Escrito por: Mario Esses, Samuel Monção e Pedro Macedo
Introdução
Recentemente vimos (e não se fala em outra coisa) o aparecimento do ChatGPT, tecnologia que vem revolucionando o mercado de tecnologia. A partir de seu surgimento, no dia 30 de novembro de 2022, a tecnologia conseguiu se inserir em diversas aplicações diferentes, atingindo 1 milhão de usuários em pouco menos de 5 dias. Em apenas dois meses, superou 100 milhões de usuários e 13 milhões de visitantes diários.
Esse é, definitivamente, um dos maiores crescimentos da história da internet para um aplicativo de grande público. Desde então, muitas pessoas que trabalham diretamente com o feedback do cliente (como as áreas de CX, Vendas, Pós-Vendas e Cobrança) começaram a se questionar: Será que o ChatGPT pode ser utilizado para melhorar a experiência dos meus leads e clientes? Como faríamos isso?
Para responder essa pergunta, precisamos entender o que funciona por trás de produtos como o ChatGPT ou o BARD (recentemente lançado pelo Google), que são a classe de algoritmos conhecidos como “modelos de linguagem”. É certo que a adoção de IA vem trazendo ganhos expressivos em diferentes cenários. Só no escopo de Customer Experience, por exemplo, empresas que utilizam IA para mineração de dados, automação e melhorias de processo atingem um aumento de até 28% no NPS.
Neste artigo, iremos explorar o que são modelos de linguagem, o que é o GPT-3.5 e o GPT-4 (modelo de linguagem utilizado pelo ChatGPT) e, ao fim, quais as aplicações mais interessantes destes poderosos algoritmos no universo de CX, Vendas, Pós-Vendas e Cobrança, áreas onde o feedback do cliente contém uma informação muito valiosa para aumentar a receita e reduzir custos operacionais.
O que são Modelos de Linguagem?
Os modelos de linguagem são algoritmos treinados em grandes quantidades de dados textuais para aprender as regras e padrões da linguagem. Eles podem inclusive usar os padrões aprendidos para prever a próxima palavra em uma frase, dada uma sequência de palavras anteriores.
Os modelos de linguagem existem há muitos anos, mas a verdadeira revolução no assunto surgiu quando o Google lançou o artigo “Attention is all you need” (Atenção é tudo o que é necessário, traduzindo para o português), onde eles introduziram o conceito de “Atenção” junto com uma nova classe de algoritmos chamados de “Transformers”.
Por que esse conceito é tão importante? Para isso, vale entendermos como o texto era interpretado pelos algoritmos de IA antes disso.
A partir de agora, vamos simplificar brutalmente a explicação para facilitar o entendimento de quem não está inserido neste tema.
Imagine que queremos criar um algoritmo de IA que prevê o sentimento de um tweet. No passado, uma das formas mais comuns de fazer isso era simplesmente transformar o texto numa tabela onde cada coluna corresponde a frequência de certas palavras (esse método é conhecido popularmente como “Bag-of-Words”). Essa tabela pode, então, ser imputada em um algoritmo de classificação, onde a saída é o sentimento.
Variações dessa classe de processamento de texto foram criadas, como o TF-IDF, que passou a considerar não só a frequência de palavras, mas a frequência com que essas palavras apareciam em diferentes textos, o que melhorou consideravelmente a assertividade dos modelos.
Mas, até intuitivamente, sabemos que só o fato de ter uma certa palavra ou não nem sempre é suficiente para representar o significado de uma frase ou texto. É neste momento que o algoritmo de “atenção” entra: pelo fato de conseguir entender a relação entre palavras dentro de uma frase ou texto - e não apenas se existe ou não uma palavra naquele texto -, ele consegue criar uma representação mais fiel do conteúdo e, consequentemente, por ser mais fiel, aumenta a assertividade dos modelos que utilizam essa representação.
Com o advento dos Transformers, diversos modelos de linguagem diferentes começaram a nascer, como os algoritmos da família GPT (GPT-1, GPT-2, GPT-3 e GPT-4), laMDA (Language Model for Dialogue Applications) e o BERT (Bidirectional Encoder Representations from Transformers).
