Em períodos de pico de tráfego, como os e-commerces em crescimento podem manter a posição com uma única tabela de IA

No setor de retalho, quer seja online ou offline, cada grande promoção é uma operação global para toda a empresa. O serviço ao cliente precisa aguentar na linha da frente, a logística precisa garantir a retaguarda e as equipas de operações precisam assegurar que as transmissões em direto decorrem sem problemas. No meio do caos, o que mais facilmente falha é a eficiência e a precisão da circulação de informações.

Como lidar com um volume de trabalho várias vezes maior num tempo limitado?

Na marca de internet ZHR Zeze e na loja de lifestyle 55°N FIFTYFIVE, ambos têm um objetivo comum: libertar o tempo das tarefas repetitivas e concentrar-se no que realmente importa.

Optaram por usar as tabelas AI do DingTalk para reorganizar os seus processos de negócio. O que impressiona não é a ferramenta em si, mas a determinação e a prática de usarem a tecnologia para "segurar" o negócio antes dos picos de tráfego.

ZHR Zeze: transformar o serviço ao cliente de "caixa de ressonância" em solucionador de problemas

ZHR Zeze é uma marca de internet especializada em calçado casual feminino, presente em várias plataformas de comércio eletrónico. As vendas online são rápidas e o pós-venda é complexo.

A responsável pela equipa de serviço ao cliente, Jiu'er, não só coordena o atendimento em múltiplas lojas, como também funciona como uma "caixa de ressonância + distribuidora", transmitindo com precisão as solicitações dos clientes aos departamentos financeiro, de operações, armazém, inspeção de qualidade, transportadoras e outros parceiros comerciais.

Durante os picos de pré-venda e pós-venda, o que mais preocupa o serviço ao cliente é que as reclamações dos clientes sejam ignoradas — as solicitações dos clientes têm de ser enviadas manualmente para diferentes grupos de departamentos; a interceção de encomendas depende de monitorização manual; o progresso dos problemas exige seguimento constante; os resultados das respostas têm de ser comunicados aos clientes para formar um ciclo fechado. Todo o processo envolve uma grande quantidade de coordenação e acompanhamento, e durante os picos de atividade o volume de trabalho torna-se tão elevado que parece impossível terminá-lo.

Assim, Jiu'er, com mais de dez anos de experiência em comércio eletrónico, utilizou as tabelas AI para reorganizar todo o processo.

A gestão de pedidos de devolução é um dos principais pontos problemáticos de qualquer empresa de retalho online. Antigamente, um pedido de devolução envolvia vários departamentos e etapas: o serviço ao cliente tinha de consultar o sistema de pedidos, verificar o endereço, o estado da logística e notificar o pessoal do armazém para receber a mercadoria; quando o pessoal do armazém recebia a mercadoria devolvida pelo cliente, tinha de confirmar o número de transporte com o serviço ao cliente, avaliar se a mercadoria podia ser armazenada e comunicar o estado da mercadoria devolvida ao serviço ao cliente. Quando surgiam problemas anómalos de devolução, como o cliente devolver a mercadoria errada ou a mercadoria estar danificada, era necessária uma grande quantidade de comunicação entre o armazém, o serviço ao cliente e o cliente para fechar o ciclo de um pedido.

Com as tabelas AI, tudo mudou.

O serviço ao cliente só precisa de inserir o número de transporte na tabela AI. Os campos AI obtêm automaticamente o estado mais recente da logística — entregue, em trânsito ou anómalo —, ficando tudo claro num instante. A interceção de encomendas também não precisa de ser monitorizada manualmente; o sistema consegue rastrear e avaliar diretamente na tabela.

Quando o pessoal do armazém deteta anomalias na mercadoria devolvida, menciona o assistente automatizado no grupo e fornece o número de transporte e o tipo de recusa. As informações entram imediatamente na tabela, o sistema consulta automaticamente o pedido e o nome da loja e atribui-o automaticamente ao serviço de pós-venda correspondente. O serviço de pós-venda atualiza o resultado no formulário, e o sistema sincroniza automaticamente a informação com o grupo. A automação substitui grande parte do trabalho manual, evitando comunicações tediosas e eliminando a possibilidade de erros ou omissões.

