Saiba como analisar conversas fechadas automaticamente, atribuir uma pontuação de sentimento, gerar um breve resumo de IA e classificar chats com tags úteis em ChatCase.

Este tutorial explica como construir um fluxo Agentic Sentiment Analysis em ChatCase.

O objetivo é analisar uma conversa quando o chat é fechado, mesmo que o usuário não deixe uma classificação explícita ou feedback escrito.

No final do fluxo, ChatCase pode:

• detectar se a transcrição é significativa
• atribuir uma pontuação de sentimento de 1 a 5
• gerar um breve resumo de IA de como a conversa foi percebida
• aplicar tags como feedback, sugestão, relatório de erro ou solicitação de recursos

Esta abordagem ajuda as equipes a extrair valor de conversas que de outra forma acabariam sem qualquer sinal estruturado.

Quando uma conversa é fechada, o fluxo de trabalho desencadeia uma etapa de IA que lê a transcrição da conversa.

A IA retorna:

• NC (Sem Comentário) se a transcrição não é útil ou não contém informações significativas suficientes
• uma pontuação de 1 a 5 para representar o sentimento provável do usuário
• um pequeno mini-relatório que explica o provável resultado da interacção
• uma categoria baseada na conversa geral

Isso torna possível monitorar a qualidade da conversação mesmo quando o usuário não deixa uma classificação.

{% stepper %} {% step %}Passo 1: Identifique o ponto de encerramento do chat

Abra seu fluxo no ChatCase Design Studio e identifique onde termina a conversa.

Isto pode ser:

• uma ação manual fechada
• um fechamento automático após a mensagem final
• um encerramento desencadeado após um período de inatividade
• um encerramento após uma entrega humana é concluída

Este é o ponto onde a Análise de Sentimento Agente deve começar. {% endstep %}

{% step %}Passo 2: Activar um fluxo de análise pós-chat

Após o ponto de fechamento, adicione um passo que inicia o fluxo de trabalho de análise de sentimentos.

O objetivo desta etapa é executar a análise apenas após a conversa ser concluída.

Isto é útil porque:

• A IA pode avaliar a transcrição completa
• o fluxo de trabalho permanece leve
• a análise é feita apenas uma vez por conversa {% endstep %}

{% step %}Passo 3: Passe a transcrição para a IA

Configure uma etapa de IA que receba a transcrição completa da conversa.

No mínimo, a IA deve analisar:

• as mensagens do usuário
• o assistente ou agente responde
• o resultado geral da conversa {% endstep %}

{% step %}Passo 4: Peça à IA uma saída estruturada

Configure o prompt para que o IA retorne um resultado estruturado.

Uma saída recomendada inclui:

• análise\ status
• Sentimento\ score
• mini\ report
• ** categoria**

Estrutura de exemplo

analysis_status: NC or valid

sentiment_score: number from 1 to 5

mini_report: short explanation of the likely user perception

category: one category based on the overall conversation
`$([Environment]::NewLine)
A parte importante é a consistência. A saída deve sempre seguir o mesmo formato.
{% endstep %}

{% step %}Passo 5: Salve o resultado em atributos

Uma vez que o IA retorna o resultado, salve-o em atributos de conversação.

Por exemplo:

* **análise\ status**
* **Sentimento\ score**
* **mini\ report**
* **ai\ category**

Isso permite que você reutilize a saída mais tarde em automação de análise, filtragem e acompanhamento.

<figure><img src="/doc-images/2fD8MFfJjfNIwFF3VaRh.png" alt=""><figcaption></figcaption></figure>
{% endstep %}

{% step %}### Passo 6: Aplicar tags automaticamente

Se seu IA retornar uma categoria, use-a para classificar a conversa automaticamente e adicioná-la como uma tag usando [Adicionar Tag](/docs/guia/ai-chatbots-and-automation/actions-explained/add-tag)action.

Você pode usar uma destas categorias:

* **Product\ feedback**
* ** Falta de recursos\
* **suporte\ qualidade\ questões**
* **Repetido\ error\ reports**

Este passo transforma a análise de sentimentos em algo operacional, não apenas descritivo.

<figure><img src="/doc-images/VzCFsuSyOCkvUVVarrQV.png" alt=""><figcaption></figcaption></figure>Depois de aplicar tags automaticamente, você pode ir para o ChatCase Analytics e visualizar conversas junto com as tags relacionadas de uma forma simples.

<figure><img src="/doc-images/uAM9ZtYesaQPvzvBGokL.png" alt=""><figcaption></figcaption></figure>
{% endstep %}
{% endstepper %}# # Exemplo simples para classificação de categoria

Para manter esta parte simples, você pode adicionar um prompt que pede à IA para ler a conversa completa e retornar apenas uma categoria.

Use um prompt como este:

Read the full conversation carefully.

Based on the overall conversation, classify it into one and only one of the following categories:

product_feedback missing_features support_quality_issues repeated_error_reports

Rules:

• Read the full conversation before deciding
• Choose only one category
• Answer strictly with one of the category names above
• Do not add explanations
• Do not add any extra text

Conversation: {{conversation}} `$([Environment]::NewLine) Com esse prompt, o IA atua como um classificador restrito e retorna apenas um valor que você pode salvar em um atributo ou aplicar diretamente como uma tag.

# Por que isso é útil em ChatCase

Este fluxo de trabalho se encaixa bem no ChatCase porque ele pode ser construído com uma abordagem sem código e estendido ao longo do tempo.

Ajuda as equipes:

• capturar sinais de conversas sem classificação
• classificar feedback automaticamente
• detectar problemas recorrentes
• melhorar a qualidade do suporte
• transformar chats fechados em insight acionável

Em vez de deixar as conversas desaparecerem uma vez fechadas, você pode usá-las para gerar dados estruturados para melhoria contínua.

Espero que seja útil.

Para ler mais sobre o ChatCase, visite:https://www.chatcase.comCaso tenha uma pergunta, envie-nos um e-mail para:redacted@example.invalid