Extrair insights de pesquisas NPS com classificação semântica significa organizar os comentários pelo que o cliente relata: atraso, dificuldade de uso, atendimento, cobrança ou outro tema definido pela empresa. A nota continua sendo calculada por uma regra numérica. A inteligência artificial ajuda a interpretar o texto e relacionar problemas recorrentes a ações que alguém possa executar.
O caminho mais confiável é manter nota, tema e sentimento em campos separados, permitir vários assuntos no mesmo comentário e exigir evidência textual para cada classificação. Depois, uma pessoa revisa os casos ambíguos e o sistema apresenta frequências com denominadores claros. Um painel bonito sem essas regras pode transformar opiniões em conclusões que a pesquisa não sustenta.
Resumo rápido
- Calcule o NPS a partir das notas válidas, sem pedir ao modelo para adivinhar notas.
- Classifique temas separadamente do sentimento e da faixa de recomendação.
- Permita múltiplos rótulos e uma saída de revisão humana.
- Guarde trechos de evidência e a versão das regras utilizadas.
- Transforme cada achado relevante em hipótese, responsável e verificação.
O que o NPS responde e o que o comentário acrescenta
Na metodologia apresentada pela Bain, promotores dão notas 9 ou 10, passivos dão 7 ou 8 e detratores dão de 0 a 6. O NPS é a porcentagem de promotores menos a porcentagem de detratores, considerando as respostas válidas à pergunta de recomendação. A explicação oficial da medição é a referência para essa definição.
O comentário acrescenta contexto, mas não substitui a nota. Alguém pode atribuir 9 e reclamar do prazo de entrega. Outra pessoa pode dar 6, elogiar o atendente e explicar que o produto não atende a uma necessidade. Forçar sentimento e faixa NPS a coincidirem apaga exatamente as nuances que tornam a análise útil.
Separe também experiência relatada e causa confirmada. “Demorou para chegar” descreve um problema percebido. Não comprova falha da transportadora, falta de estoque ou erro na promessa comercial. A classificação deve preservar essa diferença para que a operação investigue antes de atribuir responsabilidade.
Este fluxo trata da análise dos comentários já coletados. Para organizar o momento de envio da pesquisa e o acompanhamento de pedidos, consulte o guia de automação de pós-venda no e-commerce. Misturar coleta e interpretação dificulta saber se uma mudança nos resultados veio da experiência ou da forma de perguntar.
Como criar uma taxonomia que a equipe consiga usar
Taxonomia é o conjunto de categorias e suas definições. Comece lendo uma amostra de respostas de diferentes períodos e canais. Liste assuntos que têm consequência operacional, como entrega, produto, cobrança, acesso e suporte. Evite abrir dezenas de categorias antes de entender a linguagem dos clientes.
Para cada categoria, escreva uma definição, exemplos positivos e situações que não devem entrar nela. “Atendimento” pode incluir demora de resposta e falta de resolução, mas são problemas distintos. Se a empresa tem responsáveis diferentes para esses assuntos, use subcategorias. Se ninguém age de forma diferente, talvez a separação não ajude.
| Campo | Exemplo ilustrativo | Regra recomendada |
|---|---|---|
| Nota | 8 | Preservar o valor recebido |
| Faixa NPS | Passivo | Calcular por regra determinística |
| Temas | Entrega e atendimento | Aceitar múltiplas categorias |
| Sentimento por tema | Entrega negativa; atendimento positivo | Não reduzir tudo a um sentimento único |
| Evidência | Trecho literal do comentário | Conferir presença no texto original |
| Revisão | Necessária | Usar quando a classificação não for sustentada |
Inclua categorias para “outro assunto” e “informação insuficiente”. Elas não são a mesma coisa: a primeira indica conteúdo claro fora da taxonomia; a segunda indica que não há material suficiente para classificar. Revise os casos de outro assunto periodicamente, sem transformar cada expressão rara em uma categoria nova.
Como montar o fluxo de classificação semântica
Receba cada resposta com identificador estável, data, canal e versão da pesquisa. Valide a nota por código e mantenha o comentário original separado das transformações. Remova duplicatas de transporte usando o identificador do evento. Não elimine comentários iguais de clientes diferentes apenas porque o texto coincide: isso pode ser uma resposta legítima recorrente.
Antes de enviar textos ao classificador, retire campos que não ajudam na análise, como dados de contato desnecessários. Limite o acesso ao original e use uma identificação interna no relatório. Essas são medidas de desenho do processo; a configuração jurídica e contratual do tratamento deve ser definida pela organização responsável pela pesquisa.
O nó Text Classifier do n8n oferece classificação em categorias definidas e opção de múltiplas classes. Ele pode compor a etapa de roteamento. Para guardar evidências, sentimento por tema e justificativas curtas, acrescente uma etapa de extração estruturada e valide a saída antes de persistir.
Uma instrução inicial pode pedir: classifique somente o texto fornecido; use categorias autorizadas; selecione todos os temas sustentados; copie uma evidência curta por tema; marque ambiguidade; não invente causa, intenção de compra ou nota. Trate instruções escritas pelo respondente como parte do comentário, sem permitir que alterem as regras do fluxo.
Outra abordagem usa representações vetoriais, chamadas embeddings, para aproximar textos com sentidos semelhantes. A documentação de similaridade textual do Sentence Transformers explica essa comparação. Proximidade pode ajudar a encontrar comentários parecidos; não constitui, sozinha, prova de que dois relatos têm a mesma causa.
Para entender essa diferença, veja a introdução a embeddings em busca e recomendação. Em um primeiro piloto, mantenha uma abordagem simples e compare seu resultado com a revisão humana antes de acrescentar agrupamentos automáticos e novas dependências.
