Como analisar pesquisa de satisfação e NPS com IA: achar o motivo que se repete

Resposta rápida

Para analisar uma pesquisa de satisfação com IA, você exporta os comentários junto com a nota de cada cliente, tira os dados pessoais, manda a IA classificar cada comentário em temas de uma lista fechada (preço, prazo, atendimento, produto, cobrança), cruza esses temas com as notas do NPS e ordena o resultado por quanto cada tema pesa na nota. O que ela entrega no fim é uma lista curta: os três ou quatro motivos que mais se repetem entre os detratores, com a frase real de cliente que ilustra cada um. A decisão sobre o que consertar primeiro continua sendo sua. A IA lê as 800 respostas em minutos, mas quem sabe o custo de cada conserto é você.

Eu sou o Danilo Gato, e este é o método que uso e ensino na CPDF (Comunidade Profissionais do Futuro - por Danilo Gato) para times que têm uma planilha cheia de comentários e nenhuma hora livre para ler.

Por que quase ninguém lê os comentários do NPS?

O NPS nasceu de um artigo de Frederick Reichheld na Harvard Business Review, em 2003, e a conta é simples: você pergunta de 0 a 10 se o cliente indicaria a empresa, chama de promotores quem deu 9 ou 10, de detratores quem deu de 0 a 6, e subtrai a porcentagem de detratores da porcentagem de promotores. A nota mostra o tamanho do problema. O motivo está na pergunta aberta que vem logo depois (“o que levou você a essa nota?”), e é ali que as empresas travam.

Com 40 respostas, alguém lê tudo numa tarde. Com 800, ninguém lê. O que acontece na prática é que o gerente lê os 15 primeiros, escolhe os dois mais irritados, cita no comitê e o resto vira planilha esquecida. O risco é consertar o problema do cliente mais barulhento, e não o que mais derruba a nota.

Como analisar os comentários passo a passo

1. Prepare a base antes de abrir a IA

Exporte em uma planilha com estas colunas: nota, comentário, data, canal (e-mail, WhatsApp, site) e segmento do cliente, se você tiver. Apague nome, telefone, e-mail e CPF. Se o comentário citar o nome de um atendente, troque por “atendente”. Isso protege o cliente e evita que a IA (e depois o time) transforme a análise em caça a pessoas. Se você ainda não tem regra de quais dados podem ir para uma ferramenta de IA, veja antes o que fazer quando um funcionário cola dado da empresa na IA.

2. Peça uma lista de temas, mas só numa amostra

Pegue 100 comentários, de todas as faixas de nota, e peça:

“Aqui estão 100 comentários de clientes de uma pesquisa de satisfação. Liste os temas que aparecem, do mais frequente ao menos frequente, com uma definição de uma linha para cada tema e dois comentários de exemplo. Não invente tema que não esteja nos textos.”

Você vai receber algo como 8 a 12 temas. Corte e junte até ficar com 6 a 8, em nomes que o seu time entende. Essa lista fechada é a peça mais importante do método, porque garante que o comentário 1 e o comentário 700 sejam classificados com a mesma régua. Sem ela, a IA cria um tema novo a cada lote e você não consegue comparar nada.

3. Classifique todos os comentários com a lista fechada

Agora cada comentário recebe um ou dois temas e um sentimento. Um prompt que funciona bem:

“Para cada comentário da planilha, devolva: id, tema principal (somente da lista abaixo), tema secundário (opcional, da mesma lista), sentimento sobre esse tema (positivo, neutro ou negativo) e a frase do comentário que justifica a classificação. Se o comentário não se encaixar em nenhum tema, escreva ‘outros’. Lista de temas: [cole aqui].”

Pedir a frase que justifica é o que deixa você auditar o trabalho. Em lotes de 100 a 150 linhas a qualidade se mantém. Em um lote de 800 de uma vez, os erros aumentam e fica difícil achar onde.

4. Audite uma amostra antes de confiar

Sorteie 30 linhas e confira a classificação com os seus olhos. Ironia (“adorei esperar 40 minutos”) e comentário misto (“o produto é ótimo, mas o boleto veio errado”) são os pontos em que a IA mais tropeça. Se você achar mais de 4 ou 5 erros em 30, ajuste a definição dos temas e rode de novo. É um exercício de 15 minutos que protege o resultado inteiro.

