Banca de DEFESA: GABRIEL HENRIQUE DANIEL DA SILVA

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: GABRIEL HENRIQUE DANIEL DA SILVA
DATA : 28/08/2023
HORA: 09:00
LOCAL: Virtual
TÍTULO:

Extração, Classificação e Priorização de Reclamações de 
Consumidores em SACs Online Baseados em Texto

PALAVRAS-CHAVES:

SAC; Extração de Informação; Aprendizagem de Máquina; 
Classificação.

PÁGINAS: 70
RESUMO:

Os serviços de atendimento ao consumidor (SACs) são canais de comunicação 
entre uma empresa e seus consumidores, possibilitando que os clientes tirem 
dúvidas, deem sugestões, solicitem informações e registrem reclamações. Com 
o advento da Internet e das redes sociais, grande parte do contato é feito 
online através de canais descentralizados que geram uma enorme quantidade 
de informação textual a ser analisada. Consumidores insatisfeitos e que não 
se sentem priorizados tendem a se afastar e tomar ações que possam 
influenciar negativamente na imagem da empresa. Nesse contexto, este 
trabalho de mestrado propõe um processo para auxiliar as empresas a lidar 
com essa grande quantidade de reclamações que ficam expostas na Web através 
do processamento automático dos textos das reclamações. A solução proposta 
se baseia em uma estratégia de extração automática das reclamações postadas 
pelos consumidores em sites específicos, seguida de classificação e 
ranqueamento dessas reclamações, a fim de priorizar as críticas 
consideradas mais relevantes (i.e., com maior potencial de prejuízo) no 
momento. O processo proposto foi implementado em três etapas distintas. 
Inicialmente, foi desenvolvido um módulo para criação do corpus que realiza 
um scrapping para extração das reclamações a partir de sites na Web. O 
código foi desenvolvido em Python com o auxílio do framework Selenium. O 
site escolhido para o protótipo inicial foi o “ReclameAqui”. A partir dos 
dados extraídos, foi criado um corpus contendo reclamações que foram 
etiquetadas manualmente por pessoas com experiência no domínio de 
atendimento ao consumidor, também foi realizado um pré-processamento 
textual. A seguir, foi desenvolvido um classificador de texto baseado em 
Aprendizagem de Máquina usando o corpus etiquetado. Foram realizados 
diversos experimentos buscando encontrar a combinação de melhor desempenho 
dentre as opções disponíveis. A configuração que utiliza TF-IDF para 
transformação de texto, K-Fold Cross Validation no treinamento e Regressão 
Logística teve o melhor resultado, com acurácia de 82,22%, F-measure de 
82,39% e área sob a curva ROC de 0,8881. Por fim, o protótipo implementado 
também realiza o ranqueamento das reclamações prioritárias, oferecendo 
ainda a possibilidade de exportação das reclamações de forma ordenada.

MEMBROS DA BANCA:
Interna - 1193006 - FLAVIA DE ALMEIDA BARROS
Presidente - 2199306 - PATRICIA CABRAL DE AZEVEDO RESTELLI TEDESCO
Externo à Instituição - PERICLES BARBOSA CUNHA DE MIRANDA - UFRPE