Como usar IA para ler os comentários do NPS da clínica e descobrir qual problema aparece mais, por unidade e por etapa?

"Como usar IA pra ler os comentários do NPS da clínica e descobrir qual problema aparece mais, por unidade e por etapa?"

Você tem o NPS do mês na mão. Subiu numa unidade, caiu na outra.

E embaixo da nota tem uma pilha de comentários que ninguém leu inteira.

É nessa pilha que está a resposta. A nota diz quanto o paciente gostou. O comentário diz o que deu errado, em que etapa da jornada e com quem.

O problema é volume. Com mais de uma unidade, os comentários passam do que alguém consegue ler com atenção, e a análise vira impressão de quem leu ("o pessoal reclama muito da espera").

A IA resolve o volume, desde que você dê a ela uma régua fixa. Classificar cada comentário numa lista fechada de causas por etapa, validar contra a leitura humana e contar por unidade transforma texto solto em ranking de problema com dono.

E não é perfumaria. Numa revisão sistemática publicada na Health Expectations em 2022, com 12 estudos sobre NPS em serviços de saúde, quatro concluíram que o NPS agrega valor mínimo à melhoria assistencial. A nota sozinha não aponta o conserto.

Neste guia você vai ver:

• Por que o comentário livre é onde está a causa (e a nota não)
• Como montar a taxonomia de causas por etapa da jornada antes de ligar a IA
• O prompt de classificação, com multirrótulo, saída em planilha e gaveta de "outros"
• Como anonimizar, validar contra um humano e checar se a IA é estável
• Como contar por unidade, etapa, dentista e procedimento sem se enganar na comparação
• Como pesar cada causa pelo impacto na nota, dar dono e medir o antes e depois

Por que a nota do NPS sozinha não diz o que consertar

A pergunta do NPS ("de 0 a 10, quanto você recomendaria a clínica") mede intenção de recomendar. Ela não pergunta o porquê.

Uma nota baixa pode ser a espera além do horário, o orçamento que ninguém explicou ou a dor no pós da extração. Para a nota, os três são iguais. Para você, são três consertos diferentes, com três responsáveis diferentes.

A literatura de saúde chega na mesma conclusão. A revisão sistemática da Health Expectations (Adams C, Walpola R, Schembri AM, Harrison R, 2022), que avaliou 12 estudos sobre NPS em serviços de saúde (busca de janeiro de 2005 a setembro de 2020), traz três achados que importam aqui:

1. Quatro estudos concluíram que o NPS agrega valor mínimo à melhoria assistencial. Os autores sugerem que o NPS pode não bastar como métrica isolada e talvez funcione melhor junto de uma pesquisa mais ampla.
2. O campo de comentário livre, que traz detalhe adicional e pistas de contexto, foi visto positivamente por pacientes e equipe em 4 dos 12 estudos.
3. O NPS pode ser influenciado por idade, condição clínica, intervenção e variação cultural, e por isso a revisão pede cautela ao usar o NPS para comparações.

Traduzindo para a clínica: a nota é o termômetro. O comentário é o exame que mostra onde está a febre.

Lembre: NPS sem leitura do comentário vira placar. Você sabe se ganhou ou perdeu o mês, mas não sabe qual jogada consertar.

Os 3 jeitos de ler o comentário (e qual deles aguenta escala)

Existem três formas de transformar comentário em informação. Elas não são rivais: cada uma responde a uma pergunta diferente.

1. Leitura manual com códigos. A gerente ou a CRC lê cada comentário e marca uma causa numa planilha. É a referência de qualidade, porque entende contexto, ironia e o jeito de falar do paciente da sua região. O limite é o tempo.

2. Análise de sentimento. A ferramenta marca cada comentário como positivo, negativo ou neutro. Serve para triagem, mas não responde o que você precisa: "negativo" não diz se o problema foi a recepção ou o financeiro.

3. Classificação temática por IA. A IA lê o comentário e atribui uma ou mais causas de uma lista que você definiu. É a única das três que entrega "qual problema aparece mais" sem depender de alguém ler tudo.

O gargalo da leitura manual está documentado. A revisão sistemática da BMJ Health & Care Informatics (Khanbhai M et al., 2021), com 19 artigos publicados entre janeiro de 2000 e dezembro de 2019 sobre processamento de linguagem natural e machine learning em feedback de pacientes, afirma que analisar esse texto livre manualmente exigiria pessoal que a maioria das organizações de saúde não tem.

