📊 EzyCredit - Dashboard de Análise de Atendimento (CX)

Este projeto consiste em um painel interativo desenvolvido para uma empresa fictícia chamada EzyCredit de emprestimos financeiros, com foco na análise do desempenho do atendimento ao cliente (CX). A proposta foi criar uma solução de BI que permita avaliar, acompanhar e melhorar a qualidade do atendimento prestado por agentes humanos e bots.

Acesse o Dashboard

🚀 Objetivo

O objetivo deste Dashboard é transformar dados de atendimento em insights estratégicos e operacionais que ajudem o time de CX a:

Contexto

• Monitorar o volume de chats por período;
• Avaliar o desempenho por agente;
• Comparar interações humanas e bots;
• Detectar conversas sensíveis;
• Identificar problemas de resolução na primeira chamada;
• Controlar a meta de tempo médio de atendimento.

---

🛠️ Tecnologias Utilizadas

• Power BI – Para criação e publicação do dashboard interativo.
• Python – Para simulação de dados, tratamento e estruturação dos datasets.
• Ollama – Modelo de linguagem gemma3 local utilizado para geração automatizada de conversas sintéticas, simulando atendimentos reais com segurança de dados.
• HTML e CSS – Utilizados na criação de visuais personalizados, permitindo maior flexibilidade estética e funcional, como dashboards web customizados ou visuais avançados fora dos componentes nativos do Power BI.

---

🧠 Regras de Negócio & KPI's

Para análise de performance, foram criadas métricas personalizadas, incluindo:

• Chats (Total de conversas ) – Total de conversas por e total de mensagens trocadas no período.

• TMA (Tempo Médio de Atendimento) – Mediana do tempo por chat.

• FRC (First Resolution Contact) – Métrica de resolução na primeira interação.

• Sensibilidade – Classificação de conversas com temas sensíveis (ex: cobranças, jurídico, fraudes).

• Acompanhamento Meta CX – Acompanhamento da meta de agentes que estão resolvendo os casos, por chat Id

• Monitor de Atendimentos • Chats Essa solução simula conversas entre agentes (humanos ou bots) em formato de chat, diretamente no Power BI. Unindo Power BI, HTML e CSS, foi possível criar uma visualização interativa, estilizada e funcional, semelhante a aplicativos reais de mensagens, tudo dentro do próprio relatório.

🧩 Features do Chat

• ✅ Avatar e Nome do Agente: identifica se o atendimento é humano ou bot.

• 🗨️ Mensagens em Estilo Chat: cada troca de mensagem é apresentada em "balões", com visual limpo e familiar, simulando o Whatssap.

• 🔄 Similaridade com Softwares Reais: a interface imita sistemas de chat conhecidos, aumentando a familiaridade e reduzindo a curva de leitura.

• 🧑‍🤝‍🧑 Humanização da Experiência: o formato de chat simula atendimentos reais, facilitando a leitura e o entendimento da conversa.

• 🧩 Centralização de Informações: integra visualmente os dados da conversa no próprio Power BI, sem depender de outras plataformas.

🛠️ Desenvolvido com HTML e CSS dentro do Power BI:
A visualização da conversa foi construída utilizando HTML e CSS diretamente no Power BI por meio do visual HTML CONTENT, por . Essa abordagem permitiu simular uma interface de chat real dentro do relatório, com estilo, cores e estrutura semelhantes a aplicativos de mensagens. A combinação das três tecnologias — Power BI para análise de dados, HTML para a estrutura da interface e CSS para o design visual — proporcionou uma solução original, unindo data storytelling, interatividade e usabilidade em um único ambiente.

⚠️ Nenhum dado sensível ou real foi utilizado neste projeto. As conversas foram geradas artificialmente via LLMs.

---

🔧 Como foi desenvolvido essa solução?:

Em em breve irei escrever um artigo detalhando como a solução foi criada no meu Blog.

📁 Estrutura de Pastas

├── src/                # Scripts em Python para geração e transformação dos dados
│   ├── auth.py
│   ├── chat_generator.py # Gera os dados fictícios das conversas
│   ├── utils.py          # Converte os dados para Excel e move para pasta correta
│   ├── main.py           # Ponto de entrada da automação│
├── docs/                 # Documentos de apoio
├── files/                # Arquivos de entrada e saída (como planilhas)
├── icons/                # Ícones usados na interface
├── media/                # Imagens, prints e gifs para documentação e README
│   └── prints/

⚙️ Como Executar o Gerador de Conversas

Este projeto inclui um script que gera conversas sintéticas usando uma LLM local (como o Ollama) e salva os dados nos formatos .json e .xlsx, prontos para uso no Power BI.

✅ Pré-requisitos

• Python 3.10 ou superior

• Instale as dependências:

  pip install pandas requests

• Servidor Ollama rodando localmente na porta 11434:

  ollama run gemma3

• crie um arquivo chamado: src/auth.py será necessário para a requisição do modelo.

  ollama_key = "[YOUR_KEY_HERE]"

---

▶️ Como executar

1. Clone o repositório:

   git clone https://github.com/mmnitzsche/ezycredit
   cd ezycredit-cx-dashboard

2. Execute o script principal:

   python src/main.py

3. Ao final, será gerado o arquivo:

   files/ezycredit_chats.xlsx

   Esse arquivo será utilizado no Power BI como base de dados.

---

💡 Sobre a Geração de Conversas

O script src/chat_generator.py:

• Envia prompts ao modelo local via Ollama

• Recebe conversas em JSON com estrutura de chat

• Classifica as mensagens por:

  • agente
  • nome do cliente (esse dado não utilzei no relatório)
  • id
  • agente
  • conteúdo

  .json

  {
    "agente": "bot",
    "cliente_nome": "João da Silva",
    "id": 16,
    "data": "2024-10-27 10:16:11",
    "tipo": "reclamação sobre atendimento",
    "conteudo": "Caso necessite de suporte adicional, entre em contato conosco."
  }

Simula cenários como:

• Pedido de crédito
• Cancelamento
• Refinanciamento
• Reclamações e suporte técnico

Contato e Redes Sociais - Mateus Nitzsche

• Email: mmnitzsche@gmail.com

• LinkedIn: linkedin.com/in/mateusnit/

• Portfólio/Blog: bit.ly/mateusnit

• GitHub

• Medium

• IMDB

• LeetCode