Deslize para a esquerda e para a direita para ver como a tabela AI gere os pedidos de devolução

Ciclo fechado de feedback negativo: de "procurar grupo" a "atribuição automática"

O fluxo de trabalho tornou-se mais simples, e a coordenação entre equipas também se tornou mais eficiente. O mais evidente é a gestão das tarefas de feedback negativo.

A equipa de serviço ao cliente da ZHR Zeze precisa de fornecer feedback sobre problemas como tamanhos de sapatos demasiado grandes ou pequenos, danos nas encomendas ou imagens incorretas aos departamentos de operações, logística, entre outros. Há mais de 30 grupos diferentes em várias plataformas, lojas e departamentos; só o facto de "encontrar o grupo certo" e "seguir os resultados" já fazia perder muito tempo ao serviço ao cliente.

Agora, o serviço ao cliente envia o feedback ao assistente AI, as informações são automaticamente captadas pela tabela AI, os campos AI avaliam automaticamente o tipo de problema, correspondem ao responsável e enviam diretamente para o grupo correspondente, com alerta. O serviço ao cliente já não precisa de procurar grupos na lista de mensagens; todo o processo de feedback, desde a sua criação até à atribuição ao responsável, forma um ciclo fechado; as informações de feedback também passam de conversas dispersas em grupos para uma única tabela, facilitando a análise e a otimização dos problemas.

Deslize para a esquerda e para a direita para ver como a tabela AI gere o feedback negativo

Antigamente, as informações nos grupos eram confusas, e cada departamento enviava as suas informações diretamente para o grupo: quantos pedidos de devolução havia no serviço de pós-venda, quantas mercadorias devolvidas foram recebidas no armazém; quanto ao responsável pelo acompanhamento dos pedidos de cada loja, era necessário extrair essa informação de entre uma enorme quantidade de dados. Todo o processo fazia com que cada pessoa passasse 3 a 5 horas no grupo sem conseguir sair.

Agora, o serviço de pós-venda só precisa de abrir a sua vista de tarefas para tratar rapidamente os problemas. A filtragem da vista substitui a extração manual de informações, e todo o processo foi reduzido de três a cinco horas para apenas alguns minutos. Mais detalhadamente, os campos AI da tabela AI podem ainda avaliar automaticamente se uma tarefa está fora de prazo com base no tempo e nos requisitos do feedback, sem necessidade de verificação manual, garantindo que as informações de recusa sejam tratadas a tempo todos os dias.

O painel de instrumentos mostra em tempo real o número de tarefas, o progresso do tratamento e os avisos de atraso, apresentando todas as informações de forma visual. É possível saber de relance quantos problemas ainda estão por resolver e quanto tempo resta. Isto também resolve o problema antigo em que o serviço ao cliente não conseguia acompanhar os problemas de feedback em tempo útil.

Durante as promoções, a equipa de serviço ao cliente reduziu significativamente as comunicações e os pedidos de acompanhamento; a taxa de tarefas não tratadas caiu quase a zero; a eficiência no tratamento de devoluções aumentou em 40%; a taxa de atraso nas tarefas diminuiu em 70%; a eficiência na atribuição de tarefas aumentou em 80%; e a eficiência geral do feedback melhorou em mais de 70%. Estes não são apenas números melhores; eles garantem que, durante os picos de tráfego, a mesma dimensão da equipa consiga lidar com mais problemas de serviço ao cliente e pós-venda.

"Reduzir as comunicações e o acompanhamento desnecessários, a AI permite que a equipa trabalhe de forma mais completa e com padrões mais rigorosos", diz Jiu'er, chefe do serviço ao cliente da ZHR Zeze. "Finalmente podemos dedicar o nosso tempo ao que mais vale a pena."

