Hoje em dia, a agilidade e a precisão no atendimento ao cliente são diferenciais competitivos cruciais.
Consumidores buscam respostas rápidas e eficientes para suas dúvidas, e a capacidade de oferecer suporte de qualidade pode ser o divisor de águas entre uma venda concretizada e um carrinho abandonado.
É nesse cenário que a inteligência artificial (IA) surge como uma aliada poderosa, e o DeepFAQ, uma solução inovadora, está redefinindo os padrões do atendimento automatizado no e-commerce brasileiro.
Este artigo explora como o DeepFAQ, com sua abordagem baseada em similaridade semântica de sentenças, está superando os desafios dos chatbots tradicionais e proporcionando uma experiência de atendimento ao cliente sem precedentes em plataformas de e-commerce.
Descubra como essa tecnologia, validada por pesquisas acadêmicas e resultados reais, pode impulsionar a eficiência e a satisfação em seu marketplace.
Os desafios do atendimento automatizado tradicional e a inovação do DeepFAQ
Tradicionalmente, os chatbots no e-commerce dependem fortemente da detecção de intenções e entidades para responder às perguntas dos clientes.
Embora eficaz em certos cenários, essa abordagem apresenta desafios significativos de escalabilidade, especialmente em um mercado tão vasto e diversificado como o brasileiro.
A necessidade de mapear todas as possíveis intenções e entidades para cada produto torna o processo complexo e custoso, inviabilizando muitas vezes a adoção por pequenas e médias empresas.
Além disso, o uso de grandes modelos de linguagem (LLMs) pode ser proibitivo devido aos altos custos de infraestrutura e licenciamento.
É aqui que o DeepFAQ se destaca como uma solução revolucionária.
Pesquisadores da Unicamp e da GoBots, mostram que o DeepFAQ propõe um sistema de resposta a perguntas que não se baseia na detecção de intenções ou entidades, mas sim na similaridade semântica de sentenças.
Isso significa que, em vez de tentar adivinhar o que o cliente quer dizer, o sistema compara a pergunta atual com um vasto banco de dados de perguntas e respostas já existentes, encontrando a resposta mais relevante com base no significado da pergunta.
Como o DeepFAQ supera as limitações:
- Escalabilidade: ao focar na similaridade semântica, o DeepFAQ elimina a necessidade de um mapeamento exaustivo de intenções e entidades, tornando a solução altamente escalável para diversas lojas e produtos, mesmo em grandes marketplaces.
- Eficiência: o sistema aproveita o conhecimento já existente nas interações passadas com os clientes. Se uma pergunta já foi respondida por um atendente humano, essa resposta pode ser reutilizada de forma inteligente e precisa.
- Custo-benefício: a abordagem do DeepFAQ oferece uma alternativa mais acessível em comparação com a implementação e manutenção de LLMs complexos, tornando a automação de alta qualidade acessível a um leque maior de empresas de e-commerce.
- Linguagem informal: reconhecendo a natureza informal da linguagem utilizada em plataformas de e-commerce no Brasil, o DeepFAQ foi projetado para lidar com essa particularidade, garantindo que as nuances da comunicação sejam compreendidas e respondidas adequadamente.
Essa inovação representa um salto significativo na forma como as empresas de e-commerce podem automatizar seu atendimento, garantindo respostas precisas e satisfatórias sem a necessidade de intervenção humana constante, liberando os atendentes para casos mais complexos e estratégicos.
Chegou a hora de deixar a nossa inteligência artificial responder pela sua loja no Mercado Livre!
A engenharia por trás da eficiência: como o DeepFAQ funciona
O funcionamento do DeepFAQ é dividido em duas fases principais: Buildtime (tempo de construção) e Runtime (tempo de execução).
Essa arquitetura robusta garante que o sistema esteja sempre atualizado e capaz de fornecer respostas precisas em tempo real.
Buildtime: construindo a base de conhecimento
A fase de Buildtime é onde o DeepFAQ constrói e otimiza sua base de conhecimento, essencial para a eficácia do sistema.