Veja lado a lado:

Jeito de ler	O que entrega	Onde funciona	Onde quebra
Leitura manual com códigos	Causa com contexto fino	Volume baixo, e como régua para validar a IA	Várias unidades, leitura que atrasa semanas
Análise de sentimento	Positivo, negativo ou neutro	Triagem rápida, alerta de detrator	Não diz o que consertar nem onde
Classificação temática por IA	Causa e etapa de cada comentário, contáveis	Volume alto, rede com várias unidades, série mensal	Sem lista fixa e sem validação, vira opinião automatizada

A combinação que funciona: a IA classifica tudo, um humano valida uma amostra, e o sentimento entra como coluna auxiliar, não como diagnóstico.

Passo 1: monte a taxonomia de causas antes de ligar a IA

Este é o passo que separa análise de verdade de resumo bonito. Taxonomia é a lista fechada de causas que um comentário pode receber.

Se você pede "leia esses comentários e me diga os principais problemas", a IA inventa as categorias na hora. No mês seguinte, inventa outras. Você nunca consegue comparar um mês com o outro.

Com lista fechada, cada comentário cai numa gaveta que existe desde o primeiro mês. É isso que cria série histórica.

A revisão de 2021 descreve o mesmo desenho. Nela, os comentários livres de pesquisas estruturadas (o caso do NPS) foram analisados com abordagem supervisionada, em que a categoria de saída é definida antes; já os comentários colhidos em redes sociais foram analisados sem categoria prévia (Khanbhai M et al., BMJ Health & Care Informatics, 2021).

Organize as causas pela etapa da jornada

A forma mais útil de montar a lista é seguir o caminho do paciente. Cada etapa tem um dono natural na clínica, e isso facilita o passo da ação lá na frente.

Exemplo de taxonomia (adapte à sua operação; os comentários são fictícios):

Etapa	Causas que costumam aparecer	O que entra	Exemplo de comentário
Primeiro contato (WhatsApp, telefone)	Demora na resposta; informação incompleta; tom frio	O que aconteceu antes de marcar	"Mandei mensagem e só responderam no outro dia"
Agendamento	Falta de horário; remarcação pela clínica; confirmação falha	Conseguir, manter e confirmar o horário	"Desmarcaram minha consulta em cima da hora"
Recepção e espera	Atraso no horário marcado; acolhimento; ambiente	Do momento em que chega até entrar no consultório	"Esperei muito mesmo com hora marcada"
Avaliação e orçamento	Orçamento não explicado; pressão para fechar; plano confuso	Clareza do diagnóstico, do plano e do valor	"Saí sem entender por que eram tantos procedimentos"
Atendimento clínico	Dor ou desconforto; explicação do dentista; resultado	O que aconteceu na cadeira e no resultado	"A doutora explicou cada passo, não senti nada"
Financeiro e cobrança	Valor diferente do orçamento; forma de pagamento; cobrança	Dinheiro depois do sim	"Cobraram diferente do que foi combinado"
Pós-procedimento	Retorno não feito; dúvida sem resposta; complicação	Acompanhamento, orientação e retorno	"Ninguém me procurou depois da cirurgia"

Cada causa da lista precisa de três coisas:

1. Definição de uma frase, dizendo o que entra e o que não entra.
2. Um ou dois exemplos reais de comentário, já anonimizados.
3. Um dono, a pessoa que responde por aquela causa (detalhado mais abaixo).

As duas gavetas que impedem o encaixe forçado

• Outros: para o que não cabe em nenhuma causa. A IA escreve um resumo curto do assunto. Se essa gaveta cresce, está faltando uma causa na lista.
• Sem conteúdo acionável: para "ok", "tudo ótimo", "nada a declarar". Conta para a nota, não conta para o ranking de causas.

Elogio também é causa

"A doutora explicou cada passo" cai na mesma gaveta de "o dentista não explicou nada": explicação do dentista, em atendimento clínico. Muda só o sinal.

É assim que você descobre o que o promotor valoriza, e não só o que o detrator odeia.