Como nasceu o GPT-3.5, motor por trás da versão gratuita do ChatGPT, e o que o GPT-4 trouxe de novo
A história do GPT-3.5 começa com a OpenAI, uma empresa de pesquisa em inteligência artificial criada em 2015 visando alavancar a tecnologia de inteligência artificial de forma segura e responsável. A OpenAI já havia lançado modelos de linguagem de sucesso, como o GPT-2 em 2019 e o GPT-3 em 2020.
Na época do seu lançamento, a criação foi considerada o maior modelo de linguagem já desenvolvida. Para treinar o GPT-3, a OpenAI utilizou uma grande quantidade de dados de texto, incluindo textos da web, livros e outras fontes. Mesmo com o bom desempenho, a OpenAI continuou o treinamento de seu modelo e atingiu um novo patamar de resultados com o que conhecemos hoje como o GPT-3.5, que nada mais é que uma versão melhorada do GPT-3.
Apesar do ótimo desempenho do GPT-3.5 em diversas tarefas, sempre há espaço para melhorias. Com a vinda do GPT-4 (que possui 1000x mais parâmetros que sua versão anterior), o ChatGPT pode atingir diferenças significativas em algumas tarefas, como responder perguntas sobre ciências ou história, ou até mesmo no desenvolvimento de códigos.
Além da melhora de desempenho, o GPT-4 também é multimodal: além de aceitar textos no seu “prompt”, também aceita áudios e imagens como entrada. Isso aumenta de forma significativa a sua gama de aplicações em diferentes tarefas.
Como os Modelos de Linguagem podem aprimorar a Experiência do Cliente, as Centrais de Venda, o Atendimento Pós-Venda e as Células de Cobranças?
Após o entendimento da história por trás dessa classe de algoritmos, ficou claro que as possibilidades comerciais de uso são vastas e, provavelmente, revolucionarão setores inteiros.
Assim, iremos compreender, através de exemplos de casos de uso, como os Modelos de Linguagem geram grandes impactos nas áreas de CX, Vendas, Pós-venda e Cobrança.
É importante frisar que esses casos de uso têm um impacto financeiro associado, podendo aumentar consideravelmente de receita pela redução de churn, reduzir custos ao melhorar a eficiência operacional, entre outros.
Além disso, a lista a seguir não é exaustiva, mas tem o objetivo de tangibilizar algumas das opções que podem ser exploradas atualmente com Modelos de Linguagem, assim como compartilhar algumas das soluções mais conhecidas no mercado atualmente.
Confira a imagem abaixo:
Figura 1 - Resumo dos principais casos de uso dos Modelos de Linguagem em CX, Vendas, Pós-vendas e Cobrança. As informações foram retiradas do site de cada empresa no início de Abril/2023
Caso de uso em CX: Voice-of-Customer
Os modelos de linguagem podem ser usados para analisar o feedback dos clientes - como comentários livres em pesquisas de satisfação, ligações no callcenter, atendimento em e-mail e chat - identificando tendências, problemas comuns e até mesmo a causa-raiz do problema do cliente. Esse dado é essencial para que as empresas possam endereçar os planos de ação corretamente, em vez de confiar puramente na percepção empírica do que o cliente acha da sua jornada.
Quais são os requisitos mínimos para implantar este caso de uso?
Governança em CX que define planos de ação de acordo com o feedback do cliente e acompanha o impacto das ações em suas metas;
Case: um grande player de Análise de Crédito, usando a ferramenta vex.ai
Para um grande player do segmento de análise de crédito, é necessário realizar pesquisas de NPS semestrais com todos os ramos de clientes que atende. Entre as mais de 6000 respostas que recebem em todo ciclo referentes aos diversos produtos que fornece, diversos comentários não estruturados são compartilhados pelos clientes, e apenas uma pequena amostra era lida e categorizada por humanos.
Com o módulo de voz do cliente do vex.ai, essa categorização passou a acontecer em tempo real e para todos os comentários recebidos. Mais de 110 assuntos distintos foram calibrados na Inteligência Artificial do vex.ai, identificando corretamente a causa-raiz do problema com uma acurácia acima de 80%.