Este processo envolve:
1.Coleta e pré-processamento de dados
O sistema acessa APIs de marketplaces (como o Mercado Livre) para coletar o histórico de perguntas e respostas (QA pairs) de uma loja.
Esses dados são então pré-processados, removendo stop words, convertendo caracteres para minúsculas e eliminando acentos, garantindo a padronização e otimização para análise.
2.Codificação de perguntas (embeddings)
As perguntas pré-processadas são transformadas em representações numéricas chamadas ‘embeddings’ usando o Universal Sentence Encoder (USE).
Esses embeddings capturam o significado semântico das sentenças, permitindo que perguntas com significados semelhantes tenham valores numéricos próximos.
3.Armazenamento em banco de dados vetorial
Os embeddings das perguntas, juntamente com seus respectivos pares de perguntas e respostas, são armazenados em um banco de dados vetorial, como o Elasticsearch.
Isso permite uma busca eficiente por similaridade, evitando a duplicação de perguntas e otimizando o processo de recuperação de candidatos.
4.Treinamento da rede neural DeepSim
Uma rede neural chamada DeepSim é treinada em paralelo com a população do banco de dados.
A DeepSim é otimizada para comparar dois embeddings de perguntas e determinar a probabilidade de elas serem idênticas.
Este treinamento é crucial para refinar a precisão na identificação de perguntas similares, mesmo com a informalidade da linguagem do e-commerce brasileiro.
Para superar a escassez de datasets em português para similaridade de sentenças em e-commerce, a pesquisa utilizou uma combinação de datasets, incluindo a tradução do Quora Question Pair e dados auto-gerados, além de dados anotados por freelancers.
Runtime: respondendo em tempo real
A fase de Runtime é onde o DeepFAQ entra em ação para responder às novas perguntas dos clientes de forma instantânea e precisa:
1.Pré-processamento e codificação da nova pergunta
Uma nova pergunta de um cliente passa pelo mesmo processo de pré-processamento e codificação (usando o USE) que as perguntas na fase de Buildtime, transformando-a em um embedding.
2.Recuperação das Top-K perguntas similares
O embedding da nova pergunta é usado para consultar o banco de dados vetorial, recuperando as ‘top-k’ perguntas mais similares com base na similaridade de cosseno.
Essa etapa filtra um conjunto de candidatos potenciais.
3.Ranqueamento com a rede DeepSim
As perguntas candidatas recuperadas são então avaliadas pela rede DeepSim em conjunto com a nova pergunta.
A DeepSim atribui uma pontuação de confiança a cada candidato, indicando a probabilidade de ser semanticamente similar à pergunta original.
Isso é vital, pois o USE, embora capture a intenção, pode não diferenciar detalhes específicos do produto, que são cruciais no e-commerce.
4.Geração da resposta
A pergunta candidata com a maior pontuação de confiança (acima de um limiar definido pela loja) é selecionada.
A resposta associada a essa pergunta histórica é então utilizada.
O sistema realiza um pós-processamento, adicionando saudações e assinaturas, e verifica a validade de URLs, garantindo que a resposta final seja completa e útil.
5.População contínua e aprendizado
Um dos aspectos mais inteligentes do DeepFAQ é seu mecanismo de aprendizado contínuo.
Se o sistema não consegue responder a uma pergunta, um atendente humano intervém.
Essa nova interação (pergunta e resposta do atendente) é automaticamente enviada ao DeepFAQ, que a armazena em sua base de conhecimento.
Isso garante que o sistema esteja sempre se atualizando com novos produtos, termos e padrões de perguntas, melhorando continuamente sua performance e adaptabilidade.
Essa sinergia entre as fases de Buildtime e Runtime, aliada ao aprendizado contínuo, faz do DeepFAQ uma solução de atendimento automatizado extremamente eficaz e adaptável às necessidades dinâmicas do e-commerce.
Resultados comprovados e o impacto do DeepFAQ no e-commerce brasileiro
A eficácia do DeepFAQ não se limita à teoria; ela foi comprovada em um ambiente real de e-commerce.
