Infoprotect
Desafio
A INFOPROTECT é uma empresa de cibersegurança que revende soluções de segurança digital e presta serviços relacionados a essas soluções como implantação, treinamento e suporte.
Como revenda, um dos maiores custos atrelados à operação é o de suporte técnico, já que é é necessário manter uma equipe de profissionais técnicos altamente qualificados e atualizados nas tecnologias revendidas pela empresa.
Com um mercado em forte ascensão é um desafio para qualquer empresa prestadora de serviços, sendo uma PME (Pequena e Média Empresa) ou uma multinacional gigante, manter profissionais em desenvolvimento e não perdê-los para o mercado de forma rápida, que demanda cada vez mais mão de obra.
Como uma revenda o serviço de suporte é prestado em 3 níveis, sendo o N1 primeiro nível de atendimento, onde um analista júnior realiza a triagem de chamados e resolve os chamados possíveis com base nas bases de conhecimento interna e dos fabricantes dos produtos.
O N2 que são profissionais mais qualificados que resolvem chamados de maior criticidade e o N3 que são profissionais altamente capacitados, especialistas em problemas graves.
Com essa estrutura a INFOPROTECT criou um funil de atendimento, com mais profissionais no nível 1, e reduzindo conforme o nível aumentava. Porém, isso gera um grande trabalho no primeiro atendimento e chamados mais graves acabavam ficando em uma fila de atendimento mais longa.
Outro desafio é que muitos chamados eram resolvidos consultando a base do próprio fabricante, dado que ele era o próprio especialista na tecnologia. Com essas e outras dificuldades no suporte técnico, com sobrecarga de atendimentos N1, onde o foco da equipe de técnicos qualificados era desviado para tarefas simples. O objetivo era reduzir os atendimentos destinados aos técnicos mais especializados, que têm maior custo, enquanto melhorava a experiência do cliente. Os bots anteriores gerenciavam os chamados de forma insatisfatória, resultando em insatisfação por parte dos usuários, pois, quando um técnico de T.I possui um problema é uma péssima experiência para ele abrir um chamado com bot dado que a empresa dele está em uma crise (parada).
O desafio então era fazer com que os chamados fossem respondidos de maneira humanizada e com qualidade técnica já no N1, reduzindo a necessidade de profissionais nesse nível e criando a capacidade para a empresa desenvolver os profissionais para o nível seguinte.
Objetivo: 50% do tipo N1 serem respondidos com uma inteligência artificial mantendo uma boa experiência com o cliente.
Solução
Etapa 1: Como a INFOPROTECT é uma revenda de mais de 14 soluções e presta outros tipos de serviços, o primeiro passo do trabalho foi realizar um mapeamento de chamados por produtos, categorias e horários de picos, com isso foi possível identificarmos os chamados com maior recorrência tendo a lógica que ao eliminá-los o efeito na operação já seria significativo.
Etapa 2: Identificamos que os chamados com maior incidência eram das tecnologias abaixo:
Tecnologia: Firewall: 45%
– Fabricantes:
- Fortinet – 62% do total de chamados de firewall.
- Blockbit – 38% do total de chamados de firewall.
Tecnologia: E-mail em nuvem: 35%
– Fabricantes: InfoMail (solução própria) – 100% dos chamados
Antivírus: 12%
– Fabricantes:
- Bitdefender – 63% do total de chamados de antvírus.
- WithSecure – 31% do total de chamados de antivírus.
- Kaspersky – 6% do total de chamados de antivírus.
Outros: 8%
Etapa 3: Realizamos o levantamento dos principais tipos de chamado com base nas tecnologias que possuíam maiores solicitações.
Fortinet e Blockbit
Ambas as tecnologias possuíam as mesmas características de chamados, sendo assim, consideramos a soma para o total da categoria.
- Cerca de 37% dos chamados eram relacionados à configuração de VPN;
- Cerca de 24% dos chamados eram relacionados a criação de novas regras.
InfoMail
- 85% dos chamados eram para adicionar ou excluir contas de usuários.
Antivírus:
Tanto Bitdefender quanto WithSecure possuíam as mesmas características de chamados, sendo assim, consideramos a soma para o total da categoria.
- Aproximadamente 37% dos chamados eram relacionados a bloqueio de navegação de usuário fora da rede.
- Aproximadamente 28% dos chamados eram relacionados a instalação ou reinstalação do software em novos dispositivos.
- Aproximadamente 13% dos chamados eram relacionados a lentidão de dispositivos com o software instalado.
Etapa 4: Analisamos os impactos de resolver os chamados no N1 via I.A:
Firewall: Resolver as duas categorias informadas, representava 61% dos chamados totais da categoria e 12,35% do total de chamados.
InfoMail: Resolver a categoria mapeada representava 85% dos chamados da tecnologia e 29,75% dos chamados totais da empresa.
Antivírus: Resolver as 3 categorias representava 78% dos chamados e 9,36% dos totais de chamados.
