Como medir o sentimento do cliente (um guia prático para 2026)

Resumo

O sentimento do cliente é a emoção por trás do que um cliente diz. Para medi-lo bem, você precisa de duas camadas, não de uma só. A camada solicitada são suas pontuações de pesquisa (CSAT, NPS, CES), que oferecem uma linha de tendência limpa. A camada espontânea é o sentimento escondido em seus tickets, chats, avaliações e ligações reais, lido em grande escala com análise de sentimento por IA. A maioria das equipes constrói apenas a primeira camada e depois se pergunta por que a pontuação parece boa enquanto o churn sobe. Isso acontece porque 56% dos clientes insatisfeitos trocam para um concorrente sem nunca reclamar, então nunca aparecem em uma pesquisa.

O passo prático: mantenha uma métrica de pesquisa para a tendência, adicione pontuação de sentimento com IA sobre sua fila de tickets para captar a maioria silenciosa, e sempre leia o "porquê" em texto livre por trás de qualquer número. Se você já usa um helpdesk, a forma mais rápida de obter a segunda camada é um colega de IA como a eesel, que lê e marca por sentimento cada ticket assim que ele chega, sem precisar de pesquisa.

O que o sentimento do cliente realmente é (e o que não é)

Trabalho na fila de suporte na maioria dos dias, e o que aprendi é que uma pontuação de satisfação e o humor real de um cliente são dois animais diferentes. As pessoas os confundem o tempo todo.

Aqui está a divisão clara. Satisfação é uma pontuação medida em uma escala que você definiu. Você fez uma pergunta, o cliente escolheu um número, você fez a conta. Sentimento é o sentimento por trás das palavras, quer alguém tenha perguntado ou não. A IBM define análise de sentimento como "o processo de analisar grandes volumes de texto para determinar se eles expressam um sentimento positivo, negativo ou neutro". A frase-chave é grandes volumes de texto, porque o sentimento não espera por uma pesquisa. Ele já está na sua caixa de entrada.

Essa distinção importa porque a Bain, empresa que inventou o NPS, admite que todo o motivo para criar uma nova métrica foi que "as pesquisas de satisfação do cliente convencionais muitas vezes não funcionam... porque os resultados não estão diretamente ligados a resultados financeiros ou comportamentos do cliente" (Bain & Company). Então uma pontuação sozinha é um sinal fraco. Medir o sentimento de forma adequada significa ler tanto o número quanto a linguagem por trás dele.

As três métricas com que todos começam: CSAT, NPS, CES

Se você está medindo sentimento de alguma forma, provavelmente está começando com uma pesquisa, e três delas dominam. Elas não são intercambiáveis, e escolher a errada para a pergunta que você está fazendo é o primeiro erro que as equipes cometem.

Veja como elas realmente diferem:

Algumas coisas que vale a pena saber sobre cada uma:

CSAT é sua foto instantânea transacional. A fórmula padrão conta as respostas mais altas (geralmente 4 e 5 em uma escala de 5 pontos) como porcentagem de todas as respostas, então 80 respostas satisfeitas em 100 dá um CSAT de 80% (IBM). É ótimo logo após o fechamento de um ticket e inútil para medir todo o relacionamento. Se você quiser a versão aprofundada, escrevemos um guia completo sobre IA e CSAT, além de um detalhamento das métricas de satisfação do Zendesk, caso essa seja sua stack.

NPS é a métrica de relacionamento. Fred Reichheld a introduziu em seu artigo de 2003 na HBR, "The One Number You Need to Grow", e a matemática é simples: promotores (nota 9-10) menos detratores (0-6), deixando de fora os neutros (7-8), resultando em uma faixa de −100 a +100. A Bain observa que os promotores "respondem por mais de 80% das indicações na maioria dos negócios", por isso o número acompanha o crescimento. Mas a Bain é direta ao dizer que a pontuação não tem sentido sem o "porquê" em texto aberto: "Pedir ao cliente que nos diga, com suas próprias palavras, por que deu determinada pontuação é o que nos ajuda a entender como agir." Esse campo de texto livre é a ponte entre uma métrica e o sentimento real.

CES mede o esforço, e é a métrica mais subutilizada pelas equipes de suporte. Ela surgiu do artigo da CEB (hoje Gartner) de 2010 na HBR, "Stop Trying to Delight Your Customers", e a descoberta por trás dele é impressionante: 96% dos clientes que têm uma interação de serviço de alto esforço se tornam mais desleais, contra apenas 9% com uma de baixo esforço (Qualtrics). Se o seu cliente fica sendo transferido, repetindo o número do pedido ou trocando de canal, é o imposto do esforço aparecendo. Reduzi-lo é exatamente para que servem uma boa triagem de tickets e um bom resumo de tickets.