Transmissões em direto mais eficientes: de 2 horas para 10 minutos

Esta melhoria de desempenho também foi reconhecida por outras equipas, como a equipa de operações, que precisa de configurar as transmissões em direto diariamente.

O processo anterior era longo: antes de cada transmissão em direto, as operações tinham de preparar manualmente o discurso, organizar as imagens dos benefícios dos produtos e colar uma a uma as informações de uma dúzia de produtos.

Quando a frequência das transmissões em direto duplicou durante os picos de tráfego, uma pessoa tinha de preparar várias transmissões em direto por dia; se por acaso faltasse preparar um produto, a sala de transmissão poderia ter problemas.

Ao transferir este processo para as tabelas AI, as operações só precisam de preencher o número do artigo, o influenciador, a hora e carregar as imagens dos benefícios. A AI reconhece automaticamente o ID do produto, extrai os pontos de venda das imagens e gera o discurso para a transmissão em direto. Estes discursos são sincronizados diretamente com a equipa de serviço ao cliente, sem necessidade de edição manual. O que antes demorava 2 horas a preparar uma transmissão em direto agora leva apenas 10 minutos.

Para a ZHR Zeze, esta mudança não se traduz apenas numa melhoria de eficiência; ela torna cada detalhe mais controlável durante os picos de tráfego, permitindo realizar mais sessões de transmissão em direto, com mais influenciadores, sem atrasos causados pela preparação. No momento em que os utilizadores assistem à transmissão em direto, os problemas de eficiência no backend já foram completamente resolvidos. O serviço ao cliente também pode preparar-se com antecedência.

55°N FIFTYFIVE: uma tabela sustenta o sistema logístico de mais de 30 lojas

Esta marca de estilo de vida, que abrange mais de 25.000 SKU — 55°N FIFTYFIVE —, expandiu-se de uma única loja para mais de 30 em menos de 3 anos.

Esta rápida expansão do negócio trouxe também pressão e desafios significativos para a gestão do armazém e da logística.

Para o gestor de logística, Liu Fengshou, a variedade de produtos é grande, a cadeia logística é longa, o número de lojas aumentou, a frequência de envio aumentou e a inventariação do armazém tornou-se a etapa mais demorada do trabalho:

Os funcionários precisam tirar fotos das etiquetas dos produtos, registar manualmente a data de produção e calcular o prazo de validade. Especialmente quando se trata de conjuntos de vários produtos, é necessário calcular repetidamente o prazo de validade final.

Centenas de dados são processados por dia, e a taxa de erro é muito elevada.

Perdas e diferenças de mercadorias entre lojas e armazéns também são comuns. Danos, falta de mercadorias ou mercadorias erradas ocorrem várias vezes por mês; só para determinar a responsabilidade são necessários vários dias de trabalho, com troca de capturas de ecrã, comparação de Excel e revisão manual. Ainda mais difícil é que o próprio trabalho de logística e armazenagem é difícil de quantificar; a avaliação dos funcionários é muitas vezes baseada na experiência, o que dificulta uma avaliação justa e equitativa. Como empresa em fase de arranque, a escolha das ferramentas de gestão também é um desafio: é preciso uma gestão sistematizada, mas ao mesmo tempo leve e acessível.

Nesta altura, Liu Fengshou voltou a sua atenção para as tabelas AI.

Ele utilizou as tabelas AI para criar um "sistema" que cobre todo o processo — programação de produção, envio, rastreamento em trânsito, entrega, reclamações e reconciliação.

O plano de envio para o próximo mês, a hora prevista de carregamento, o número de encomendas e o volume estão todos nesta tabela. Para se adaptar a diferentes cenários, ele concebeu várias vistas: a vista detalhada permite às lojas verificar todos os produtos durante a contagem de mercadorias; o gráfico de Gantt mostra a frequência e o progresso dos envios; a vista de calendário indica claramente os horários de recolha de mercadorias todos os dias. Diferentes permissões são definidas para diferentes empresas de logística e departamentos, de modo que cada papel só pode ver as informações relevantes.