O sistema foi implantado em lojas online no Brasil, especificamente em um dos maiores marketplaces da América do Sul, e monitorado por um período de um mês (de 14 de maio a 14 de junho de 2023).
Os resultados foram impressionantes:
13.991 perguntas respondidas
Durante o período de monitoramento, o DeepFAQ auxiliou no atendimento de quase 14 mil perguntas de clientes reais, demonstrando sua capacidade de lidar com um alto volume de interações.
97,75% de satisfação
A abordagem de desenvolvimento do DeepFAQ alcançou uma taxa de satisfação de 97,75% com as respostas fornecidas.
Este índice elevado reflete a precisão e a relevância das informações entregues aos consumidores, superando as dificuldades que chatbots tradicionais enfrentam ao lidar com a complexidade das perguntas em linguagem natural.
Melhora na experiência do cliente
Ao garantir respostas rápidas e precisas, o DeepFAQ contribui diretamente para uma melhor experiência do cliente, um fator crucial para a fidelização e para a decisão de compra no ambiente online.
Otimização do trabalho humano
A automação de um volume tão significativo de perguntas libera os atendentes humanos para se concentrarem em casos mais complexos, estratégicos ou que exigem empatia e raciocínio humano, otimizando os recursos da equipe de atendimento.
A sinergia com a GoBots: atendimento inteligente para marketplaces
A GoBots, uma das empresas parceiras no desenvolvimento desse conteúdo sobre o DeepFAQ, desempenha um papel fundamental na aplicação prática dessa tecnologia nos marketplaces como Amazon, Shopee, Mercado Livre e Magalu.
O sistema DeepFAQ funciona em conjunto com a plataforma da GoBots, que já é especializada em extrair intenções e entidades das perguntas dos clientes diretamente nos marketplaces.
Essa integração estratégica permite que o DeepFAQ atue como uma camada avançada, lidando com as perguntas mais complexas que uma LLM simples não consegue resolver de forma otimizada.
Essa sinergia entre o DeepFAQ e a GoBots oferece uma solução completa e altamente eficaz para marketplaces e plataformas de e-commerce que buscam otimizar seu atendimento ao cliente.
A equipe da GoBots tem o controle total sobre os parâmetros do sistema, garantindo que a solução seja adaptada às necessidades específicas de cada loja e que o fluxo de atendimento seja sempre o mais eficiente possível.
Ao adotar o DeepFAQ em sua plataforma de atendimento, as empresas de e-commerce não apenas automatizam suas operações, mas também elevam a qualidade do suporte ao cliente, transformando cada interação em uma oportunidade de fortalecer o relacionamento e impulsionar as vendas.
Conclusão: o futuro do atendimento no e-commerce é agora
O DeepFAQ representa um avanço significativo no campo do atendimento automatizado para o e-commerce brasileiro.
Ao focar na similaridade semântica de sentenças, a solução oferece uma alternativa escalável, eficiente e de alto impacto para empresas que buscam otimizar suas operações de suporte ao cliente.
Com resultados comprovados em um ambiente real de marketplace, o DeepFAQ demonstra que é possível oferecer um atendimento de excelência, com alta taxa de satisfação e otimização de recursos, sem comprometer a qualidade ou a personalização.
Para marketplaces e plataformas de e-commerce que desejam se destacar em um mercado cada vez mais competitivo, investir em soluções como a plataforma GoBots não é apenas uma opção, mas uma necessidade estratégica.
Quer transformar o atendimento ao cliente em seu e-commerce e impulsionar suas vendas?
Conheça mais sobre as soluções da GoBots e como o DeepFAQ pode revolucionar a experiência dos seus consumidores.
Referências
Artigo Científico: Sotelo Chico, V. J., Zucchi, L., Ferragut, D., Caus, R., de Freitas, V. H., & dos Reis, J. C. (2023). Automated question answering via natural language sentence similarity: Achievements for Brazilian e-commerce platforms. Anais do Simpósio Brasileiro de Tecnologia da Informação e da Linguagem Humana (STIL), 14, 74-83. Disponível em: https://sol.sbc.org.br/index.php/stil/article/view/25439