Minha opinião sincera: escolha apenas uma dessas como sua métrica principal de tendência para não se afogar na fadiga de pesquisas, e gaste sua energia de verdade na camada abaixo.

Por que as pesquisas sozinhas vão mentir para você

Aqui vem a parte incômoda. Toda métrica de pesquisa compartilha o mesmo ponto cego: ela só mede as pessoas que responderam.

E as pessoas que respondem são uma fatia autosselecionada. Os clientes mais irritados que abandonam geralmente não preenchem sua pesquisa de CSAT. Eles simplesmente vão embora. Os dados de referência do Zendesk colocam um número nisso: 56% dos consumidores raramente reclamam de uma experiência negativa e silenciosamente trocam de concorrente, enquanto 73% trocarão após várias experiências ruins e mais da metade após apenas uma. A pesquisa da PwC diz aproximadamente a mesma coisa do outro lado: 32% dos consumidores abandonarão uma marca que amam após uma única experiência ruim.

Então, se sua taxa de resposta à pesquisa é de 15% (um número normal), a pesquisa está dizendo como se sentem os 15% mais barulhentos e engajados. A maioria silenciosa, os que estão prestes a cancelar, é invisível. É por isso que a Gartner projetou que 60% das organizações de serviço adotariam análises para complementar as pesquisas tradicionais analisando interações de voz e texto, porque as pesquisas "frequentemente não conseguem captar toda a gama de opiniões dos clientes... levando a uma lacuna de conhecimento".

A solução não é uma pesquisa melhor. É ler o feedback que os clientes já estão deixando para você, sem serem solicitados, em cada ticket.

Lendo o sentimento diretamente da conversa

Esta é a camada que separa as equipes que acham que medem sentimento das que realmente medem. Em vez de perguntar aos clientes como se sentem, você lê como eles se sentem a partir do que já escreveram.

Por baixo dos panos, a análise de sentimento por IA processa seu texto usando um de alguns tipos de motor. A IBM os divide em baseados em regras, aprendizado de máquina ou híbridos: os baseados em regras contam palavras contra léxicos positivos e negativos (rápido, mas frágil), enquanto os modelos de aprendizado de máquina aprendem tanto com a escolha das palavras quanto com a ordem delas, o que permite lidar com uma mensagem de cliente real e confusa. O resultado é uma pontuação de polaridade, "expressa pelo software como uma classificação numérica em uma escala de um a 100", onde zero é neutro e 100 é o sentimento mais extremo.

As versões mais ricas vão além de positivo/negativo/neutro. O sentimento baseado em aspectos pode dizer que o cliente adorou seu produto, mas odiou o checkout, pontuando cada recurso separadamente. A detecção de emoções capta frustração ou choque em vez de apenas polaridade. Essa granularidade é o que transforma um vago "o sentimento caiu" em "o sentimento nos tickets de cobrança caiu após a mudança de plano", algo sobre o qual você realmente pode agir.

A melhor parte para uma equipe de suporte é que a fonte de dados é sua fila já existente. Todo helpdesk agora incorpora alguma versão disso, do Zendesk e Freshdesk ao Zia do Zoho Desk e ao Atlassian Intelligence. E não para no texto: a mesma abordagem se aplica a análise de chamadas em transcrições de voz e à sua análise de chatbot. E se você quiser que isso gere ação, pode combinar sentimento com marcação automática de tickets para que um ticket irritado seja encaminhado instantaneamente para um agente sênior em vez de ficar parado na fila.

Onde a análise de sentimento falha (e como não se deixar enganar)

Eu estaria prestando um desserviço a você se fizesse parecer que isso é um problema resolvido. A pontuação automatizada de sentimento se deixa enganar de maneiras muito específicas e muito humanas, e se você confiar cegamente nela, vai tomar decisões ruins.

A IBM é refrescantemente honesta ao dizer que "o software tem dificuldade em identificar corretamente ironia e sarcasmo". O exemplo deles diz tudo:

"Ótimo, mais uma multa de estacionamento de mil dólares, exatamente o que eu precisava."

• IBM, sobre por que ferramentas de sentimento classificam mal o sarcasmo

Uma ferramenta ingênua lê "ótimo" e pontua essa mensagem como positiva. Qualquer agente de suporte sabe que é o oposto. Os outros modos clássicos de falha listados pela IBM são a negação ("eu não diria que os sapatos eram baratos" é interpretado errado), os idiomas ("break a leg" lido como lesão literal) e o contexto perdido (uma resposta de uma palavra como "funcionalidade" muda de significado dependendo da pergunta feita).

