Deflection rate (taxa de deflexão) é a porcentagem de contatos que o autoatendimento encerra sem chegar a um atendente humano. Taxa de resolução é a porcentagem de contatos em que o problema do cliente foi de fato resolvido. As duas costumam ser tratadas como sinônimos, e não são: uma conversa em que o cliente desiste frustrado também conta como "defletida". Se você acompanha só o deflection rate no atendimento, pode estar comemorando clientes perdidos.
Este artigo explica o que cada métrica mede, como calcular, onde o deflection rate engana e quais indicadores usar para saber se o seu chatbot resolve ou só segura o cliente.
O que é deflection rate no atendimento
Deflection rate mede quanto da demanda o autoatendimento (chatbot, central de ajuda, URA, base de conhecimento) absorve sem envolver uma pessoa. A lógica de negócio é direta: cada contato que não chega à fila humana é custo evitado.
A fórmula mais comum é:
Deflection rate = (contatos encerrados no autoatendimento ÷ total de contatos) × 100
O problema está no numerador. "Encerrado no autoatendimento" inclui o cliente que encontrou a resposta e também o que fechou a janela irritado, foi para outro canal ou desistiu da compra.
O que é taxa de contenção de chatbot
Taxa de contenção é a versão do deflection rate dentro do chatbot: a porcentagem de conversas que começam e terminam no bot, sem transferência para humano.
Taxa de contenção = (conversas sem transferência para humano ÷ total de conversas do bot) × 100
Ela herda o mesmo ponto cego. Um bot que nunca oferece atendente humano terá contenção altíssima, e isso não diz nada sobre quantos clientes saíram satisfeitos.
O que é taxa de resolução do chatbot
Taxa de resolução mede quantas conversas terminaram com o problema resolvido. É mais difícil de calcular porque exige um sinal de resultado, não apenas a ausência de transferência.
Taxa de resolução = (conversas com resolução confirmada ÷ total de conversas) × 100
"Resolução confirmada" pode vir de fontes diferentes, e vale combinar mais de uma:
- o cliente confirma ("resolveu", avaliação positiva no fim da conversa);
- a ação esperada acontece (pagamento feito, agendamento criado, segunda via emitida);
- o cliente não volta com o mesmo assunto em um intervalo definido, por exemplo 7 dias, em nenhum canal.
Deflection rate vs. taxa de resolução: a diferença na prática
| Aspecto | Deflection / contenção | Taxa de resolução |
|---|---|---|
| Pergunta que responde | O cliente chegou a um humano? | O problema do cliente foi resolvido? |
| Abandono frustrado | Conta como sucesso | Conta como falha |
| Facilidade de medir | Alta: basta contar transferências | Média: exige sinal de resultado |
| Risco de manipulação | Alto: basta esconder o atendente | Baixo: depende do resultado real |
| Para que serve | Dimensionar fila e custo | Avaliar a qualidade do bot |
As duas métricas têm lugar no painel. O erro é usar a primeira como se fosse a segunda.
Por que um deflection rate alto pode esconder clientes perdidos
Imagine dois bots com a mesma taxa de contenção. No primeiro, a maioria das conversas sem transferência termina com o cliente resolvendo o que queria. No segundo, boa parte dos clientes desiste no terceiro "não entendi, pode reformular?". No relatório de deflection, os dois são iguais. No caixa, não.
Os dados de mercado mostram que esse segundo cenário custa caro:
- 52% dos consumidores dizem que o pior problema dos chatbots é entender mal a pergunta, e 60% temem que o bot não entenda o que perguntam (Azumo).
- Experiências ruins com chatbot aumentam a probabilidade de churn em 67% (Conferbot).
- Só 27% dos clientes tentariam um chatbot de novo depois de uma experiência negativa, segundo pesquisa do Gartner citada pela Gleap.
Ou seja, a conversa "defletida" que terminou em frustração não é custo evitado. É um cliente com mais chance de ir embora e menos disposição de usar o bot da próxima vez, o que empurra a demanda para canais mais caros mais adiante.
Os sinais de que a sua contenção está mascarando abandono
- A contenção sobe e a satisfação (CSAT, NPS) não acompanha, ou cai.
- Muitas conversas terminam sem mensagem final do cliente, no meio do fluxo.
