Integre análise de sentimentos em fluxos de atendimento ao cliente com n8n

O que é e por que usar

A análise de sentimentos é uma técnica de processamento de linguagem natural (NLP) que classifica o tom emocional de um texto, geralmente como positivo, negativo ou neutro. No contexto do atendimento ao cliente, isso significa automaticamente “ler” e categorizar a emoção por trás de mensagens de e-mail, avaliações, tickets de suporte e interações em chat.

Integrar essa análise diretamente nos seus fluxos de automação de atendimento transforma uma operação reativa em uma proativa. Em vez de tratar todos os contatos da mesma forma, você pode priorizar tickets com sentimentos negativos para resposta imediata, rotear feedbacks positivos para sua equipe de marketing, ou identificar tendências de insatisfação antes que se tornem crises. Para uma empresa que recebe centenas de interações por dia, essa triagem automática não é um luxo, mas uma necessidade para escalar a qualidade do serviço sem aumentar a equipe proporcionalmente.

Com o n8n, você pode construir essa integração de forma acessível, conectando ferramentas como Gmail, Zendesk ou WhatsApp a serviços de IA como OpenAI, Google Cloud Natural Language ou Hugging Face. O resultado é um fluxo de trabalho inteligente que age sobre dados contextuais, melhorando a experiência do cliente e a eficiência operacional.

Pré-requisitos

Uma conta no n8n (self-hosted ou n8n.cloud).
Acesso a uma fonte de dados de atendimento (ex: conta do Gmail/Outlook, API do Zendesk/Freshdesk, webhook de um formulário).
Credenciais para um serviço de análise de sentimentos. Usaremos a API da OpenAI (GPT) neste guia, mas o conceito se aplica a outros.
- Conta na OpenAI com créditos na API.
- Uma chave de API (API Key) da OpenAI.
Um destino para os resultados (ex: planilha Google Sheets, banco de dados, ou um sistema de tickets como o Trello).

Exemplo Prático: Triagem Automática de E-mails de Suporte

Cenário concreto: Imagine que você é responsável pelo suporte de um SaaS e sua equipe recebe uma média de 50 e-mails por dia na caixa “[email protected]”. Atualmente, um colaborador precisa abrir cada e-mail, ler o conteúdo e manualmente decidir sua urgência com base no tom do cliente. Isso consome tempo valioso e pode levar a atrasos na resposta a clientes genuinamente frustrados.

scrabble tiles spelling the word emotion on a wooden surface

O que será automatizado: Vamos criar um fluxo no n8n que, a cada hora, verifica novos e-mails na caixa de suporte, analisa o sentimento do corpo da mensagem, atribui uma prioridade (Alta, Média, Baixa) e cria um card correspondente em uma lista do Trello, garantindo que os casos mais críticos sejam vistos primeiro.

Resultado esperado: E-mails com sentimentos negativos (ex: “Estou extremamente frustrado, o sistema caiu novamente!”) são automaticamente classificados como “Prioridade Alta” e criados em uma lista “URGENTE” no Trello. E-mails neutros ou positivos (ex: “Gostaria de saber se há um tutorial sobre o módulo X”) vão para uma lista “A TRIAR”. A equipe ganha visibilidade imediata sobre a pressão emocional do cliente, permitindo uma resposta mais rápida e adequada.

Configuração Passo a Passo

Vamos construir o fluxo passo a passo no n8n. A lógica central será: E-mail → Análise de Sentimento → Decisão com base no resultado → Ação no Trello.

Nó 1: Trigger de Agendamento (Schedule Trigger)Este nó inicia o fluxo automaticamente em intervalos regulares.
- Tipo: Schedule Trigger
- Configuração: Defina para executar a cada hora (ex: Cron Expression: 0 * * * *).
Nó 2: Buscar E-mails (IMAP ou Gmail)Este nó se conecta à sua caixa de e-mail e busca mensagens não lidas.
- Tipo: Gmail (ou “Email (IMAP)” para provedores genéricos).
- Configuração (Gmail):
  - Autentique-se com sua conta do Google.
  - Resource: Messages
  - Operation: Get Many
  - Adicione um filtro: is:unread label:inbox para buscar apenas e-mails não lidos na caixa de entrada.
  - Defina “Max Results” para um número adequado, como 20.
Este nó passará para os próximos um item de trabalho para cada e-mail encontrado, contendo dados como assunto, remetente, corpo e ID.