A forma como eu lido com isso na minha própria equipe: trato o sentimento automatizado como um sinal de triagem, não um veredito. Deixo que ele sinalize os tickets que parecem negativos e os encaminhe, mas mantenho um humano lendo os sinalizados antes de tirar conclusões. Curiosamente, a IBM aponta que a IA também pode ser mais objetiva do que um humano apressado, que "pode rotular [uma avaliação] como negativa antes de chegar às palavras positivas". Então o objetivo não é IA contra humano, é a IA captar o volume que o humano nunca teve tempo de ler.

Uma forma prática de realmente medir isso

Se eu estivesse configurando isso do zero em uma equipe de suporte hoje, esta seria a sequência que eu seguiria:

1. Escolha uma única métrica de pesquisa para sua linha de tendência. CSAT após a resolução do ticket é a mais fácil para começar. Não use as três; você só vai cansar seus clientes. Configure-a corretamente com algo como relatórios de CSAT, para que o número acabe em algum lugar que você realmente vá olhar.
2. Sempre capture o "porquê" em texto livre. Um número diz que o sentimento mudou; o comentário diz por quê. Este é o campo de maior valor em qualquer pesquisa.
3. Ative a pontuação de sentimento por IA em toda a sua fila. Esta é a camada que capta os 56% silenciosos. Cada ticket que chega recebe uma pontuação de polaridade, então você está medindo 100% dos contatos, não os 15% que responderam a uma pesquisa.
4. Encaminhe por sentimento, não apenas reporte sobre ele. Um ticket de sentimento negativo deve escalar automaticamente. Medir o humor não serve de nada se um cliente furioso continua esperando na mesma fila que uma redefinição de senha rotineira.
5. Observe a tendência, investigue os picos. Reúna tudo em uma única visão, como um painel de análise para desempenho de suporte, e trate qualquer queda repentina como um sinal para ir ler os tickets reais por trás dela.

Faça essas cinco coisas e você estará medindo sentimento melhor do que a maioria das equipes três vezes maiores que a sua, porque está lendo todo mundo, não só quem respondeu a pesquisa. Isso também alimenta diretamente os KPIs de atendimento ao cliente mais amplos que você já acompanha, e a resolução de problemas do dia a dia dos seus agentes. Se você ainda está escolhendo uma camada de IA para fazer a leitura, nosso levantamento das melhores IAs de atendimento ao cliente é um bom lugar para comparar.

Erros comuns a evitar

Algumas armadilhas que vejo repetidamente:

• Depender apenas de pesquisas. Já abordado acima, mas é o grande erro. A população da pesquisa autosseleciona para fora seus clientes mais irritados, então a pontuação sempre parece mais otimista que a realidade.
• Tratar a pontuação como a linha de chegada. A Bain chama o NPS bruto de "balanço do cliente", inútil sem o "porquê" em texto aberto. Um número que você não consegue explicar é um número que você não consegue consertar.
• Confiar no sentimento automatizado com sarcasmo. Mantenha um humano no processo com tickets sinalizados até confiar no modelo com seus próprios dados.
• Usar uma única métrica para tudo. A Qualtrics observa que o CES "nem sempre dá o quadro completo e deve ser usado junto com o NPS". Combine a métrica com a pergunta.
• Medir mas nunca agir. Todo o sentido de ler sentimento é mudar algo, seja reduzindo o volume de tickets com IA nos temas que deixam as pessoas irritadas, ou corrigindo os momentos de alto esforço que o CES expõe.

Meça o sentimento em cada ticket com a eesel

Aqui está a lacuna honesta na maioria das configurações de sentimento: ler uma pesquisa é fácil, mas ler cada conversa é onde as equipes desistem, porque nenhum humano tem tempo. Esse é exatamente o trabalho que a eesel faz.

A eesel é uma colega de IA que se conecta ao seu helpdesk existente (Zendesk, Freshdesk, Gorgias, Help Scout e outros) e lê cada ticket assim que chega, marcando o sentimento, priorizando por urgência e reunindo tudo em relatórios sobre os quais você realmente pode agir. Como ela trabalha na sua fila real, você está medindo sentimento em 100% dos contatos, não na fração que responde a uma pesquisa. E como ela cobra por ticket atendido em vez de por licença, a marcação de sentimento vem junto com o trabalho de resolução em vez de ser mais um item na conta.

Uma coisa que eu genuinamente destacaria dessas implementações: a eesel permite que você simule em cima dos seus tickets históricos antes de tocar em um cliente real, para que você veja primeiro como ela pontua e encaminha conversas passadas de verdade. Você pode experimentar a eesel gratuitamente e apontá-la para sua própria fila para ver a camada de sentimento funcionando desde o primeiro dia.