Combinando análise de dados com IA generativa

1. Contexto 

Nosso cliente atua na distribuição de peças para caminhões fora de estrada, um nicho B2B ligado a mineração, pedreiras e construção pesada, em que disponibilidade e reposição rápida impactam diretamente a operação.

Em Minas Gerais, o ecossistema automotivo reúne 651 empresas e 54,8 mil empregos, sendo 201 empresas e 33,3 mil empregos em peças e acessórios. Nesse contexto, trata-se de uma empresa comercialmente madura, com operação estruturada, carteira relevante e alto nível de execução em vendas.

2. Desafio  

A operação comercial já performava bem. O desafio não era estruturar o básico, mas aumentar a precisão sobre qual cliente abordar, quando abordar e com qual argumento. Nesse setor, a conversão depende menos de ampliar esforço comercial e mais de acionar o cliente certo no momento certo. 

Mesmo com um funil saudável, parte dos clientes com alto potencial saía do radar por não parecer urgente no dia a dia. O desafio era recolocar esses clientes na prioridade do vendedor antes que se transformassem em oportunidades perdidas. 

3. Solução 

Desenvolvemos um modelo estatístico integrado ao SAP Business One, apoiado em uma arquitetura de dados desenhada para organizar, tratar e disponibilizar informações comerciais de forma confiável. A solução identifica clientes sem contato recente, mas com alto potencial de compra, e envia aos vendedores, via chat com IA, recomendações de abordagem e próxima ação. 

A arquitetura implantada também cria uma base reaproveitável para novos agentes e fluxos de IA, de forma simples e escalável. Ou seja, não se trata apenas de um caso pontual de priorização comercial, mas da construção de uma fundação analítica capaz de sustentar novos casos de uso. 

Adicionalmente, o robô realiza web scraping em bases públicas para identificar empresas com perfil semelhante ao dos clientes atuais e disponibiliza essas oportunidades no mesmo formato para os vendedores. 

4. Resultados

Realizamos um teste comparativo A/B no mesmo período, com o mesmo time de vendedores, dividindo clientes regulares de perfil equivalente em dois grupos. 

A única diferença entre os grupos foi a recomendação de priorização para contato. Os clientes recomendados pelo modelo converteram 1,5x mais e geraram 2,8x mais receita do que os clientes do grupo controle.