Como os falsos positivos da AMD derrubam a taxa de contato

Todo contact center com operação ativa acompanha a taxa de contato — o percentual de tentativas de discagem que resultam em uma conversa ao vivo com a pessoa certa. É a métrica operacional mais importante, porque tudo o que vem depois depende dela: taxa de conversão, taxa de recuperação em cobrança, agendamentos marcados, receita por hora.

O que a maioria das equipes não monitora é quanto da perda na taxa de contato é causada pelo próprio sistema de AMD. Mais especificamente, pelos falsos positivos: pessoas reais que atendem o telefone, são classificadas como caixa postal e têm a ligação derrubada antes mesmo de ouvirem a voz de um agente.

A matemática dos falsos positivos

Vamos a um exemplo concreto. Considere uma equipe de 30 agentes rodando uma campanha com discador preditivo:

• Volume diário de discagem: 15.000 chamadas
• Taxa de atendimento: 40% (6.000 chamadas atendidas)
• Taxa real de caixa postal: 55% das chamadas atendidas (3.300 caixas postais)
• Atendimentos reais por pessoas: 45% das chamadas atendidas (2.700 pessoas reais)

Agora aplique o AMD com diferentes taxas de falsos positivos:

Com FPR de 5% (AMD bom): 135 chamadas com pessoas reais derrubadas incorretamente. Os agentes atendem 2.565 conversas reais. Taxa de contato efetiva: 17,1%.

Com FPR de 15% (média dos AMD legados): 405 chamadas com pessoas reais derrubadas incorretamente. Os agentes atendem 2.295 conversas reais. Taxa de contato efetiva: 15,3%.

Com FPR de 25% (AMD fraco em operadoras desconhecidas): 675 chamadas com pessoas reais derrubadas incorretamente. Os agentes atendem 2.025 conversas reais. Taxa de contato efetiva: 13,5%.

A diferença entre um AMD bom e um AMD fraco é de 540 conversas reais perdidas por dia. Em um mês, isso representa 11.880 contatos perdidos. Se sua taxa de conversão for de 5%, são 594 vendas ou promessas de pagamento perdidas. Atribua um valor de receita e o número rapidamente se torna desconfortável.

Por que os falsos positivos são invisíveis

A parte traiçoeira dos falsos positivos do AMD é que eles são invisíveis para os agentes. Um agente nunca vê um falso positivo, porque a chamada cai antes de chegar até ele. Da perspectiva do agente, tudo parece normal — ele continua sendo conectado a chamadas reais no ritmo em que o discador as entrega.

Os únicos que vivenciam os falsos positivos são os potenciais clientes. Eles atendem o telefone, ouvem uma breve pausa ou silêncio e a ligação cai. A impressão que fica: robocall, spam ou incompetência. Se você ligar de volta, eles já estarão predispostos a serem hostis.

Essa invisibilidade faz com que problemas de falsos positivos persistam por meses sem que ninguém perceba. A equipe de operações vê uma taxa de contato abaixo do esperado e culpa a qualidade da lista, o horário ou a reputação do identificador de chamadas (caller ID). O verdadeiro culpado — uma configuração incorreta do AMD ou um modelo mal treinado — passa despercebido.

Como medir a taxa de falsos positivos do seu AMD

Medir a FPR exige comparar as classificações do AMD com a realidade verificada. Aqui estão três métodos práticos:

1. Acompanhamento das correções feitas pelos agentes

Quando o AMD classifica uma chamada como máquina, mas a encaminha mesmo assim para um agente (no modo de auditoria), o agente informa se era de fato uma máquina ou uma pessoa. Isso gera medições diretas, mas exige passar uma porcentagem das chamadas em modo passthrough, o que consome tempo dos agentes.

2. Revisão do áudio pós-chamada

Grave os primeiros 5 segundos de cada chamada que o AMD classificar como máquina. Peça a uma equipe de QA que ouça uma amostra aleatória toda semana. Dá bastante trabalho, mas gera medições imparciais em todas as operadoras e campanhas.

3. Inferência estatística

Compare sua taxa de contato esperada (com base na qualidade da lista e em dados históricos) com a taxa de contato real. Se a diferença for maior que o esperado e estiver correlacionada às campanhas com AMD ativado, é provável que falsos positivos estejam contribuindo. Este método é menos preciso, mas não exige nenhum esforço operacional adicional.

A análise por operadora é fundamental

Os números agregados de FPR mascaram problemas específicos de cada operadora. Já vimos operações em que a FPR geral era de 8% — aceitável —, mas uma única operadora, responsável por 20% do volume de discagem, tinha FPR de 30%. Essa única operadora gerava mais falsos positivos do que todas as outras juntas.

