Pós-Análise

Pós-Análise processa automaticamente conversas após elas terminarem, extraindo insights estruturados, resumos e métricas. Esta funcionalidade poderosa transforma conversas brutas em dados de negócio acionáveis sem revisão manual.

O Que é Pós-Análise?

Quando uma conversa termina, Pós-Análise executa uma passagem de análise de IA separada que pode:

Capacidade	Exemplo de Output
Sumarizar conversas	"Cliente perguntou sobre faturamento, resolvido explicando data de vencimento"
Extrair dados estruturados	`{ "topico": "faturamento", "resolvido": true, "sentimento": "satisfeito" }`
Pontuar interações	Satisfação do cliente: 4/5, Performance do agente: 92%
Classificar intenções	Primária: "consulta_faturamento", Secundária: "interesse_upgrade"
Sinalizar follow-ups	"Cliente solicitou callback sobre preços enterprise"

Custo Adicional de Tokens

Pós-Análise executa uma chamada LLM separada após cada conversa, o que incorre em custos adicionais de tokens. O custo depende do tamanho da conversa e complexidade da análise.

Como Funciona

Conversa Termina
       ↓
Pós-Análise Disparada
       ↓
┌─────────────────────────────────────┐
│  LLM analisa conversa completa:     │
│  - Aplica seus prompts de análise   │
│  - Extrai dados estruturados        │
│  - Gera resumos                     │
└─────────────────────────────────────┘
       ↓
Resultados armazenados e/ou enviados via webhook

Momento do disparo:

Chamadas de voz: Quando a chamada termina
Chat: Quando thread é marcado completo ou expira
Threads via API: Quando explicitamente fechados

Configuração

Habilitando Pós-Análise

Navegue para Configuração do Agente > Avançado
Encontre a seção Pós-Análise
Ative Habilitar Pós-Análise
Configure seus schemas de análise

Schema de Análise

Defina quais dados extrair usando JSON Schema:

json

{
  "type": "object",
  "properties": {
    "resumo": {
      "type": "string",
      "description": "Resumo de 2-3 frases da conversa"
    },
    "topico": {
      "type": "string",
      "enum": ["faturamento", "suporte_tecnico", "vendas", "geral", "reclamacao"],
      "description": "Tópico principal da conversa"
    },
    "resolvido": {
      "type": "boolean",
      "description": "Se o problema do cliente foi resolvido"
    },
    "sentimento": {
      "type": "string",
      "enum": ["positivo", "neutro", "negativo"],
      "description": "Sentimento geral do cliente"
    },
    "followup_necessario": {
      "type": "boolean",
      "description": "Se ação de follow-up é necessária"
    },
    "notas_followup": {
      "type": "string",
      "description": "Detalhes sobre follow-up necessário, se houver"
    }
  },
  "required": ["resumo", "topico", "resolvido", "sentimento"]
}

Prompt de Análise

Customize instruções para a análise:

markdown

Analise esta conversa de suporte ao cliente e extraia o seguinte:

1. **Resumo**: Forneça um resumo breve e factual do que foi discutido e o resultado.

2. **Classificação de Tópico**: Categorize em um destes tópicos:
   - faturamento: Pagamento, faturas, cobranças, reembolsos
   - suporte_tecnico: Problemas de produto, bugs, perguntas de como fazer
   - vendas: Preços, planos, upgrades, novas compras
   - geral: Consultas gerais, gerenciamento de conta
   - reclamacao: Insatisfação, solicitações de escalação

3. **Resolução**: A pergunta/problema principal do cliente foi resolvido nesta conversa?

4. **Sentimento**: Baseado na linguagem e respostas do cliente, avalie o sentimento geral.

5. **Follow-up**: Observe se algum item de ação ou callbacks foram prometidos.

Seja objetivo e baseie sua análise no conteúdo real da conversa.

Exemplos de Schemas

Análise de Suporte ao Cliente

json

{
  "type": "object",
  "properties": {
    "resumo": {
      "type": "string",
      "description": "Resumo conciso da interação de suporte"
    },
    "categoria_problema": {
      "type": "string",
      "enum": ["acesso_conta", "faturamento", "bug_produto", "solicitacao_feature", "como_fazer", "outro"]
    },
    "status_resolucao": {
      "type": "string",
      "enum": ["resolvido", "escalado", "pendente", "nao_resolvido"]
    },
    "score_esforco_cliente": {
      "type": "integer",
      "minimum": 1,
      "maximum": 5,
      "description": "Esforço estimado que o cliente teve que fazer (1=fácil, 5=difícil)"
    },
    "motivo_escalacao": {
      "type": "string",
      "description": "Se escalado, explique por quê"
    }
  }
}