Além disso, o time responsável pelas pesquisas contou com a identificação automática de situações críticas pela ferramenta, que auxiliou a companhia a encontrar clientes insatisfeitos mesmo entre as respostas referentes às notas promotoras. Quase 4% dos respondentes foram identificados como em situação crítica: um impacto negativo de até 6 pontos no NPS por segmento
Conheça o vex.ai, nossa solução que usa Inteligência Artificial para que as empresas consigam entender e agir nos feedbacks de seus clientes. Para saber mais, acesse nosso site ou entre em contato conosco através do nosso formulário!
Soluções disponíveis no mercado que utilizam modelos de linguagem para a realizar a tarefa do VoC de forma automatizada
vex.ai
Qualtrics
Medallia
Viable
Caso de uso em Vendas: Qualificação de leads e Roteamento de tickets
Os modelos de linguagem podem realizar a triagem e qualificação de leads em canais mistos (canais onde clientes procuram tanto a compra quanto o suporte): ao entender a necessidade relatada, apenas casos com potencial de venda são direcionados à central comercial
Essa categoria de inteligência pode ser utilizada, por exemplo, tanto para encaminhar chamadas de áudio (substituindo a URA tradicional) quanto conversas em texto (chats e e-mails).
Quais são os requisitos mínimos para implantar este caso de uso?
Uso de Helpdesk, CRM ou URA que permita tanto integração externa por API quanto a customização do roteamento de tickets de acordo com a decisão do modelo de linguagem;
Em caso de roteamento de chamadas telefônicas, é necessário que a execução das etapas de transcrição e interpretação (pelo modelo de linguagem) sejam realizadas sem afetar a experiência do cliente com um aumento expressivo do TMA;
Case: Viasat, usando a ferramenta Invoca
A Viasat é a provedora líder mundial de internet por satélite, oferecendo soluções de comunicação para clientes que não são alcançados por serviços tradicionais de cabo ou fibra óptica.
Um dos desafios enfrentados pela Viasat surgiu quando a Covid-19 atingiu os Estados Unidos, que aumentou o volume de chamadas para seus contact centers. Com uma onda de pessoas trabalhando em casa, muitos precisavam de um serviço de internet novo ou atualizado, o que aumentou o volume de chamados na central de vendas. No entanto, a Viasat atende a um nicho de mercado: grande parte das chamadas recebidas eram de clientes não qualificados que moravam em áreas mais bem atendidas pela banda larga convencional ou em áreas somente atendidas por ela, mas já estavam no limite de largura de banda e não podiam receber mais assinantes.
Para priorizar os leads de mais alta qualidade e atender melhor os clientes, eles usaram o roteamento de chamadas para desviar chamadas não qualificadas, o que aumentou em 74% a conversão de novos assinantes.
Soluções disponíveis no mercado que utilizam modelos de linguagem para a qualificação de leads e roteamento de tickets
vex.ai
Invoca
Five9
Caso de uso em Cobrança: Fluxo Customizado de Comunicação
Os modelos de linguagem podem ser usados para interpretar o feedback dado pelo cliente devedor e customizar a régua de Cobrança de acordo com sua necessidade. Metodologias como essa maximizam o resultado da conversão de acordos, mantendo um alto nível de qualidade durante a interação.
Quais são os requisitos mínimos para implantar este caso de uso?
Uso de Helpdesk/CRM que permita que a integração externa customize a régua de cobrança conforme a decisão do modelo de linguagem;
Case: FRIDAY Insurance, usando a ferramenta PAIR Finance
A FRIDAY Insurance, através de uma parceria com a PAIR Finance, conseguiu viabilizar uma experiência de cobrança simples, digital e orientada para o cliente no foco de todos os processos. Com isso, conseguiram a rápida recuperação das dívidas levando em conta a situação individual do cliente.
Na média, os clientes que utilizam a solução da PAIR Finance para customizar o fluxo de comunicação com o cliente conseguem achar uma solução automática para até 67% dos casos, mantendo um CSAT de até 85% na jornada de Cobrança.
Soluções disponíveis no mercado que utilizam modelos de linguagem para customizar o fluxo de comunicação em cobrança
vex.ai
PAIR Finance
Gostou? Fique ligado que traremos mais artigos sobre o tema!
Referências
Comments