Isso acontece porque os modelos de AMD normalmente são treinados com uma mistura de áudio de várias operadoras. Operadoras com sistemas de caixa postal fora do padrão, formatos de saudação incomuns ou bipes atípicos são classificadas incorretamente com muito mais frequência. Sem uma análise por operadora, você nunca encontrará esses pontos críticos.

A correção exige ajuste do AMD por operadora (calibrando os limites de sensibilidade para operadoras específicas) ou treinamento do modelo por operadora (realimentando o modelo de classificação com correções específicas de cada operadora). Ambos exigem que o discador registre a identidade da operadora em cada chamada — algo que muitos discadores legados não fazem.

Como o AMD com IA ajuda a reduzir os falsos positivos

O AMD tradicional baseado em bipe tem um problema estrutural com falsos positivos: ele decide a classificação com base no tempo do áudio e na detecção de tons, e não no que foi realmente dito. Uma pessoa que atende com um longo “Alô... alô? Quem fala?” pode ultrapassar o limite de duração e ser classificada como máquina.

O AMD baseado em IA classifica pelo conteúdo da transcrição, o que é fundamentalmente mais robusto. Uma saudação humana longa ainda contém padrões interrogativos (“quem fala?”) que um classificador de transcrição consegue identificar como fala humana, independentemente da duração.

Mais importante ainda: o AMD com IA e ciclo de feedback melhora com o tempo. Quando um agente sinaliza uma classificação incorreta, essa correção treina o modelo para reconhecer padrões semelhantes no futuro. Ao longo de milhares de correções, o modelo acumula um conhecimento específico por operadora que um modelo estático jamais alcançaria.

O sistema de AMD com IA do DialerBee foi projetado com a redução de falsos positivos como objetivo principal. O sistema monitora a precisão por operadora em tempo real, ajusta automaticamente os limites de classificação quando a FPR de uma operadora ultrapassa limites configuráveis e oferece aos supervisores uma estação de revisão dedicada para classificações contestadas.

Mudanças operacionais que complementam um AMD melhor

Além de melhorar a precisão do AMD, existem estratégias operacionais que podem ajudar a mitigar o impacto dos falsos positivos:

• Use uma “mensagem segura” nas chamadas classificadas pelo AMD: Em vez de derrubar imediatamente as chamadas que o AMD classifica como máquina, reproduza uma breve mensagem: “Olá, aqui é da [empresa]. Tentaremos falar com você novamente em breve.” Se a classificação estiver errada e houver uma pessoa ouvindo, ela pelo menos escuta uma mensagem profissional em vez de silêncio.
• Use AMD conservador em listas de alto valor: Para listas de leads premium ou ligações de última tentativa, considere desativar o AMD ou configurá-lo no nível mais conservador. O custo em tempo de agente dos falsos negativos compensa quando o custo de oportunidade dos falsos positivos é alto.
• Acompanhe a precisão do AMD como KPI: Inclua a taxa de falsos positivos no seu painel de operações, ao lado da taxa de contato, da taxa de conversão e da utilização dos agentes. Dê visibilidade a ela. O que é medido é gerenciado.
• Faça auditorias periódicas do AMD: Todo mês, extraia uma amostra das chamadas classificadas pelo AMD como máquina e peça à equipe de QA que as verifique. Acompanhe a tendência. Se a precisão estiver caindo, seu mix de operadoras pode ter mudado ou alguma operadora pode ter alterado seu sistema de caixa postal.

Conclusão

Os falsos positivos do AMD estão entre as maiores perdas controláveis nas operações outbound. São invisíveis para os agentes, raramente monitorados pelos gestores e caros em escala. Uma melhoria de 10 pontos percentuais na FPR — de 15% para 5% — pode recuperar centenas de conversas reais por dia para uma equipe de porte médio.

Se você não mediu recentemente a taxa de falsos positivos do seu AMD, comece por aí. O número pode surpreender — e a solução pode ser mais simples do que você imagina.

Perguntas frequentes

O que é um falso positivo de AMD?

Um falso positivo acontece quando o sistema classifica uma pessoa real como máquina e derruba a chamada. Alguém atendeu, não ouviu nada e desligou — e nada nos seus relatórios registra uma conversa perdida.

Por que os falsos positivos passam despercebidos tão facilmente?

Eles caem no grupo de máquinas e parecem uma detecção de caixa postal bem-sucedida. A taxa de contato cai sem nenhum erro óbvio para investigar.

Como medir minha taxa de falsos positivos?

Pegue uma amostra das chamadas classificadas como máquina e ouça os primeiros segundos. Toda chamada em que uma pessoa falou é um falso positivo. Faça isso por operadora e por idioma, porque a taxa varia muito entre eles.

O que reduz os falsos positivos, além de uma detecção melhor?

Janelas de detecção mais longas, ajustes de sensibilidade por campanha e o encaminhamento das classificações incertas para um agente, em vez de descartá-las.