Este projeto gerou ganhos concretos para a operação:
- 📈 Recuperação de NPS: O projeto provocou uma gestão real time de indicadores de satisfação ajudando o NPS sair de 35,77 em Julho/2025 para 61,32 em Setembro/2025
- ⚙️ Automação de relatórios: De semanal (terça-feira) para Atualização diária
- 🧠 Adoção de IA para detecção de padrões e alavancas de resultado
- 🔍 Mapeamento automático de causa raiz colaborando em melhoria contínua de jornada (antes manual)
- 🛡️ Identificação preventiva de situações de alto attrition capturadas pelo código
| Página 1: Insights e Causa Raiz | Página 2: IA e Propensão de Attrition |
 |
 |
| Página 3: Análise de Volumetria | Página 4: PNL Isolada |
 |
 |
Este projeto integra dados de CRM próprio com metodologias avançadas de PNL e Inteligência Artificial. Utiliza um simulador de GPT e algoritmos de captura de strings via Speech e Text Analytics para transformar conversas brutas em insights acionáveis de experiência do cliente.
Nota de Confidencialidade: Devido a políticas de LGPD, dados sensíveis e nomes de colunas reais foram omitidos ou mascarados. O foco deste repositório é demonstrar a arquitetura da solução e os resultados de negócio obtidos.
A solução foi construída em camadas, desde a captura de dados brutos até a geração de ações preventivas em tempo real.
- CRM próprio
- Speech Analytics (áudio → texto)
- Text Analytics (texto de pesquisas, comentários, chats)
Essas fontes alimentam o pipeline com conversas e feedbacks brutos de clientes.
- Ingestão & limpeza de texto
- Detecção de expressões chave e geração de WordCloud
- Pareto de motivos de reclamação
- Classificação de temas (Processos, Pessoas, Negócio)
- Cálculo de volumetria por canal, local e equipe
- Identificação de menções críticas e risco de attrition
Aqui entram as regras de negócio, NLP e lógica de categorização que transformam texto em dados estruturados.
- Notebook principal:
notebooks/pipeline_insights_cx.ipynb - Criação e tratamento de:
Fato_PesquisasFato_Respostas- Tabelas de parâmetros de filtro
- Tabelas de suporte estatístico (ex.: desvio padrão)
Essa camada consolida a saída do pipeline de IA & PNL e prepara o modelo tabular para consumo no BI.
- Ferramenta: Power BI
- Lógica de negócio implementada via DAX, incluindo:
- Métricas de volumetria por canal
- Propensão de attrition por tema, canal, local e equipe
- NPS, rankings e paretos de motivos
- Indicadores de produção e performance (carga, tempo de atualização, capacity)
Detalhes adicionais de métricas estão documentados em:
metrics/tabela_metricas_dax.mdmetrics/indicadores_utilizados.mdmetrics/exemplos_dax.txt
- Páginas do dashboard:
- Página 1: Insights & Causa Raiz
- Página 2: IA & Propensão de Attrition
- Página 3: Volumetria & Estatística
- Página 4: PNL Isolada
- Chat com IA para:
- Consultar volumetria
- Gerar cenários
- Tirar dúvidas sobre resultados
- Sugerir ações
Essa camada conecta usuários de negócio diretamente aos insights gerados pela solução.
- Recuperação de NPS de 35,77 para 61,32 em 2 meses
- Automação de relatórios: de semanal para diário
- Mapeamento automático de causa raiz e motivos prioritários
- Identificação preventiva de casos de alto attrition
Essa arquitetura fecha o ciclo completo: dado bruto → inteligência de IA/PNL → decisão → resultado de negócio.
- IA & NLP: Speech/Text Analytics para captura de strings e análise de sentimento
- UX/UI Design: Figma para prototipação de alta fidelidade
- Arquitetura: SQL para manipulação e Discovery de Dados
- BI: Power BI e DAX avançado para simulação de cenários
- Metodologia: SCRUM, Lean Six Sigma (LSS) e Discovery de Negócios (Confluence)
/metrics: Fórmulas DAX e lógica de predição de attrition/Notebooks: Pipiline do projeto (camada final)/results: Resultados consolidados de reversão de KPIs/visuals: Capturas da interface e fluxos de NLP/documentation: README, LICENSE
Jessé Oliveira de Castro