Dica: dê número de versão à lista ("taxonomia v1") e só mude na revisão trimestral, registrando o que mudou. Taxonomia que muda todo mês destrói a comparação que você queria fazer.

Passo 2: separe etapa, causa e sentimento em três colunas

O erro de desenho mais comum é misturar três coisas numa coluna só. "Recepção ruim" mistura onde aconteceu, o que aconteceu e o sinal.

Separe assim:

• Etapa: onde aconteceu (recepção e espera).
• Causa: o que aconteceu (atraso no horário marcado).
• Sentimento: elogio, reclamação, misto ou neutro.

Por que três colunas? Porque cada uma responde a uma pergunta diferente do dono:

• Pela etapa, você soma tudo o que acontece na recepção, independente do motivo.
• Pela causa, você vê o mesmo problema atravessando etapas. "Falta de explicação" pode estar na avaliação e no atendimento clínico ao mesmo tempo.
• Pelo sentimento, você separa o que proteger (elogio) do que consertar (reclamação).

Exemplo de três comentários classificados (comentários fictícios):

Comentário (anonimizado)	Etapa	Causa	Sentimento
"Esperei bastante, mas o doutor foi ótimo"	Recepção e espera; Atendimento clínico	Atraso no horário marcado; Explicação do dentista	Misto
"Ninguém explicou o orçamento, só mandaram o valor"	Avaliação e orçamento	Orçamento não explicado	Reclamação
"Tudo ótimo"	Nenhuma	Sem conteúdo acionável	Elogio

Repare na primeira linha. Se você tivesse uma coluna só, ela viraria "elogio" ou "reclamação" e você perderia metade da informação.

Passo 3: aceite mais de uma causa por comentário

Paciente não escreve pensando na sua planilha. "Demorou e o orçamento não foi explicado" tem duas causas, em duas etapas.

Se você obriga a IA a escolher uma causa só, a outra some da contagem. E some de forma sistemática: a causa que vem em segundo lugar na frase fica subcontada mês após mês.

Por isso a classificação é multirrótulo:

• Permita mais de uma causa por comentário, com um teto baixo (no exemplo de prompt abaixo, até três).
• Marque qual é a causa principal, para quando você precisar de um ranking de uma causa por comentário.
• Guarde, para cada causa, o trecho do comentário que a justifica. É o que a gerente confere na validação.

Mas tem um detalhe na hora de contar:

Com multirrótulo, a soma das causas passa de 100% das respostas. Está certo. Você está contando menções por 100 respostas, não fatias de uma pizza.

Passo 4: escreva o prompt de classificação

O prompt é o manual de operação da IA. Ele tem cinco partes, sempre as mesmas:

1. Papel e contexto: o que a IA está classificando e para quê.
2. Lista fechada de etapas e causas, com a definição de cada uma.
3. Exemplos já classificados (o que se chama de few-shot), incluindo um comentário misto, um irônico e um curto demais.
4. Regras: usar só a lista, cair em "outros" quando não encaixar, não deduzir o que não está escrito, marcar a principal.
5. Saída estruturada: um JSON ou uma linha de planilha por comentário, sem texto solto.

É assim que fica (exemplo de prompt, adapte à sua taxonomia):

Você classifica comentários da pesquisa de satisfação (NPS) de uma clínica odontológica.

TAXONOMIA v1 (use SOMENTE estas categorias)
Etapas: primeiro_contato, agendamento, recepcao_espera, avaliacao_orcamento,
atendimento_clinico, financeiro, pos_procedimento
Causas (uma linha por causa, com o que entra e o que não entra):
- atraso_horario: o paciente esperou além do horário marcado para ser atendido.
  Não inclui dificuldade de conseguir horário (isso é falta_horario).
- orcamento_nao_explicado: o paciente não entendeu o plano, o motivo ou o valor.
- ...
- outros: nada da lista descreve o comentário. Escreva um resumo curto do assunto.
- sem_conteudo: comentário genérico, sem fato ("ok", "tudo ótimo").

REGRAS
1. Atribua de 1 a 3 causas por comentário e marque a principal.
2. Para cada causa, informe a etapa e copie o trecho que justifica.
3. Sentimento: elogio, reclamação, misto ou neutro.
4. Não deduza o que não está escrito. Na dúvida, use outros.
5. Ironia conta pelo sentido, não pela palavra.

