Classificadores de Texto: Aprendizagem Clássica vs. Aprendizagem Profunda Contributo de cada abordagem na Melhoria da Experiência do Cliente na Formalização de Reclamações

Abstract

A proliferação de textos e documentos digitais decorrente da profunda transformação digital que as sociedades modernas se encontram a sofrer há sensivelmente duas décadas, intensificada ainda nos tempos mais recentes, tem provocado um correspondente aumento da procura de processos e técnicas de classificação de texto para diferentes fins, tais como comunicacionais (e.g, suporte a interações entre humanos e organizações por meios digitais), operacionais (e.g., correção, validação e catalogação de documentos), organizacionais (e.g., automatização de centros de contacto e gestão da reputação) ou regulatórios (e.g., deteção de discriminações e manipulações da opinião em processos eleitorais). Esta procura está a ser acompanhada por progressos nos métodos de classi- ficação de texto, protagonizados com inegável sucesso pelos Modelos de Deep Learning (DL), que se distanciam dos Modelo(s) Clássico(s) (MC) de Machine Learning (ML) por promoverem uma representação da linguagem através de uma extração automática das features relevantes, evitando assim que decorra de um processo de feature engineering, a cargo do domain expertise, quase sempre demorado e oneroso. No entanto, as tecnicidade e dimensão do corpus são críticas para a qualidade do desempenho de um Modelo de DL, tal como o requisito de justificação de cada classificação o é para a sua utilidade, dada a sua mais complexa explicabilidade. Uma comparação entre métodos adotados em MC de ML e em Modelos de DL é aqui realizada, quer a nível dos respetivos métodos e pipelines utilizados, quer a nível da qualidade e utilidade dos seus resultados obtidos sobre informação de reclamações de Clientes relativas a produtos e serviços financeiros, procurando-se identificar as circunstâncias em que se deverá optar por uma abordagem em detrimento de outra. É por fim avaliada a capacidade de virem a melhorar a experiência do Cliente no ato de formalização de uma reclamação, apoiando-o no preenchimento do tema em função do teor da reclamação, contribuindo, por um lado, para a sua literacia financeira e, por outro, para melhorar a eficiência do tratamento da reclamação.

The proliferation of digital texts and documents resulting from the deep digital transforma- tion that modern societies have been undergoing for about two decades, intensified even more recently, has caused a corresponding increase in the demand for text classification processes and techniques for different purposes, such as conversational (e.g., support- ing interactions between humans and organizations through digital means), operational (e.g., document correction, validation and cataloguing), organisational (e.g., automating contact-centres and reputation management) or regulatory (e.g., detecting discriminations and opinion manipulations in electoral processes). This demand is being accompanied by advances in text classification methods, led with undeniable success by Deep Learning Models (DL), which differ from the Classical Machine Learning Models (ML) by promot- ing a language representation through an automatic extraction of the relevant features, thus avoiding a time-consuming and costly feature engineering process, performed by the domain expertise. However, the technicality and the size of the corpus are critical for the quality of the performance of a DL Model, as the requirement of justification of each classification is for its usefulness, given its more complex explainability. A comparison between methods adopted in Classical ML Models and DL Models is carried out herein, both in terms of the respective methods and pipelines used, and in terms of the quality and usefulness of their results obtained on information on customer complaints regard- ing financial products and services, seeking to identify the circumstances in which one approach should be chosen over another. Finally, their capacity to improve the Customer Experience when formalising a complaint is evaluated, supporting them in filling in the subject according to the content of the complaint, contributing, on the one hand, to their financial literacy and, on the other hand, to improving the efficiency of the complaint processing.