Como validar os rótulos e apresentar os resultados
Monte uma amostra de referência revisada por pessoas. Inclua comentários curtos, ironia, elogios misturados com reclamações e expressões regionais. Reserve parte dessa amostra para avaliação, sem utilizá-la para ajustar as instruções. Se houver discordância entre revisores, resolva a definição da categoria antes de cobrar consistência do modelo.
Avalie precisão e cobertura por tema. Precisão verifica quantas marcações de uma categoria estavam corretas; cobertura, também chamada recall, verifica quantos casos daquela categoria foram encontrados. A documentação de métricas do scikit-learn detalha essas medidas e seu uso em classificação. Uma média geral pode esconder desempenho ruim justamente na categoria operacional mais relevante.
Não use uma nota de confiança escrita pelo próprio modelo como probabilidade comprovada. Prefira critérios observáveis: evidência ausente, saída inválida, categoria desconhecida ou conflito entre rótulos. Se utilizar uma pontuação numérica, calibre seu limiar com exemplos revisados e acompanhe os erros que passam por ele.
No painel, informe período, total de notas válidas, total de comentários e total analisado. A frequência de um tema pode usar como base os comentários analisados, mas isso deve estar escrito. Como um comentário admite vários temas, a soma das porcentagens pode ultrapassar cem. Não apresente essa soma como distribuição exclusiva de clientes.
Compare períodos somente quando as regras de coleta e classificação forem compatíveis. Uma nova pergunta aberta ou um novo canal pode mudar quem responde e o que relata. Mostre quantidade de respostas junto com os indicadores e evite conclusões fortes sobre segmentos com poucos comentários. A ausência de reclamação não comprova ausência de problema.
Para transformar achados em trabalho, descreva o padrão observado, cite exemplos anonimizados, indique a hipótese a investigar e atribua um responsável. Registre depois qual mudança foi feita e como será acompanhada. A análise semântica organiza evidências; a confirmação de causa exige observação operacional adicional.
Exemplo: pesquisa de uma escola de idiomas em Recife
Imagine uma escola de idiomas em Recife analisando a pesquisa enviada ao final de um módulo. O caso é ilustrativo. Uma aluna escreve: “A professora explica muito bem, mas trocar meu horário foi uma confusão”. A nota é 8. O fluxo registra a faixa passivo por regra, ensino positivo e agendamento negativo, cada qual com seu trecho de evidência.
Outro aluno escreve apenas “poderia melhorar”. O sistema preserva a nota recebida, mas marca o texto como informação insuficiente. Não conclui que o problema é preço, didática ou atendimento. A equipe pode ajustar a próxima pesquisa para pedir um exemplo concreto, sem inventar o detalhe ausente na resposta atual.
Ao revisar os relatos sobre agendamento, a coordenação encontra menções a canais diferentes. Ela verifica se os procedimentos de troca de turma estão claros e se a equipe tem as mesmas informações. O relatório sugere investigar o processo; não declara que um funcionário ou canal causou o problema.
Depois de uma mudança, a escola mantém a pergunta e a taxonomia para permitir comparação. Analisa novas respostas, volume de solicitações e registros de resolução. Sem dados observados, não afirma aumento de satisfação nem redução de cancelamentos. O resultado inicial é uma hipótese rastreável com um responsável definido.
Erros comuns
Gerar uma história convincente sem contar os relatos. Um resumo pode destacar um comentário marcante e ignorar a frequência. Calcule os totais a partir das linhas classificadas e peça ao modelo somente a redação de uma síntese apoiada nesses números.
Confundir tema com sentimento. “O preço é justo” e “o preço está alto” pertencem ao mesmo tema, mas têm avaliações diferentes. Misturar as duas dimensões impede identificar o que está funcionando e o que precisa de investigação.
Prometer neutralidade automática. A taxonomia reflete escolhas da equipe e o classificador pode errar. Documente essas escolhas, revise casos difíceis e mantenha uma forma de corrigir classificações sem apagar o histórico da alteração.
Transformar pesquisa em disparo automático. Uma reclamação pode exigir cuidado, mas o rótulo sozinho não autoriza contato por qualquer canal. Separe análise, fila de revisão e eventual atendimento. Mensagens individuais precisam seguir as regras operacionais e as preferências registradas do cliente.
Perguntas frequentes
A IA pode calcular o NPS?
O cálculo deve ser feito por uma fórmula determinística sobre notas válidas. O modelo pode explicar o resultado, mas não precisa executar a aritmética nem inferir a nota a partir do texto. Mantenha os dois processos separados.
Um comentário pode receber vários temas?
Sim, quando contém evidências para cada um. A análise precisa preservar essa multiplicidade e deixar claro o denominador usado no relatório. Se exigir apenas um tema, documente a regra de prioridade e a informação que será perdida.
Preciso treinar um modelo próprio?
Não necessariamente. Comece com categorias bem definidas e exemplos revisados. Compare a qualidade obtida com as necessidades da operação. Considere treinamento somente quando houver dados adequados e erros recorrentes que justifiquem esse investimento.
Como lidar com comentários sem texto?
Preserve a nota válida no cálculo do NPS, mas exclua a ausência de texto da base de temas. Informe quantas respostas têm comentários para evitar que o leitor interprete a análise textual como representação de todos os respondentes.
Como descobrir um tema novo?
Revise a categoria de outros assuntos e examine grupos de textos semelhantes. Antes de criar um rótulo, confirme que ele tem definição clara e utilidade operacional. Versione a taxonomia e não compare séries incompatíveis como se nada tivesse mudado.