Análise de Qualificação de Vendas

json

{
  "type": "object",
  "properties": {
    "qualidade_lead": {
      "type": "string",
      "enum": ["quente", "morno", "frio", "nao_qualificado"],
      "description": "Score de qualificação do lead"
    },
    "orcamento_mencionado": {
      "type": "boolean"
    },
    "faixa_orcamento": {
      "type": "string",
      "description": "Orçamento estimado se mencionado"
    },
    "timeline": {
      "type": "string",
      "description": "Timeline de compra se discutido"
    },
    "decisor": {
      "type": "boolean",
      "description": "O contato é um decisor?"
    },
    "concorrente_mencionado": {
      "type": "array",
      "items": { "type": "string" },
      "description": "Quaisquer concorrentes mencionados"
    },
    "proximo_passo": {
      "type": "string",
      "description": "Próxima ação recomendada"
    }
  }
}

Análise de Garantia de Qualidade

json

{
  "type": "object",
  "properties": {
    "saudacao_adequada": {
      "type": "boolean",
      "description": "O agente cumprimentou o cliente adequadamente?"
    },
    "identificacao_verificada": {
      "type": "boolean",
      "description": "A identidade do cliente foi verificada quando necessário?"
    },
    "informacao_precisa": {
      "type": "boolean",
      "description": "A informação fornecida foi precisa?"
    },
    "tom_profissional": {
      "type": "boolean",
      "description": "O agente manteve tom profissional durante toda conversa?"
    },
    "encerramento_adequado": {
      "type": "boolean",
      "description": "O agente encerrou a conversa adequadamente?"
    },
    "problemas_compliance": {
      "type": "array",
      "items": { "type": "string" },
      "description": "Quaisquer preocupações de compliance observadas"
    },
    "score_geral": {
      "type": "integer",
      "minimum": 0,
      "maximum": 100
    }
  }
}

Acessando Resultados da Análise

Na Plataforma

Navegue para Conversas ou Histórico de Threads
Selecione uma conversa concluída
Veja a aba Análise para ver dados extraídos

Via Webhook

Configure um webhook para receber resultados de análise automaticamente:

json

{
  "event": "conversation.analyzed",
  "conversation_id": "conv_abc123",
  "agent_id": "agt_xyz",
  "timestamp": "2025-01-18T15:30:00Z",
  "analysis": {
    "resumo": "Cliente ligou sobre discrepância de faturamento...",
    "topico": "faturamento",
    "resolvido": true,
    "sentimento": "positivo",
    "followup_necessario": false
  }
}

Veja Webhooks para detalhes de configuração.

Via API

Recupere análise para uma conversa específica:

bash

GET /api/conversations/{conversation_id}/analysis
Authorization: Bearer {api_key}

Melhores Práticas

1. Mantenha Schemas Focados

Não tente extrair tudo. Foque em dados que você vai realmente usar:

❌ Super-engenheirado:

json

{
  "properties": {
    "resumo": {},
    "resumo_detalhado": {},
    "resumo_breve": {},
    "resumo_executivo": {},
    // ... mais 30 campos
  }
}

✅ Focado:

json

{
  "properties": {
    "resumo": {},
    "topico": {},
    "resolvido": {},
    "followup": {}
  }
}

2. Use Enums para Consistência

Valores estruturados facilitam relatórios:

json

{
  "sentimento": {
    "type": "string",
    "enum": ["positivo", "neutro", "negativo"]
  }
}

Isso garante valores consistentes ao invés de variações como "feliz", "satisfeito", "bom", "positivo".

3. Escreva Descrições Claras

O campo description guia a análise:

json

{
  "score_esforco_cliente": {
    "type": "integer",
    "minimum": 1,
    "maximum": 5,
    "description": "Avalie quanto esforço o cliente teve que fazer: 1=problema resolvido imediatamente, 5=cliente teve que se repetir múltiplas vezes ou foi transferido"
  }
}

4. Teste com Conversas Reais

Antes de fazer deploy, teste seu schema contra transcrições reais de conversas para verificar:

Campos são extraíveis de conversas típicas
Categorias/enums cobrem casos comuns
Prompt de análise produz resultados precisos

5. Considere Custo vs. Valor

Pós-Análise usa tokens adicionais. Equilibre:

Analise todas as conversas para insights de alto valor
Amostra conversas para monitoramento de qualidade
Pule análise para interações muito curtas

