Visão Geral
A Weather*, líder brasileira em assistência 24h, enfrentava um desafio crítico de eficiência e custo, o que impactava diretamente sua margem de lucro.
Com mais de 22 mil acionamentos mensais via WhatsApp, a experiência do chatbot era pouco intuitiva causando insatisfação. Isso forçava um "transbordo" excessivo de usuários para o custoso atendimento humano (call center), criando a oportunidade de reduzir custos operacionais e elevar a satisfação do cliente.
*Nome fictício para descaracterizar o nome real do cliente.
Meu Papel
Identificando as Fricções
Dificuldade dos usuários
Amanda Silveira
“sem mais humano, pois uma situação de ajuda e desespero é horrível falar com algo q as vezes pode ser simples e a ferramenta nao entender, e outra 0800 e outro numero nem sempre funciona”
Elizabete Flores
“poderiam liberar o atendimento para ser feito por este canal"
Marcos Alexandre
“nao resolvi meu problema e me deram o telefone de capitais e regiões metropolitanas”
Causa Raiz e a Solução Estrutural
Aprofundando a investigação sobre os 72% de abandono, concluí que o problema não era da interface conversacional, mas estrutural. A lógica da API forçava todos os usuários a uma triagem de dados longa e complexa, sendo a causa raiz da frustração.
Minha solução foi redesenhar a arquitetura de informação da API, criando duas jornadas distintas alinhadas aos perfis que descobrimos: um fluxo guiado para "iniciantes" e um caminho direto para "avançados". Após o alinhamento com o time de produto, a nova lógica foi implementada, resultando na redução da necessidade de contato humano para 36%.
Experiência em Ação
Com a nova arquitetura de informação da API definida, nosso foco se voltou para a qualidade e inteligência de cada interação. Para transformar a experiência de "um chatbot que não entende" para "um assistente que resolve", implementamos duas melhorias cruciais:
Inteligência Conversacional (IA)
Introduzimos um sistema de Processamento de Linguagem Natural (NLP) para interpretar e corrigir as mensagens dos usuários. Através de uma cascata de validação, o chatbot passou a compreender as intenções por trás das palavras, mesmo com erros de digitação, tornando a conversa drasticamente mais resolutiva.
Métricas Focadas na Usabilidade
Argumentei que a métrica NPS, usada pela empresa, era muito ampla para avaliar a qualidade de uma interação específica. Por isso, liderei a transição para o CSAT (Customer Satisfaction Score) ao final de cada fluxo. Isso nos deu um feedback mais direto e acionável para realizar testes A/B e refinar continuamente a usabilidade e a fraseologia da conversa, com base em dados reais de satisfação.
Aprendizados e Visão de Futuro
Concluímos o projeto superando as metas iniciais e, mais importante, gerando aprendizados que nortearam a estratégia futura do produto.
Principais Acertos
A segmentação de usuários foi uma ação de alta alavancagem que, com baixo esforço técnico, gerou um resultado expressivo e melhorou a percepção de valor para nossos clientes B2B mais importantes.
Aprendemos que em produtos conversacionais, mapear a arquitetura de dados e as regras de negócio antes de desenhar os fluxos se tornou um passo obrigatório, economizando semanas de refatoração.
O sucesso e a flexibilidade da solução validaram a viabilidade de um produto whitelabel, abrindo portas para uma nova e promissora linha de receita para a empresa.
Pontos de Melhoria e Reflexões
Nossa investigação inicial focou excessivamente na usabilidade da conversa. Deveríamos ter feito um diagnóstico técnico profundo com a engenharia. Entender a rigidez da API tardiamente nos custou um tempo valioso explorando soluções superficiais, quando o problema era estrutural.
Partimos da hipótese de que um único fluxo, mesmo que bem desenhado, atenderia a todos os usuários. Aprendemos que a segmentação entre "iniciantes" e "avançados" não era uma otimização, mas um requisito fundamental para o sucesso do produto.
Começamos o projeto usando a métrica de sucesso padrão da empresa (NPS). No entanto, percebemos que ela era ampla demais para gerar insights acionáveis sobre a usabilidade no chatbot. A decisão de mudar para CSAT por jornada foi reativa; hoje, eu defenderia a definição de métricas granulares.