EXEMPLO
Comentário: "Demorou muito pra ser atendido e ninguém explicou o orçamento."
Saída: {"id":"c-0412","causas":[
 {"causa":"atraso_horario","etapa":"recepcao_espera","trecho":"demorou muito pra ser atendido","principal":true},
 {"causa":"orcamento_nao_explicado","etapa":"avaliacao_orcamento","trecho":"ninguém explicou o orçamento","principal":false}],
 "sentimento":"reclamação"}

FORMATO DE SAÍDA
Um JSON por comentário, com o id recebido, sem nenhum texto fora do JSON.

Três cuidados de operação que fazem diferença:

• Mande só o texto e o id. Unidade, dentista, procedimento e nota ficam na sua planilha e se juntam depois, pelo id. A IA não precisa saber de onde veio o comentário para classificá-lo, e você expõe menos dado.
• Deixe a temperatura baixa (zero, se a ferramenta permitir). Você quer a mesma resposta para o mesmo comentário, não criatividade.
• Classifique em lotes, com o número de versão do prompt e da taxonomia anotado em cada linha.

Passo 5: anonimize o comentário antes de mandar para a IA

Comentário de paciente carrega dado de saúde ("depois da extração", "o canal inflamou") e, às vezes, dado que identifica a pessoa.

A LGPD (Lei nº 13.709/2018) trata dado referente à saúde, quando vinculado a uma pessoa natural, como dado pessoal sensível (art. 5º, II). As obrigações da lei recaem sobre quem trata o dado: a clínica, como controladora, é quem decide o tratamento, e o fornecedor que processa o texto em nome dela atua como operador (art. 5º, VI e VII).

O que tirar antes de enviar:

• Nome do paciente e de acompanhantes
• Telefone, e-mail, CPF e data de nascimento
• Endereço e número de ficha ou prontuário
• Nome do dentista, quando a análise não precisa dele no texto (o vínculo com o profissional continua na sua planilha, pelo id)

Como fazer na prática: uma etapa automática troca padrões fixos (telefone, CPF, e-mail) por marcadores como [TELEFONE] e [CPF], e uma regra trata nomes próprios como [NOME] ou [DENTISTA]. Confira uma amostra do resultado antes de rodar o lote inteiro.

Mas tem uma nuance que a lei deixa clara:

Pelo art. 12, dado anonimizado deixa de ser dado pessoal, salvo quando a anonimização for revertida ou, com esforços razoáveis, puder ser revertida. Trocar o nome por um código que você mesmo consegue desfazer reduz o que sai da clínica, mas a sua base continua sendo dado pessoal. Trate-a como tal.

Antes de escolher a ferramenta, leia também o que o fornecedor faz com o texto enviado: se usa para treinar modelo, onde armazena e por quanto tempo.

Passo 6: valide a IA contra um humano antes de confiar no ranking

IA que nunca foi conferida produz ranking que ninguém deveria usar na reunião. Antes de levar o painel para a equipe, meça.

O roteiro de validação:

1. Separe uma amostra variada. Exemplo: 150 comentários de unidades e meses diferentes, com detratores, neutros e promotores.
2. Peça para a gerente ou a CRC classificar às cegas, com a mesma taxonomia, sem ver a resposta da IA.
3. Compare comentário a comentário. Em quantos a causa principal bate?
4. Abra por categoria, com duas perguntas:
   • Quando a IA diz "atraso no horário", quantas vezes era mesmo atraso? (precisão)
   • De todos os comentários que eram atraso, quantos a IA pegou? (cobertura)
5. Corrija onde o erro se concentra. Reescreva a definição, acrescente um exemplo ao prompt ou junte duas causas que nem o humano consegue separar.
6. Defina antes qual concordância você aceita para usar o ranking, e repita a validação até chegar lá.

Uma checagem extra vale ouro: peça para duas pessoas classificarem a mesma fatia. Se elas discordam entre si numa causa, o problema é a definição, não a IA.

Onde esperar mais divergência? Nas fronteiras borradas da sua lista. Atraso no dia da consulta contra dificuldade de conseguir horário. Dor esperada do procedimento contra problema clínico. Valor do orçamento contra cobrança errada. São as definições que mais pedem exemplo.