Deslize para ver a visão geral da cabine de gestão logística

Na fase de inventariação, a AI tornou-se uma verdadeira força produtiva. Os funcionários do armazém tiram fotos das etiquetas dos produtos, a AI reconhece automaticamente a data de produção e o prazo de validade, calcula automaticamente a data de expiração e gera alertas. O tempo de inventariação foi reduzido significativamente, e a taxa de erro também diminuiu.

Processamento automatizado de perdas e diferenças de mercadorias e reconciliação

O tratamento de perdas e diferenças de mercadorias tornou-se um processo automatizado. Quando os funcionários da loja detectam danos ou falta de mercadorias, carregam diretamente o documento de entrega. A AI reconhece a hora no documento de entrega e avalia automaticamente se a logística está atrasada; se houver atraso, é ativado automaticamente o processo de reclamação. O que antes levava vários dias para determinar a responsabilidade agora é resolvido em questão de minutos. Todas as informações sobre perdas e diferenças de mercadorias são automaticamente resumidas na tabela, sem deixar escapar uma única peça.

A reconciliação, que costumava ser complicada, também foi resolvida. Liu Fengshou precisa reconciliar-se todos os meses com mais de uma dúzia de empresas de logística; agora, através da configuração da "vista de impressão", basta fazer uma seleção para gerar um relatório de reconciliação — incluindo o nome do centro comercial, o número da nota de saída, o número do documento de transporte, o volume e as despesas de liquidação. Exportar para PDF, carimbar, emitir fatura — todo o processo foi simplificado várias vezes.

Falar com dados: tornar os serviços mensuráveis e passíveis de melhoria

Liu Fengshou acredita que o verdadeiro valor está nos dados. Um painel de instrumentos mostra indicadores quantitativos como a taxa de pontualidade das entregas e a taxa de danos, e apresenta a qualidade do serviço em forma de pontuação. Mais importante ainda, ele integra os feedbacks reais das lojas finais no sistema; todos os meses há dados de visitas de funcionários. Desta forma, as empresas de logística podem ver não só a sua própria pontuação, mas também a pontuação dos concorrentes. Naturalmente, eles querem melhorar — aumentar a taxa de pontualidade, reduzir a taxa de danos e melhorar a atitude do serviço.

Quando começou a implementar este sistema, Liu Fengshou não "apressou-se a obter resultados". No primeiro mês, ele próprio introduziu todos os dados para que os funcionários se familiarizassem com o sistema. No segundo mês, começou a "delegar poderes", permitindo que os funcionários preenchessem algumas informações básicas. Só no terceiro mês começou a ensinar funções avançadas como permissões elevadas. Os funcionários aceitaram mais rapidamente as funções mais úteis — por exemplo, o tratamento de informações sobre danos. Antigamente, era preciso procurar o número do documento em uma dúzia de grupos; agora, todas as informações relacionadas com o número do documento estão na tabela, podendo ser encontradas num instante. A eficiência do trabalho melhorou significativamente.

Em três meses, Liu Fengshou transformou um departamento de logística gerido com base na experiência num departamento que fala com dados, onde os resultados de trabalho de cada pessoa são visíveis. Uma empresa em fase de arranque conseguiu, com um investimento mínimo, fazer algo que normalmente exigiria um sistema profissional.

Segundo ele, as tabelas AI "tornam o trabalho repetitivo simples, o trabalho simples automático e o trabalho automático preciso".

Conclusão: as tabelas AI, o aliado mais fiável das equipas de primeira linha

A experiência da ZHR Zeze e da 55°N FIFTYFIVE mostra-nos que as tabelas AI não fazem uma mudança radical, mas concentram as informações dispersas, automatizam os processos que devem ser automatizados e tornam os trabalhos que precisam de ser acompanhados visíveis.