Nó 3: Extrair e Limpar o Texto (Function ou HTML Extract)O corpo do e-mail geralmente vem em HTML. Precisamos de texto puro para a análise.

Tipo: Code (Function)

Configuração: Use JavaScript simples para extrair o texto ou remover tags HTML. Um exemplo prático:

// Supondo que o corpo do e-mail esteja em `$json.body`
const rawBody = $json.body;

// Uma função simples para converter HTML para texto plano
function htmlToText(html) {
  return html
    .replace(/<br>/gi, '\n')
    .replace(/<\/p>/gi, '\n')
    .replace(/<[^>]*>/g, '');
}

const plainTextBody = htmlToText(rawBody);

// Limita o tamanho para evitar custos excessivos da API
const truncatedBody = plainTextBody.substring(0, 1000);

// Retorna os dados para os próximos nós
return {
  emailSubject: $json.subject,
  emailFrom: $json.from,
  emailBody: truncatedBody,
  originalMessageId: $json.messageId
};

Nó 4: Análise de Sentimento (OpenAI)

O núcleo do fluxo. Aqui, enviamos o texto limpo para a API da OpenAI.
- Tipo: OpenAI
- Configuração:
  - Resource: Chat
  - Operation: Create Message
  - Model: gpt-3.5-turbo (suficiente e econômico para esta tarefa)
  - Prompt/System Message: “Você é um analisador de sentimentos para atendimento ao cliente. Analise o texto do usuário e responda APENAS com uma das três palavras: POSITIVO, NEUTRO ou NEGATIVO. Considere o contexto de uma solicitação de suporte.”
  - Message: `{{ $json.emailBody }}` (mapeie o campo do nó anterior).
  - Temperature: 0 (queremos respostas consistentes, não criativas).
A resposta da API, como “NEGATIVO”, virá no campo `response.message.content`.
Nó 5: Roteamento por Sentimento (IF ou Switch)Este nó decide o caminho do fluxo com base no sentimento detectado.
- Tipo: Switch
- Configuração:
  - Mode: Expression
  - Adicione três regras (Rules):
    1. Rule 1: Valor `{{ $json[“OpenAI”].response.message.content }}` é igual a `NEGATIVO`.
    2. Rule 2: Valor é igual a `POSITIVO`.
    3. Default Branch: Será usado para `NEUTRO` e quaisquer outros casos.
Agora o fluxo se divide em três ramos possíveis.
Nó 6 (em cada ramo): Criar Card no TrelloConfigure um nó Trello em cada ramo de saída do Switch.
- Tipo: Trello
- Configuração (exemplo para o ramo NEGATIVO):
  - Resource: Card
  - Operation: Create
  - Board ID: Selecione seu quadro de atendimento.
  - List ID: Selecione a lista “URGENTE” ou “PRIORIDADE ALTA”.
  - Title: `[NEGATIVO] {{ $json.emailSubject }}`
  - Description: `De: {{ $json.emailFrom }}\n\n{{ $json.emailBody }}\n\n—\nSentimento detectado automaticamente: NEGATIVO`
  - Nos ramos POSITIVO e NEUTRO, mapeie para listas diferentes (ex: “FEEDBACK” e “A TRIAR”) e ajuste o título.
Nó 7 (Opcional): Marcar E-mail como LidoPara evitar reprocessamento, adicione um nó Gmail/IMAP no final do fluxo principal (após o Switch) para marcar o e-mail original como lido.
- Tipo: Gmail
- Operation: Update
- Message ID: `{{ $json.originalMessageId }}`
- Update Fields: Marque a opção “Read” (ou `removeLabel: ‘UNREAD’`).

Ative o fluxo. Agora, a cada hora, novos e-mails serão processados, classificados e direcionados automaticamente.