Casos de Uso

Dashboard de Customer Success

Acompanhe taxas de resolução, tendências de sentimento e problemas comuns:

Métrica	Campo Fonte
Taxa de Resolução	`resolvido` (boolean)
Tendência de Sentimento	`sentimento` (enum)
Top Problemas	contagem de `topico` (enum)
Fila de Follow-up	filtro de `followup_necessario`

Integração com Pipeline de Vendas

Envie leads qualificados para seu CRM:

javascript

// Exemplo de handler de webhook
if (analysis.qualidade_lead === 'quente' && analysis.decisor) {
  await crm.createOpportunity({
    contact: conversation.customer,
    source: 'AI Agent',
    budget: analysis.faixa_orcamento,
    timeline: analysis.timeline,
    notes: analysis.resumo
  });
}

Monitoramento de Qualidade

Sinalize automaticamente conversas para revisão:

javascript

// Alerte em scores de qualidade baixos
if (analysis.score_geral < 70 || analysis.problemas_compliance.length > 0) {
  await alertTeam('Revisão de QA Necessária', conversation.id);
}

Solução de Problemas

Análise Não Executando

Verifique se Pós-Análise está habilitada
Verifique se conversas estão sendo fechadas adequadamente
Revise schema por erros de sintaxe

Extrações Incorretas

Melhore campos de descrição no schema
Adicione exemplos ao seu prompt de análise
Garanta que valores de enum cobrem todos os casos
Teste com amostras representativas de conversas

Custos Altos

Reduza complexidade do schema
Use prompts de análise mais curtos
Considere amostragem ao invés de analisar todas as conversas
Use modelos menores para análise se disponíveis

Documentação Relacionada

Webhooks - Receba resultados de análise automaticamente
Análise Estruturada - Capacidades mais amplas de output estruturado
Configuração de Agentes - Setup completo de agentes

Agentes

Configuração

Ferramentas

Avançado

Implantando Agentes

Configurações

Pós-Análise

O Que é Pós-Análise?

Como Funciona

Configuração

Habilitando Pós-Análise

Schema de Análise

Prompt de Análise

Exemplos de Schemas

Análise de Suporte ao Cliente

Análise de Qualificação de Vendas

Análise de Garantia de Qualidade

Acessando Resultados da Análise

Na Plataforma

Via Webhook

Via API

Melhores Práticas

1. Mantenha Schemas Focados

2. Use Enums para Consistência

3. Escreva Descrições Claras

4. Teste com Conversas Reais

5. Considere Custo vs. Valor

Casos de Uso

Dashboard de Customer Success

Integração com Pipeline de Vendas

Monitoramento de Qualidade

Solução de Problemas

Análise Não Executando

Extrações Incorretas

Custos Altos

Documentação Relacionada

Configuração

Ferramentas

Avançado

Implantando Agentes

Pós-Análise ​

O Que é Pós-Análise? ​

Como Funciona ​

Configuração ​

Habilitando Pós-Análise ​

Schema de Análise ​

Prompt de Análise ​

Exemplos de Schemas ​

Análise de Suporte ao Cliente ​

Análise de Qualificação de Vendas ​

Análise de Garantia de Qualidade ​

Acessando Resultados da Análise ​

Na Plataforma ​

Via Webhook ​

Via API ​

Melhores Práticas ​

1. Mantenha Schemas Focados ​

2. Use Enums para Consistência ​

3. Escreva Descrições Claras ​

4. Teste com Conversas Reais ​

5. Considere Custo vs. Valor ​

Casos de Uso ​

Dashboard de Customer Success ​

Integração com Pipeline de Vendas ​

Monitoramento de Qualidade ​

Solução de Problemas ​

Análise Não Executando ​

Extrações Incorretas ​

Custos Altos ​

Documentação Relacionada ​

Pós-Análise

O Que é Pós-Análise?

Como Funciona

Configuração

Habilitando Pós-Análise

Schema de Análise

Prompt de Análise

Exemplos de Schemas

Análise de Suporte ao Cliente

Análise de Qualificação de Vendas

Análise de Garantia de Qualidade

Acessando Resultados da Análise

Na Plataforma

Via Webhook

Via API

Melhores Práticas

1. Mantenha Schemas Focados

2. Use Enums para Consistência

3. Escreva Descrições Claras

4. Teste com Conversas Reais

5. Considere Custo vs. Valor

Casos de Uso

Dashboard de Customer Success

Integração com Pipeline de Vendas

Monitoramento de Qualidade

Solução de Problemas

Análise Não Executando

Extrações Incorretas

Custos Altos

Documentação Relacionada