Melhoria do Canal de Atendimento das Principais Companhias Aéreas do Brasil

A análise feita e toda visualização criada se encontra no meu GitHub.

Além disso também foi feita a exploração dos mesmos dados em um Dashboard para as partes interessadas, é possível acessar no Power BI.

Introdução

O projeto apresenta uma análise, além de um plano de melhoria voltado para a área de atendimento ao cliente das três empresas mais influentes no Brasil (Azul, Gol e Latam), que continham mais números de viagens ao longo dos últimos anos.

Durante o projeto, foi feito o uso de Power Query e Dax Studio para transformar e extrair os dados preparados do Power BI, análise detalhada da base e os influenciados de um mal atendimento e a exploração dos números gerais em um Dashboard comercial. Para a realização do projeto foi utilizado a metodologia do CRISP-DM.

A Base de dados é formada por dados dos anos de 2019 a 2022, referente as reclamações registradas no canal do consumidor.gov que contabilizam o atendimento prestado por empresas aéreas ao consumidor.

O metadados da base e as bases se encontram no Portal da ANAC.

Contexto

Quando falamos de empresas aéreas, podemos citar algumas consequências de um péssimo atendimento ao cliente pode causar, dentre elas são situações como divulgação negativa da empresa, perda de faturamento ou lucro, aumento de gastos e perda de competitividade dentro o mercado.

Com base nisso, o objetivo e sucesso do projeto se passa em analisar e identificar o atual atendimento, além também de identificar e sugerir possíveis mudanças.

De acordo com a área de atendimento, o objetivo do projeto se passa em:

Analisar quais as principais reclamações dos clientes em relação aos serviços prestados.

Que áreas mais causam/geram insatisfação?

Qual o nível de satisfação com o atendimento prestado?

O que deve se priorizar para contornar o problema?

Foi definido que um bom atendimento é classificado de acordo com a Nota Do Consumidor, essa coluna varia de 1 a 5, sendo um bom atendimento uma nota acima ou igual a 4 e abaixo ruim.

Premissa

Na análise inicial feita no Power BI, foi obtido que a base original (com dados de 2019 a 2022) contém 338 mil linhas e 38 colunas, entretanto o conjunto de dados que foi exportado para a análise contém 152 mil linhas e apenas as 3 principais empresas do ramo aéreo do Brasil, Azul, Gol e Latam.

As demais linhas contavam com valores que o atendimento não foi avaliado ou não foi dado uma nota pelo atendimento. Sendo assim, essas linhas foram descartadas para um futuro estudo, com objetivo de entender o porquê do cliente não classificou seu atendimento, ficando disponível apenas se a reclamação foi resolvida ou não.

Riscos Envolvidos

Foi feita uma análise SWOT para o projeto para entender os possíveis benefícios da análise

Conseguimos ter conhecimento dos aspectos que podemos diminuir, no caso para as ameaças. Além de poder sugerir melhorias com base nas fraquezas encontradas para o projeto.

Coleta e Tipo dos Dados

Como mencionado, o conjunto contém 338 mil linhas e 38 colunas, após o tratamento inicial feito no Power Query, foram descartadas as seguintes colunas (“DataAnálise”, “HoraAnálise”, “DataRecusa”, “HoraRecusa”, “PrazoAnaliseGestor”, “SegmentoDeMercado”, “AnáliseDaRecusa”, “EdiçãoDeConteúdo”, “CódigoClassificadorANAC”) que não interessariam na análise.

Assim ficamos com 152 mil linhas e apenas com dados classificados pelos clientes e referentes a alguma das três principais empresas.

Das 29 colunas, ela possui apenas 4 variáveis quantitativas, 3 variáveis do tipo data, 3 do tipo hora e 19 variáveis qualitativas.

O conjunto possui algumas linhas faltantes o que vai ser necessário realizar uma transformação nos dados e posteriormente realizar a análise.