Por que a validação tem que ser na sua base

A evidência publicada não foi colhida no seu tipo de comentário. Na revisão da BMJ Health & Care Informatics (2021), a maioria (80%) dos estudos aplicou técnicas de análise de linguagem a feedback de pacientes vindo de redes sociais (não solicitado), seguido de pesquisas estruturadas (solicitado).

E os artigos da revisão vão até 2019, antes dos modelos de linguagem generativos que você usa hoje. O princípio continua de pé (categoria definida antes, conferência humana), mas o desempenho na sua base só a sua amostra mostra.

Passo 7: rode duas vezes e trave o que pode variar

Modelo de linguagem pode dar respostas diferentes para o mesmo texto. Antes de confiar na série, teste a estabilidade.

Veja como funciona:

1. Classifique a mesma amostra de validação duas vezes, em dias diferentes.
2. Compare as duas rodadas causa a causa.
3. Repare nas causas raras. Se uma causa aparece numa rodada e some na outra, ela ainda não está pronta para virar alarme no painel.

O que travar, e registrar em coluna na planilha:

• Versão da taxonomia (v1, v2)
• Versão do prompt
• Modelo usado e a data da classificação
• Temperatura

Quando o fornecedor trocar o modelo, rode de novo a amostra de validação antes de continuar a série. Senão a "melhora" de um mês para o outro pode ser só a troca de modelo.

Os pontos cegos da IA no comentário de paciente

Nenhuma classificação automática é perfeita. O que separa a análise séria da ingênua é saber onde ela tropeça e tratar cada caso.

Repare nestes pontos (exemplos fictícios):

Ponto cego	Exemplo	Como tratar
Ironia e sarcasmo	"Ótimo atendimento, só esperei a tarde inteira"	Exemplo irônico no prompt e regra "sentido, não palavra"
Comentário misto	"A dentista é excelente, mas a recepção é desorganizada"	Multirrótulo, com sentimento misto e duas causas
Curto demais	"ok", "tudo ótimo", "nota 10"	Gaveta "sem conteúdo acionável", fora do ranking de causas
Gíria e regionalismo	"Achei a recepção meio fuleira"	Exemplos reais da sua região no prompt
Fala de outra pessoa	"Minha mãe foi muito bem tratada"	Classificar normalmente: a experiência relatada é a que conta
Assunto fora da clínica	Estacionamento da rua, regra do convênio	"Outros" com resumo; vira causa nova se for recorrente

O comentário curto merece atenção especial. Ele é comum, e contá-lo como "elogio ao atendimento" infla a etapa errada. "Tudo ótimo" diz que o paciente gostou, não do quê.

Como contar o que aparece mais: por causa, unidade, etapa, dentista e procedimento

Com cada comentário classificado, junte pelo id os dados que ficaram na sua planilha: unidade, dentista, procedimento, nota e data. Agora dá para cortar de todo jeito.

Os cinco cortes que respondem à pergunta do dono:

1. Ranking de causas da rede, em menções por 100 respostas.
2. Causa por etapa, para ver em que ponto da jornada cada problema mora.
3. Causa por unidade, para saber onde atacar primeiro.
4. Causa por dentista, só com as causas clínicas. Atraso de recepção não é nota do profissional (veja como separar a nota do dentista da nota da recepção).
5. Causa por procedimento, porque o pós de uma cirurgia não se compara com o de uma limpeza.

O cruzamento mais valioso: causa contra a nota

Contar causa sem olhar a nota é meio diagnóstico. Para cada causa, compare quanto ela aparece entre detratores e quanto aparece entre promotores.

Exemplo ilustrativo (números fictícios):

Causa	Menções por 100 detratores	Menções por 100 promotores	Leitura
Atraso no horário marcado	38	6	Motor de detração
Orçamento não explicado	22	2	Motor de detração
Valor diferente do orçamento	15	1	Motor de detração, grave
Explicação do dentista (elogio)	4	41	O que o paciente valoriza: proteja

Causa que aparece muito no detrator e quase nada no promotor é o que derruba a nota. Causa que aparece como elogio no promotor é o que segura a nota, e não deve ser cortada numa reorganização.

E não olhe só o detrator. O comentário do neutro (nota 7 ou 8) mostra o que separou aquele paciente de virar promotor.