- O mesmo cliente volta pelo telefone ou pelo e-mail com o assunto que tentou no bot.
- O botão ou a opção de falar com atendente está escondido ou exige várias etapas.
- As últimas mensagens antes do silêncio são curtas: "ok", "tá", "deixa".
Quais métricas usar para avaliar a eficácia do chatbot
Em vez de um número único, use um conjunto que se equilibra. Um bom ponto de partida:
- Taxa de resolução (com resultado confirmado): a métrica principal de qualidade.
- Taxa de contenção: para dimensionar equipe e custo, nunca isolada.
- Abandono frustrado: conversas encerradas pelo cliente sem resolução e sem transferência. É a diferença entre contenção e resolução que você precisa enxergar.
- Recontato: cliente que volta com o mesmo assunto em até 7 dias, em qualquer canal.
- Qualidade do handoff: tempo até a transferência e quantas vezes o atendente pede algo que o bot já sabia. Detalhamos isso em handoff do chatbot para humano.
- CSAT pós-conversa: útil, mas com viés, porque quem desiste raramente responde à pesquisa.
Passo a passo para medir abandono frustrado
- Defina o que é uma conversa encerrada pelo cliente (por exemplo, sem resposta dele após um tempo limite).
- Separe as conversas encerradas com sinal de resolução das encerradas sem nenhum sinal.
- Entre as sem sinal, marque as que tiveram falhas de entendimento, loops ou mensagens de impaciência.
- Cruze com recontato em outros canais nos dias seguintes.
- Acompanhe essa taxa ao lado da contenção, no mesmo gráfico.
De medir depois para agir durante a conversa
Todas as métricas acima olham para trás: dizem quantos clientes você perdeu na semana passada. O passo seguinte é perceber o abandono enquanto a conversa ainda está acontecendo. Isso exige ler o estado do cliente, não só o texto da última mensagem. Explicamos por que os bots falham nisso em por que seu chatbot não entende o cliente.
É o que o FivSense faz. Ele é uma API de predição de estado, perfil e comportamento humano em conversas, consumida pelo seu bot via HTTP. A cada chamada em POST /v1/predict, o bot recebe o estado do cliente, o perfil, o estilo de comunicação e as probabilidades do próximo comportamento: responder, converter, abandonar ou precisar de humano. Com isso, dá para mudar a abordagem quando o risco de abandono sobe, oferecer um atendente antes da desistência e separar, nos seus relatórios, a contenção que resolveu da contenção que perdeu o cliente.
Pelo POST /v1/outcomes, você informa o que de fato aconteceu em cada conversa, e as probabilidades são calibradas por esses resultados reais, e não por rótulos de outro modelo.
Perguntas frequentes
O que é deflection rate no atendimento?
É a porcentagem de contatos que o autoatendimento (chatbot, central de ajuda, URA) encerra sem envolver um atendente humano. Mede quanto da demanda deixa de chegar à fila, mas não diz se o problema do cliente foi resolvido.
Qual é a fórmula do deflection rate?
Deflection rate = (contatos encerrados no autoatendimento ÷ total de contatos) × 100. Para não confundir economia com qualidade, acompanhe ao lado a taxa de resolução e a taxa de abandono frustrado.
O que é taxa de contenção de chatbot?
É a porcentagem de conversas que começam e terminam no chatbot sem transferência para humano. Funciona como o deflection rate dentro do bot e tem o mesmo ponto cego: conta como contida a conversa em que o cliente desistiu.
Qual a diferença entre taxa de contenção e taxa de resolução?
A contenção pergunta se o cliente chegou a um humano. A resolução pergunta se o problema foi resolvido. Uma conversa abandonada no meio do fluxo aumenta a contenção e reduz a resolução.
Quais métricas usar para avaliar a eficácia de um chatbot?
Taxa de resolução com resultado confirmado, taxa de contenção, abandono frustrado, recontato em até 7 dias, qualidade do handoff para humano e CSAT pós-conversa. Nenhuma delas deve ser lida sozinha.
Quer saber quanto da sua contenção é abandono?
Conte como você mede o seu bot hoje e veja como o FivSense lê o estado do cliente durante a conversa.
Fale com a gente