2 de agosto de 2018

Um dos principais canais de comunicação entre os clientes e prospects com as empresas é através dos contatos através de voz, nos call centers. São centenas de milhões de ligações por ano, que são recebidas. Atualmente mais de 70% dos dados disponíveis para análises são não estruturados (GARTNER, 2014) Este estudo apresenta uma proposta de técnicas de Network Science, em busca de padrões que possam identificar as oportunidades para suportar a elaboração de insights. Foram utilizados dados não estruturados de 26.514 conversas telefônicas realizadas no período de 01/12/2016 a 31/12/2016, provenientes do contact center de uma empresa do mercado financeiro. A metodologia consistiu na transcrição de voz para texto e no uso associado de Network Science , sem a identificação prévia do cliente ou incorporação de dados de sistemas CRM, propositalmente. Os resultados obtidos permitiram identificar insights, a partir dos elementos de maior centralidade identificados nas redes de associação de palavras. Implica-se que o uso de técnicas analíticas em dados não estruturados pode permitir a obtenção de achados com menor influência do viés cognitivo.

Existe uma confusão ao se referir a Network Science e Análise de Mídias Sociais (RECUERO, 2015). Network Science é uma técnica que une as Ciências Sociais, Antropologia e a Psicologia Social sob um suporte de uma área da matemática denominada Teoria de Grafos (RECUERO, 2015), que teve o seu início em 1736 na cidade de Königsberg na antiga Prússia com o matemático Leonhard Euler. Nessa cidade havia sete pontes separando uma ilha do continente. A questão levantada era se seria possível atravessar as sete pontes, passando apenas uma vez por cada ponte. A solução de Euler para o problema permitiu a criação da Teoria de Grafos.

Network Science teve a sua fundamentação matemática na Teoria dos Grafos, tendo as duas representações gráficas extremamente semelhantes, incluindo os mesmos elementos, com alterações ocasionais de nomes, como nó e ator. Porém, Network Science começou a ser utilizada no início do século XX para explicar a relação entre grupos sociais (RECUERO, 2015). Essa área desenvolveu-se com o objetivo de buscar explicações para relações complexas.

Network Science continuou a avançar, e segundo Barabási (2009), estudos foram provando a força das relações sociais. Por isso, pessoas com uma rede relacionamento mais ampla tem maior facilidade de ampliar a rede do que pessoas com uma rede com menos nós. Para esta teoria, Barabási sustentou no pressuposto que os “ricos tendem a ficar mais ricos, enquanto os pobres tendem a permanecer pobres” (BARABÁSI, 2009).

Com o advento das mídias sociais, a Network Science tornou-se mais comum em permitir a interação entre indivíduos ou grupos.

Network Science é um ótimo modelo para representar sistemas complexos e o fluxo de informações em cada nó (KOLACZYK; CSÁRDI, 2009). Uma forma de representar a relação entre os nós de uma rede é através de uma matriz de adjacência. Essa matriz pode ser representada por uma matriz n x n com 1 e 0, onde um 1 representa a conexão entre os nós e 0 por sua vez representa a inexistência dessa conexão.

Figura 1. Exemplo de Matriz n x n com a relação entre sete palavras da pesquisa

Fonte: Elaborada pelo autor.

Na Figura 1, é possível observar a relação entre as palavras. Cada palavra será considerada um nó da rede. Como exemplo, é possível observar que as palavras “Parceiro A” tem relação com a palavra “cartao”. Entretanto, a palavra “cartao” não tem relação com a palavra “parcelada”.

Figura 2. Representação gráfica da rede da matriz da Figura 14

Fonte: Elaboração própria, com o auxílio da linguagem R.

A Figura 2 mostra o exemplo de uma rede com base na Matriz de Adjacência representada na figura. O tamanho dos nós representa a centralidade de grau, detalhada a seguir. Para identificar a relevância de cada nó na rede, existem várias métricas desenvolvidas a partir da Teoria de Grafos. Três são as mais comuns: centralidade de grau, betweenness (ou intermediação) e closeness (ou proximidade) (RECUERO, 2015). A centralidade de grau corresponde ao total de arestas que chegam (ou saem) do nó. Betweenness de um nó avalia quantos caminhos entre todos os nós entre si passam obrigatoriamente por aquele nó. Se um nó é ponte entre dois grupos de nós, sua intermediação será alta. Se a medida de betweenness mede a frequência com que um determinado nó serve de ponte entre o caminho mais curto para outros nós, a medida closeness mede a distância acumulada entre um nó e os outros nós da rede. Um nó é mais próximo (ou apresenta melhor closeness) quanto menor é o número de arestas a ser percorrido para alcançar todos os outros nós da rede. Dessa forma, quanto menor a medida de closeness, mais central é o nó.

A medida de closeness tem uma característica importante: ela mostra que os dados que trafegam por este nó terão maior velocidade de propagação na rede (RECUERO, 2015, BARABÁSI, 2009).

Figura 3. Relação das palavras com relação ao Parceiro A com menor medida de closeness

Fonte: Elaboração própria

 

Um exemplo da centralidade de closeness são as palavras com o menor closeness, na rede representada na Figura 3: pedido, limite e compras – com significativa importância no fluxo de informação.

 

REFERÊNCIAS BIBLIOGRÁFICAS

BARABÁSI, A. A.-L. Linked: conectado: a nova ciência dos networks. [s.l.]: Editora Leopardo, 2009.

GARTNER. Market Guide for Contact Center Speech Analytics. Gartner database, ID G00261569. 07 mar. 2014.

KOLACZYK, E. D.; CSÁRDI, G. Statistical analysis of network data with R. Springer. 2. ed. [s.l.]: [s.n.], 2009.

RECUERO, R.; BASTOS, M.; ZAGO,G. Análise de Redes para mídia social. Porto Alegre: Sulina, 2015.