Como IA Transforma Reclamações de Clientes em Insights Acionáveis

Os velhos dias do movimento da Qualidade parecem antiquados em retrospecto: as faixas, os slogans, os prêmios e eventos de team-building. Hoje, gestão de qualidade é toda sobre informação — ou, mais precisamente, como evitar ser soterrado nela.

O Problema do Volume

Na era das mídias sociais, há tantos dados ricos disponíveis de consumidores que empresas deveriam ser capazes de converter esse feedback na criação de produtos perfeitos. Se apenas. O problema é de volume puro. Como comerciantes, especialmente em indústrias focadas em qualidade como farmacêuticas, podem dar sentido a toda essa informação?

A resposta curta é que não podem — não sem a ajuda de inteligência artificial e a ciência emergente de modelagem preditiva.

O Desafio Farmacêutico

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

De fato, a preponderância de reclamações é geralmente de baixo risco, segundo Steve McCarthy, vice-presidente de inovação digital com a Sparta Systems, fornecedora de software de gestão de qualidade. No entanto, diz ele, toda reclamação tem que ser "tocada". O truque está em filtrar o "ruído" e focar no feedback verdadeiramente importante.

IA e Processamento de Linguagem Natural

Com melhorias em processamento de linguagem natural, IA se tornou um meio cada vez mais viável de interpretar todos aqueles dados. A ideia é deixar automação classificar os dados brutos, então apresentar à unidade de tratamento de reclamações uma avaliação de severidade, possíveis causas raiz e até sugestões para ação.

Permanece — pelo menos por enquanto — o trabalho de pessoas aceitar ou rejeitar categorizações e sugestões geradas por computador. "Neste estágio", diz McCarthy, "não estamos removendo o humano do processo de tomada de decisão, mas estamos tentando aprimorar a capacidade de tomar decisões mais inteligentes e eficazes."

Machine Learning e Melhoria Contínua

Em teoria, o sistema deve melhorar suas capacidades analíticas com experiência. Essa é a base do machine learning, um aspecto chave da IA moderna. Quanto mais digere dados e relata a engenheiros de qualidade, maior o nível de precisão que provavelmente terá, diz McCarthy.

Além da Segurança do Paciente

Além de satisfazer a prioridade óbvia de segurança do paciente, um sistema impulsionado por IA também será mais custo-efetivo que uma avaliação manual, liderada por humanos. (Assumindo que esta última é mesmo possível, dada a inundação de informação com a qual fabricantes devem lidar hoje.)

Mas custo não é a única razão para buscar meios mais eficientes de processar reclamações. "Há o fator de velocidade e tempestividade", diz McCarthy. "É importante chegar a um entendimento sólido da severidade provável e [nível de] risco associado a uma reclamação, para que você possa completar a investigação de causa raiz."

Modelagem Preditiva: O Próximo Passo

O próximo passo no uso de IA — e um que está longe de atingir maturidade completa neste ponto — é modelagem preditiva. Tendo se provado capaz de contextualização de dados, categorização de pedidos e avaliação de risco automatizada, o sistema pode então começar a antecipar os tipos de reclamações que receberá. Através do uso de análise de tendências, pode realmente prever o nível de severidade ou risco que uma reclamação provavelmente representará.

Armado com volumes crescentes de entrada, o motor de IA pode identificar o número e natureza de desvios de benchmarks de qualidade. Em efeito, diz McCarthy, está aprendendo com aqueles dados antes que um produto seja mesmo lançado.

"Esses conjuntos de dados podem ser reunidos para que se você veja um certo padrão no chão de fábrica que foi ligado a dados de reclamação pós-mercado, você pode correlacionar aqueles conjuntos de dados e começar a prever que esse certo padrão poderia levar a uma reclamação", explica McCarthy.

Sistema de Loop Fechado

O feedback se torna parte de um sistema de loop fechado pelo qual é incorporado de volta na fabricação do produto. O fabricante pode descobrir que um medidor de pressão está com defeito. Ou uma falha pode ser detectada na fase de design, necessitando mudança em matérias-primas e configurações iniciais de produção.

Aplicabilidade Ampla

Embora o valor de um processo de qualidade impulsionado por IA pareça mais evidente em ciências da vida, McCarthy vê a tecnologia como aplicável igualmente a qualquer número de outras indústrias. Fabricantes de dispositivos médicos, por exemplo, podem se beneficiar enormemente ao poder ajustar equipamentos de capital caros antes que vão ao mercado. "No final do dia", diz McCarthy, "é sobre detecção de sinal."

Desafios Remanescentes

A tecnologia ainda tem um caminho a percorrer antes que modelagem preditiva se torne um exercício confiável e eficaz. Nos últimos anos, IA fez grandes avanços em entender sutilezas e sentimentos por trás de respostas humanas, mas está longe de perfeita. Como, por exemplo, um fabricante de lentes de contato analisa tais reclamações como "arranhando", "coçando", "queimando", e simplesmente "uma sensação desconfortável"?

McCarthy espera ver avanços contínuos na tecnologia, à medida que fabricantes de ciências da vida se esforçam para atender tanto gostos do consumidor quanto estritas regulatórias. A indústria automotiva também pode se beneficiar do uso de IA para melhorar segurança e construir testes de qualidade na manufatura.

"Está sendo pilotado em várias áreas", diz McCarthy. "A capacidade de aplicar modelagem preditiva a esse processo é muito empolgante. Não consigo nem imaginar as capacidades que teremos em poucos anos."