Uma operação com seis marketplaces ativos não quebra por falta de gente: quebra por falta de arquitetura. Foi esse o ponto de virada que levou a Lenovo a repensar seu controle de qualidade no atendimento ao cliente antes que o problema virasse crise de reputação.
Antes da mudança, o volume de chamados escalados para N2 crescia mais rápido que a capacidade de resposta da equipe, e cada canal novo somava complexidade operacional sem trazer qualquer ganho real de previsibilidade ou controle sobre o SLA.
O que esse case revela é uma lição sobre um padrão estrutural que se repete em qualquer operação multicanal. Se você atende por seis ou mais marketplaces, o que vem a seguir provavelmente descreve sua operação.
Antes da reestruturação, a operação enfrentava um sintoma recorrente em negócios que crescem em canais mais rápido do que em processo: alto volume de atendimentos sendo transferidos para N2. Isso indica um N1 sem critério de triagem consolidado e sem apoio suficiente para resolver o que deveria ser resolvido no primeiro contato, o que compromete o controle de qualidade no atendimento ao cliente desde a porta de entrada.
Esse desequilíbrio custava caro de duas formas simultâneas. A primeira era o custo direto: uma equipe superdimensionada para compensar processo ineficiente, gerando despesa operacional desnecessária sem correlação clara com melhoria de indicador. A segunda era o custo invisível, presente em qualquer avaliação de gestão de atendimento ao cliente: tempo de resposta mais lento, retrabalho entre níveis e desgaste da equipe com casos que poderiam ter sido resolvidos antes de escalar.
A pulverização entre canais agravava o quadro porque fragmentava o dado. Sem acompanhamento centralizado, cada marketplace funcionava como uma ilha operacional, com sua própria fila, seu próprio ritmo e sua própria percepção de qualidade, o que tornava qualquer decisão baseada em dado praticamente inviável para quem gerenciava a operação como um todo.
Esse conjunto de fatores não aparece isolado: cada item alimenta o próximo, até formar um ciclo em que crescer em canais significa, quase automaticamente, perder controle sobre a qualidade do que é entregue ao cliente final.
A resposta a esse tipo de degradação não foi contratar mais pessoas, foi redesenhar a arquitetura do atendimento. A primeira mudança foi a implantação de uma operação especializada de N1 via Predize, dedicada a absorver a demanda que antes sobrecarregava o N2 e a resolver no primeiro contato o que antes era escalado por padrão.
A segunda camada foi a atuação da MIA, a inteligência artificial do Predize, no atendimento automatizado. A MIA responde de forma autônoma os atendimentos que não exigem intervenção humana, com linguagem humanizada, o que caracteriza uma aplicação de IA para atendimento ao cliente pensada para o contexto de marketplace, e não uma automação genérica aplicada sem critério ao SAC.
A terceira camada foi o acompanhamento contínuo por meio de dashboards personalizados. Essa peça resolve o que nenhuma automação sozinha resolve: a falta de visibilidade gerencial. Com relatórios e monitoramento constante, o gestor deixa de depender de planilha manual ou de perguntar ao time, e passa a enxergar em tempo real onde a operação está performando e onde precisa de ajuste, o que é a base de qualquer gestão de atendimento ao cliente que pretenda ser proativa em vez de reativa.
Nenhuma dessas frentes funciona bem isolada. Centralizar sem IA ainda deixa o time sobrecarregado; ter IA sem dashboard tira a visibilidade sobre o que ela está de fato resolvendo. O controle de qualidade no atendimento ao cliente nasceu da combinação das três camadas operando juntas, não de qualquer peça isolada.
Leia também: IA genérica vs IA treinada para marketplace: por que isso define o resultado do seu atendimento
O que torna os resultados da Lenovo relevantes para qualquer seller de marketplace é a conexão direta entre cada indicador e o problema estrutural que ele resolve.
A redução de 46% no esforço operacional com a utilização da MIA significa que quase metade da demanda antes tratada manualmente passou a ser resolvida pela IA, liberando a equipe humana para os casos que exigem julgamento e negociação. Essa é a forma prática como controle de qualidade no atendimento ao cliente se traduz em número, e não apenas em discurso.
Os demais indicadores reforçam esse padrão:
Além desses indicadores diretos, a operação registrou ganhos que costumam ser subestimados em avaliações de gestão de atendimento ao cliente: maior produtividade da equipe, melhor visibilidade dos indicadores operacionais e um processo de atendimento mais eficiente e escalável. Em conjunto, esses números descrevem uma operação que trocou volume de gente por densidade de processo.
O aprendizado central desse case é que controle de qualidade no atendimento ao cliente não depende de quantas pessoas você tem na operação, depende de quanto sua arquitetura consegue absorver com previsibilidade. A Lenovo não melhorou a qualidade contratando mais gente, melhorou estruturando centralização, automação e visibilidade de dado como frentes conectadas.
Isso tem implicação direta para qualquer seller que vende em múltiplos marketplaces: o problema raramente é o número de canais em si, é a ausência de processo que sustente esse número. Cada marketplace novo soma volume, e volume sem estrutura de gestão de atendimento ao cliente se transforma, quase sempre, em escalada excessiva, custo desnecessário e reputação instável.
Os ganhos indiretos observados no case, como maior produtividade da equipe e melhor visibilidade dos indicadores operacionais, confirmam que centralização, IA e dashboard não são recursos isolados de otimização pontual: são a base estrutural que permite manter controle de qualidade no atendimento ao cliente à medida que a operação cresce, em vez de perder esse controle a cada canal adicionado.
O case da Lenovo demonstra que controle de qualidade no atendimento ao cliente em marketplaces se constrói pela combinação de centralização, IA especializada e visibilidade de dado, não pela expansão de equipe. Para o seller que sente a operação crescer em volume sem crescer em controle, o Predize existe exatamente para estruturar essa arquitetura: conheça a plataforma e veja como aplicar o mesmo método à sua operação.