Somando-se a cobertura total mapeada seria de 51,46% aproximadamente.
Etapa 5: Para resolver os chamados utilizamos 3 fontes de conhecimento:
- Chamados já realizados da categoria e com transcrição dentro da ferramenta de atendimento e helpdesk da empresa.
- Materiais técnicos dos próprios fabricantes como datasheets e procedimentos.
- Fóruns de tecnologia online e entrevistas com técnicos realizando um how to de resolução de cada tipo de chamado.
Etapa 6: Com toda base de dados coletada, iniciamos a etapa de desenvolvimento da aplicação. Para isso, usamos a plataforma GoGenier da empresa Fortics e uma integrada ao chatgpt e ao sistema de atendimento da INFOPROTECT.
Desenvolvemos a I.A chamada Athena, projetada para o atendimento via WhatsApp, integrada ao sistema de chamados da INFOPROTECT. A Athena automatiza a coleta e validação de dados do usuário, verifica contratos e direciona os chamados para as filas corretas. Além disso, ela utiliza uma vasta base de conhecimento, tanto interna quanto de fabricantes externos, para resolver problemas de N1 de forma rápida, muitas vezes sem a necessidade de abrir um ticket. A interação é humanizada, proporcionando ao cliente uma experiência eficiente e sem parecer que está interagindo com uma máquina.
Subetapas de construção da Athena.AI dentro do Go Genier:
1° Criação das fontes de Dados:
No total criamos 3 fontes de dados para esse projeto:
Fonte 1: Infoprotect – Composta por materiais técnicos dos fabricantes de Firewall e Antívirus:
Lista de documentos:
| SD-WAN_with_FOS_FMG-7.4.x-New_Features.pdf | |||||||
| fortios-fortiaps-ips-av-compatibility.pdf | |||||||
| FortiOS-7.4-ZTNA_Reference_Guide.pdf | |||||||
| fortigate-200f-series.pdf | |||||||
| fortigate-fortiwifi-60f-series.pdf | |||||||
| SWMTX-741-202309-R1.pdf | |||||||
| fortigate-70f-series.pdf | |||||||
| fortigate-7000F-741.pdf | |||||||
| FortiGate_400E.pdf | |||||||
| FortiOS-7.4-Ports.pdf | |||||||
| FG-FWF-40F-60F-QSG.pdf | |||||||
| Bitdefender-2015-NGZ-EndPointSecurity-DS-68189-A4-en_EN-web.pdf | |||||||
| Datasheet Blockbit.pdf | |||||||
| FortiOS-7.4.0-New_Features_Guide.pdf | |||||||
| Oque é um firewall.txt | |||||||
| Blockbit – Institucional – Ago.2023_VFinal.pdf | |||||||
| FortiGate_600E.pdf | |||||||
| fortigate-fortiwifi-80f-series.pdf | |||||||
| withsecure-elements-datasheet-en.pdf.coredownload.pdf | |||||||
| Problemas e soluções para firewall segundo o chatgpt.txt | |||||||
| Fortinet_Product_Matrix&Datasheet.pdf | |||||||
| fortigate-600f-series.pdf | |||||||
| FortiGate-FortiWiFi-5.0-3G4G_LTE_Modem_Operator’s_Manual.pdf | |||||||
| Extrato de consumo cliente – exportação dos chamados.pdf | |||||||
| fortios-hardware-acceleration-741.pdf | |||||||
| Comparação de equipamentos.pdf | |||||||
| FortiGate_&_FortiWiFi_30E-3G4G_Modem_Firmware_Upgrade_Guide.pdf | |||||||
| FortiOS_7.4.1_Log_Reference.pdf | |||||||
| Solução busines suit F-Secure.pdf | |||||||
| hyperscale-firewall-guide-741.pdf | |||||||
| fortigate-100f-series.pdf | |||||||
| Extrato de consumo cliente.pdf | |||||||
| fortigate-fortiwifi-40f-series.pdf | |||||||
| FortiOS-7.4-Troubleshooting_Cheat_Sheet.pdf | |||||||
| fortigate-fortiwifi-90g-series.pdf | |||||||
| fortigate-fortiwifi-900D-series.pdf | |||||||
| DIFERENÇAS ENTRE OS LICENCIAMENTOS de bitdefender.pdf | |||||||
| FortiOS-7.4.1-CLI_Reference.pdf | |||||||
| Datasheet_28.06.22.pdf | |||||||
| FortiOS-7.4-Supported_RFCs.pdf | |||||||
| fortigate-400f-series.pdf |
Fonte 2: SuporteInfo – Bases de atendimentos realizados no suporte técnico e da solução InfoMail.
Fonte 3: Bíblia das Vendas – Playbook de Growth e Vendas da empresa + site institucional (o GoGenier tem a capacidade de ficar realizando o scrap do site, sempre mantendo sua fonte de dados atualizada).
