Análise de dados para a experiência do cliente: um caso prático nas operações de faturação
Este modelo permite uma validação direcionada, tornando a equipa de revisão de faturas duas vezes mais produtiva.
Em resumo
Desafio
O problema das faturas incorretas é frequentemente mais significativo do que aparenta, com custos visíveis, como chamadas para o apoio ao cliente, mas também com muitos clientes insatisfeitos que não apresentam reclamações. Apesar dos fortes investimentos na fiabilidade dos sistemas de faturação, continuam a ser emitidas faturas com erros. Como resposta, o nosso cliente do setor das telecomunicações convergentes criou uma equipa de revisão de faturas como “último recurso”, dedicada à validação e correção manual das mesmas. Dada a capacidade limitada da equipa, o grande desafio passava por selecionar de forma eficiente as faturas a rever, maximizando a resolução de problemas.
Solução
A partir de dados históricos ricos sobre problemas de faturação, foi desenvolvido um modelo preditivo para identificar faturas potencialmente incorretas. Combinou-se um algoritmo avançado de machine learning com validações específicas baseadas no conhecimento do negócio, para garantir a máxima eficácia. Foram identificadas causas principais de erro, como o fim de campanhas promocionais e alterações no portefólio de produtos. O modelo foi integrado numa aplicação simples e intuitiva para a equipa de revisão, que sugere as faturas prioritárias em cada ciclo de faturação. A implementação contou com acompanhamento próximo para garantir a adoção total da solução.
Resultados
O modelo desenvolvido permitiu melhorar significativamente a deteção de erros, identificando faturas com uma taxa de erro três vezes superior ao método anterior. Ao permitir uma validação mais direcionada, a produtividade da equipa duplicou, resultando num aumento de seis vezes no número de faturas sinalizadas. Além disso, o modelo consegue detetar faturas inequivocamente incorretas, permitindo a sua correção imediata. No total, o número de problemas resolvidos no mesmo período multiplicou-se por 12, contribuindo para uma faturação mais fiável e para uma melhor experiência do cliente.
O problema é, tipicamente, maior do que parece à primeira vista: para além dos custos visíveis, como as chamadas recebidas que sobrecarregam as linhas de apoio ao cliente, existem muitos clientes insatisfeitos que não chegam a apresentar reclamações.
Os investimentos avultados nos sistemas de faturação são uma resposta comum, com o objetivo de tornar as interfaces à prova de erro e os processos transacionais mais fiáveis. No entanto, na maioria dos casos, continuam a ser emitidas faturas incorretas todos os meses.
Perante este desafio, o nosso cliente — uma operadora de telecomunicações convergente — criou uma equipa de revisão de faturas como “último recurso”, dedicada à validação manual das faturas e à sua correção. Dada a capacidade limitada da equipa, a grande questão era: como selecionar as faturas certas a rever, para resolver o maior número possível de problemas?
Aproveitando os dados detalhados sobre erros de faturação detetados recentemente, foi desenvolvido um modelo capaz de identificar faturas potencialmente incorretas.
Foi utilizado um algoritmo de machine learning de última geração, combinado com validações específicas orientadas pelo conhecimento do negócio e dos sistemas, garantindo assim a máxima eficácia.
Diversas fontes relevantes de erros de faturação foram identificadas ao longo do desenvolvimento, como o término de campanhas promocionais e alterações no portefólio de produtos introduzidas por agentes comerciais.
O modelo desenvolvido foi integrado numa aplicação simples e intuitiva, usada pela equipa de revisão de faturas para selecionar, em cada ciclo de faturação, os documentos a validar. Durante a fase inicial, foi prestado um acompanhamento próximo à equipa, assegurando a adoção plena da solução.
Na prática, a taxa de erro nas faturas selecionadas pelo modelo é três vezes superior à da abordagem anterior, o que significa que a equipa está a concentrar os seus esforços onde há maior probabilidade de problemas. Além disso, ao indicar o erro esperado, o modelo permite uma validação direcionada, tornando a equipa duas vezes mais produtiva. A combinação destes dois fatores resulta num aumento de seis vezes no número de faturas assinaladas.
Adicionalmente, o modelo consegue também identificar faturas inequivocamente incorretas, que não carecem de validação manual e são diretamente corrigidas.
No total, considerando as marcações manuais e automáticas, o número de problemas resolvidos multiplicou-se por 12 no mesmo período de tempo — uma melhoria significativa na fiabilidade do processo de faturação e na experiência do cliente.