Dicas e Variações

Use Modelos Especializados: Em vez do GPT genérico, para volumes altos, considere serviços especializados e mais baratos como Google Cloud Natural Language API ou Hugging Face (com modelos como `distilbert-base-uncased-emotion`). A configuração no n8n seria similar, usando o nó “HTTP Request”.
Adicione Pontuação de Urgência: Vá além de positivo/negativo. Peça à IA para retornar uma pontuação de 1 a 10 e use o nó “Code” para normalizá-la em níveis de prioridade. Exemplo de prompt: “Classifique a urgência de 1 a 10, onde 10 é crítico.”
Integre com Chatbots: Use um webhook do seu chatbot (ex: Dialogflow, Telegram) como trigger. Analise a mensagem do usuário em tempo real e, se for muito negativa, acione um alerta para um agente humano intervir imediatamente.
Crie um Dashboard Simples: Após classificar, envie os resultados (sentimento, assunto, data) para uma planilha do Google Sheets usando o nó “Google Sheets”. Isso gera um histórico visual e permite análises de tendência semanais/mensais.
Combine com Extração de Tópicos: Use um segundo chamado à API (ou um prompt mais complexo) para também identificar o assunto principal (ex: “Cobrança”, “Bug”, “Elogio”). Isso permite um roteamento ainda mais preciso (ex: ticket negativo sobre cobrança vai direto para o financeiro).

Erros Comuns e Como Evitá-los

Token Limit Exceeded na OpenAI: O modelo tem um limite de tokens (palavras). Solução: Sempre trunque o texto do e-mail para um número seguro de caracteres (ex: 1000-1500) no nó Function, como fizemos no exemplo.
Análise de Contexto Incorreta: A IA pode classificar mal frases irônicas ou sarcasmo (ex: “Ótimo, mais um bug.”). Solução: Refine o “System Prompt” para incluir exemplos: “Considere reclamações, frustrações e palavras em caixa alta como indicadores negativos.” Para casos críticos, adicione uma revisão humana final.
Custos Inesperados da API: Processar centenas de e-mails longos com GPT-4 pode ser caro. Solução:
- Comece com modelos mais baratos (gpt-3.5-turbo).
- Implemente um filtro inicial: use o nó “IF” para só analisar e-mails com palavras-chave de problema (ex: “bug”, “não funciona”, “ruim”).
- Monitore o uso de tokens na dashboard da OpenAI.
E-mail Marcado como Spam sendo Processado: O fluxo pode acionar para newsletters ou spam. Solução: No nó de busca de e-mail, use filtros mais restritivos (ex: `from:[email protected] OR subject:”suporte”`). Ou adicione um nó “IF” após a busca para verificar o remetente contra uma lista de domínios válidos.
Falha no Fluxo Interrompe Todo o Processo: Se um e-mail com formato inesperado causar erro no nó OpenAI, o fluxo pode parar. Solução: Ative a opção “Continue on Fail” nos nós críticos (OpenAI, Trello). Além disso, use o nó “Error Trigger” para capturar e registrar falhas em um log separado.

Próximos Passos

Agora que você entende a estrutura básica, é hora de colocar a mão na massa e adaptar o conceito à sua realidade.

Construa um Protótipo Básico: No seu n8n, crie um fluxo de teste usando o nó “Manual Trigger” no lugar do Schedule e do Gmail. Insira manualmente alguns textos de exemplo (uma reclamação, um elogio, uma dúvida) e conecte ao nó OpenAI para ver as classificações. Este é o menor bloco funcional para validar a ideia.
Conecte sua Fonte de Dados Real: Substitua o trigger manual pela integração real que você usa: configure o nó do seu sistema de tickets (Zendesk, Jira), WhatsApp Business API, ou formulário de contato do site via webhook.
Defina Regras de Ação Claras: Documente com sua equipe: o que deve acontecer com um ticket classificado como NEGATIVO? Deve gerar um alerta no Slack? Ter um SLA de resposta de 1 hora? Automatize essa ação no próximo passo do fluxo.
Monitore e Ajuste: Execute o fluxo por uma semana e revise uma amostra das classificações. A IA está acertando? Ajuste o prompt conforme necessário. A automação está trazendo os resultados esperados em termos de tempo de resposta?

A integração de análise de sentimentos é um dos usos mais impactantes da automação no atendimento. Comece simples, itere com base nos dados e escalone a inteligência do seu suporte de forma sustentável.