2° Desenvolvemos os modelos de I.A generativa para leitura e interpretação de cada fonte de dados.
Modelo 1 – Infoprotect – Deixamos um nível de criatividade base para a I.A realizar pré-interpretações de intenções e ações.
Modelo 2 – Suporte Infoprotect – Conectamos a fonte de dado 1 e 2, retirando criatividade para o modelo atuar de forma direta.
Modelo 3: Bíblia Infoprotect – Modelo consumido a fonte de dados 3 e atuando de forma criativa:
3° fornecemos direcionamentos orientadores para a I.A aprender a forma como resolvemos chamados e para isso criamos o que chamados de insights. Realizando o upload de resumo dos atendimentos e interações com os clientes e um resumo de ligações de resolução de chamados realizados pela equipe técnica.
Pipeline de ligações: Esses pipelines são um workflow que coleta via API as ligações realizadas em nosso PABX, transcrevendo-as automaticamente para a base de conhecimento e gerando inteligência constante para nossa agente.
Com todo consumo de processo realizado, iniciamos o desenvolvimento da nossa agente. Hoje possuímos 3 agentes de I.A desenvolvidos na INFOPROTECT, um que atua como SDR, outro como gestor de licitações (lendo e analisando editais, TRs e outros pontos do processo público) e a Athena que atua diretamente no suporte e é objeto deste case.
Configurações do agente:
Usamos como motor de inteligência uma integração via OPENAI para o GPT-4º, ou seja, a construção da estrutura é no GoGenier, a estrutura e estratégia é da Volúpia, o consumo de base e conhecimento é da INFOPROTECT e quem organiza e direcionar as informações é a lógica de pensamos do GPT 4°.
Instruções de atendimento para o agente:
Workflow de funções e regras:
Inteligência/Base de Conhecimento do agente:
2. Tecnologia – plataforma, tipo de IA (até 3000 caracteres)
Plataforma de IA baseada em redes neurais, integrando tecnologias de processamento de linguagem natural (NLP) e machine learning, conectada ao sistema de chamados e suporte técnico da INFOPROTECT.
A Athena usa algoritmos de IA para interpretar as demandas e responder com soluções precisas e contextualizadas. Utiliza-se também de APIs para integrar dados externos, proporcionando respostas em tempo real e um aprendizado contínuo, melhorando a cada nova interação.
GoGenier – Fortics: Plataforma utilizada para organizar os conhecimentos e construir o agente integrando a inteligência do chatgpt 4º.
ChatGpt 4° – Motor de Inteligência artificial utilizado para orquestração de ações e respostas.
Bases de conhecimentos internas: Procedimentos internos de atendimento, bases de conhecimento catalogadas, histórico de atendimento de chamados e ligações gravadas de nossos técnicos.
Bases de conhecimentos externas: Datasheets e manuais de fabricantes e sites e forúns validados.
3. Resultados – com números ou porcentagens (até 3000 caracteres)
Playgrond – Aplicação prática do agente:
Resultados alcançados:
A Athena agora resolve 60% dos chamados de N1 de forma autônoma, reduzindo a necessidade de intervenção humana e garantindo disponibilidade 24/7 sem aumento no quadro de funcionários. Isso permitiu à INFOPROTECT expandir o suporte sem elevação de custos operacionais. A produtividade aumentou e a satisfação do cliente melhorou, pois agora o atendimento é mais rápido e humanizado. A empresa também experimentou um aumento na margem de lucro ao redirecionar os técnicos qualificados para funções mais especializadas.
Key Result 1 – Redução de horas no atendimento N1 – Hoje a I.A realiza 146 horas de atendimentos antes realizadas por um ser humano.
Key Result 2 – SLA de 1° atendimento – Agora 100% dos chamados possuem SLA de atendimento cumprido (antes 85%).
Key Result 2 – SLA de Solução – Agora 100% dos chamados abertos via whatsapp possuem SLA de resolução cumprido (antes 55%).
Key Result 4 – Diminuição dos chamados atendidos pela equipe, pois, estão sendo resolvidos já no N1 pela Athena AI:
Essa é uma análise comparativa extraída da nossa plataforma de atendimento deskmanager, comparando dados de Agosto (implantação da Athena), Setembro e Outubro aos 3 meses anteriores (Julho, Junho e Maio).
Pesquisa de NPS atual após implantação da I.A:
NPS = 10/10
Pesquisa CSAT atual (enviada após chamados):
CSAT: 5/5
Resultados Financeiros do projeto:
Valor de investimento: R$ 25.000,00
Horas totais economizadas em atendimento: 420 horas.
Valor médio hora-homem do suporte: R$ 40,00
Valor total economizado em 3 meses: R$ 16.800,00.
Projeção de economia para 1 ano: R$ 67.200,00
ROI do projeto em 12 meses: 2,68.
ROI do projeto em 24 meses: 5,37.