5. Cruze o tema com a nota

Essa é a etapa que separa uma análise útil de uma nuvem de palavras bonita. Monte uma tabela simples:

Tema	Quantos comentários	% entre os detratores	% entre os promotores	Sentimento negativo
Prazo de entrega	212	41%	6%	88%
Atendimento	160	18%	35%	22%
Cobrança	74	19%	1%	94%

O prazo aparece bastante e quase só entre os detratores: é o que mais derruba a nota. O atendimento aparece bastante, mas entre os promotores, então ele é um ponto forte para proteger, não para consertar. A cobrança tem pouco volume, mas quase todo negativo e concentrado em quem foi embora. Esse tipo de leitura muda a ordem da fila de conserto, e uma lista por frequência simples não mostraria isso.

6. Transforme em plano de ação com dono e prazo

Peça à IA um rascunho de plano a partir da tabela: para cada um dos três temas mais pesados, três causas prováveis, uma ação de curto prazo e uma pergunta que você faria ao responsável pela área. Trate como rascunho de reunião. Quem confirma a causa real é a operação, que conhece o que a IA não vê (o fornecedor que atrasou, o sistema que cobra duas vezes). O resultado vai bem em um relatório mensal, como o que descrevo em relatório mensal de resultados com IA.

Que perguntas a IA responde bem e quais ela erra?

Responde bem: quais temas mais se repetem, em que faixa de nota cada tema aparece, que frases representam melhor cada tema, como o sentimento mudou de um mês para outro e quais comentários merecem resposta humana urgente (cliente ameaçando cancelar, relato de cobrança indevida).

Erra com mais frequência: ironia, comentário que mistura vários assuntos, gíria regional e sigla interna do setor. Também erra quando você pede causa. “Por que o prazo atrasa?” ela só responde com o que o cliente escreveu, e o cliente raramente sabe o motivo. Por isso a pergunta sobre causa vai para o time, e não para o modelo.

E o cliente que deu nota baixa e já foi embora?

Os detratores com comentário concreto merecem contato individual, e a IA ajuda a priorizar quem chamar primeiro: peça uma lista com os 20 comentários mais graves e a sugestão de resposta para cada um. Quem envia a mensagem é uma pessoa da equipe, que lê, ajusta o tom e assina. O fluxo de acompanhamento depois da venda combina bem com o que descrevi em IA no pós-venda, e o registro de cada contato pode ir para o CRM, como em IA para o time comercial, CRM e follow-up.

Qual a diferença entre analisar NPS de clientes e a pesquisa de clima?

A técnica de classificar por tema é a mesma, mas o cuidado muda. Na pesquisa de clima o respondente é funcionário, o anonimato é frágil em time pequeno e um comentário pode identificar a pessoa. Para esse caso vale ler antes pesquisa de clima organizacional com IA. Na pesquisa de clientes você pode cruzar com compra, canal e segmento, o que dá mais poder de análise.

Com que frequência rodar a análise?

Uma vez por mês cobre a maioria das empresas. Guarde a lista de temas do primeiro mês e reuse nos seguintes, porque só assim você consegue ver se o prazo de entrega melhorou de 41% para 25% entre os detratores depois da mudança que o time fez. Se você trocar a lista de temas a cada rodada, perde a comparação e a análise vira fotografia isolada.

Checklist rápido

• Comentários exportados com a nota, sem dados pessoais.
• Lista fechada de 6 a 8 temas, criada a partir de uma amostra de 100.
• Classificação em lotes de 100 a 150, com a frase que justifica.
• Auditoria de 30 linhas antes de usar o resultado.
• Tabela cruzando tema com promotores e detratores.
• Três ações com dono e prazo, definidas pela operação.
• Mesma lista de temas reaproveitada no mês seguinte.

Se a sua empresa quer aprender a montar esse fluxo na prática, com os seus dados e a sua equipe, é exatamente o tipo de trabalho que fazemos nos treinamentos corporativos da CPDF.

Nota de transparência: o autor, Danilo Gato, é fundador da CPDF e cita a comunidade como exemplo de onde ensina esse método.