas… para que serve tudo isso? Bem, isso nos trás informações importantes de como um determinado atendimento foi, o que o cliente sentiu ao ser abordado e o que o atendente transmitiu na abordagem. Esses dados comportamentais podem ser usados de diversas formas. Podemos entender o que os clientes estão achando de uma campanha de marketing, o que sentem sobre um produto ou serviço. Conseguimos avaliar discursos e formas de abordagem, até mesmo traçar perfis de clientes com mais ou menos abertura para diálogo, além de servir como suporte para analisarmos a qualidade do nosso próprio serviço.
Essa tecnologia nos abre um mar de oportunidades para conhecer mais o cliente, entender seus desejos e também para seguir com a nossa missão de transformar nossos atendimentos em experiências incríveis!
