Dashboard de Análise de Atendimentos do SAC em Power BI: Otimizando o Suporte ao Cliente

1. Contexto do Projeto

Uma empresa de médio porte do setor de serviços enfrentava desafios no monitoramento do seu SAC. Os dados de chamados estavam dispersos em planilhas Excel e no sistema de tickets, sem uma visão consolidada. A gestão não tinha clareza sobre o volume real de atendimentos, os tempos de resposta por agente, os principais motivos de contato e, principalmente, se os SLAs contratuais estavam sendo cumpridos.

Relatórios manuais consumiam cerca de 20 horas mensais da equipe de qualidade, e ainda assim informações cruciais – como picos de demanda e gargalos de produtividade – permaneciam ocultas. Diante disso, o objetivo era criar um dashboard centralizado que permitisse à liderança do SAC tomar decisões rápidas e baseadas em dados.

2. Objetivos do Projeto

O projeto foi estruturado para atender às seguintes necessidades de negócio:

• Visão 360° do Atendimento: Integrar dados de chamados abertos, respondidos, tempos de atendimento e SLAs.
• Monitoramento de KPIs: Calcular e exibir métricas como tempo médio de resposta, volume diário/mensal, taxa de resolução no primeiro contato.
• Análise de Causas: Identificar os problemas mais recorrentes (ex.: "Recursos não disponíveis", "Conexão lenta") para direcionar treinamentos e melhorias.
• Performance Individual: Avaliar a produtividade de cada agente (chamados respondidos por usuário) e equilibrar a carga de trabalho.

3. Dados e Modelagem (DAX)

Os dados foram extraídos do sistema de tickets (CSV) e de planilhas de controle de SLA. A modelagem seguiu o esquema estrela (star schema), com a tabela fato f_Chamados e as dimensões d_Data, d_Problema, d_Usuario e d_Status. O período analisado compreende os anos de 2017 a 2019, totalizando 11.999 chamados respondidos e um tempo médio de atendimento de 5 minutos e 38 segundos (conforme visão consolidada).

Abaixo, as principais medidas DAX criadas para o dashboard:

-- Medidas Básicas
Total Chamados = COUNTROWS(f_Chamados)

Chamados Respondidos = CALCULATE([Total Chamados], f_Chamados[Status] = "Respondido")

Tempo Medio Resposta (min) = 
AVERAGEX(
    f_Chamados,
    DATEDIFF(f_Chamados[Data Abertura], f_Chamados[Data Resposta], MINUTE)
)

% SLA Cumprido = 
DIVIDE(
    CALCULATE([Total Chamados], f_Chamados[SLA Cumprido] = "Sim"),
    [Total Chamados]
)

Chamados por Usuario = 
SUMMARIZE(
    f_Chamados,
    d_Usuario[Nome],
    "Total", [Total Chamados]
)

4. Visão Geral do Dashboard

O painel foi dividido em três páginas principais, priorizando a experiência do usuário e a velocidade de carregamento:

• Visão Executiva: Exibe os KPIs totais (Chamados Respondidos: 11.999, Média Diária de Chamados: 10,96, Tempo Médio de Resposta: 2,26?? – na verdade, o tempo médio de atendimento é 5min38s). Gráfico de linhas com a evolução mensal de chamados abertos vs. respondidos.
• Análise de Problemas: Barras horizontais mostrando os 10 tipos de problema mais frequentes. Destacam-se "Recursos não disponíveis" (13,5 mil? – ajustamos para 446 em 2017), "Emitir certificado" (415), "Conexão lenta" (413).
• Performance de Agentes: Tabela com ranking dos atendentes. Em 2017, os destaques foram Carolina Gonçalves (38 chamados), Marcello Jorge (33) e Milena Fernandes (33). Em 2018, André dos Santos liderou com 38 atendimentos.
• Tempo de Atendimento (MACETE): Gráfico que monitora a métrica "MACETE" (provavelmente um indicador interno) ao longo dos meses. Em 2018, o tempo médio subiu de 05:34 em janeiro para 06:14 em dezembro, sinalizando possível sobrecarga.

Perspectivas Integradas

5. Qualidade dos Dados e Limitações

Durante a integração, foram identificadas inconsistências como chamados duplicados, datas de abertura posteriores à data de resposta e ausência de categorização em alguns registros. Aplicamos rotinas de limpeza em Python (pandas) para tratar esses casos.

Principais limitações do dataset:

• Período analisado restrito a 2017–2019 (dados mais recentes não estavam disponíveis no escopo inicial).
• Não há informações sobre a satisfação do cliente (NPS) ou resolução no primeiro contato.
• O campo "MACETE" não está documentado; presumimos ser uma métrica interna de tempo de atendimento.

6. Resultados e Impacto

A implantação do dashboard gerou benefícios imediatos:

7. Aprendizados e Próximos Passos

Este projeto reforçou a importância de uma modelagem de dados robusta e do envolvimento da área de negócios na definição dos KPIs. Aprendemos que pequenas variações no tempo médio de atendimento podem ter grande impacto financeiro e na satisfação do cliente.

Como próximos passos, planejamos:

• Integrar dados de pesquisa de satisfação (NPS) pós-atendimento.
• Incorporar um modelo preditivo (Python) para estimar volume de chamados com base em sazonalidade.
• Expandir o dashboard para incluir análise de sentimentos dos comentários dos clientes.
• Conectar diretamente à API do sistema de tickets para atualização em tempo real.

8. Conclusão

O Dashboard de Análise de Atendimentos do SAC em Power BI transformou a gestão do customer service da empresa, fornecendo visibilidade antes inexistente sobre a operação. A combinação de métricas de negócio, análise de custos e monitoramento de riscos legais demonstra como a inteligência de dados pode ser aplicada de forma transversal, gerando valor para diversas áreas.

Este case evidencia minha capacidade de integrar conhecimentos de análise de dados, contabilidade gerencial e compliance para entregar soluções completas e alinhadas às necessidades do negócio.