Não consegue lidar com uma massa de reclamações de clientes? AI para o resgate

Os velhos tempos do movimento pela Qualidade parecem curiosos em retrospecto:os banners, os slogans, os prêmios e eventos de formação de equipes. Hoje, o gerenciamento da qualidade é tudo sobre informações - ou, mais especificamente, como evitar ser enterrado nelas.

Na era das mídias sociais, há tantos dados valiosos disponíveis dos consumidores que as empresas deveriam ser capazes de converter esse feedback na criação de produtos perfeitos. Se apenas. O problema é o volume absoluto. Como os comerciantes, especialmente em setores com foco na qualidade, como os farmacêuticos, podem entender todas essas informações?

A resposta curta é que eles não podem - não sem a ajuda da inteligência artificial e da ciência emergente da modelagem preditiva.

Um fabricante de medicamentos normalmente recebe dezenas de milhares de comentários e reclamações de várias fontes ao redor do mundo. A unidade padrão de tratamento de reclamações estaria lutando para fazer a triagem dessa entrada esmagadora, separando o positivo do negativo, o trivial do ameaçador.

Na verdade, a preponderância de reclamações costuma ser de baixo risco, de acordo com Steve McCarthy, vice-presidente de inovação digital da Sparta Systems, fornecedora de software de gerenciamento de qualidade. No entanto, diz ele, toda reclamação deve ser "tocada". O truque está em filtrar o “ruído” e focar no feedback verdadeiramente importante.

Com melhorias no processamento de linguagem natural, a IA se tornou um meio cada vez mais viável de interpretar todos esses dados. A ideia é deixar a automação classificar os dados brutos e, em seguida, apresentar à unidade de tratamento de reclamações uma avaliação da gravidade, possíveis causas raiz e até sugestões de ação.

Continua a ser - pelo menos por agora - o trabalho das pessoas aceitar ou rejeitar categorizações e sugestões geradas por computador. “Neste estágio”, diz McCarthy, “não estamos removendo o ser humano do processo de tomada de decisão, mas estamos tentando melhorar a capacidade de tomar decisões mais inteligentes e eficazes”.

Em teoria, o sistema deve melhorar suas capacidades analíticas com a experiência. Essa é a base do aprendizado de máquina, um aspecto fundamental da IA ​​moderna. Quanto mais ele digere dados e os retransmite aos engenheiros de qualidade, maior é o nível de precisão que provavelmente terá, diz McCarthy.

Além de satisfazer a prioridade óbvia de segurança do paciente, um sistema conduzido por IA também será mais econômico do que uma avaliação manual conduzida por humanos. (Supondo que o último seja mesmo possível, dada a enxurrada de informações com que os fabricantes devem lidar hoje.)

Mas o custo não é o único motivo para buscar um meio mais eficiente de processar reclamações. “Existe o fator de velocidade e pontualidade”, diz McCarthy. “É importante obter um entendimento sólido da provável gravidade e [nível de] risco associado a uma reclamação, para que você possa concluir a investigação da causa raiz.”

A próxima etapa no uso de IA - e que está longe de atingir a maturidade total neste ponto é a modelagem preditiva. Tendo provado ser capaz de contextualizar dados, categorização de pedidos e avaliação automatizada de riscos, o sistema pode então começar a antecipar os tipos de reclamações que receberá. Por meio do uso da análise de tendências, ele pode realmente prever o nível de gravidade ou risco que uma reclamação provavelmente representará.

Armado com volumes crescentes de entrada, o motor AI pode identificar o número e a natureza dos desvios dos benchmarks de qualidade. Na verdade, diz McCarthy, é aprender com esses dados antes mesmo de um produto ser lançado.

“Esses conjuntos de dados podem ser reunidos de modo que, se você observar um determinado padrão no chão de fábrica que foi vinculado aos dados de reclamação pós-mercado, possa correlacionar esses conjuntos de dados e começar a prever que esse determinado padrão pode levar a uma reclamação, ”Explica McCarthy.

O feedback torna-se parte de um sistema de circuito fechado pelo qual é incorporado de volta à fabricação do produto. O fabricante pode descobrir que um manômetro não está funcionando corretamente. Ou uma falha pode ser detectada na fase de design, exigindo uma mudança nas matérias-primas e configurações iniciais de produção.

Embora o valor de um processo de qualidade orientado por IA pareça mais evidente nas ciências da vida, McCarthy vê a tecnologia como aplicando-se igualmente a qualquer número de outras indústrias. Os fabricantes de dispositivos médicos, por exemplo, podem se beneficiar enormemente ao serem capazes de ajustar equipamentos de capital caros antes de irem ao mercado. “No final do dia”, diz McCarthy, “trata-se de detecção de sinal”.

A tecnologia ainda tem um longo caminho a percorrer antes que a modelagem preditiva se torne um exercício confiável e eficaz. Nos últimos anos, a IA fez grandes avanços na compreensão das sutilezas e sentimentos por trás das respostas humanas, mas está longe de ser perfeita. Como, por exemplo, um fabricante de lentes de contato analisa queixas como “arranhões”, “coceira”, “queimação” e simplesmente “uma sensação desconfortável”?

McCarthy espera ver avanços contínuos na tecnologia, à medida que os fabricantes de ciências biológicas se esforçam para atender aos gostos dos consumidores e às restrições regulatórias. A indústria automotiva também se beneficia do uso de IA para melhorar a segurança e desenvolver testes de qualidade na fabricação.

“Ele está sendo testado em várias áreas”, diz McCarthy. “A capacidade de aplicar modelagem preditiva a esse processo é muito empolgante. Não consigo nem imaginar os recursos que teremos em poucos anos. ”