Como comparar unidades sem se enganar

Comparar unidade é onde a análise mais engana o dono. A revisão da Health Expectations (2022) já alerta: o NPS pode ser influenciado por idade, condição clínica, intervenção e variação cultural, e por isso pede cautela em comparações. Com as causas vale o mesmo.

Cinco regras para comparar com honestidade:

1. Taxa, não contagem. Use menções por 100 respostas. Exemplo: a unidade A tem 30 menções de espera em 400 respostas (7,5 por 100); a unidade B tem 18 em 120 (15 por 100). Pela contagem, A parece pior. Pela taxa, B é que tem o problema.
2. Mesmo procedimento. Compare a causa dentro do mesmo tipo de atendimento. Unidade que concentra cirurgia vai ter mais comentário de pós-operatório. Veja como comparar o NPS entre unidades sem a distorção do mix de procedimentos.
3. Mínimo de respostas. Defina antes quantas respostas uma unidade precisa no período para entrar no ranking. Abaixo disso, ela vai para janela trimestral. A conta está em quantas respostas de NPS a nota precisa para significar algo.
4. Mesma régua. Mesma versão da taxonomia e do prompt em todas as unidades comparadas.
5. Mesma coleta. Mesmo momento de disparo e mesmo canal. Pesquisa enviada logo após a consulta e pesquisa enviada semanas depois capturam lembranças diferentes.

Frequência não é tudo: pese a causa pelo impacto na nota

A causa que mais aparece nem sempre é a que mais custa. Algumas aparecem pouco e, quando aparecem, destroem a nota.

Olhe cada causa por dois eixos:

• Frequência: menções por 100 respostas.
• Impacto: a nota média de quem cita a causa, comparada com a nota média geral.

Cruze os dois e cada causa cai num quadrante:

	Impacto alto na nota	Impacto baixo na nota
Aparece muito	Prioridade 1: conserte já	Incômodo crônico: resolva na rotina
Aparece pouco	Risco silencioso: investigue caso a caso	Monitore

Exemplo (números fictícios): na rede, "atraso no horário" aparece 12 vezes por 100 respostas, e quem cita dá nota média 5,1, contra 8,4 da rede. "Valor diferente do orçamento" aparece só 3 vezes por 100, mas quem cita dá nota média 2,0.

Um peso simples é frequência vezes a queda na nota. Atraso: 12 x 3,3 = 39,6. Valor diferente: 3 x 6,4 = 19,2. O atraso continua em primeiro, mas a cobrança, que sumia no ranking por frequência, sobe para a lista de ataque.

Não é fórmula sagrada. É um jeito de impedir que a causa rara e grave fique escondida atrás da comum e chata.

Da causa ao dono do processo: quem conserta o quê

Classificação sem dono é relatório bonito que não muda nada. Cada causa da taxonomia precisa ter um responsável e uma ação típica já pensada.

Causa (etapa)	Dono	Ação típica	O que acompanhar
Demora na resposta (primeiro contato)	CRC / atendimento	Resposta automática fora do horário e fila com prazo	Menções por 100 respostas, mês a mês
Falta de horário, remarcação (agendamento)	Gestão de agenda	Abrir janelas, regra para remarcação pela clínica	Idem
Atraso no horário marcado (recepção)	Recepção e coordenador clínico	Revisar o tempo de cada procedimento na agenda, avisar o atraso	Idem, por unidade
Orçamento não explicado (avaliação)	CRC e avaliador	Roteiro de apresentação do plano e resumo por escrito	Idem, por avaliador
Dor, explicação do dentista (clínico)	Coordenador clínico	Protocolo de orientação, conversa individual com o profissional	Idem, por dentista
Valor diferente do orçamento (financeiro)	Financeiro	Conferir orçamento contra cobrança antes de emitir	Idem, e cada caso individual
Retorno não feito (pós-procedimento)	CRC e coordenador clínico	Contato de pós em data fixa após cada procedimento	Idem, por procedimento

O painel mensal por unidade

Uma página por unidade, com as mesmas colunas todo mês:

• As causas que mais pesam, em menções por 100 respostas
• A variação contra o mês anterior
• O dono de cada causa
• A ação em andamento e o status
• Os comentários de exemplo (anonimizados) que ilustram cada causa

O comentário de exemplo é o que convence a equipe. Número diz que tem problema; a frase do paciente mostra como ele foi vivido.

