Written by: Mariana Foffa

Resolver o problema de um cliente é uma coisa. Entender por que esse problema chegou até nós é outra.

A segunda parte costuma ficar invisível de fora da área. Quando alguém pergunta o que uma pessoa de CX (Customer Experience) faz no Nubank, a resposta mais comum é “atende cliente”. E a gente atende, de ponta a ponta. Mas o atendimento é o começo do trabalho, não o fim dele.

A resposta curta é essa: a gente resolve o atendimento e depois pergunta por que ele chegou até nós. Com essa resposta na mão, a gente busca formas de evitar que o problema se repita.

Neste texto, conto por que essa segunda pergunta importa, como a gente trabalha para respondê-la, como a inteligência artificial está acelerando esse trabalho e o que isso passa a exigir de quem atua na área.

Por que um atendimento chega até nós

Se todos os processos funcionassem perfeitamente, o atendimento nem precisaria existir. Quando alguém fala com a gente, é porque alguma jornada não funcionou como deveria, ou porque aquela solicitação ainda não está disponível no app para o cliente resolver sozinho.

E tudo bem. O futuro que a gente busca é um cliente totalmente autônomo, que consegue fazer tudo pelo app e não precisa pedir ajuda. Enquanto esse futuro não chega por completo, a gente está aqui.

Quando o cliente aparece, a gente resolve o caso de ponta a ponta: acompanha até o fim e quer que ele saia encantado. Mas o trabalho não termina aí. A gente também olha para aquele atendimento com um olhar de melhoria contínua e se pergunta o que precisa mudar para que o problema não volte a acontecer, ou para que aquele cliente não precise entrar em contato de novo.

Aprendi a olhar desse jeito desde o meu onboarding: enxergar cada cliente como único e, ao mesmo tempo, olhar o conjunto de todos os atendimentos. É no conjunto que aparecem os padrões, aquilo que se repete e vale a pena resolver na origem.

O atendimento como fonte de inteligência

Muita gente enxerga o atendimento como um custo para a empresa. Eu enxergo como uma área que gera inteligência.

Essa diferença aparece na forma como a área é medida e no que ela escolhe priorizar. Os nossos OKRs, que são as metas da área, acompanham a satisfação do cliente, a produtividade do time e indicadores de risco, entre outros. Os projetos, por sua vez, nascem de problemas reais que aparecem no atendimento: um fluxo que precisa ser estruturado, uma dor recorrente do cliente, um processo que não funciona bem.

Quando um problema aparece, existem dois caminhos. Se a solução depende de outra área, como produto ou engenharia, a gente leva o insight até lá, com dados e de forma estruturada. Se a gente consegue resolver por aqui, a gente resolve.

É no segundo caminho que a inteligência artificial está fazendo mais diferença.

Soluções provisórias enquanto a definitiva não chega

Muitas melhorias dependem de desenvolvimento e levam tempo para entrar no roadmap (a lista de prioridades) de um time de engenharia. Esse tempo de espera tem um custo: enquanto a correção definitiva não sai, o mesmo problema continua chegando ao atendimento.

É aí que entram as soluções paliativas com IA. Os times de CX têm autonomia para construir soluções provisórias que melhoram os processos internos desde já. Elas resolvem o problema agora e mostram resultado, o que também ajuda a sustentar a prioridade da solução definitiva quando chegar a vez dela.

Um exemplo: a monitoria de qualidade no segundo nível

Um exemplo vem da minha área, o atendimento de segundo nível, que recebe os casos mais complexos, aqueles que não são resolvidos nos canais regulares de chat, e-mail e telefone.

Uma parte importante do nosso trabalho ali é a monitoria de qualidade: revisar atendimentos para checar se os processos estão sendo seguidos do jeito certo. Era um trabalho muito manual e tomava bastante tempo, o que limitava quantos atendimentos a gente conseguia revisar.

Com o auxílio da inteligência artificial, desenvolvemos internamente uma solução via Apps Script (recurso do Google voltado à automação em planilhas e documentos) que otimizou a velocidade dessas monitorias. Além do ganho de tempo, a solução passou a nos dar métricas de acompanhamento, como o tempo gasto por monitor em cada avaliação.

Essas métricas são o ponto que costuma passar despercebido. Foi medindo o processo que a gente identificou a oportunidade de expandir a amostragem por agente e, com isso, escalar o volume de monitorias.

E isso chega ao cliente final. Quando o processo é seguido do jeito certo e a amostra revisada é maior, a chance de o cliente sair satisfeito é maior. A melhoria interna melhora a experiência de quem atende e, no fim, a de quem é atendido.

As duas habilidades que a área passa a exigir

Com base no que vejo hoje, o profissional de CX precisa combinar duas habilidades.

A primeira é a visão analítica: a capacidade de analisar dados, identificar padrões e compreender a causa raiz de cada problema. Sem isso, cada atendimento continua sendo um caso isolado, e o conjunto não vira informação.

A segunda é a adoção e aplicação de IA: a disposição de usar a inteligência artificial tanto no auxílio às análises quanto na construção autônoma de soluções, sem depender apenas de entregas prontas de outras áreas.

As duas andam juntas. A visão analítica define qual problema vale a pena resolver, e a aplicação de IA reduz o tempo entre identificar esse problema e testar uma solução.

CX como ponto de partida das melhorias

O atendimento é onde muitos problemas aparecem primeiro. Por isso, CX também é onde muitas melhorias começam.

Uma pessoa de CX no Nubank resolve o problema do cliente, pergunta por que ele aconteceu e usa dados e IA para que ele não se repita, seja levando o insight para outras áreas, seja resolvendo por aqui.

É um trabalho que começa em um caso e termina em um processo. E é por isso que vale a pena perguntar, depois de cada atendimento resolvido, por que ele precisou existir.

Check our job opportunies