Preparação dos Dados

As seguintes variáveis possuíam erro ou algum valor faltante nesse caso foi feito:

• Sexo: 7 valores faltantes, preenchido com o valor que mais ocorre no conjunto, no caso “Masculino”.
• Na análise em Python foi necessário realizar uma transformação das colunas de Data e Hora que foram recebidas como objeto para seu valor original.
• Criação da variável “Atendimento”, baseado para resposta do negócio, se a nota do consumidor for acima ou igual a 4, é classificado como bom, caso contrário, ruim.
• Criação da variável “Tempo para Finalizar”, que indica o tempo que durou o atendimento prestado ao cliente.
• Remoção de 90 linhas que ainda continham valores faltantes na base na coluna referente a Data da Finalização.

Análise Exploratória

Foi utilizado análise uni variada e bivariada para entender o contexto e padrões de dados. Para entender os influenciadores de um bom atendimento foi utilizado a análise IV e análise da correlação de Pearson. Os principais insights obtidos durante esse processo foram:

• A maior área do problema foi relacionada aos transportes
• Entre os grupos do problema, os que mais ocorreram foram relativos a Cobrança, Contrato / Oferta e ao atendimento.
• A Região onde mais teve reclamações foi no Sudeste e menos reclamações no Norte.
• 60% das reclamações vieram do sexo masculino.
• De 31 a 40 anos foram onde tiveram mais ocorrências de reclamações.
• Cerca de 55% das reclamações tiveram um bom atendimento de acordo com os clientes.
• Referente a avaliação do consumidor, 71% das notas foram distribuídas em 5 (42%) ou em 1 (31%).

Algumas das visualizações obtidas foram:

- A média e mediana do tempo para a reposta foi de 4 dias.

- 55% das reclamações tiveram uma resposta em até 4 dias.

- O máximo em dias para a resposta foi de 16.

- A média para finalização da reclamação foi de 12 dias e a mediana de 10 dias.

- 75% das reclamações foram resolvidas em até 20 dias.

- Poucas reclamações se estenderam para mais de 30 dias.

Análise IV e Correlação de Pearson

Com a análise da correlação linear e análise IV obtemos que:

• A variável que mais interferem na avaliação da reclamação são Tempo para finalizar a operação (0.25 de poder de significância) e a empresa que está trabalhando na reclamação (0.18 de poder de significância). Tempo resposta apresentou um poder de separação médio de 0.06.
• As demais variáveis não apresentaram um poder de significância médio ou forte.
• As variáveis com maior relação de correlação (Tempo Resposta e Tempo Finalizar) não apresentaram uma diferença para a avaliação da reclamação.

Explorando um pouco sobre as melhores categorias, obtemos que:

-A Azul foi a empresa que apresentou a menor taxa de atendimento ruim (18%) e a Latam foi a que apresentou a maior taxa de atendimento ruim sendo 44%.

Quando ultrapassam 20 dias de atendimento, tem uma maior taxa de atendimento ruim. Enquanto reclamações resolvidas em até 8 dias apresentam uma taxa mais baixa (33%)

Assim que ultrapassa 8 dias, apresenta uma maior taxa de atendimento ruim.

Validação do Projeto

Visto tudo isso, podemos voltar aos objetivos do projeto, onde passamos e respondemos todas as perguntas de negócio, além de entender o contexto e as tendências de nossos dados. Faltando apenas sobre o que deve se priorizar para melhorar o atendimento?

Para isso, também apresento o plano de ação proposto para o projeto que visa melhorar o atual atendimento das 3 empresas com base nas informações retiradas dos dados:

Conclusão

Graças a análise, técnicas estatísticas e ferramentas utilizadas, foi possível gerar uma solução para a área de Atendimento.

A apresentação do projeto demostra e aponta uma visão geral do projeto de melhoria do atendimento das principais empresas aéreas do Brasil, alinhado com objetivos, estratégias, execução e recursos necessários par ao seu sucesso.

A execução deste projeto contribuirá significativamente para a satisfação e fidelização dos clientes de forma que fortalecerá e demonstrará uma melhora significativa ainda mais na força dessas empresas no mercado aéreo Brasileiro.

Para eventuais dúvidas ou entrar em contato comigo, estou disponível em:

• Linkedin
• Portfólio

‍