O ritmo que transforma classificação em melhoria

Análise de comentário não é projeto, é rotina. O ritmo que sustenta:

1. Toda semana: classifique o lote da semana. Detrator com causa grave (cobrança errada, complicação no pós) vai para retorno ao paciente, não só para o painel.
2. Todo mês: feche o painel por unidade e faça a reunião com os donos. Uma ação registrada por causa prioritária, com data de início.
3. Todo trimestre: revise a taxonomia. Olhe a gaveta "outros", junte causas que ninguém separa, abra a que está faltando, rode de novo a validação e suba a versão.

Meça o antes e depois

Quando um dono muda um processo, anote a data. Depois compare a taxa daquela causa antes e depois da mudança, na mesma unidade e com a mesma versão da taxonomia (exemplo: as oito semanas anteriores contra as oito seguintes).

Dois cuidados para não comemorar à toa:

• Sazonalidade: compare também com as unidades que não mudaram nada no mesmo período.
• Volume: se a unidade teve poucas respostas na janela, estique o período antes de concluir.

É a mesma lógica de usar IA para classificar o motivo de cada lead não fechar: lista fechada, contagem por motivo, um dono por motivo e antes e depois. Muda só o momento da jornada que você está lendo.

Planilha com IA genérica ou plataforma de feedback?

A pergunta "qual ferramenta usar" vem cedo e importa menos do que parece. O que decide o resultado é taxonomia, validação e rotina.

Compare os três caminhos:

Caminho	Controle da taxonomia	Esforço de operação	Ponto de atenção
Planilha + modelo de IA genérico	Total: a lista é sua	Alto: alguém monta o lote, roda e junta	Termos de uso do fornecedor e anonimização ficam com você
Plataforma de pesquisa e feedback com análise de texto	Varia: algumas deixam fixar a lista, outras sugerem temas sozinhas	Baixo depois de configurada	Exigir lista fixa, versão e exportação dos dados
IA dentro do sistema de gestão ou CRM da clínica	Varia	Baixo, se o NPS já mora lá	Conferir se cruza com unidade, dentista e procedimento

Antes de fechar com qualquer uma, faça quatro perguntas:

1. Consigo fixar a minha lista de causas e impedir que a ferramenta invente temas novos todo mês?
2. Consigo exportar comentário, causa, etapa e sentimento para conferir e guardar a série?
3. Consigo rodar a validação contra a leitura humana?
4. O que o fornecedor faz com o texto dos meus pacientes?

Se a resposta da primeira for "não", a ferramenta entrega resumo, não série histórica.

Erros comuns que estragam a análise

1. Deixar a IA inventar as categorias todo mês. Sem lista fechada, não existe série histórica.
2. Categoria genérica demais, como "atendimento". Não aponta conserto nem dono.
3. Uma causa só por comentário. A segunda causa some da contagem.
4. Misturar etapa, causa e sentimento numa coluna só.
5. Olhar só o detrator. O elogio do promotor e o comentário do neutro mostram o que proteger e o que falta.
6. Comparar unidade pela contagem bruta ou com amostra pequena demais (exemplo: uma unidade com 8 respostas no mês contra outra com centenas).
7. Pular a validação humana e levar o ranking direto para a reunião.
8. Trocar prompt ou modelo no meio da série sem registrar a versão.
9. Mandar comentário com nome, telefone e CPF para a ferramenta.
10. Classificar e não dar dono. Painel sem responsável vira leitura de fim de mês, não melhoria.

Seu próximo passo

1. Escreva a taxonomia v1. Use os comentários de um mês de uma unidade como matéria-prima, organize as causas pelas etapas da jornada, com definição e exemplo, e inclua as gavetas "outros" e "sem conteúdo".
2. Classifique e valide antes de mostrar. Anonimize, rode a IA com o prompt fechado e temperatura baixa, peça à gerente que classifique uma amostra às cegas e ajuste as definições onde houver divergência.
3. Monte o painel mensal por unidade, com dono por causa. Taxa por 100 respostas, cruzamento com a nota, peso pelo impacto e uma ação registrada por causa prioritária, para medir o antes e depois.

Quer transformar a voz do paciente em processo que segura agenda e comparecimento na sua rede? Agende uma apresentação.